王 攀，張湘軍，董從林，白秀琴，袁成清，湯 敏

(1.武漢理工大學(xué) 交通與物流工程學(xué)院,湖北 武漢 430063；2.中國船級社武漢分社,湖北 武漢 430000；3.國家水運(yùn)安全工程技術(shù)研究中心可靠性工程研究所,湖北 武漢 430063)

0 引言

船舶舵機(jī)可以控制航向和調(diào)整操縱性，是保障航行安全的關(guān)鍵甲板設(shè)備[1]。轉(zhuǎn)葉式舵機(jī)具有占地面積小、質(zhì)量輕、機(jī)械效率高等優(yōu)點(diǎn)，是船舶舵機(jī)的主要類別之一[2]。它是一種回轉(zhuǎn)式轉(zhuǎn)舵機(jī)構(gòu)，轉(zhuǎn)葉固定在轉(zhuǎn)子外壁，定葉固定在缸體內(nèi)壁，兩者與缸蓋、缸底之間都設(shè)有密封裝置，將轉(zhuǎn)舵油缸分為幾個密閉腔室。當(dāng)液壓油進(jìn)入腔室后，對葉片施壓，驅(qū)動轉(zhuǎn)子轉(zhuǎn)動，進(jìn)而控制舵的轉(zhuǎn)向。工作中，轉(zhuǎn)葉外端的密封件與缸體內(nèi)壁長期處于高壓緊密貼合狀態(tài)，兩者之間不可避免地產(chǎn)生摩擦磨損，時間越長，磨損越嚴(yán)重。為了保證船舵快速響應(yīng)、不跑舵、不滯舵，保持油缸內(nèi)油壓穩(wěn)定是關(guān)鍵，而油壓穩(wěn)定性受液壓系統(tǒng)的密封性制約。感知轉(zhuǎn)葉式舵機(jī)的工作狀態(tài)和對其進(jìn)行故障診斷極其重要。傳統(tǒng)機(jī)電液系統(tǒng)的故障診斷是對溫度、油、水等常規(guī)性能參數(shù)進(jìn)行采樣化驗(yàn)，并結(jié)合輪機(jī)員的工作經(jīng)驗(yàn)來判斷，這已經(jīng)不能滿足智能化發(fā)展進(jìn)程對轉(zhuǎn)葉式舵機(jī)故障診斷精度和維修決策快速響應(yīng)的要求[3]。

國內(nèi)外學(xué)者對舵機(jī)故障展開了大量研究。胡良謀等[4]利用回歸型支持向量機(jī)設(shè)計了一個液壓舵機(jī)的故障診斷系統(tǒng)。章家寶等[5]采用模糊聚類方法對電動舵機(jī)致命性故障進(jìn)行實(shí)時診斷。Xu 等[6]提出基于長短時記憶神經(jīng)網(wǎng)絡(luò)識別算法來識別舵機(jī)的不同故障類型。Marcelo 等[7]利用轉(zhuǎn)換故障樹創(chuàng)建的貝葉斯信念網(wǎng)絡(luò)確定舵機(jī)系統(tǒng)中最可能產(chǎn)生的故障原因。然而，這些方法只是從單一層面進(jìn)行故障診斷，沒有從宏觀和微觀角度進(jìn)行系統(tǒng)分析，不能精準(zhǔn)地反映轉(zhuǎn)葉式舵機(jī)的工作狀態(tài)。因此，基于上述2 個角度，采用C#和Matlab 混合編程的方法對轉(zhuǎn)葉式舵機(jī)進(jìn)行故障分析與診斷。

C#是專門用于.NET 的編程語言，開發(fā)的系統(tǒng)界面友好、執(zhí)行速度快，具有高效的設(shè)備操作能力。與C#相比，Matlab 開發(fā)程序界面和對外圍設(shè)備的控制能力差，但其編程簡單、對信號的分析與數(shù)據(jù)處理能力強(qiáng)[8]。因此，吸取兩者所長，基于C#與Matlab 混合編程，利用C#完成界面開發(fā)任務(wù)，Matlab 完成數(shù)據(jù)分析和圖形生成任務(wù)，開發(fā)界面友好和執(zhí)行能力高效的轉(zhuǎn)葉式舵機(jī)故障診斷系統(tǒng)。

