張文廣,李浩瀚,藺 媛,王維建,吳凱利,馬艷華

(1.華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院,北京 102206;2.華北電力大學(xué) 新能源學(xué)院,北京 102206;3.上海新華控制技術(shù)集團(tuán)科技有限公司,上海 270062;4.大連理工大學(xué) 微電子學(xué)院,遼寧 大連 116024)

0 引 言

根據(jù)故障發(fā)生的部位,通常可以把控制系統(tǒng)的主要故障分為被控對(duì)象故障、執(zhí)行器故障、傳感器故障和控制器故障[1]。其中,作為控制系統(tǒng)的終端執(zhí)行部件,執(zhí)行器(氣動(dòng)執(zhí)行器/電液執(zhí)行器)是保證控制系統(tǒng)穩(wěn)定運(yùn)行的重要設(shè)備。執(zhí)行器需要進(jìn)行頻繁的機(jī)械動(dòng)作,長(zhǎng)期工作在惡劣工況(例如:燃?xì)廨啓C(jī)執(zhí)行器處于高溫、高壓、腐蝕性、振動(dòng)等環(huán)境)下,其不可避免地會(huì)出現(xiàn)各種故障,進(jìn)而導(dǎo)致控制回路產(chǎn)生振蕩。

閉環(huán)回路中,在一定程度上,控制器的調(diào)節(jié)作用掩蓋了執(zhí)行器(氣動(dòng)執(zhí)行器/電液執(zhí)行器)的故障特征,使得傳統(tǒng)的故障診斷方法經(jīng)常出現(xiàn)診斷速度變慢和診斷精度變低等的現(xiàn)象,無(wú)法及時(shí)地發(fā)現(xiàn)、排除故障,進(jìn)而造成嚴(yán)重后果[2]。因此,快速、準(zhǔn)確地診斷執(zhí)行器的故障,對(duì)保障控制系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要意義[3]。

執(zhí)行器(氣動(dòng)執(zhí)行器/電液執(zhí)行器)故障信號(hào)一般具有強(qiáng)噪聲和非平穩(wěn)特性,如何通過(guò)執(zhí)行器故障信號(hào)辨識(shí)故障類型,長(zhǎng)期以來(lái)一直受到普遍關(guān)注。

KARPENKO M等人[4]建立了多層前饋神經(jīng)網(wǎng)絡(luò),完成了對(duì)氣動(dòng)執(zhí)行器幾種典型故障的診斷;但該方法在訓(xùn)練過(guò)程中容易出現(xiàn)局部極值,以及訓(xùn)練精度低等問(wèn)題。馮志剛等人[5]提出了一種適用于少量樣本數(shù)據(jù)的氣動(dòng)執(zhí)行器故障診斷方法,采用該方法可以有效地解決氣動(dòng)執(zhí)行器故障數(shù)據(jù)的非線性問(wèn)題;但是當(dāng)樣本數(shù)據(jù)增多時(shí),該方法的診斷速度較慢。楊雄飛等人[6]設(shè)計(jì)了一種對(duì)執(zhí)行器故障具有敏感性的非線性滑模觀測(cè)器,通過(guò)觀察觀測(cè)器的輸出誤差,可以判斷執(zhí)行器是否發(fā)生了故障;但是該方法在使用過(guò)程中,受執(zhí)行器現(xiàn)場(chǎng)工作環(huán)境噪聲的影響較大,有時(shí)會(huì)出現(xiàn)執(zhí)行器故障誤判現(xiàn)象。郭勝輝等人[7]提出了一種基于區(qū)間觀測(cè)器的執(zhí)行器故障診斷方法;雖然該方法的魯棒性較強(qiáng),但是其受系統(tǒng)內(nèi)其余成份的影響較大,且在設(shè)計(jì)區(qū)間觀測(cè)器時(shí),需要預(yù)先知道系統(tǒng)內(nèi)非線性部分的輸出范圍,因此,該方法在使用過(guò)程中具有一定的局限性。倪平等人[8]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的執(zhí)行器故障診斷方法;由于該方法的診斷率與網(wǎng)絡(luò)層次數(shù)量成正比,在深層次網(wǎng)絡(luò)訓(xùn)練時(shí),即便采用梯度下降法也會(huì)不可避免地出現(xiàn)梯度消失的狀況,無(wú)法獲得穩(wěn)定的訓(xùn)練結(jié)果。

