賈志奇 ，石俊杰 ，唐宏賓

(1.中鐵廣州工程局集團有限公司，廣東廣州 511459；2.長沙理工大學汽車與機械工程學院，湖南長沙 410114)

0 前言

由于功率大、響應快、精度高等優(yōu)點，液壓系統(tǒng)在工程機械上得到了廣泛應用。液壓油缸為工程機械液壓系統(tǒng)的重要執(zhí)行機構，但是由于其惡劣的工作環(huán)境，長時間的高負荷運行以及不完善的維護措施，都會導致它易出現(xiàn)泄漏。液壓油缸一旦泄漏，會出現(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度和施工質量，甚至會造成人員傷亡。

目前，通常利用壓力信號對液壓油缸的泄漏進行檢測。但現(xiàn)場采集的壓力信號常受到液壓泵的供油脈動、負載波動和油缸換向沖擊等因素的干擾。因此，如何從壓力信號中提取故障特征就成為液壓油缸泄漏檢測的關鍵。杜文正提出通過檢測小波變換在適當尺度上的極大值點，并采用提取壓力突變信號特征的方法來實現(xiàn)液壓缸內泄漏的故障診斷。TANG和WU將壓力信號進行小波分解后得到的各頻帶信號能量作為特征向量，輸入到BP網絡分類器中進行泄漏故障的識別和分類。ZHAO等提取了壓力信號的小波能量熵，實現(xiàn)了對液壓油缸5種不同程度泄漏故障的檢測。YAO等分別用時頻分析和人工神經網絡來檢測液壓油缸的泄漏故障。陳灝等人利用改進的EEMD方法提取液壓系統(tǒng)外部的振動信號，再運用遺傳算法對SVM進行參數(shù)優(yōu)化以診斷液壓系統(tǒng)泄漏故障。廖輝和喬東凱對液壓缸的壓力信號進行檢測提取，然后利用LS-SVM分類器識別液壓缸泄漏故障信號。張兆東等通過對比實時液壓缸內部壓力信號與提取的相關故障特征量方法，判斷液壓缸是否發(fā)生內泄漏。以上方法在一定程度上實現(xiàn)了對液壓油缸泄漏故障的檢測，但是對于特征參數(shù)的選擇總是存在一定的盲目性和隨機性，受個人經驗和主觀因素影響也較大，并且存在分類器計算量過大或分類精度不高等問題。因此，有必要針對液壓油缸的泄漏故障特征提取方法開展進一步研究。

故障診斷實質上包括了故障特征提取和模式識別兩個過程。其中特征提取是從初始特征參數(shù)中挑選出對故障檢測最敏感和最有代表性的特征，以達到降低特征空間維數(shù)、減小分類器計算量、提高分類器分類精度的目的。當前，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、距離評估技術、距離區(qū)分技術等?；诰嚯x區(qū)分技術的特征選擇方法具有簡單、可靠等特點，得到了廣泛應用。

本文作者針對工程機械液壓油缸泄漏故障檢測中壓力信號特征提取的難題，提出一種基于距離區(qū)分技術的故障特征提取方法。該方法首先采集工程機械液壓油缸泄漏狀態(tài)的壓力信號，然后分別提取時域、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)分技術對特征參數(shù)進行選擇，最后將提取的故障特征輸入SVM分類器中進行故障模式識別和分類。

1 信號采集

本文作者開展的液壓油缸泄漏故障檢測試驗在某企業(yè)生產的混凝土泵車上進行，其簡化液壓原理如圖1所示。液壓泵1、溢流閥2、換向閥3和液壓油缸4構成一個驅動負載5的直線往復式機構。試驗時，用節(jié)流閥6和油管將液壓油缸的無桿腔和有桿腔相連接來模擬液壓油缸的內泄漏，通過調節(jié)節(jié)流閥開口大小模擬液壓油缸不同程度的泄漏故障。通過壓力傳感器7采集來自液壓油缸無桿腔的壓力信號，然后再利用數(shù)據采集儀對其進行分析并儲存。

圖1 液壓原理

現(xiàn)場試驗場景如圖2所示。試驗中選用的相關元器件的型號及性能參數(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；動態(tài)數(shù)據采集儀：德維創(chuàng)數(shù)據采集儀DEWE-2521。試驗中設定的采樣頻率為1 000 Hz，采集時間為60 s。為實現(xiàn)變工況下液壓油缸泄漏故障的檢測，在試驗中，分別設置20%、40%和50%排量等3種負載工況，每種負載工況下分別進行液壓油缸正常、輕微泄漏、嚴重泄漏等3種不同故障模式下的試驗。采集的樣本數(shù)量如表1所示。

圖2 試驗場景

表1 不同故障模式樣本數(shù)

采集得到的3種負載下液壓油缸發(fā)生3種不同程度泄漏時的壓力信號分別如圖3—圖5所示。可以看出：隨著液壓油缸的往復直線運動，壓力信號也呈周期性變化，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)對應；當液壓油缸出現(xiàn)內泄漏時，壓力信號出現(xiàn)了明顯的波動，尤其在高壓吸油階段的波動更為明顯；隨著泄漏量的不斷增大，壓力信號的波動也越顯著。壓力波動會導致液壓油缸壓力不足，從而無法驅動負載或發(fā)生運行不穩(wěn)定的現(xiàn)象。

圖3 20%排量工況下壓力信號

圖4 40%排量工況下壓力信號

圖5 50%排量工況下壓力信號

由圖3—圖5中也可以看出；不同的排量對壓力信號的變化也有一定影響，即負載變化也會使壓力信號產生波動。但是，通常很難從壓力信號的波動中判斷哪些是由泄漏引起的，哪些是由負載變化引起。因此，如何從壓力信號中準確提取泄漏的故障特征就成為一個非常關鍵的問題。

