摘 要：【目的】液壓系統(tǒng)作為機(jī)械裝備的核心組成部分，其故障診斷與健康管理對于預(yù)防出現(xiàn)嚴(yán)重后果至關(guān)重要。本研究旨在構(gòu)建高精度的液壓系統(tǒng)故障診斷模型，探索先進(jìn)的液壓系統(tǒng)健康管理方法，以確保機(jī)械設(shè)備的穩(wěn)定運(yùn)行和操作安全?！痉椒ā勘狙芯坎捎米越M織映射（SOM）神經(jīng)網(wǎng)絡(luò)結(jié)合區(qū)間觀測技術(shù)，對液壓系統(tǒng)的關(guān)鍵性能指標(biāo)（HFI）進(jìn)行分析。SOM神經(jīng)網(wǎng)絡(luò)通過無監(jiān)督學(xué)習(xí)機(jī)制，自適應(yīng)調(diào)整網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)，揭示輸入數(shù)據(jù)的內(nèi)在規(guī)律。區(qū)間觀測技術(shù)則通過對系統(tǒng)狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控，構(gòu)建狀態(tài)的上下界估計(jì)，為故障診斷提供更為精確的依據(jù)?！窘Y(jié)果】經(jīng)過迭代訓(xùn)練的SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對144種故障狀態(tài)的液壓冷卻過濾系統(tǒng)進(jìn)行了檢測，故障診斷準(zhǔn)確率達(dá)到了98.06%，準(zhǔn)確率較高?！窘Y(jié)論】本研究所提出的液壓設(shè)備故障診斷模型不僅能夠準(zhǔn)確判斷設(shè)備的工作狀態(tài)，還具有較高的診斷性能，提高了整個(gè)機(jī)械裝備的運(yùn)行效率和安全性。

關(guān)鍵詞：SOM神經(jīng)網(wǎng)絡(luò)；液壓設(shè)備；故障診斷；區(qū)間觀測

中圖分類號(hào)：TH133.33 " "文獻(xiàn)標(biāo)志碼：A " "文章編號(hào)：1003-5168（2025）06-0044-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.06.008

Research on Hydraulic Equipment Condition Monitoring and Fault

Diagnosis Based on SOM Network

HAO Fang CHEN Lijuan

（College of General Education， Zhengzhou University of Economics and Business， Zhengzhou 451191， China）

Abstract： [Purposes] As the core component of mechanical equipment， the fault diagnosis and health management of hydraulic system are very important to prevent serious consequences. The purpose of this study is to build a high-precision fault diagnosis model of hydraulic system， explore and realize advanced health management methods of hydraulic system， and ensure the stable operation and safe operation of mechanical equipment. [Methods] The key performance index （HFI） of hydraulic system was analyzed by using SOM neural network combined with interval observation technology. SOM neural network adaptively adjusts network parameters and structure through unsupervised learning mechanism， and reveals the inherent laws of input data. Interval observation technology can estimate the upper and lower bounds of the state by monitoring the system state in real time， which provides more accurate basis for fault diagnosis. [Findings] The iteratively trained SOM network structure was used to detect the hydraulic cooling filtration system in 144 fault states. The accuracy of fault diagnosis reached 98.06 %， and the accuracy was high.[Conclusions] The fault diagnosis model of hydraulic equipment proposed in this study not only can accurately judge the working state of the equipment， but also has high diagnostic performance， thus improving the operation efficiency and safety of the whole mechanical equipment.

Keywords： SOM neural network; hydraulic equipment; fault diagnosis; interval

0 引言

液壓傳動(dòng)系統(tǒng)因其卓越的性能，在多個(gè)行業(yè)中扮演著至關(guān)重要的角色，其以緊湊的設(shè)計(jì)、輕量化的結(jié)構(gòu)、高精度的操作、快速的響應(yīng)時(shí)間、穩(wěn)定的運(yùn)行特性、出色的過載保護(hù)功能及強(qiáng)大的適應(yīng)性而備受青睞。特別是在航空領(lǐng)域，液壓系統(tǒng)的健康狀態(tài)對飛行安全至關(guān)重要，任何故障都可能導(dǎo)致災(zāi)難性的后果。因此，液壓系統(tǒng)的故障診斷和健康管理技術(shù)研究成為技術(shù)進(jìn)步的關(guān)鍵。隨著技術(shù)的發(fā)展，機(jī)械設(shè)備正朝著更高性能、更高精度和智能化的方向邁進(jìn)，對液壓系統(tǒng)安全性和可靠性的要求進(jìn)一步提高。為確保機(jī)械設(shè)備的持續(xù)運(yùn)行和操作人員的安全，液壓系統(tǒng)故障的早期診斷和預(yù)防性維護(hù)顯得尤為重要。因此液壓系統(tǒng)的故障診斷和健康管理技術(shù)成為研究熱點(diǎn)，其發(fā)展趨勢指向智能化、集成化和網(wǎng)絡(luò)化。通過采用先進(jìn)的傳感器技術(shù)、數(shù)據(jù)分析方法和智能算法，可以實(shí)現(xiàn)對液壓系統(tǒng)故障的預(yù)測、診斷和健康管理，從而顯著提高系統(tǒng)的可靠性和安全性。