1 轉(zhuǎn)葉式舵機(jī)故障診斷算法與軟件設(shè)計

轉(zhuǎn)葉式舵機(jī)密封件的磨損加劇，產(chǎn)生的磨粒增多，使得密封件產(chǎn)生異常磨損，誘發(fā)振動，引起密封失效。摩擦系數(shù)信號能夠從微觀層面反映轉(zhuǎn)葉式舵機(jī)密封件的摩擦磨損狀態(tài)，而振動信號能夠從宏觀層面反映其運(yùn)行狀態(tài)，2 種信號相互印證，能精準(zhǔn)反映舵機(jī)的工作狀態(tài)。因此，基于這2 種信號，采用C#和Matlab混合編程的方法實(shí)現(xiàn)轉(zhuǎn)葉式舵機(jī)密封件的故障診斷。首先用Matlab 提取轉(zhuǎn)葉式舵機(jī)密封件的摩擦系數(shù)信號和振動信號時域特征，然后采用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，最后在C#環(huán)境下構(gòu)建轉(zhuǎn)葉式舵機(jī)故障診斷系統(tǒng)。

1.1 時域特征提取

密封件與缸體內(nèi)壁之間的摩擦磨損過程往往具有隨機(jī)性，致使振動信號與摩擦系數(shù)信號呈現(xiàn)非平穩(wěn)、非線性等特點(diǎn)，且實(shí)時采集數(shù)據(jù)量大，需要對這2 種信號進(jìn)行特征提取，以便故障診斷。常用的特征提取方法包括時域分析法和頻域分析法等，時域分析法直接對原始信號進(jìn)行分析，具有準(zhǔn)確和逼近原始信息的特點(diǎn)。因此，采用Matlab 對振動信號與摩擦系數(shù)信號進(jìn)行時域分析。由于不同的無量綱指標(biāo)表征能力不一樣，為了減小診斷誤差，需要多個指標(biāo)對故障進(jìn)行多維度的表征。本文選取的主要時域特征指標(biāo)如下：

最大值

平均值

峰峰值

方差

峭度

均方根值

波形因子

峰值因子

脈沖因子：

裕度因子

式中：xi為原始信號采樣值；N為采樣長度。

1.2 基于BP 神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)葉式舵機(jī)故障診斷模型

BP 神經(jīng)網(wǎng)絡(luò)具有很好的非線性逼近特性和自適應(yīng)學(xué)習(xí)能力，能夠很好地表現(xiàn)轉(zhuǎn)葉式舵機(jī)密封件振動信號與摩擦系數(shù)信號非平穩(wěn)、非線性等特點(diǎn)。采用3 層BP 神經(jīng)網(wǎng)絡(luò)，即輸入層、隱含層和輸出層。BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程包括信號的正向傳播和誤差的反向傳播，各層的權(quán)值和閾值不斷自學(xué)習(xí)訓(xùn)練[9]。基于BP 神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)葉式舵機(jī)故障診斷模型構(gòu)造如下：

1）輸入層和輸出層節(jié)點(diǎn)數(shù)

提取振動信號與摩擦系數(shù)信號的10 個特征值，則輸入層節(jié)點(diǎn)數(shù)為10。通常，轉(zhuǎn)葉式舵機(jī)密封件在正常運(yùn)行過程中，磨粒粒徑一般在20 μm 內(nèi)[10]；當(dāng)粒徑在20～70 μm 范圍內(nèi)時，會出現(xiàn)異常磨損；若粒徑超過100 μm，則會出現(xiàn)嚴(yán)重磨損[11]。因此，選擇純液壓油和磨粒粒徑分別為50 μm、120 μm 和160 μm 這4 種類型，模擬正常磨損、輕微磨損、嚴(yán)重磨損和劇烈磨損4 種狀態(tài)，編碼分別為（1000）、（0100）、（0010）和（0001），則輸出層節(jié)點(diǎn)數(shù)為4。

2）隱含層節(jié)點(diǎn)數(shù)

隱含層節(jié)點(diǎn)數(shù)的選擇可以根據(jù)下述經(jīng)驗(yàn)公式確定其范圍：

式中：k為隱含層節(jié)點(diǎn)數(shù)；m為輸入層節(jié)點(diǎn)數(shù)；n為輸出層節(jié)點(diǎn)數(shù)；a為1～10 的常數(shù)。

根據(jù)式（11），隱含層節(jié)點(diǎn)數(shù)k的取值范圍為5～14，通過設(shè)計一個隱含層節(jié)點(diǎn)數(shù)可變的BP 神經(jīng)網(wǎng)絡(luò)，取誤差最小的為最佳隱含層節(jié)點(diǎn)數(shù)，選取的隱含層節(jié)點(diǎn)數(shù)為10。

3）其他BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

選擇tansig 和logsig 函數(shù)作為輸入層到隱含層、隱含層到輸出層的傳遞函數(shù)，設(shè)定的期望誤差為0.000 1，學(xué)習(xí)率為0.3 s，訓(xùn)練次數(shù)為2 000。

4）信號的正向傳播過程

BP 神經(jīng)網(wǎng)絡(luò)的輸入層變量通過加權(quán)求和以及隱含層神經(jīng)元的閾值，在激活函數(shù)的作用下，得到隱含層神經(jīng)元的輸出：

