于喜金，于曉光，楊同光，竇金鑫，張景博

(遼寧科技大學(xué)機(jī)械工程與自動(dòng)化學(xué)院,遼寧鞍山 114000)

0 前言

航空液壓管路是航空發(fā)動(dòng)機(jī)液壓管路系統(tǒng)中重要的零件，嚴(yán)重的流體振動(dòng)會(huì)導(dǎo)致管路出現(xiàn)強(qiáng)烈的振動(dòng)，導(dǎo)致液壓管路頻繁失效，致使航空液壓系統(tǒng)在實(shí)際工作過(guò)程中發(fā)生故障造成事故。因此，管路的故障診斷具有重要的意義。

航空液壓管路振動(dòng)信號(hào)是典型的非平穩(wěn)非線性多分量信號(hào)，多分量信號(hào)的有效分離成為解決問(wèn)題的關(guān)鍵。經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)、短時(shí)傅里葉變換(STFT)、局部均值分解(LMD)等方法均有各自的局限性：經(jīng)驗(yàn)?zāi)B(tài)分解存在端點(diǎn)效應(yīng)、模態(tài)混疊和過(guò)包絡(luò)等問(wèn)題；短時(shí)傅里葉變換處理信號(hào)時(shí)不能同時(shí)獲得較高的時(shí)頻分辨率；局部均值分解也會(huì)得到虛假的PF分量。針對(duì)上述問(wèn)題，DRAGOMIRETSKIY和ZOSSO提出一種非遞歸式自適應(yīng)信號(hào)處理方法變分模態(tài)分解(Variational Mode Decomposition，VMD)。VMD以求解變分問(wèn)題最優(yōu)解的形式篩選IMF分量，因此，可有效避免分解過(guò)程中模態(tài)混疊問(wèn)題的產(chǎn)生。

目前最為廣泛采用的神經(jīng)網(wǎng)絡(luò)之一就是BP神經(jīng)網(wǎng)絡(luò)(Back Propagation)，是按誤差反向傳播的一種多層前饋網(wǎng)絡(luò)。在解決相應(yīng)問(wèn)題時(shí)，靠著自身學(xué)習(xí)能力、泛化能力和非線性映射能力強(qiáng)，會(huì)經(jīng)常在實(shí)際工程中用到。本文作者提出一種優(yōu)化VMD與BP神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法，并將該方法應(yīng)用在航空液壓管路的故障診斷中，實(shí)現(xiàn)了液壓管路裂紋故障和凹坑故障的精準(zhǔn)識(shí)別。

1 基礎(chǔ)理論

1.1 變分模態(tài)分解

VMD方法可假定尺度參數(shù),將信號(hào)分解成個(gè)中心頻率為的模態(tài)函數(shù)，則可得到可以進(jìn)行分解的新約束變分問(wèn)題：

(1)

對(duì)新的約束變分問(wèn)題引入拉格朗日乘法算子()和二次懲罰因子進(jìn)行構(gòu)造并求解該約束變分，分析出新的模態(tài)信號(hào)：

({},{},)=

(2)

(3)

(4)

1.2 VMD參數(shù)確定

用VMD方法分解信號(hào)時(shí)需要預(yù)先設(shè)定模態(tài)分量個(gè)數(shù)，模態(tài)分量個(gè)數(shù)設(shè)置不同，分解結(jié)果不同。有研究發(fā)現(xiàn)，VMD方法中二次懲罰因子對(duì)VMD分解結(jié)果也產(chǎn)生較大影響。由于人為設(shè)定的隨意性和不確定性勢(shì)必會(huì)對(duì)VMD分解結(jié)果的正確性帶來(lái)影響，本文作者利用具有良好全局性概率搜索能力的遺傳算法對(duì)VMD方法兩個(gè)輸入?yún)?shù)和進(jìn)行參數(shù)優(yōu)化。

1.3 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

神經(jīng)網(wǎng)絡(luò)是一種具有多層反饋的神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層、輸出層組成。