本研究提出一種基于SOM神經(jīng)網(wǎng)絡(luò)的液壓系統(tǒng)故障診斷方法，以提高故障診斷的準(zhǔn)確性和效率。通過研究，不僅為液壓系統(tǒng)的故障診斷提供了新的技術(shù)手段，也為液壓設(shè)備的健康監(jiān)測和管理提供了科學(xué)依據(jù)，對于提升液壓系統(tǒng)的可靠性和安全性具有重要意義。

1 液壓設(shè)備的故障及區(qū)間觀測技術(shù)

1.1 液壓設(shè)備的故障

液壓系統(tǒng)的故障種類繁多，涵蓋了油品劣化、異常溫度升高、系統(tǒng)性振動(dòng)與沖擊、油液外泄、壓力異常波動(dòng)及整體運(yùn)行的不穩(wěn)定性等。鑒于液壓系統(tǒng)中的機(jī)械元件和液體介質(zhì)均在一個(gè)密封的循環(huán)體系內(nèi)運(yùn)作，其故障診斷并不像傳統(tǒng)機(jī)械設(shè)備那樣直觀可見，也不像電氣設(shè)備那樣可以通過多種測試工具直接獲取運(yùn)行數(shù)據(jù)［1］。此外，液壓系統(tǒng)工作環(huán)境多變，系統(tǒng)油液易受污染、油溫敏感度高、泄漏風(fēng)險(xiǎn)大，加之操作和維護(hù)不當(dāng)?shù)那闆r時(shí)有發(fā)生，故障診斷工作充滿挑戰(zhàn)。故障的隱蔽性及其與原因、結(jié)果之間的復(fù)雜關(guān)系，進(jìn)一步增加了診斷難度［2］。隨著對液壓設(shè)備性能要求的不斷提升，故障診斷技術(shù)也在不斷進(jìn)步，現(xiàn)已發(fā)展成為人工智能及大數(shù)據(jù)分析等多個(gè)領(lǐng)域的綜合技術(shù)體系。

1.2 區(qū)間觀測技術(shù)

在控制理論中，區(qū)間觀測技術(shù)作為一種有效的故障診斷方法，通過建立系統(tǒng)的區(qū)間模型，能夠在不確定性和外部擾動(dòng)存在的情況下，對系統(tǒng)狀態(tài)進(jìn)行估計(jì)和故障檢測。將區(qū)間觀測技術(shù)應(yīng)用于液壓系統(tǒng)的故障診斷，以適應(yīng)不斷變化的工作環(huán)境，最終提高診斷的魯棒性和準(zhǔn)確性。區(qū)間觀測器能夠處理液壓系統(tǒng)的參數(shù)不確定性和外部干擾等情況，為液壓設(shè)備的健康管理和故障預(yù)測提供強(qiáng)有力的保證。

2 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

SOM神經(jīng)網(wǎng)絡(luò)作為一種無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，在訓(xùn)練時(shí)無須依賴數(shù)據(jù)標(biāo)簽。其能夠自動(dòng)識(shí)別數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)，并將相似的輸入樣本映射到網(wǎng)絡(luò)中相鄰位置，通過自適應(yīng)調(diào)整網(wǎng)絡(luò)權(quán)重，實(shí)現(xiàn)數(shù)據(jù)分類［3］。這種自組織的特性使SOM神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜數(shù)據(jù)集時(shí)尤為有效，其能夠揭示樣本間的內(nèi)在聯(lián)系，通過預(yù)先對輸入數(shù)據(jù)進(jìn)行空間劃分，優(yōu)化了訓(xùn)練過程，并能在分類數(shù)據(jù)的同時(shí)揭示數(shù)據(jù)在網(wǎng)絡(luò)中的分布情況，這對于網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)一步優(yōu)化至關(guān)重要。

SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，由輸入層和輸出層構(gòu)成。輸入層的功能是將外部信息通過權(quán)重向量傳遞到輸出層的神經(jīng)元，其節(jié)點(diǎn)數(shù)量與輸入樣本的維度相匹配，形成單層神經(jīng)元的排列［4］。輸出層，也稱為競爭層，可以是一維、二維或三維的陣列結(jié)構(gòu)，其中二維平面陣列，即棋盤狀布局，是最為常見的形式。

SOM神經(jīng)網(wǎng)絡(luò)，也稱為Kohonen網(wǎng)絡(luò)，是一種無監(jiān)督學(xué)習(xí)算法，其核心在于通過自組織的方式對輸入數(shù)據(jù)進(jìn)行拓?fù)浣Y(jié)構(gòu)保持映射。其算法步驟如下：①初始化，網(wǎng)絡(luò)的權(quán)值向量[Wj]被賦予［0，1］區(qū)間的隨機(jī)值，同時(shí)確定初始優(yōu)勝鄰域 [Nj*（0）] 和學(xué)習(xí)率[η] 的初始值，其中j代表輸出層神經(jīng)元的數(shù)量；②輸入處理，輸入?yún)?shù)被歸一化后送入網(wǎng)絡(luò)，每個(gè)參數(shù)都通過輸入層傳遞到輸出層的神經(jīng)元；③競爭選擇，計(jì)算輸入向量[Pk]與權(quán)值向量[Wj]之間的距離，選擇距離最近的神經(jīng)元作為獲勝節(jié)點(diǎn)j；④鄰域定義，以獲勝節(jié)點(diǎn)[j*]為中心，確定在時(shí)刻t的權(quán)值調(diào)整鄰域，初始鄰域較大，且隨訓(xùn)練進(jìn)程逐漸縮?。虎輽?quán)值調(diào)整，對于在優(yōu)勝鄰域[Nj*（t）]內(nèi)的所有神經(jīng)元，根據(jù)公式（1）調(diào)整權(quán)值，其中[α（t，N） ]是學(xué)習(xí)率與鄰域內(nèi)神經(jīng)元與獲勝神經(jīng)元[j*]之間的拓?fù)渚嚯xN的函數(shù)［4］；⑥學(xué)習(xí)率和鄰域半徑調(diào)整，學(xué)習(xí)率[η（t）]和鄰域半徑 [σt ]隨時(shí)間t遞減，通常采用的調(diào)整策略為[η=η01+tT2 ，σ=σ01+tT2 ]，其中 T為總迭代次數(shù)；⑦ 結(jié)束判定，當(dāng)學(xué)習(xí)率降低到預(yù)設(shè)閾值或達(dá)到最大迭代次數(shù)時(shí)，訓(xùn)練結(jié)束。否則，返回步驟②繼續(xù)訓(xùn)練。

[wij（t+1）=wij（t）+α（t，N）[xi-wij（t）]] " "（1）

通過這一過程，SOM神經(jīng)網(wǎng)絡(luò)能夠有效地將高維輸入數(shù)據(jù)映射到低維空間，并保持?jǐn)?shù)據(jù)的拓?fù)涮匦裕詫?shí)現(xiàn)數(shù)據(jù)的聚類和可視化。這種算法因其獨(dú)特的自組織特性，在數(shù)據(jù)挖掘、模式識(shí)別、圖像處理等領(lǐng)域得到了廣泛應(yīng)用。

3 液壓設(shè)備故障診斷的SOM神經(jīng)網(wǎng)絡(luò)

3.1 故障樣本處理

為了實(shí)現(xiàn)液壓設(shè)備的故障診斷，選擇5個(gè)關(guān)鍵參數(shù)分別為特征功率譜、總功率、平均功率譜、最大振幅和振幅均方根［5］。這些參數(shù)是基于對特定型號(hào)液壓設(shè)備在不同工作狀態(tài)下振動(dòng)信號(hào)進(jìn)行分析得出的樣本數(shù)據(jù)。將這些數(shù)據(jù)作為輸入層，設(shè)計(jì)并訓(xùn)練SOM神經(jīng)網(wǎng)絡(luò)模型。為了確保計(jì)算結(jié)果的準(zhǔn)確性，對［0，1］范圍內(nèi)的樣本數(shù)據(jù)進(jìn)行歸一化處理，具體見式（2）。