式中：xi為輸入層節(jié)點(diǎn)數(shù)；wik為輸入層到隱含層的連接權(quán)值；θk為隱含層神經(jīng)元的閾值；f(x)為激活函數(shù)。

隱含層各輸出變量通過加權(quán)求和以及輸出層神經(jīng)元的閾值，在激活函數(shù)的作用下，得到輸出層神經(jīng)元的輸出：

5）誤差的反向傳播過程

通過網(wǎng)絡(luò)的實(shí)際輸出和期望輸出來計算誤差，則輸出節(jié)點(diǎn)的誤差為：

式中，Yj為期望輸出。

若誤差不滿足要求，首先從輸出層逐層求取各層神經(jīng)元的實(shí)際輸出與期望輸出的誤差函數(shù)，然后根據(jù)誤差梯度下降法來修正各層的權(quán)值和閾值，使修改后的神經(jīng)網(wǎng)絡(luò)的誤差在可接受范圍內(nèi)[12]。

1.3 C#.NET 與Matlab 接口

Matlab 與C#通過接口實(shí)現(xiàn)混合編程，將Matlab 編寫的程序編譯為COM 組件或者.NET 程序集供C#調(diào)用[13–14]。采用.NET 程序集的方式進(jìn)行混合編程。主要分為2 個步驟：1）把Matlab 程序編譯為.NET 程序集；2）C#調(diào)用Matlab 生成的.NET 程序集。具體流程如下：

通過.NET 組件技術(shù)生成2 個dll 文件，分別用于實(shí)現(xiàn)摩擦系數(shù)信號和振動信號的時域特征提取及BP 神經(jīng)網(wǎng)絡(luò)的故障診斷。

1.4 轉(zhuǎn)葉式舵機(jī)故障診斷系統(tǒng)功能設(shè)計

圖1 混合編程流程圖Fig.1 Flowchart of hybrid programming

船舶轉(zhuǎn)葉式舵機(jī)故障診斷系統(tǒng)主要有四大功能模塊，分別是信號分析模塊、故障診斷模塊、故障數(shù)據(jù)庫和管理模塊，如圖2 所示。

圖2 轉(zhuǎn)葉式舵機(jī)故障診斷系統(tǒng)圖Fig.2 Fault diagnosis system diagram of rotary vane steering gear

信號分析模塊通過計算信號的統(tǒng)計特征分析設(shè)備的故障情況，主要包括時域分析和頻域分析；故障診斷模塊負(fù)責(zé)識別轉(zhuǎn)葉式舵機(jī)密封件的故障類型，系統(tǒng)設(shè)計了聚類分析、BP 神經(jīng)網(wǎng)絡(luò)和閾值法3 種故障診斷方法，本文通過BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷；故障數(shù)據(jù)庫模塊設(shè)計了故障實(shí)體表、故障原因表和故障位置表，用于查詢故障發(fā)生的原因和位置；管理模塊分為數(shù)據(jù)庫管理和用戶管理，數(shù)據(jù)庫管理實(shí)現(xiàn)對SQL Server 數(shù)據(jù)庫中數(shù)據(jù)的增、刪、改、查等操作，用戶管理主要包括權(quán)限管理和密碼修改。

2 實(shí)例分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

選用粘度等級為ISO VG68（美孚）的純液壓油、分別混合有50 μm、120 μm 和160 μm 這3 種不同粒徑大小鐵粉液壓油模擬轉(zhuǎn)葉式舵機(jī)密封件在正常磨損、輕微磨損、嚴(yán)重磨損和劇烈磨損4 種狀態(tài)，并提取轉(zhuǎn)葉式舵機(jī)密封件在這4 種狀態(tài)下的振動信號和摩擦系數(shù)信號的特征值，為后續(xù)的故障診斷提供知識庫。其中，轉(zhuǎn)葉式舵機(jī)密封件在輕微磨損條件下的振動信號如圖3（a）所示，振幅較大，表明摩擦副之間磨損較為劇烈。輕微磨損條件下的摩擦系數(shù)如圖3（b）所示，摩擦系數(shù)先減小，然后逐漸趨于穩(wěn)定，原因可能是開始階段摩擦副之間處于磨合磨損階段。

圖3 原始信號圖Fig.3 Original signal diagram

獲取轉(zhuǎn)葉式舵機(jī)密封件與缸體內(nèi)壁之間在不同磨損程度情況下的振動信號及摩擦系數(shù)信號特征值是進(jìn)行故障診斷的關(guān)鍵，表1 和表2yl 采用式（1）～式（10）求振動信號及摩擦系數(shù)信號的特征值。從表1可知，添加磨粒后的振動信號比純液壓油工況更顯著，隨著磨粒尺寸的增大，振動幅值從1m/s2增加到5 m/s2，峰峰值也隨之增大，表明磨損程度加劇。方差與均方根值均隨著磨損程度的增大而增大，純液壓油下，方差與均方根值分別為0.04 m/s2和0.2m/s2。在劇烈磨損（160 μm）工況下，方差和均方根值分別為0.8 m/s2和0.9 m/s2。振動信號圍繞零點(diǎn)上下波動，故在表征故障時，平均值并不顯著。綜上，最大值、峰峰值、方差與均方根值能較好地映射出振動信號在不同磨損程度的變化程度，具有較好的故障識別精度。

