基于改進型滑動窗主元分析的盾構液壓系統故障診斷研究

周奇才 黃 克 趙 炯 熊肖磊

同濟大學，上海，201804

0 引言

統計過程監控（statistical process monitoring，SPM）是在工業流程生產領域廣泛應用的故障診斷技術，可有效提高流程品質和生產率。其中，主 元 分 析 （principal component analysis，PCA）是最常見的一種SPM技術。PCA的特點是丟棄噪聲和過程變量間共線性關系，保存原始數據集最重要的信息，其基本流程如下：首先在正常過程狀態采集數據建立PCA模型，然后計算監控統計量的控制限，最后根據這些統計量對生產過程進行在線監控［1］。目前，PCA在故障診斷、信號處理和模式識別等領域都有不同程度的應用［2］。

液壓驅動是盾構機的主要驅動方式，刀盤旋轉和推進系統均依賴液壓系統傳遞動力，所以液壓系統是關鍵系統，也是故障檢測重點?，F有盾構機液壓系統故障檢測采用單傳感器檢測、人工判斷方式，但液壓系統故障發生成因具有多樣性，故障發生時若只考慮某一元件的故障而忽略其他元件運行情況的話，診斷結果是不準確的。

賀湘宇［3］將動態PCA應用于挖掘機液壓系統故障診斷，實現了液壓泵、閥、液壓缸堵塞和磨損引發故障的辨識。但是液壓系統運行過程具有時變性，隨著系統運行的持續，系統及傳感器的固有參數也在發生變化，因此，PCA模型需要自適應更新。Jeng［4］指出，對于時變系統采用移動窗更新模型的方式更加合適。Wang等［5］提出了快速移動窗PCA的整體架構以及相關矩陣的遞推更新算法，但沒有給出更詳細的算法。

根據液壓系統的時變、動態特性，本文提出了滑動窗算法和動態PCA相結合的算法，并將其應用于盾構液壓系統故障診斷中。

1 盾構液壓系統的PCA分塊

盾構機是機、電、液技術高度集成的工程機械，含有大量機械、液壓和電氣裝置，因此，在建立統計過程模型時，對模型中各變量之間相互關系的解釋極為復雜，使模型難以獲得實際應用。一種有效的辦法就是建立分層（hierarchical）模型或分塊（multi-block）模型，將整個裝置分為若干子系統，對每一子系統建立相應的模型。由于模型中的測量變量都是來自于同一過程單元（或者同一子系統），變量之間的相互關系相對比較明確，模型的解釋能力比較強［6］。Wold等［7］分別闡述了分塊PCA和PLS（partical least square）思想（它們能夠使監控模型的解釋能力得到增強）。

盾構機是一類主要靠液壓驅動的大型工程機械，可完成盾構刀盤旋轉、推進、拼裝機旋轉等動作。將PCA分塊思想按照上述動作進行劃分，如圖1所示。

圖1 盾構機分塊示意圖

由圖1可知，盾構液壓系統可以看作由刀盤旋轉子系統、推進子系統、拼裝機子系統、螺旋輸送子系統等多個子液壓系統組成的復雜液壓系統。對每一個子系統按照功能細分，又可分為能源裝置（各種規格泵）、控制裝置（三位四通電磁換向閥、溢流閥等）、執行裝置（完成各項動作的液壓缸）。雖然盾構液壓系統包含眾多子系統，可完成盾構機地下挖掘多種動作，但是按照功能劃分又有相似之處，由此可以研究基本液壓系統的故障診斷，然后推廣到各個子系統中。根據盾構液壓系統總結出基本液壓系統，包括泵、換向閥、溢流閥和液壓缸。

2 改進型PCA算法

改進型PCA算法將簡單的移動窗過濾的基本原理與PCA相結合，其基本步驟如下：

（1）用歷史數據構建PCA模型，并確定各種統計參數，標準化PCA。

（2）對未超過統計控制限的新數據納入PCA模型中，并將舊數據刪除，基于新模型更新各統計參數。

何小斌［8］提出了自適應移動窗算法（移動窗長度隨著更新數據變化而自適應）。Liu等［9］提出了更有效的、節約內存的移動窗算法。然而移動窗構建算法中無論PCA模型還是更新算法均沒有考慮數據序列相關性。本文將動態PCA算法與移動窗算法相結合，并更新計算公式。

一個完整的移動窗算法需要考慮：①遞歸更新樣本均值、方差和協方差矩陣；②具有一種更新特征空間的遞歸算法；③更新各監控指標的置信限。

2.1 更新協方差矩陣

由式（4）可以推導出矩陣Ⅱ的協方差矩陣：

2.2 特征值更新

令

則

綜合式（9）～式（11），將式（7）改寫為

令變量B、C分別為

則

為了使B1／t正交，對其進行QR分解，即

由式（16）、式（17）可得

整理以上各式可得

對式（20）中間項奇異值分解：

聯立式（20）、式（21）可得

即

2.3 監控統計量更新

由于系統PCA模型得到更新，那么統計量和其控制限也需要自適應更新。PCA將測量空間分成主元空間和殘差空間，統計量T2（Hotelling T2檢驗）和SPE（squared prediction error，SPE）或Q分別描述對應空間的變化。