[x=x-xminxmax-xmin] " " （2）

式中：[x]為原始數(shù)據(jù)；[x]為歸一化后的數(shù)據(jù)；[xmin]為數(shù)據(jù)集中的最小值；[xmax]為數(shù)據(jù)集中的最大值。

3.2 利用SOM神經(jīng)網(wǎng)絡(luò)建立模型

本研究按照系統(tǒng)分類歸納故障集合，即液壓泵泄漏、過濾器堵塞、電磁閥損壞、系統(tǒng)安全閥故障、阻尼孔損壞、壓力補(bǔ)償閥損壞、液壓缸泄漏和液壓泵過載。取8種故障特征作為液壓系統(tǒng)的故障樣本，即電流、油壓、振動(dòng)位移、振動(dòng)加速度、溫度、流量、油液磨屑和噪聲。傳感器收集的數(shù)據(jù)見表1。

本研究在構(gòu)建SOM神經(jīng)網(wǎng)絡(luò)模型時(shí)，根據(jù)表1所提供的8個(gè)關(guān)鍵特征參數(shù)，設(shè)計(jì)了輸入層，包含8個(gè)神經(jīng)元，以匹配數(shù)據(jù)的特征維度。競爭層也配置了8個(gè)神經(jīng)元，這一配置策略是基于對輸出層神經(jīng)元數(shù)量過多的考量。若輸出層神經(jīng)元過多，則在后續(xù)的故障參數(shù)識(shí)別過程中，可能會(huì)將某些檢測參數(shù)錯(cuò)誤分類至空集，進(jìn)而導(dǎo)致故障判斷失誤。故輸出層神經(jīng)元的數(shù)量應(yīng)與故障類型的數(shù)量大致相等，以確保網(wǎng)絡(luò)結(jié)構(gòu)的合理性和故障診斷的準(zhǔn)確性。這種設(shè)計(jì)允許輸入層與競爭層之間的神經(jīng)元相互連接，從而在保持?jǐn)?shù)據(jù)拓?fù)浣Y(jié)構(gòu)的同時(shí)，實(shí)現(xiàn)有效的故障診斷。

3.3 網(wǎng)絡(luò)訓(xùn)練

本研究使用MATLAB對已構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過多次試驗(yàn)，確定了10、50、100和500等4個(gè)不同的訓(xùn)練步數(shù)，并記錄了在這些步數(shù)下的權(quán)重分布和訓(xùn)練成效［6-7］。本研究對這4類步數(shù)進(jìn)行訓(xùn)練，分析結(jié)果如下：①訓(xùn)練步數(shù)為10時(shí)，特征X2、X4、X5、X6被歸為一類，X3、X7、X8歸為另一類，而X1單獨(dú)成一類；②訓(xùn)練步數(shù)為50時(shí)，特征X2、X4、X5、X6仍被歸為一類， X7、X8歸為另一類，X1、X3單獨(dú)成一類；③訓(xùn)練步數(shù)為100時(shí)，X1，X2，X6單獨(dú)一類， X3和X7為一類，X4和X5為一類；④訓(xùn)練步數(shù)為500時(shí)，分類效果與僅訓(xùn)練100次時(shí)相比沒有顯著差異，這表明增加更多的訓(xùn)練迭代不會(huì)對分類性能帶來進(jìn)一步的提升。當(dāng)神經(jīng)網(wǎng)絡(luò)已經(jīng)達(dá)到一個(gè)較為優(yōu)化的分類狀態(tài)，競爭層神經(jīng)元的排列形成了一個(gè)6行6列的網(wǎng)格結(jié)構(gòu)。這一結(jié)果意味著網(wǎng)絡(luò)已經(jīng)穩(wěn)定，并能夠以較高的準(zhǔn)確度完成分類任務(wù)，無須進(jìn)一步增加訓(xùn)練迭代次數(shù)。

訓(xùn)練完成后，SOM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示，相鄰神經(jīng)元的距離關(guān)系如圖3所示，訓(xùn)練500步時(shí)的各權(quán)重分布如圖4所示。

在圖3拓?fù)浣Y(jié)構(gòu)中，顏色越深，說明神經(jīng)元之間的距離越遠(yuǎn)。經(jīng)過充分的訓(xùn)練周期后，由圖4可以看出，SOM神經(jīng)網(wǎng)絡(luò)能夠確定其權(quán)重值并達(dá)到穩(wěn)定狀態(tài)。對于新的輸入?yún)?shù)，網(wǎng)絡(luò)能夠自動(dòng)進(jìn)行分類處理。經(jīng)過訓(xùn)練的SOM神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確定位各類故障的聚類中心，并確定這些中心在競爭層中的輸出位置。故障類型在聚類中心的分布顯示出良好的均勻性，這有助于提高診斷過程的準(zhǔn)確性和可靠性。SOM神經(jīng)網(wǎng)絡(luò)聚類結(jié)果見表2。