表1 振動信號特征值Tab.1 Characteristic values of vibration signal

表2 摩擦系數(shù)信號特征值Tab.2 Characteristic value of friction coefficient signal

從表2 可知，添加磨粒后的摩擦系數(shù)大于純液壓油下的摩擦系數(shù)。純液壓油下的摩擦系數(shù)穩(wěn)定在0.07 左右，隨著磨粒尺寸的增加，摩擦系數(shù)的最大值和平均值增至0.17 左右，表明摩擦副之間的磨損加劇。峰峰值和均方根值均隨著磨粒粒徑的增加而增大，這表明摩擦副之間的波動幅度增大、磨損程度加劇。綜上，最大值、平均值、峰峰值和均方根值能夠較好地映射出摩擦系數(shù)信號在不同磨損程度的變化情況。

2.2 BP 神經(jīng)網(wǎng)絡(luò)仿真測試

將上述時域特征參數(shù)作為標(biāo)準(zhǔn)知識庫作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)的輸出對應(yīng)正常磨損、輕微磨損、嚴(yán)重磨損和劇烈磨損4 種狀態(tài)。把時域特征參數(shù)分為訓(xùn)練集與測試集，訓(xùn)練集用于模型的訓(xùn)練，測試集用于檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性。為了防止輸入的樣本數(shù)據(jù)存在奇異值，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時間延長甚至不能收斂，首先對導(dǎo)入的樣本數(shù)據(jù)進(jìn)行歸一化處理，然后把處理后的數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，最后保存訓(xùn)練后的網(wǎng)絡(luò)模型。歸一化公式如下：

2.3 實(shí)驗(yàn)結(jié)果與分析

通過磨損實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證該系統(tǒng)的可行性，一組是純液壓油下的振動信號，另一組是磨粒尺寸為50 μm的摩擦系數(shù)信號。在時域分析界面上設(shè)置了SQL Server 數(shù)據(jù)庫和Excel 兩個樣本數(shù)據(jù)入口，通過時域分析按鈕進(jìn)行時域分析，特征值顯示在系統(tǒng)界面，點(diǎn)擊數(shù)據(jù)入庫按鈕把特征值存儲在SQL Server 數(shù)據(jù)庫中。圖4（a）為純液壓油時的振動信號圖，圖4（b）為磨粒尺寸為50 μm 時的摩擦系數(shù)信號圖。

圖4 振動信號與摩擦系數(shù)信號圖Fig.4 Vibration signal and friction coefficient signal diagram

采用式（1）～式（10）求振動信號和摩擦系數(shù)信號的特征值，結(jié)果如表3 所示。

表3 待測特征值Tab.3 Eigenvalues to be measured

在故障診斷模塊中，首先導(dǎo)入特征數(shù)據(jù)，然后點(diǎn)擊開始訓(xùn)練按鈕，程序會進(jìn)行故障診斷，并將診斷結(jié)果顯示在文本框里。BP 神經(jīng)網(wǎng)絡(luò)在經(jīng)過32 次訓(xùn)練后，誤差精度就達(dá)到了要求。診斷結(jié)果與測試樣本真實(shí)故障一致，證明C#與Matlab 混合編程是可行的。

3 結(jié)語

本文以.NET 為開發(fā)平臺，采用C#和Matlab 混合編程技術(shù)構(gòu)建了船舶轉(zhuǎn)葉式舵機(jī)故障診斷系統(tǒng)。該系統(tǒng)實(shí)現(xiàn)了對不同工況下的振動信號和摩擦系數(shù)信號的時域特征提取，并根據(jù)提取到的特征值進(jìn)行故障診斷。故障診斷結(jié)果表明隨著磨粒粒徑的增大，振動信號的幅值和摩擦系數(shù)顯著增加，轉(zhuǎn)葉式舵機(jī)密封件的磨損加劇，說明該系統(tǒng)能夠快速、準(zhǔn)確的識別轉(zhuǎn)葉式舵機(jī)密封件的磨損狀態(tài)。因此，C#和Matlab 混合編程在船舶機(jī)械故障診斷方面有著潛在的應(yīng)用前景，為船舶轉(zhuǎn)葉式舵機(jī)可靠性運(yùn)行提供了技術(shù)保障。