賈志奇 ，石俊杰 ，唐宏賓

(1.中鐵廣州工程局集團(tuán)有限公司，廣東廣州 511459；2.長(zhǎng)沙理工大學(xué)汽車與機(jī)械工程學(xué)院，湖南長(zhǎng)沙 410114)

0 前言

由于功率大、響應(yīng)快、精度高等優(yōu)點(diǎn)，液壓系統(tǒng)在工程機(jī)械上得到了廣泛應(yīng)用。液壓油缸為工程機(jī)械液壓系統(tǒng)的重要執(zhí)行機(jī)構(gòu)，但是由于其惡劣的工作環(huán)境，長(zhǎng)時(shí)間的高負(fù)荷運(yùn)行以及不完善的維護(hù)措施，都會(huì)導(dǎo)致它易出現(xiàn)泄漏。液壓油缸一旦泄漏，會(huì)出現(xiàn)工作壓力不足、工作不平穩(wěn)等現(xiàn)象，從而影響工程的施工進(jìn)度和施工質(zhì)量，甚至?xí)斐扇藛T傷亡。

目前，通常利用壓力信號(hào)對(duì)液壓油缸的泄漏進(jìn)行檢測(cè)。但現(xiàn)場(chǎng)采集的壓力信號(hào)常受到液壓泵的供油脈動(dòng)、負(fù)載波動(dòng)和油缸換向沖擊等因素的干擾。因此，如何從壓力信號(hào)中提取故障特征就成為液壓油缸泄漏檢測(cè)的關(guān)鍵。杜文正提出通過(guò)檢測(cè)小波變換在適當(dāng)尺度上的極大值點(diǎn)，并采用提取壓力突變信號(hào)特征的方法來(lái)實(shí)現(xiàn)液壓缸內(nèi)泄漏的故障診斷。TANG和WU將壓力信號(hào)進(jìn)行小波分解后得到的各頻帶信號(hào)能量作為特征向量，輸入到BP網(wǎng)絡(luò)分類器中進(jìn)行泄漏故障的識(shí)別和分類。ZHAO等提取了壓力信號(hào)的小波能量熵，實(shí)現(xiàn)了對(duì)液壓油缸5種不同程度泄漏故障的檢測(cè)。YAO等分別用時(shí)頻分析和人工神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)液壓油缸的泄漏故障。陳灝等人利用改進(jìn)的EEMD方法提取液壓系統(tǒng)外部的振動(dòng)信號(hào)，再運(yùn)用遺傳算法對(duì)SVM進(jìn)行參數(shù)優(yōu)化以診斷液壓系統(tǒng)泄漏故障。廖輝和喬?hào)|凱對(duì)液壓缸的壓力信號(hào)進(jìn)行檢測(cè)提取，然后利用LS-SVM分類器識(shí)別液壓缸泄漏故障信號(hào)。張兆東等通過(guò)對(duì)比實(shí)時(shí)液壓缸內(nèi)部壓力信號(hào)與提取的相關(guān)故障特征量方法，判斷液壓缸是否發(fā)生內(nèi)泄漏。以上方法在一定程度上實(shí)現(xiàn)了對(duì)液壓油缸泄漏故障的檢測(cè)，但是對(duì)于特征參數(shù)的選擇總是存在一定的盲目性和隨機(jī)性，受個(gè)人經(jīng)驗(yàn)和主觀因素影響也較大，并且存在分類器計(jì)算量過(guò)大或分類精度不高等問(wèn)題。因此，有必要針對(duì)液壓油缸的泄漏故障特征提取方法開(kāi)展進(jìn)一步研究。

故障診斷實(shí)質(zhì)上包括了故障特征提取和模式識(shí)別兩個(gè)過(guò)程。其中特征提取是從初始特征參數(shù)中挑選出對(duì)故障檢測(cè)最敏感和最有代表性的特征，以達(dá)到降低特征空間維數(shù)、減小分類器計(jì)算量、提高分類器分類精度的目的。當(dāng)前，用于特征提取的常用方法包括遺傳算法、條件熵、模擬退火算法、距離評(píng)估技術(shù)、距離區(qū)分技術(shù)等?；诰嚯x區(qū)分技術(shù)的特征選擇方法具有簡(jiǎn)單、可靠等特點(diǎn)，得到了廣泛應(yīng)用。

