聞 巖， 徐 俊， 高 偉， 陳立娟， 常明明， 艾 超

(1.燕山大學(xué)機械工程學(xué)院, 河北秦皇島 066004; 2.南京工程學(xué)院機械工程學(xué)院， 江蘇南京 211167)

引言

旋挖鉆機是機電液集成程度很高的大型工程機械設(shè)備。其主要結(jié)構(gòu)包括行走系統(tǒng)、工作系統(tǒng)和回轉(zhuǎn)系統(tǒng)。緩沖平衡閥在旋挖鉆機的回轉(zhuǎn)系統(tǒng)中處于核心地位，緩沖平衡閥性能的好壞直接影響整機的工作平穩(wěn)性，回轉(zhuǎn)定位精度和鉆孔的質(zhì)量[1]。旋挖鉆機工作環(huán)境惡劣，油液中時常會有大顆粒污染物。帶有污染顆粒的高壓油液在液壓系統(tǒng)中流動時會對各個部件造成嚴(yán)重損害。其中，緩沖平衡閥的閥芯在高壓油液沖擊下會快速磨損，導(dǎo)致閥芯和閥套的間隙增大，平衡閥的內(nèi)泄漏增大，對旋挖鉆機工作的平穩(wěn)性，可靠性和系統(tǒng)效率產(chǎn)生一定影響。此時，旋挖鉆機回轉(zhuǎn)系統(tǒng)旋轉(zhuǎn)時響應(yīng)會滯后，直接的表現(xiàn)是旋轉(zhuǎn)啟動變慢和旋轉(zhuǎn)制動變慢。平衡閥的故障信息通常比較微弱，故障特征難以提取。因此對緩沖平衡故障診斷進行相關(guān)研究，對于旋挖鉆機提升安全性和工作效率具有重大意義。

國內(nèi)外學(xué)者針對液壓閥故障診斷進行了大量研究。權(quán)凌霄等[2]采用“GA+LM”優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法，提升了網(wǎng)絡(luò)的學(xué)習(xí)速度和精確搜索能力，進而大幅提高了基于BP神經(jīng)網(wǎng)絡(luò)的電液伺服閥故障診斷的效率和精度,實現(xiàn)了電液伺服閥閥芯一端限位、一側(cè)固定節(jié)流孔堵塞、閥芯磨損、閥芯零位不對中等故障的診斷。邱寒雨等[3]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和AdaBoost算法的故障診斷方法，對快速起豎裝置的液壓驅(qū)動系統(tǒng)建立了故障模型，實現(xiàn)了其常用工況下的故障診斷。杜名喆等[4]針對液壓泵振動信號的非平穩(wěn)性的特點，提出了一種基于小波變換和卷積神經(jīng)網(wǎng)絡(luò)的算法，實現(xiàn)了液壓泵的自動故障診斷。王磊等[5]首先建立對應(yīng)的電液伺服閥的液壓仿真模型，再通過修改模型的參數(shù)，人為制造故障并提取了故障特征信息，最后應(yīng)用PCA-SVM的方法對伺服閥的一端限位、噴嘴堵塞和力矩馬達磁性減弱等故障進行分類。賈春玉等[6]構(gòu)建了CNN+LSTM相結(jié)合的故障預(yù)測模型，取代了人工特征選取和提取，解決了故障預(yù)測的時序問題，實現(xiàn)了電液伺服閥閥芯磨損和阻尼孔堵塞的故障診斷。王巧云[7]提出了GA-BP網(wǎng)絡(luò)模型，該算法既具有較強的局部搜索能力和非線性映射能力，又具有全局搜索能力，解決了電液伺服閥的故障模式識別問題。沈晨暉等[8]針對電液伺服系統(tǒng)非線性程度高、狀態(tài)參數(shù)較多等特點，提出將SR-CKF應(yīng)用于電液伺服系統(tǒng)的狀態(tài)估計之中。楊東[9]以力反饋兩級電液伺服閥為研究對象，提出了基于測試信號的電液伺服閥智能故障診斷算法研究。LIU Chao等[10]提出了一種基于極限學(xué)習(xí)機的故障診斷模型來區(qū)分電液伺服閥的故障。SHI Jinchuan等[11]提出了一種兩階段多傳感器信息融合法，包括故障特征融合和決策信息融合，實現(xiàn)了對液壓閥的故障診斷。JI X等[12]針對液壓閥結(jié)構(gòu)封閉復(fù)雜的特點，提出了一種基于Dempster-Shafer理論的故障診斷方法，對液壓閥的幾種特定故障實現(xiàn)了檢測。上述方法對本研究解決緩沖平衡閥故障診斷問題提供了一定的方向性。