2 初始特征參數(shù)

不同特征域的特征參數(shù)對故障的表征不同，它直接決定各類故障模式在后續(xù)診斷過程中的難易程度。本文作者選取目前應用較廣泛的初始特征參數(shù)，包括時域特征參數(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的初始特征參數(shù)。

2.1 時域特征參數(shù)

離散信號序列可假設為=(,,…,,…,)，其中為信號長度。文中所選用的時域特征包括均值、均方根值、標準方差、偏度、峭度、波峰因子、裕度因子、波形因子、沖擊因子，其表達式如表2所示。

表2 時域特征參數(shù)表達式

2.2 頻域特征參數(shù)

設()為原始信號序列=(,,…,,…,)通過Welch法估計得到功率譜密度。為譜線個數(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，其表達式如表3所示。

表3 頻域特征參數(shù)表達式

2.3 小波包能量特征

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

對待分析信號進行層小波包的分解及重構，假設分為2個節(jié)點，即將待分析信號分解在了2個細分的頻帶上。將各頻帶信號的平方和定義為小波包能量，則第個頻帶的能量為

(3)

則全部2個小波包能量構成了小波包能量特征:

=[,,…,2]

(4)

對采集的壓力信號進行4層小波包分解，共得到16個小波包能量特征參數(shù)。各頻段對應的頻帶范圍如圖6所示。

圖6 小波包能量特征對應的頻帶范圍

2.4 AR模型參數(shù)

對于原始信號序=(,,…,,…,)，可用如下的線性回歸模型來描述:

=-1+-2+…+-+

(5)

式(5)表示一個階自回歸模型，即AR()模型。

確定AR模型的階次是一個關鍵問題，目前使用最廣泛的是AIC (An Information Criterion)準則：

(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，因此可將它作為反映系統(tǒng)運行狀態(tài)的特征參數(shù)。

在文中，對3種負載下3組模式的壓力信號都建立了AR模型，利用AIC 準則計算得到的各AR模型最佳階次互不相同。為統(tǒng)一，每個壓力信號都取前48階AR模型參數(shù)作為特征參數(shù)進行分析。

綜上所述，文中共選擇了80個初始特征參數(shù)進行分析，如表4所示。

表4 所選擇的初始特征參數(shù)統(tǒng)計

3 基于距離區(qū)分技術的特征選擇方法

若將第2節(jié)中提取的全部80個特征參數(shù)直接輸入故障分類器，則會因為不同特征參數(shù)相互之間有冗余性和相關性，使診斷準確性得不到保障，還會增加計算量，影響診斷速度。因此，應找出對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)分技術對敏感特征進行選擇的方法。

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

(1)計算所有樣本第個特征參數(shù)的均值和標準方差：

(7)

(8)

(2)計算第類樣本的第個特征參數(shù)的均值和標準方差：

(9)

(10)

(3)計算第個特征的類中心的加權標準方差:

(11)

(12)

(4)計算第個特征的距離區(qū)分因子：

(13)

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

(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)設為閾值，如果≥，則將從個特征中選出相對應的特征參數(shù)，否則就去掉相應的特征參數(shù)。在設定閾值的時候必須遵循一個原則，即通過逐漸提高的取值來篩選特征參數(shù)的個數(shù)，再將通過篩選的特征參數(shù)導入到分類器中，以進行訓練和測試，當分類的準確率到達設定的閾值時，停止對特征參數(shù)的進一步選擇。

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數(shù)均為10(===10)，分別用2個特征參數(shù)(=2)、對它們進行區(qū)分，表示特征在類1和類2間的距離，表示特征在類1的類內距離，其他符號的意義依次類推。

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第2節(jié)中提取的80個特征參數(shù)進行敏感度評判，各特征參數(shù)的敏感度大小如圖8所示。可知：當閾值取0.8時，共有3個時域特征、1個小波能量譜、7個AR模型參數(shù)共11個特征參數(shù)被選中。這些特征參數(shù)被認為是對油缸泄漏敏感的故障特征參數(shù)，可以一起構成特征向量，輸入故障分類器中進行狀態(tài)識別和分類。

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)的關系 圖10 閾值對分類準確率的影響

表5列出了幾種不同閾值時敏感特征參數(shù)的個數(shù)和分類器的分類準確率?？梢钥闯觯寒旈撝禐?.75～0.77時，SVM的分類準確率達到了90%以上，最高分類精度為93.3%，BP網絡的最高分類精度也達到了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，實現(xiàn)對液壓油缸泄漏的故障檢測。

表5 不同閾值時敏感特征參數(shù)的個數(shù)和分類器的分類準確率

5 小結

(1)針對進行工程機械液壓油缸泄漏故障診斷時特征提取的難題，提出了一種基于距離區(qū)分技術的故障特征提取方法。首先采集液壓油缸的壓力信號，然后提取壓力信號的時域、頻域、小波包能量特征、AR模型等初始特征參數(shù)，再通過距離區(qū)分技術選取敏感特征參數(shù)，最后輸入SVM和BP網絡等分類器進行故障檢測。

(2)通過試驗驗證了文中所提出的故障特征提取方法的有效性。結果表明：利用該方法，選用SVM做故障分類器時準確率達到了93.3%，選用BP網絡做故障分類器時準確率達到了86.7%。該方法可有效實現(xiàn)對工程機械液壓油缸泄漏的故障檢測。