雖然上述研究中所提出的一系列方法均已取得了一定的效果,但是還難以同時(shí)滿足控制系統(tǒng)執(zhí)行器故障診斷的準(zhǔn)確性和快速性。

若將控制系統(tǒng)執(zhí)行器的故障診斷工作劃分為故障特征提取和故障分類兩個(gè)子任務(wù),那么其準(zhǔn)確性就取決于提取故障特征的區(qū)分度,以及故障分類模型的訓(xùn)練精度。而其中的快速性則與故障特征提取和故障分類模型的計(jì)算規(guī)模密切相關(guān)。

基于上述分析,筆者提出一種基于經(jīng)驗(yàn)小波變換(EWT)和雙核極限學(xué)習(xí)機(jī)(DKELM)的執(zhí)行器(氣動(dòng)執(zhí)行器/電液執(zhí)行器)故障診斷方法;在故障特征提取方面,采用EWT分解執(zhí)行器故障信號(hào),得到若干經(jīng)驗(yàn)小波分量,以信息熵(information entropy,IE)為依據(jù)篩選信號(hào)分量,計(jì)算保留分量的模糊信息熵(fuzzy information Entropy,FIE),得到區(qū)分度較高的特征向量;在故障分類方面,為降低計(jì)算規(guī)模和消除激活函數(shù)的不良影響,將小波核函數(shù)和RBF核函數(shù)引入至極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)構(gòu)造DKELM,以特征向量作為輸入,利用DKELM模型進(jìn)行訓(xùn)練和分類測(cè)試;最后通過(guò)執(zhí)行器故障半物理試驗(yàn)平臺(tái)對(duì)所提方法進(jìn)行試驗(yàn)驗(yàn)證,在各個(gè)環(huán)節(jié),均對(duì)不同方法進(jìn)行對(duì)比試驗(yàn)與分析。

1 執(zhí)行器故障特征提取

1.1 經(jīng)驗(yàn)小波變換

由于終止條件不合理、欠包絡(luò)或過(guò)包絡(luò)等問(wèn)題,傳統(tǒng)的經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)通常容易產(chǎn)生模態(tài)混疊現(xiàn)象,其信號(hào)分解過(guò)程也缺乏可靠的理論依據(jù)[9]。

為完善EMD的不足之處,GILLES J[10]在小波變換的理論框架上,結(jié)合EMD的自適應(yīng)性,提出了經(jīng)驗(yàn)小波變換方法。經(jīng)驗(yàn)小波變換的核心思想是根據(jù)信號(hào)的傅里葉譜特性自適應(yīng)構(gòu)造正交小波濾波器,將信號(hào)分解為多個(gè)具有獨(dú)立模態(tài)的經(jīng)驗(yàn)小波分量。

實(shí)現(xiàn)經(jīng)驗(yàn)小波變換的3個(gè)步驟為:

步驟1:劃分頻帶。劃分方法通常為尺度空間法。若將信號(hào)的傅里葉頻譜劃分為N個(gè)頻帶,需要在頻譜中確定N+1個(gè)邊界點(diǎn),除端點(diǎn)0和π外,還需確定N-1個(gè)點(diǎn);將頻譜中除0和π外的極大值點(diǎn)按從大到小順序排列,假設(shè)除0和π外的極大值點(diǎn)數(shù)量為M,對(duì)應(yīng)兩種情況:

(1)M≥N-1,此時(shí)有足夠數(shù)量的邊界點(diǎn),只保留前N-1個(gè)極大值點(diǎn);

(2)M

筆者將N個(gè)帶寬不相等的頻帶記為An,每個(gè)頻帶可表示為:

An=[ωi-1,ωi],i=1,2,…,n,(ω0=0,ωn=π)

(1)

式中:ωn—兩個(gè)相鄰極大值點(diǎn)的中點(diǎn)。

傅里葉頻譜的劃分形式如圖1所示。

圖1 傅里葉頻譜的劃分形式

圖1中的陰影部分是以每個(gè)ωn為中心建立的,表示N-1個(gè)過(guò)渡段,其寬度記為2τn。

尺度空間法劃分頻帶流程如圖2所示。

圖2 尺度空間法劃分頻帶流程

步驟2:計(jì)算經(jīng)驗(yàn)小波函數(shù)ψn(ω)和經(jīng)驗(yàn)尺度函數(shù)φn(ω),如下式:

(2)

(3)

其中:γ和β(x)的具體取值范圍為:

(4)

(5)

與小波變換原理相似,經(jīng)驗(yàn)小波變換的細(xì)節(jié)系數(shù)和近似系數(shù)可由原始信號(hào)分別與經(jīng)驗(yàn)小波函數(shù)和尺度函數(shù)的內(nèi)積獲得。