由于平衡閥的可變節(jié)流邊是有倒角的，且閥芯閥套配合間隙較大，同時平衡閥結(jié)構(gòu)復(fù)雜，里面有多個阻尼孔，且旋挖鉆液壓系統(tǒng)油液污染度較大，因此旋挖鉆用平衡閥故障難以診斷。平衡閥的工況比較單一，故本研究以額定工況下的旋挖鉆用平衡閥為研究對象，揭示平衡閥故障機理，針對故障數(shù)據(jù)難以獲得的問題，進行平衡閥加速退化實驗，獲取故障數(shù)據(jù)，將采集的數(shù)據(jù)按一定比例分為測試集和訓(xùn)練集。然后，結(jié)合全連接神經(jīng)網(wǎng)絡(luò)方法，將訓(xùn)練集數(shù)據(jù)導(dǎo)入全連接神經(jīng)網(wǎng)絡(luò)模型中進行訓(xùn)練。最后，將測試集數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型中，對模型精度進行驗證。

1 緩沖平衡閥的故障機理分析及動力學(xué)建模

本研究的緩沖平衡閥的液壓原理圖如圖1所示，V2，V1為進出油口，C2，C1口外接負載。V2口進油時，油液通過單向閥到達C2口，然后進入外接負載，再流入C1口并通過右邊的平衡閥，并經(jīng)過單向閥，最后從V1口流出。右邊的平衡閥是由先導(dǎo)油路a和自身的先導(dǎo)共同作用打開的。

圖1 緩沖平衡閥液壓原理圖Fig.1 Hydraulic schematic diagram of buffer balance valve

緩沖平衡閥是具有對稱結(jié)構(gòu)的雙向平衡閥，在外接負載正轉(zhuǎn)、反轉(zhuǎn)和制動時都能起到減小沖擊的作用[13]，該緩沖平衡閥的結(jié)構(gòu)原理圖如圖2所示。正轉(zhuǎn)時，當(dāng)壓力油從V2流入、V1流出時，對閥芯A進行動力學(xué)分析，其動力學(xué)方程為：

(1)

(2)

制動時，壓力油直接作用在閥芯A上，閥芯A的動力學(xué)方程為：

(3)

式中，p1—— 負載端進油口壓力

p2—— 負載端出油口壓力

SA—— 右側(cè)閥芯有效受力面積

SB—— 左側(cè)閥芯有效受力面積

F1—— 右側(cè)彈簧預(yù)緊力

F2—— 左側(cè)彈簧預(yù)緊力

m1—— 右側(cè)閥芯質(zhì)量

m2—— 左側(cè)閥芯質(zhì)量

BV—— 黏性阻尼

k1—— 右側(cè)彈簧剛度

k2—— 左側(cè)彈簧剛度

x1—— 右側(cè)彈簧位移

x2—— 左側(cè)彈簧位移

圖2 緩沖平衡閥結(jié)構(gòu)原理圖Fig.2 Structure schematic diagram of buffer balance valve

針對旋挖鉆機緩沖平衡閥，其主要機械故障形式有閥芯磨損、卡滯、密封件損壞和油污等[14]，其中閥芯磨損故障最為常見，本研究正是對緩沖平衡中的平衡閥閥芯的磨損故障展開研究，緩沖平衡閥的平衡閥閥芯如圖3所示。

圖3 平衡閥閥芯Fig.3 Balance valve spool

閥口流量壓差方程為：

(4)

式中，q—— 流量，L/min

Cd—— 流量系數(shù)