本文作者針對(duì)工程機(jī)械液壓油缸泄漏故障檢測(cè)中壓力信號(hào)特征提取的難題，提出一種基于距離區(qū)分技術(shù)的故障特征提取方法。該方法首先采集工程機(jī)械液壓油缸泄漏狀態(tài)的壓力信號(hào)，然后分別提取時(shí)域、頻域、小波包能量特征、AR模型等初始特征參數(shù)，再利用距離區(qū)分技術(shù)對(duì)特征參數(shù)進(jìn)行選擇，最后將提取的故障特征輸入SVM分類器中進(jìn)行故障模式識(shí)別和分類。

1 信號(hào)采集

本文作者開(kāi)展的液壓油缸泄漏故障檢測(cè)試驗(yàn)在某企業(yè)生產(chǎn)的混凝土泵車上進(jìn)行，其簡(jiǎn)化液壓原理如圖1所示。液壓泵1、溢流閥2、換向閥3和液壓油缸4構(gòu)成一個(gè)驅(qū)動(dòng)負(fù)載5的直線往復(fù)式機(jī)構(gòu)。試驗(yàn)時(shí)，用節(jié)流閥6和油管將液壓油缸的無(wú)桿腔和有桿腔相連接來(lái)模擬液壓油缸的內(nèi)泄漏，通過(guò)調(diào)節(jié)節(jié)流閥開(kāi)口大小模擬液壓油缸不同程度的泄漏故障。通過(guò)壓力傳感器7采集來(lái)自液壓油缸無(wú)桿腔的壓力信號(hào)，然后再利用數(shù)據(jù)采集儀對(duì)其進(jìn)行分析并儲(chǔ)存。

圖1 液壓原理

現(xiàn)場(chǎng)試驗(yàn)場(chǎng)景如圖2所示。試驗(yàn)中選用的相關(guān)元器件的型號(hào)及性能參數(shù)如下：壓力傳感器：MBS3050-060G1154，量程0～40 MPa，電源DC24V，輸出電流4～20 mA；動(dòng)態(tài)數(shù)據(jù)采集儀：德維創(chuàng)數(shù)據(jù)采集儀DEWE-2521。試驗(yàn)中設(shè)定的采樣頻率為1 000 Hz，采集時(shí)間為60 s。為實(shí)現(xiàn)變工況下液壓油缸泄漏故障的檢測(cè)，在試驗(yàn)中，分別設(shè)置20%、40%和50%排量等3種負(fù)載工況，每種負(fù)載工況下分別進(jìn)行液壓油缸正常、輕微泄漏、嚴(yán)重泄漏等3種不同故障模式下的試驗(yàn)。采集的樣本數(shù)量如表1所示。

圖2 試驗(yàn)場(chǎng)景

表1 不同故障模式樣本數(shù)

采集得到的3種負(fù)載下液壓油缸發(fā)生3種不同程度泄漏時(shí)的壓力信號(hào)分別如圖3—圖5所示?？梢钥闯觯弘S著液壓油缸的往復(fù)直線運(yùn)動(dòng)，壓力信號(hào)也呈周期性變化，其高壓、低壓交替出現(xiàn)，分別與高壓吸油、低壓回油兩種工作狀態(tài)對(duì)應(yīng)；當(dāng)液壓油缸出現(xiàn)內(nèi)泄漏時(shí)，壓力信號(hào)出現(xiàn)了明顯的波動(dòng)，尤其在高壓吸油階段的波動(dòng)更為明顯；隨著泄漏量的不斷增大，壓力信號(hào)的波動(dòng)也越顯著。壓力波動(dòng)會(huì)導(dǎo)致液壓油缸壓力不足，從而無(wú)法驅(qū)動(dòng)負(fù)載或發(fā)生運(yùn)行不穩(wěn)定的現(xiàn)象。

圖3 20%排量工況下壓力信號(hào)

圖4 40%排量工況下壓力信號(hào)

圖5 50%排量工況下壓力信號(hào)

由圖3—圖5中也可以看出；不同的排量對(duì)壓力信號(hào)的變化也有一定影響，即負(fù)載變化也會(huì)使壓力信號(hào)產(chǎn)生波動(dòng)。但是，通常很難從壓力信號(hào)的波動(dòng)中判斷哪些是由泄漏引起的，哪些是由負(fù)載變化引起。因此，如何從壓力信號(hào)中準(zhǔn)確提取泄漏的故障特征就成為一個(gè)非常關(guān)鍵的問(wèn)題。

2 初始特征參數(shù)

不同特征域的特征參數(shù)對(duì)故障的表征不同，它直接決定各類故障模式在后續(xù)診斷過(guò)程中的難易程度。本文作者選取目前應(yīng)用較廣泛的初始特征參數(shù)，包括時(shí)域特征參數(shù)、頻域特征參數(shù)、小波能量譜和AR模型參數(shù)等作為泄漏故障檢測(cè)的初始特征參數(shù)。