筆者將傅里葉變換和傅里葉逆變換分別記為F(·)和F-1(·),則細(xì)節(jié)系數(shù)為:

(6)

近似系數(shù)為:

(7)

步驟3:重構(gòu)原始信號(hào)X(t),如下式:

(8)

式中:*—卷積。

根據(jù)上式,原始信號(hào)可分解為:

(9)

原始信號(hào)X(t)可以表示為:

(10)

式中:Xk(t)—分解得到的第k個(gè)經(jīng)驗(yàn)小波分量。

1.2 特征選擇

通過(guò)經(jīng)驗(yàn)小波變換,執(zhí)行器故障信號(hào)被分解為多個(gè)經(jīng)驗(yàn)小波分量。傳統(tǒng)特征提取方法一般選擇信號(hào)分量的能量作為信號(hào)特征,計(jì)算公式[11]如下:

(11)

式中:Ek—第k個(gè)信號(hào)分量的能量;ck(t)—t時(shí)刻第k個(gè)信號(hào)分量的幅值。

由于執(zhí)行器故障信號(hào)通常是非線性、非平穩(wěn)信號(hào),不同故障信號(hào)分量的能量特征差異性較小,以此作為故障信號(hào)特征,易導(dǎo)致故障分類模型不能獲得較好分類性能。為增強(qiáng)故障特征的可區(qū)分度,筆者選擇模糊信息熵作為執(zhí)行器故障信號(hào)特征。

信息熵是一個(gè)可以評(píng)估信號(hào)各尺度概率的特征量,信息熵越高,說(shuō)明該信號(hào)包含的信息越多[12]。模糊熵(fuzzy entropy,FE)可表征單一尺度上故障信號(hào)復(fù)雜度,但難以度量不同尺度下的信號(hào)復(fù)雜度[13]。模糊信息熵結(jié)合了模糊熵和信息熵的優(yōu)點(diǎn),能夠詳細(xì)表征執(zhí)行器故障信號(hào)某一尺度的復(fù)雜度,具有較高的原始信號(hào)表征能力和可區(qū)分度。

執(zhí)行器故障信號(hào)的模糊信息熵特征求取步驟如下:

步驟1:計(jì)算各個(gè)經(jīng)驗(yàn)小波分量的信息熵,第k個(gè)經(jīng)驗(yàn)小波分量的信息熵計(jì)算公式如下:

(12)

式中:P(xi)—xi在該分量中出現(xiàn)的概率。

由于每種故障信號(hào)的經(jīng)驗(yàn)小波分量個(gè)數(shù)不同,為方便進(jìn)行后續(xù)特征訓(xùn)練和測(cè)試工作,筆者選擇信息熵較大的兩個(gè)分量作為保留分量,記為:

Zk(t)={z1,z2,…,zn},k=1,2

(13)

(14)

(15)

(16)

步驟4:計(jì)算該分量的模糊熵,如下式:

(17)

步驟5:結(jié)合式(12),計(jì)算該分量的模糊信息熵,如下式:

(18)

步驟6:重復(fù)步驟2～步驟5,計(jì)算Z2(t)的模糊信息熵。

最終,作為保留分量的Z1(t)和Z2(t)的模糊信息熵構(gòu)成了該故障信號(hào)的特征向量。

2 執(zhí)行器故障分類模型

2.1 極限學(xué)習(xí)機(jī)

ELM是一種單隱層前饋網(wǎng)絡(luò)算法,其輸入權(quán)重和偏置皆可隨機(jī)確定,一定程度上保證了輸出矩陣的唯一性。

具有L個(gè)隱層節(jié)點(diǎn)的ELM可表示為:

(19)

式中:X—待分類樣本;Y—預(yù)期分類結(jié)果;βi—隱層和輸出層之間的權(quán)值向量;ωi—輸入層和隱層之間的權(quán)值向量;bi—第i個(gè)隱層神經(jīng)元的閾值;h(·)—激活函數(shù)。

上式可用矩陣表示為:

Y=Hβ

(20)

(21)

2.2 雙核極限學(xué)習(xí)機(jī)

在傳統(tǒng)的ELM算法中,激活函數(shù)對(duì)計(jì)算結(jié)果影響較大,難以憑借經(jīng)驗(yàn)法則取值,且式(19)的計(jì)算過(guò)程復(fù)雜,計(jì)算速度較慢。為此筆者引入核函數(shù)構(gòu)造核極限學(xué)習(xí)機(jī)(kernel extreme learning machine,KELM),以消除激活函數(shù)對(duì)訓(xùn)練和分類效果的不良影響。任何函數(shù)只要是滿足Mercer條件,都可以作為核函數(shù)引入至ELM[15]。