A—— 過流面積，m2

Δp—— 進出口壓差，Pa

ρ—— 油液密度，kg/m3

系統(tǒng)的流量q為常數(shù)不變,由于閥芯的磨損，過流面積A變大，而流量系數(shù)Cd和油液密度ρ為常數(shù)不變，因此平衡閥進出口B，T壓差Δp變小。因此，可以以進出口壓差作為神經(jīng)網(wǎng)絡(luò)的輸入，以平衡閥的磨損故障特征標(biāo)簽作為輸出，來實現(xiàn)平衡閥磨損故障的在線診斷。

2 緩沖平衡閥加速退化實驗及模型驗證

2.1 實驗方案設(shè)計

平衡閥長時間工作在高壓油液中，受到高壓油液中的污染顆粒的不斷沖擊，對閥芯的工作棱邊產(chǎn)生沖蝕磨損;閥芯、閥套的徑向間隙會受到尺寸與徑向間隙尺寸相近的顆粒物的摩擦磨損。棱邊磨損與徑向間隙磨損，均會導(dǎo)致內(nèi)漏量增加與壓力增益的降低，且油液的污染磨損這兩個性能指標(biāo)影響較明顯。因此，選擇B，T口壓力差作為平衡閥污染磨損加速退化試驗的性能退化參數(shù)。由于平衡閥的價格昂貴，試驗樣本量有限，綜合考慮試驗的可行性與效費比，本試驗選用加速退化試驗方式。

緩沖平衡閥加速退化實驗不同于伺服閥加速退化實驗，伺服閥對油液污染度較為敏感，在油液中加入一定的污染物可以使伺服閥加速退化。但是，緩沖平衡閥閥芯有較強的抗污染能力，在一定的時間內(nèi)并不能達到理想的退化效果。由于時間有限，本實驗將平衡閥閥芯取出進行手工均勻磨損。

2.2 故障數(shù)據(jù)獲取

本實驗采用的液壓試驗臺如圖4所示，可完成小流量伺服閥、平衡閥等液壓閥類元件的靜動態(tài)性能測試，根據(jù)平衡閥加速性能退化實驗的要求，本次實驗在測試車的基礎(chǔ)上，設(shè)計適合做退化實驗的液壓油路、測試流程和測控系統(tǒng)。測試系統(tǒng)的泵為力士樂恒壓定量泵，測試所用壓力傳感器量程均為0～25 MPa，系統(tǒng)壓力由安全溢流閥和負載溢流閥控制，系統(tǒng)流量為固定值。

圖4 試驗臺Fig.4 Test stand

回轉(zhuǎn)緩沖閥加速退化實驗的測試原理圖如圖5所示，測試所用實驗臺壓力為20 MPa，流量為40 L/min。V2口連接P口，V1口連接T口，C2口連接A口，C1口連接B口，并在4個油口連接壓力傳感器。閥芯磨損實驗：將閥芯取出用砂紙均勻磨損，然后測試B，T口壓差，并采集相應(yīng)數(shù)據(jù)，此過程重復(fù)多次。

圖5 液壓原理圖Fig.5 Hydraulic schematic

平衡閥閥芯正常和磨損的對比圖如圖6所示。

采集到的B，T口壓差數(shù)據(jù)需要打上對應(yīng)的標(biāo)簽，設(shè)置的標(biāo)簽如表1所示。

圖6 對比圖Fig.6 Contrast chart

表1 狀態(tài)標(biāo)簽Tab.1 Status label

采集到的部分?jǐn)?shù)據(jù)如表2所示，B口壓力有一個逐步減小的趨勢，而T口壓力基本不變，Δp有逐漸減小的趨勢，故障標(biāo)簽由卡滯故障到正常然后到磨損故障的一個過渡。由式(4)可知，過流面積A變大，Δp則變小，而數(shù)據(jù)1到數(shù)據(jù)10過流面積在逐步增大，因此Δp有逐步減小的趨勢。