2.1 時(shí)域特征參數(shù)

離散信號(hào)序列可假設(shè)為=(,,…,,…,)，其中為信號(hào)長(zhǎng)度。文中所選用的時(shí)域特征包括均值、均方根值、標(biāo)準(zhǔn)方差、偏度、峭度、波峰因子、裕度因子、波形因子、沖擊因子，其表達(dá)式如表2所示。

表2 時(shí)域特征參數(shù)表達(dá)式

2.2 頻域特征參數(shù)

設(shè)()為原始信號(hào)序列=(,,…,,…,)通過(guò)Welch法估計(jì)得到功率譜密度。為譜線個(gè)數(shù)，且：

(1)

(2)

文中選擇的頻域特征包括平均頻率、平均頻度、波形穩(wěn)定因子、變化系數(shù)、頻域偏度、頻域峭度、平方根比率，其表達(dá)式如表3所示。

表3 頻域特征參數(shù)表達(dá)式

2.3 小波包能量特征

小波包分解可以在全頻帶對(duì)信號(hào)進(jìn)行多層次的頻帶劃分，這些分解在不同頻帶的信號(hào)都具有一定的能量，可以作為表征設(shè)備運(yùn)行狀態(tài)的特征參數(shù)。

對(duì)待分析信號(hào)進(jìn)行層小波包的分解及重構(gòu)，假設(shè)分為2個(gè)節(jié)點(diǎn)，即將待分析信號(hào)分解在了2個(gè)細(xì)分的頻帶上。將各頻帶信號(hào)的平方和定義為小波包能量，則第個(gè)頻帶的能量為

(3)

則全部2個(gè)小波包能量構(gòu)成了小波包能量特征:

=[,,…,2]

(4)

對(duì)采集的壓力信號(hào)進(jìn)行4層小波包分解，共得到16個(gè)小波包能量特征參數(shù)。各頻段對(duì)應(yīng)的頻帶范圍如圖6所示。

圖6 小波包能量特征對(duì)應(yīng)的頻帶范圍

2.4 AR模型參數(shù)

對(duì)于原始信號(hào)序=(,,…,,…,)，可用如下的線性回歸模型來(lái)描述:

=-1+-2+…+-+

(5)

式(5)表示一個(gè)階自回歸模型，即AR()模型。

確定AR模型的階次是一個(gè)關(guān)鍵問(wèn)題，目前使用最廣泛的是AIC (An Information Criterion)準(zhǔn)則：

(6)

AR()模型中的自回歸參數(shù)(=1,2,…,)可以將系統(tǒng)的固有特性體現(xiàn)出來(lái)，因此可將它作為反映系統(tǒng)運(yùn)行狀態(tài)的特征參數(shù)。

在文中，對(duì)3種負(fù)載下3組模式的壓力信號(hào)都建立了AR模型，利用AIC 準(zhǔn)則計(jì)算得到的各AR模型最佳階次互不相同。為統(tǒng)一，每個(gè)壓力信號(hào)都取前48階AR模型參數(shù)作為特征參數(shù)進(jìn)行分析。

綜上所述，文中共選擇了80個(gè)初始特征參數(shù)進(jìn)行分析，如表4所示。

表4 所選擇的初始特征參數(shù)統(tǒng)計(jì)

3 基于距離區(qū)分技術(shù)的特征選擇方法

若將第2節(jié)中提取的全部80個(gè)特征參數(shù)直接輸入故障分類器，則會(huì)因?yàn)椴煌卣鲄?shù)相互之間有冗余性和相關(guān)性，使診斷準(zhǔn)確性得不到保障，還會(huì)增加計(jì)算量，影響診斷速度。因此，應(yīng)找出對(duì)故障模式比較敏感的特征參數(shù)以篩選特征參數(shù)。為此，采用一種基于距離區(qū)分技術(shù)對(duì)敏感特征進(jìn)行選擇的方法。

假定有個(gè)樣本集，包括個(gè)不同的類別，其中第類有(=1,2,…,)個(gè)樣本，每個(gè)樣本由個(gè)特征參數(shù)表示，第個(gè)樣本的第個(gè)特征用表示。則該特征選擇方法如下：

(1)計(jì)算所有樣本第個(gè)特征參數(shù)的均值和標(biāo)準(zhǔn)方差：

(7)

(8)