航空發(fā)動(dòng)機(jī)液壓管路故障的振動(dòng)信號(hào)是一維信號(hào)，正好符合 BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)需要。優(yōu)化后，將信號(hào)進(jìn)行VMD處理，建立樣本，選用Softmax分類(lèi)器符合樣本情況。表1為BP神經(jīng)網(wǎng)絡(luò)模型主要結(jié)構(gòu)參數(shù)。

表1 BP神經(jīng)網(wǎng)絡(luò)模型主要結(jié)構(gòu)參數(shù)

2 管路故障診斷

2.1 診斷模型

管路的故障機(jī)制特征很難發(fā)現(xiàn)，影響因素包括管路故障信號(hào)受流固耦合特性影響和復(fù)雜的管路結(jié)構(gòu)影響等。本文作者提出的基于優(yōu)化變分模態(tài)分解與BP神經(jīng)網(wǎng)絡(luò)的液壓管路故障診斷方法，增加BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別液壓管路信號(hào)特征，同時(shí)提高精度，可以有效應(yīng)用于診斷航空發(fā)動(dòng)機(jī)液壓管路系統(tǒng)中管路的健康狀態(tài)和不同故障狀態(tài)。圖1所示即為故障診斷流程。

圖1 液壓管路故障診斷的具體流程

2.2 實(shí)驗(yàn)數(shù)據(jù)

為了了解航空發(fā)動(dòng)機(jī)液壓管路實(shí)際工作時(shí)的工況，應(yīng)用液壓管路實(shí)驗(yàn)臺(tái)進(jìn)行了實(shí)驗(yàn)?zāi)M，并且也進(jìn)行了測(cè)試實(shí)驗(yàn)。在液壓管路進(jìn)油端、管路中間和出油端3個(gè)位置依據(jù)實(shí)驗(yàn)方案，用加速度振動(dòng)傳感器進(jìn)行多次測(cè)試分析，從而得到液壓管路系統(tǒng)中液壓管路的健康狀態(tài)和故障狀態(tài)2種狀態(tài)下的振動(dòng)信號(hào)以及2種狀態(tài)下的時(shí)域波形和頻譜，選用中部凹坑狀態(tài)和端部裂紋狀態(tài)采集的時(shí)域波形和頻譜，如圖2—圖3所示，VMD分解結(jié)果如圖4—圖5所示。

圖2 液壓彎管中部凹坑故障狀態(tài)時(shí)頻域波形圖 圖3 液壓彎管端部裂紋故障狀態(tài)時(shí)頻域波形圖

圖4 液壓管路中部凹坑故障狀態(tài)VMD分解時(shí)頻域波形圖

圖5 液壓管路端部裂紋故障狀態(tài)VMD分解時(shí)頻域波形圖

經(jīng)過(guò)VMD分解后，模態(tài)分量的頻率都在一定的范圍里，可以明顯識(shí)別出單個(gè)模態(tài)分量中的虛假分量現(xiàn)象，規(guī)避了噪聲將特征信息淹沒(méi)的現(xiàn)象。因此處理實(shí)際航空液壓管路振動(dòng)信號(hào)時(shí)，噪聲甚至不會(huì)淹沒(méi)掉微弱的故障特征信息，從而可以準(zhǔn)確地提取管路振動(dòng)信息。

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)結(jié)果

文中提出的VMD-BP神經(jīng)網(wǎng)絡(luò)模型的故障診斷方法，為了防止丟失故障信息，按照頻率由小到大的順序，將明顯的管路故障特征疊成一個(gè)多通道樣本，每段樣本信號(hào)都有3 200個(gè)數(shù)據(jù)點(diǎn)，然后將全部的樣本信號(hào)都進(jìn)行以上運(yùn)算，建立數(shù)據(jù)集，使訓(xùn)練樣本數(shù)、驗(yàn)證樣本數(shù)和預(yù)測(cè)樣本數(shù)的占比為8∶1∶1。將數(shù)據(jù)集采取隨機(jī)抽樣的訓(xùn)練方法來(lái)證明所優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性。分別得到3類(lèi)診斷方法混淆矩陣如圖6—圖8。

圖6 基于10類(lèi)樣本數(shù)據(jù)VMD-BP模型診斷的混淆矩陣 圖7 基于10類(lèi)樣本數(shù)據(jù)EMD-BPNN模型的混淆矩陣