表2 實驗數(shù)據(jù)Tab.2 Experimental data

3 基于全連接神經(jīng)網(wǎng)絡(luò)模型的故障診斷

3.1 全連接神經(jīng)網(wǎng)絡(luò)模型

全連接神經(jīng)網(wǎng)絡(luò)是最基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，一般包括輸入層、隱含層和輸出層，1個全連接網(wǎng)絡(luò)中只有1個輸入層和1個輸出層，但可以包含多個隱含層，層與層之間的神經(jīng)元都相互連結(jié)。全連接神經(jīng)網(wǎng)絡(luò)理論上可以擬合任何函數(shù)，同時對非線性的函數(shù)擬合效果很好，隱藏層數(shù)越多，其網(wǎng)絡(luò)表達能力越強。圖7是1個2層的全連接神經(jīng)網(wǎng)絡(luò)，上一層為下一層的輸入層，其計算過程的本質(zhì)是矩陣運算，主要由前向傳播運算和反向傳播運算組成。

圖7 全連接神經(jīng)網(wǎng)絡(luò)Fig.7 Fully connected neural network

1) 前向傳播

如圖7所示，前向傳播即輸入數(shù)據(jù)經(jīng)過輸入層、隱藏層最后到輸出層的傳播過程。其中，神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的向量表達式如式(5)所示：

(5)

輸出向量表達式如式(6)所示：

(6)

設(shè)第l層神經(jīng)元的輸出如式(7)所示：

j=1,2,…,sl

(7)

則第l層的輸出表達式如式(8)所示：

(8)

由上述可得每層神經(jīng)元的輸出可以表示為該層神經(jīng)元的輸入乘以1個權(quán)重再加上1個偏置項，如式(9)所示：

h(l)=f(WH+B)

(9)

式中，f() —— 激活函數(shù)

B—— 每層網(wǎng)絡(luò)的偏置矩陣

W—— 每層網(wǎng)絡(luò)的權(quán)重矩陣

H—— 神經(jīng)網(wǎng)絡(luò)的輸入

神經(jīng)網(wǎng)絡(luò)模型往往要加入一定的非線性因素(即激活函數(shù))，以解決模型非線性擬合能力的不足，引入激活函數(shù)后單個神經(jīng)元的計算過程如圖8所示。

圖8 單個神經(jīng)元計算過程Fig.8 Single neuron computing process

圖9 Sigmoid函數(shù)圖像Fig.9 Sigmoid function image

目前常用的非線性激活函數(shù)有Sigmoid函數(shù)、Tanh函數(shù)和ReLU函數(shù)[15]，函數(shù)圖像及其對應(yīng)公式如下所示：

Sigmoid(x)=1/(1+e-x)

(10)

Tanh(x)=(1-e-2x)/(1+e-2x)

(11)

ReLU=max(0,x)

(12)

2) 反向傳播

神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)分為模型參數(shù)和模型超參數(shù)，模型參數(shù)需要訓(xùn)練，模型超參數(shù)由人為指定。網(wǎng)絡(luò)模型的訓(xùn)練過程其實是對模型參數(shù)進行訓(xùn)練，從而使模型誤差達到一個滿意的范圍。

圖10 Tanh函數(shù)圖像Fig.10 Tanh function image

圖11 ReLU函數(shù)圖像Fig.11 ReLU function image

在全神經(jīng)網(wǎng)絡(luò)的計算中，輸入層經(jīng)過隱含層計算再到輸出層輸出結(jié)果， 這一過程稱為前向傳播。前向傳播過程模型參數(shù)并未得到訓(xùn)練， 所以必須得通過反向傳播過程來訓(xùn)練模型參數(shù)，使模型的誤差達到可接受的范圍。輸出層的輸出結(jié)果和實際值有一定偏差，利用損失函數(shù)估算誤差值，再由損失函數(shù)得到代價函數(shù)，最后用迭代公式更新訓(xùn)練模型的模型參數(shù)-權(quán)重參數(shù)w和偏置參數(shù)b。損失函數(shù)、代價函數(shù)、迭代公式如式(13)～式(16)所示：

(13)

(14)

(15)

(16)

式中，L—— 損失函數(shù)

J—— 代價函數(shù)

y—— 實際值

w—— 權(quán)重

b—— 偏差

m—— 樣本個數(shù)