與ELM相比,KELM引入了核函數(shù)的概念,一定程度上提高了運(yùn)算速度;但核函數(shù)均有各自的適用范圍,且單一核函數(shù)難以充分學(xué)習(xí)具備非線性特性的執(zhí)行器故障樣本數(shù)據(jù)。

考慮到小波核函數(shù)具有良好的泛化能力[16],以及RBF核函數(shù)具有較強(qiáng)的分類能力[17],筆者將小波核函數(shù)和RBF核函數(shù)進(jìn)行加權(quán)求和,構(gòu)造雙核極限學(xué)習(xí)機(jī)以完成故障分類任務(wù)。

其中,小波核函數(shù)的具體表達(dá)式為:

Kw(x,x′)=

(22)

式中:b—伸縮因子。RBF核函數(shù)的定義如下:

(23)

式中:γ—RBF核函數(shù)參數(shù)。

加權(quán)求和后,雙核函數(shù)如下:

KD(x,x′)=α·Kw(x,x′)+(1-α)·KRBF(x,x′)

(24)

式中:α—核函數(shù)權(quán)重參數(shù)。

由于α∈(0,1),加權(quán)求和后所得的核函數(shù)依舊滿足Mercer條件,式(24)所示的雙核函數(shù)可被引入至ELM中構(gòu)造DKELM。

筆者構(gòu)造雙核函數(shù)矩陣Ω替換式(19)中的激活函數(shù)矩陣HHT,即:

(25)

則對(duì)應(yīng)任意輸入x,DKELM的實(shí)際輸出為:

(26)

通過(guò)優(yōu)化算法可求得DKELM待確定參數(shù)α的最優(yōu)解。同KELM一樣,DKELM計(jì)算規(guī)模小、運(yùn)算速度快,但又兼具兩個(gè)核函數(shù)的優(yōu)點(diǎn),能夠從充分學(xué)習(xí)樣本數(shù)據(jù),具有較高的泛化性能[18]。

3 試驗(yàn)驗(yàn)證

3.1 執(zhí)行器故障半物理試驗(yàn)平臺(tái)

為驗(yàn)證所該方法對(duì)執(zhí)行器(氣動(dòng)執(zhí)行器/電液執(zhí)行器)故障的診斷效果,筆者通過(guò)執(zhí)行器故障半物理試驗(yàn)平臺(tái)進(jìn)行試驗(yàn)驗(yàn)證。

執(zhí)行器(氣動(dòng)執(zhí)行器/電液執(zhí)行器)故障半物理試驗(yàn)平臺(tái)如圖3所示。

圖3 執(zhí)行器故障半物理試驗(yàn)平臺(tái)

該試驗(yàn)平臺(tái)以燃?xì)廨啓C(jī)電廠控制回路為原型,包含氣路和水路兩部分。其中,氣路由氣動(dòng)執(zhí)行器、電液執(zhí)行器、壓力傳感器、流量傳感器、氣罐和氣泵組成;水路由電動(dòng)執(zhí)行器、壓力傳感器、流量傳感器、液位傳感器、水箱和抽水泵組成。

在閉環(huán)系統(tǒng)狀態(tài)下,試驗(yàn)平臺(tái)可模擬氣動(dòng)、電動(dòng)和電液3種執(zhí)行器的典型故障,通過(guò)dSPACE數(shù)據(jù)采集板卡獲取執(zhí)行器閥位設(shè)定信號(hào)和閥位反饋信號(hào)。其中,dSPACE主板卡為DS1007,A/D板卡為DS2003和DS2004,D/A板卡為DS2103。

3種執(zhí)行器的閥位設(shè)定信號(hào)皆是由控制器發(fā)出的控制指令,氣動(dòng)執(zhí)行器的閥位反饋信號(hào)由閥門定位器測(cè)量得到,電動(dòng)、電液執(zhí)行器的閥位反饋信號(hào)由其內(nèi)部的傳感器測(cè)量得到,二者均為百分比開(kāi)度信號(hào)。