3.4 故障診斷驗(yàn)證

為了檢驗(yàn)建立的 SOM 神經(jīng)網(wǎng)絡(luò)的可靠性，將液壓設(shè)備的故障待測樣本進(jìn)行故障檢測與識(shí)別，待測樣本數(shù)據(jù)為｛38.7，50.6，21.1，29.56，40.03，36.33，55.1｝，利用已經(jīng)訓(xùn)練好的SOM神經(jīng)網(wǎng)絡(luò)對以上故障樣本進(jìn)行檢測，每個(gè)神經(jīng)元的分類情況如圖5所示。

通過計(jì)算，結(jié)果為r=1（r是故障原因類型的分類標(biāo)簽），故歸為第一類故障，即液壓泵泄漏。基于SOM算法的液壓系統(tǒng)故障診斷模型在UCI2（UCI數(shù)據(jù)庫是機(jī)器學(xué)習(xí)領(lǐng)域常用的一個(gè)開放數(shù)據(jù)集）的公共數(shù)據(jù)集上進(jìn)行了試驗(yàn)驗(yàn)證，對有144種故障狀態(tài)的液壓冷卻過濾系統(tǒng)的故障診斷準(zhǔn)確率達(dá)到了98.06%，表明該診斷準(zhǔn)確率較高。

4 結(jié)語

自組織映射（SOM）神經(jīng)網(wǎng)絡(luò)，作為一種無監(jiān)督學(xué)習(xí)算法，具備自我組織和自適應(yīng)的特性，能夠在較低的數(shù)學(xué)模型依賴下展現(xiàn)出卓越的容錯(cuò)性能。經(jīng)過充分的迭代訓(xùn)練，SOM網(wǎng)絡(luò)能夠鎖定其權(quán)重，實(shí)現(xiàn)對新輸入?yún)?shù)自動(dòng)分類。該網(wǎng)絡(luò)在精確識(shí)別不同故障的聚類中心及其在競爭層的輸出位置方面具有一定優(yōu)勢，且故障類型在聚類中心的分布呈現(xiàn)均勻性，這對于故障診斷領(lǐng)域而言是一個(gè)重要的優(yōu)勢。基于SOM神經(jīng)網(wǎng)絡(luò)所構(gòu)建的診斷模型，不僅在準(zhǔn)確性上具有較高的保證，而且為液壓設(shè)備的故障診斷提供了一種切實(shí)可行的解決方案。

參考文獻(xiàn)：

［1］王楠，谷立臣.基于SOM網(wǎng)絡(luò)可視化技術(shù)的液壓系統(tǒng)故障分類研究［J］.流體傳動(dòng)與控制，2009（3）：5-9.

［2］余金寶，谷立臣，孫穎宏.利用SOM網(wǎng)絡(luò)可視化方法診斷液壓系統(tǒng)故障［J］.工程機(jī)械，2007（12）：54-57，134.

［3］蔣銳，范姝文，王小明，等.基于改進(jìn)SOM網(wǎng)絡(luò)的聚類算法［J/OL］.計(jì)算機(jī)科學(xué)，1-15［2024-12-20］.http：//kns.cnki.net/kcms/detail/50.1075.TP.20241101.1447.032.html.

［4］章建林，黃金波.基于SOM神經(jīng)網(wǎng)絡(luò)的礦井提升機(jī)故障診斷步驟優(yōu)化［J］.科學(xué)技術(shù)創(chuàng)新，2021（8）：39-40.

［5］俞杭，陳換過，肖雪，等.基于SOM的電靜壓伺服機(jī)構(gòu)油濾堵塞故障診斷［J］.成組技術(shù)與生產(chǎn)現(xiàn)代化，2019，36（2）：11-16.

［6］劉源，李建國，王飛飛.液壓泵故障PSO-BP診斷層與D-S決策層融合診斷［J/OL］.機(jī)械設(shè)計(jì)與制造，1-6［2024-12-26］.https：//doi.org/10.19356/j.cnki.1001-3997.20241224.038.

［7］郭京峰.基于改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)的挖掘機(jī)液壓系統(tǒng)故障診斷［J］.現(xiàn)代制造技術(shù)與裝備，2024，60（11）：37-39.