圖8 基于10樣本下反向傳播神經(jīng)網(wǎng)絡(luò)模型的混淆矩陣

由圖6—圖8可知VMD-BP診斷方法的完全正確分類(lèi)組數(shù)和每組準(zhǔn)確率相較于其他方法都更具優(yōu)越性。對(duì)液壓管路數(shù)據(jù)集的描述見(jiàn)表2。

表2 液壓管路數(shù)據(jù)集的描述

由圖6可看出:管路健康狀態(tài)及管路裂紋和管路凹坑兩種故障狀態(tài)組成的數(shù)據(jù)集通過(guò)遺傳算法優(yōu)化變分模態(tài)分解和BP神經(jīng)網(wǎng)絡(luò)故障診斷方法訓(xùn)練結(jié)果的準(zhǔn)確率為99.4%;在彎管系統(tǒng)中，94.4%的識(shí)別率僅出現(xiàn)在裂紋單一故障中;同時(shí)識(shí)別結(jié)果也表明文中所提出的方法可較精確判別卡箍輕度松動(dòng)和卡箍根部輕微裂紋等早期故障。

3.2 結(jié)果分析

表3總結(jié)了基于同一數(shù)據(jù)集，VMD+BPNN故障診斷方法與其他幾種方法性能比較。針對(duì)每種方法各自進(jìn)行10次實(shí)驗(yàn)，評(píng)估指標(biāo)為每種評(píng)估指標(biāo)的平均值。由此可知：在診斷準(zhǔn)確率方面，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)故障診斷方法顯然不如文中所提出的基于優(yōu)化變分模態(tài)分解和卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法。與BP神經(jīng)網(wǎng)絡(luò)故障診斷方法和SVM故障診斷方法相比，文中提出的故障診斷方法不僅各性能指標(biāo)均達(dá)到99.32%以上，也明顯優(yōu)于EMD-BP神經(jīng)網(wǎng)絡(luò)故障診斷方法，而且能夠穩(wěn)定地識(shí)別出液壓管路多種不同的健康狀態(tài)，尤其是對(duì)不同測(cè)點(diǎn)采集的數(shù)據(jù)也能實(shí)現(xiàn)精準(zhǔn)分類(lèi)和識(shí)別。其原因是通過(guò)優(yōu)化變分模態(tài)分解方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以后信號(hào)信噪比提高，規(guī)避了神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的過(guò)擬合現(xiàn)象，且所有的IMF特征分量構(gòu)造均為CNN的多通道輸入，經(jīng)過(guò)CNN進(jìn)行信息融合，得到合適的各IMF特征分量對(duì)輸出的權(quán)重，從而實(shí)現(xiàn)了智能化的航空液壓管路凹坑和裂紋故障診斷。

表3 文中所提出的方法與DCNN和BPNN性能比較

4 結(jié)論

首先，本文作者提出利用遺傳算法對(duì)VMD模態(tài)分量和懲罰因子值兩個(gè)參數(shù)進(jìn)行優(yōu)化選取，使其能夠自適應(yīng)地確定最優(yōu)參數(shù)；對(duì)航空發(fā)動(dòng)機(jī)液壓管路的振動(dòng)信號(hào)采用VMD方法進(jìn)行處理，分析液壓管路故障情況與健康情況，將液壓管路裂紋故障和凹坑故障的最佳分量提取出來(lái)，為BP神經(jīng)網(wǎng)絡(luò)提供模式識(shí)別基礎(chǔ)。

其次，BP神經(jīng)網(wǎng)絡(luò)的輸入量是利用VMD方法對(duì)液壓管路信號(hào)處理后得到的最佳分量，將最佳分量輸入BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明：本文作者提出的故障診斷方法各性能指標(biāo)均達(dá)到99.32%以上，能對(duì)液壓管路多種健康狀態(tài)進(jìn)行識(shí)別判斷，特別是能實(shí)現(xiàn)精準(zhǔn)分類(lèi)和識(shí)別于不同測(cè)點(diǎn)采集的數(shù)據(jù)。