(2)計(jì)算第類樣本的第個(gè)特征參數(shù)的均值和標(biāo)準(zhǔn)方差：

(9)

(10)

(3)計(jì)算第個(gè)特征的類中心的加權(quán)標(biāo)準(zhǔn)方差:

(11)

(12)

(4)計(jì)算第個(gè)特征的距離區(qū)分因子：

(13)

式中:b為不同類間的第個(gè)特征之間的距離;為控制w影響的參數(shù);w為同類間第個(gè)特征之間的距離。

(5)先將變化的距離區(qū)分因子按照降序排列，再將其正則化處理，即：

(14)

(6)設(shè)為閾值，如果≥，則將從個(gè)特征中選出相對(duì)應(yīng)的特征參數(shù)，否則就去掉相應(yīng)的特征參數(shù)。在設(shè)定閾值的時(shí)候必須遵循一個(gè)原則，即通過(guò)逐漸提高的取值來(lái)篩選特征參數(shù)的個(gè)數(shù)，再將通過(guò)篩選的特征參數(shù)導(dǎo)入到分類器中，以進(jìn)行訓(xùn)練和測(cè)試，當(dāng)分類的準(zhǔn)確率到達(dá)設(shè)定的閾值時(shí)，停止對(duì)特征參數(shù)的進(jìn)一步選擇。

該特征選擇方法的基本原理如圖7所示。假定3種不同類別(=3)的樣本，每種類別包含的樣本個(gè)數(shù)均為10(===10)，分別用2個(gè)特征參數(shù)(=2)、對(duì)它們進(jìn)行區(qū)分，表示特征在類1和類2間的距離，表示特征在類1的類內(nèi)距離，其他符號(hào)的意義依次類推。

圖7 特征選擇方法示意

4 液壓油缸泄漏故障特征提取

利用第3節(jié)中介紹的特征選擇方法對(duì)第2節(jié)中提取的80個(gè)特征參數(shù)進(jìn)行敏感度評(píng)判，各特征參數(shù)的敏感度大小如圖8所示。可知：當(dāng)閾值取0.8時(shí)，共有3個(gè)時(shí)域特征、1個(gè)小波能量譜、7個(gè)AR模型參數(shù)共11個(gè)特征參數(shù)被選中。這些特征參數(shù)被認(rèn)為是對(duì)油缸泄漏敏感的故障特征參數(shù)，可以一起構(gòu)成特征向量，輸入故障分類器中進(jìn)行狀態(tài)識(shí)別和分類。

圖8 特征參數(shù)敏感度大小(閾值為0.8)

圖9 閾值與敏感特征參數(shù)的關(guān)系 圖10 閾值對(duì)分類準(zhǔn)確率的影響

表5列出了幾種不同閾值時(shí)敏感特征參數(shù)的個(gè)數(shù)和分類器的分類準(zhǔn)確率。可以看出：當(dāng)閾值為0.75～0.77時(shí)，SVM的分類準(zhǔn)確率達(dá)到了90%以上，最高分類精度為93.3%，BP網(wǎng)絡(luò)的最高分類精度也達(dá)到了86.7%。因此，利用文中提出的方法，可以有效提取液壓油缸泄漏的故障特征，實(shí)現(xiàn)對(duì)液壓油缸泄漏的故障檢測(cè)。

表5 不同閾值時(shí)敏感特征參數(shù)的個(gè)數(shù)和分類器的分類準(zhǔn)確率

5 小結(jié)

(1)針對(duì)進(jìn)行工程機(jī)械液壓油缸泄漏故障診斷時(shí)特征提取的難題，提出了一種基于距離區(qū)分技術(shù)的故障特征提取方法。首先采集液壓油缸的壓力信號(hào)，然后提取壓力信號(hào)的時(shí)域、頻域、小波包能量特征、AR模型等初始特征參數(shù)，再通過(guò)距離區(qū)分技術(shù)選取敏感特征參數(shù)，最后輸入SVM和BP網(wǎng)絡(luò)等分類器進(jìn)行故障檢測(cè)。

(2)通過(guò)試驗(yàn)驗(yàn)證了文中所提出的故障特征提取方法的有效性。結(jié)果表明：利用該方法，選用SVM做故障分類器時(shí)準(zhǔn)確率達(dá)到了93.3%，選用BP網(wǎng)絡(luò)做故障分類器時(shí)準(zhǔn)確率達(dá)到了86.7%。該方法可有效實(shí)現(xiàn)對(duì)工程機(jī)械液壓油缸泄漏的故障檢測(cè)。