α—— 學(xué)習(xí)率

3.2 模型的搭建

該故障診斷模型是在PyCharm中利用Python語言基于Tensorflow深度學(xué)習(xí)框架編寫的。具體實現(xiàn)步驟如下：

(1) 導(dǎo)入實驗獲取的故障數(shù)據(jù)；

(2) 隨機打亂數(shù)據(jù)，將數(shù)據(jù)以2 ∶1的比例分為訓(xùn)練集和測試集；

(3) 將數(shù)據(jù)類型轉(zhuǎn)換為統(tǒng)一的浮點型，保證矩陣運算不會出錯；

(4) 利用Sequential來設(shè)置神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；拉直層：變換張量的尺寸，把輸入特征拉直為一維數(shù)組；中間層(全連接層)：設(shè)置中間層神經(jīng)元數(shù)目為128，激活函數(shù)選擇ReLU函數(shù)；輸出層(全連接層)：設(shè)置輸出層神經(jīng)元數(shù)目為5，激活函數(shù)選擇softmax函數(shù)；

(5) 利用Compile來配置神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，設(shè)置訓(xùn)練時使用的優(yōu)化器為adam，損失函數(shù)選擇計算交叉熵損失函數(shù)，準(zhǔn)確率評測標(biāo)準(zhǔn)選擇sparse_ categorical_accuracy,以數(shù)值形式給出標(biāo)簽，以概率分布形式表示輸出。

(6) 使用fit來執(zhí)行訓(xùn)練過程。將測試集數(shù)據(jù)和對應(yīng)的標(biāo)簽，每次喂入模型4組數(shù)據(jù)，迭代計算100次，每迭代一次輸出一次準(zhǔn)確率；

(7) 設(shè)置文件保存路徑，保存模型參數(shù)，保留最優(yōu)結(jié)果；

(8) 繪制訓(xùn)練準(zhǔn)確率、測試準(zhǔn)確率、訓(xùn)練損失和測試損失曲線。

模型各層參數(shù)設(shè)置如表3所示。

表3 模型參數(shù)Tab.3 Model parameter

3.3 故障診斷的實現(xiàn)

基于全連接神經(jīng)網(wǎng)絡(luò)的故障診斷實現(xiàn)過程如圖12所示。首先，將原始數(shù)據(jù)通過實驗采集回來之后進行預(yù)處理導(dǎo)入Excel表格中；然后將數(shù)據(jù)隨機打亂，將訓(xùn)練集和測試集的數(shù)據(jù)量按照2∶1劃分，并將數(shù)據(jù)打上故障標(biāo)簽；最后，編寫全連接神經(jīng)網(wǎng)絡(luò)的代碼，將打好標(biāo)簽的訓(xùn)練數(shù)據(jù)導(dǎo)入模型中進行訓(xùn)練，模型訓(xùn)練好之后用測試集來驗證模型的準(zhǔn)確度。

圖12 故障診斷實現(xiàn)流程圖Fig.12 Flow chart of fault diagnosis implementation

3.4 模型訓(xùn)練及驗證

將采集到的數(shù)據(jù)進行上圖12所示處理，數(shù)據(jù)導(dǎo)入模型中進行訓(xùn)練后，將該神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集準(zhǔn)確率曲線、loss曲線和測試集準(zhǔn)確率曲線、loss曲線進行輸出，如圖13所示。橫坐標(biāo)是迭代次數(shù)N，縱坐標(biāo)分別是準(zhǔn)確率η和損失值L。準(zhǔn)確率可以衡量模型精度，損失值衡量模型預(yù)測值和真實值的差距?？梢钥闯鲈撃Ｐ偷臏?zhǔn)確率隨著迭代次數(shù)的增高逐漸增大，損失值隨著迭代次數(shù)的增高逐漸減小，該模型最終的準(zhǔn)確率為92%。

4 結(jié)論

以緩沖平衡閥為研究對象，構(gòu)建了基于全連接神經(jīng)網(wǎng)絡(luò)的緩沖平衡閥的故障診斷模型，取代人工特征選擇和提取，在特定工況下對平衡閥故障的識別與診斷具有較高的準(zhǔn)確性。使用加速退化實驗所得的B，T口壓差故障數(shù)據(jù)集驗證該模型的有效性。結(jié)果表明，該模型取得了較好的診斷效果，準(zhǔn)確率高達92%。