此次試驗(yàn)中,筆者選取氣動(dòng)執(zhí)行器4種典型的故障分別進(jìn)行模擬。

試驗(yàn)平臺(tái)的氣動(dòng)執(zhí)行器實(shí)物圖如圖4所示。

圖4 試驗(yàn)平臺(tái)的氣動(dòng)執(zhí)行器實(shí)物圖

氣動(dòng)執(zhí)行器4種典型故障的詳細(xì)信息如表1所示。

表1 氣動(dòng)執(zhí)行器4種典型故障

按正常狀態(tài)和4種典型故障狀態(tài),此次試驗(yàn)中筆者分別構(gòu)造了40組樣本,每組樣本包含2 000個(gè)數(shù)據(jù)(采樣時(shí)間20 s,采樣周期0.01 s)。

3.2 執(zhí)行器故障特征提取試驗(yàn)

閉環(huán)系統(tǒng)氣動(dòng)執(zhí)行器的故障信息體現(xiàn)在閥位實(shí)際位置對(duì)閥位控制指令的跟隨能力上,所以筆者使用閥位設(shè)定信號(hào)和閥位反饋信號(hào)間的殘差,以此來(lái)對(duì)氣動(dòng)執(zhí)行器的故障信號(hào)進(jìn)行分析。

因篇幅所限,筆者僅以PF1故障的其中一組樣本數(shù)據(jù)為例,展示故障特征提取試驗(yàn)結(jié)果。

首先,筆者利用EWT分解PF1故障殘差信號(hào),然后計(jì)算每個(gè)經(jīng)驗(yàn)小波分量的信息熵,取信息熵較高的2個(gè)經(jīng)驗(yàn)小波分量計(jì)算其模糊信息熵,從而構(gòu)造PF1故障特征向量。

PF1故障閥位設(shè)定信號(hào)和閥位反饋信號(hào)如圖5所示。

圖5 PF1故障閥位設(shè)定信號(hào)和閥位反饋信號(hào)

閥位設(shè)定信號(hào)和閥位反饋信號(hào)生成PF1故障殘差信號(hào)后,首先要進(jìn)行歸一化處理,再進(jìn)行經(jīng)驗(yàn)小波變換。

歸一化公式如下:

(27)

PF1故障殘差信號(hào)經(jīng)過(guò)EWT分解得到4個(gè)經(jīng)驗(yàn)小波分量,EWT方法的分解結(jié)果如圖6所示。

圖6 EWT方法的分解結(jié)果

同時(shí),筆者也使用EMD方法對(duì)PF1故障殘差信號(hào)進(jìn)行分解,EMD方法的分解結(jié)果如圖7所示。

圖7 EMD方法的分解結(jié)果

結(jié)合圖(6,7)可以得到如下結(jié)論:

(1)采用EWT方法分解得到的各個(gè)EWF分量變化平緩,周期性沖擊序列的規(guī)律也較為明顯,有利于信號(hào)準(zhǔn)確分析,且分量個(gè)數(shù)較少,降低了計(jì)算規(guī)模;

(2)傳統(tǒng)EMD方法分解得到的IMF1、IMF2和IMF3分量模態(tài)混疊現(xiàn)象嚴(yán)重,對(duì)于復(fù)雜的執(zhí)行器故障殘差信號(hào),EMD分解會(huì)導(dǎo)致部分信息丟失;

(3)傳統(tǒng)EMD分解的殘差分量雖然單調(diào),但并未收斂至0,說(shuō)明EMD分解產(chǎn)生了虛假模態(tài),若進(jìn)行特征提取將會(huì)產(chǎn)生不屬于原信號(hào)的特征描述。

通過(guò)式(12)計(jì)算各經(jīng)驗(yàn)小波分量信息熵值,各經(jīng)驗(yàn)小波分量的信息熵如圖8所示。

圖8 各經(jīng)驗(yàn)小波分量的信息熵

從圖8可以看出,EWF2和EWF3分量的信息熵較高,包含的信息較多。因此,筆者選擇這兩個(gè)分量作為保留分量,其模糊信息熵值構(gòu)成PF1故障的特征向量。

按照正常狀態(tài)和4種故障狀態(tài),在此次試驗(yàn)中筆者分別構(gòu)造了40組樣本,對(duì)每組樣本均進(jìn)行上述特征提取,從而生成每種執(zhí)行器狀態(tài)下的80個(gè)特征數(shù)據(jù)。

為方便DKELM測(cè)試訓(xùn)練,筆者根據(jù)式(27)將特征歸一化,然后構(gòu)造特征向量。

基于模糊信息熵的特征分布如圖9所示。

圖9 基于模糊信息熵的特征分布

同時(shí),筆者按照式(11)計(jì)算各分量的能量作為信號(hào)特征,同樣按照式(27)將特征進(jìn)行歸一化處理。

基于能量的特征分布如圖10所示。

圖10 基于能量的特征分布

結(jié)合圖(9,10)可以看出:

在筆者提出的執(zhí)行器模糊信息熵故障特征中,只有PF1和PF4故障的少數(shù)特征存在相似性,其余特征差異明顯,界限清晰,具有良好的區(qū)分度;而能量特征中PF2和PF3故障,PF4故障和正常狀態(tài)的特征均有不同程度混淆,區(qū)分度較差,降低了故障分類準(zhǔn)確率。

3.3 執(zhí)行器故障分類試驗(yàn)

筆者通過(guò)粒子群算法對(duì)DKELM的核函數(shù)權(quán)重參數(shù)α、小波核函數(shù)伸縮因子b和RBF核函數(shù)參數(shù)γ尋優(yōu)。尋優(yōu)目標(biāo)設(shè)置為DKELM的訓(xùn)練誤差最小,最終尋得最優(yōu)解依次為α=0.673、b=1.292、γ=0.775,最優(yōu)個(gè)體適應(yīng)度變化曲線如圖11所示。

圖11 最優(yōu)個(gè)體適應(yīng)度變化曲線

筆者將所有特征向量輸入至DKELM中進(jìn)行訓(xùn)練和測(cè)試,訓(xùn)練集樣本為160組,測(cè)試集為40組。筆者首先將該方法與BP神經(jīng)網(wǎng)絡(luò)(BPNN)和支持向量機(jī)(SVM)做橫向?qū)Ρ仍囼?yàn),然后將其與極限學(xué)習(xí)機(jī)(ELM)、RBF核極限學(xué)習(xí)機(jī)(RBFKELM)和小波核極限學(xué)習(xí)機(jī)(WKELM)做消融對(duì)比試驗(yàn)。訓(xùn)練過(guò)程中,訓(xùn)練最大次數(shù)設(shè)置為4 000,目標(biāo)誤差設(shè)置為0.000 1。

6種方法訓(xùn)練誤差變化如圖12所示。

圖12 6種方法訓(xùn)練誤差變化

筆者以訓(xùn)練誤差不再減小的當(dāng)前訓(xùn)練次數(shù)為截?cái)帱c(diǎn),計(jì)算訓(xùn)練時(shí)間。

6種方法訓(xùn)練所需時(shí)間如表2所示。

表2 6種方法訓(xùn)練所需時(shí)間

40次分類測(cè)試結(jié)果如表3所示。

表3 40次分類測(cè)試結(jié)果

結(jié)合橫向?qū)Ρ仍囼?yàn)和消融試驗(yàn)結(jié)果可以看出,DKELM訓(xùn)練誤差較小且衰減速度快,訓(xùn)練時(shí)間短,平均分類準(zhǔn)確率在92%以上,顯著提高了執(zhí)行器故障診斷效率。

4 結(jié)束語(yǔ)

采用現(xiàn)有的方法對(duì)控制系統(tǒng)執(zhí)行器(氣動(dòng)執(zhí)行器/電液執(zhí)行器)進(jìn)行故障診斷時(shí),無(wú)法同時(shí)滿足診斷的準(zhǔn)確性和快速性要求,為此,筆者提出了一種基于EWT和DKELM的控制系統(tǒng)執(zhí)行器(氣動(dòng)執(zhí)行器/電液執(zhí)行器)故障診斷方法,并通過(guò)理論分析和試驗(yàn)驗(yàn)證得到以下結(jié)論:

(1)采用經(jīng)驗(yàn)小波變換能夠較完整地分離執(zhí)行器故障信號(hào)的各個(gè)獨(dú)立模態(tài),消除模態(tài)混疊現(xiàn)象;它比傳統(tǒng)的經(jīng)驗(yàn)?zāi)B(tài)分解更適用于對(duì)執(zhí)行器故障信號(hào)進(jìn)行分析,且降低了其計(jì)算規(guī)模;

(2)基于模糊信息熵得到的特征差異明顯,比傳統(tǒng)的能量特征更具有區(qū)分度;

(3)雙核極限學(xué)習(xí)機(jī)訓(xùn)練速度快、誤差小,具有較高的分類準(zhǔn)確率。

此外,執(zhí)行器故障通常具有并發(fā)性和繼發(fā)性,因此,在下一步,筆者將對(duì)不同故障特征相互混雜的復(fù)合故障診斷方法進(jìn)行研究。