Hotelling T2統計量為

同理也可以獲得矩陣Ⅲ的兩個統計量。統計量的監控限公式可以參考相關文獻，此處不再累述。

3 系統仿真及故障識別

3.1 系統仿真建模

由上文分析可知，雖然盾構液壓系統由眾多子系統組成，異常復雜，但是各子系統有以下共性：共用油箱，均由各自泵、功能閥塊和執行液壓缸組成。如拼裝機液壓系統，實現垂直、上下、左右三個方向的動作，三種動作共用一個液壓泵，以及各自的功能閥塊和執行液壓缸（組），其中功能閥塊主要包括換向閥、雙單向節流閥和泄荷閥。取左右方向動作的液壓子系統為仿真對象，采用AMESIM軟件［11］建立仿真液壓系統圖（圖2），由于各閥塊跟數學模型相關聯，因此，通過修改數學模型模擬仿真液壓系統發生的故障。

圖2 拼裝機左右動作液壓子系統

3.2 故障仿真

由于地下環境的復雜性，盾構機挖掘工況具有時變性，數據采集樣本的均值、協方差甚至主元數目等統計量處于變化狀態，因此，用靜態PCA模型去監測系統故障情況時必然導致較高的誤報率。

根據上海地鐵盾構設備工程有限公司提供的歷史故障記錄統計：液壓設備損壞故障較少發生；由磨損造成的泵容積效率下降，由密封圈老化、油液污染、裝配精度等原因造成的泄漏，油液顆粒污染造成的堵塞，這幾種故障最為常見。

由圖2可知，該子系統的關鍵部件是泵、換向閥和執行液壓缸。通過設定柱塞泵的柱塞與缸體直徑間隙仿真磨損或泄漏F1，設定換向閥閥芯的間隙直徑仿真換向閥磨損F2、閥芯的流量系數仿真換向閥堵塞故障F3，設定液壓缸的泄漏系數仿真泄漏故障F4，輸入變量取泵的輸出流量Q1和壓力p1，換向閥的輸出流量Q2和壓力p2，液壓缸（有桿腔）的輸出流量Q3和壓力p3，并令動態PCA的時滯參數l＝2。

為了驗證改進型滑動窗算法的有效性，引入兩個過程緩慢漂移，正常過程下采集700組數據，將300組Q1和Q3（隨機的）加上正漂移0.07，將后400組數據加上負漂移0.06，以便形成幅值為0.01的正漂移。

對采集樣本數據計算主元貢獻率和累積貢獻率，見表1（取前6個）。

表1 主元貢獻率和累積貢獻率 %

若主元累積貢獻率大于85%，則取第1主元即可滿足要求。在采集樣本的基礎上加入緩慢漂移，并用本文的改進型移動窗算法更新PCA模型。共獲得18個主元，其單個貢獻率和累積貢獻率見表2（有省略）。

表2 更新模型主元貢獻率和累積貢獻率 %

由表2可知，加入緩慢漂移后系統PCA模型主元空間和殘差空間均發生變化，可見改進型算法能適應當前系統的變化。分別令置信水平α＝0.05和α＝0.01。更新模型前后的統計量T2和Q見圖3、圖4。

圖3 更新模型前兩統計量和控制限

圖4 更新模型后兩統計量和控制限

從圖4可知，加入緩慢漂移后由于PCA模型獲得更新，兩統計監控量能起到有效監控作用，而從圖3可知，對原本屬于系統設備老化、傳感器漂移等因素引起的樣本均值、方差甚至協方差矩陣等統計量的變化，更新前PCA模型發出了報警信息，因此，該模型對時變系統的監測誤差較大。

實驗共測試4種故障形式，故障描述以及涉及的參數見表3［3］。

表3 故障描述

限于篇幅，只針對F4故障加以詳細說明，其余故障分析類似。拼裝機液壓系統液壓缸屬于柱塞式液壓缸，液壓缸泄漏分為內泄和外泄，外泄可通過觀察液壓缸表面是否有油液泄出獲知；內泄由于發生在液壓缸內部，不易觀察，所以這里主要分析該類故障。令活塞磨損造成液壓缸泄漏增加，在AMESIM 中設置液壓缸泄漏系數（將0.001改為0.05）。分三個時刻各采集700組數據（作為輸入矩陣樣本），利用已經更新完畢的PCA模型對樣本分析，統計量見圖5，不論T2還是Q統計量均發現故障。

圖5 F4液壓缸泄漏故障PCA分析

統計量能發現故障，卻無法確定故障源，而貢獻圖能顯示某時刻單變量波動情況，第j個變量在i時刻的SPE的統計量的貢獻Qi，j可按照如下公式計算：

液壓缸泄漏的Qi，j見圖6。由圖6可知，液壓缸油壓和流量變化最大，應該是故障源，與分析基本吻合。

圖6 F4故障SPE貢獻圖

4 結語

本文提出了基于滑動窗算法和動態PCA相結合的算法，該算法能自適應更新PCA模型，有效提高診斷準確度，減少誤判的發生。盾構液壓系統是盾構機主要組成部分，也是故障診斷的主要對象，以往故障診斷只針對單一液壓元件來分析，而液壓系統是一個統一的整體，各元件相互影響，因此，必須作為一個整體加以考慮。本文先對盾構液壓系統分塊，然后對每一子系統進行PCA分析，最后用仿真模擬加以驗證，結果表明，該算法效果良好。

［1］Jackson J E.A User Guide to Principal Components［M］.New York：John-Wiley ＆ Sons Inc.，1991.

［2］Kresta J V，Macgregor J F.Multivariate Statistical Monitoring of Process Operating Performance［J］.Canadian Journal of Chemical Engineering，1991，69（1）：35-47.

［3］賀湘宇.挖掘機液壓系統故障診斷方法研究［D］.長沙：中南大學，2008.

［4］Jeng J C.Adaptive Process Monitoring Using Efficient Recursive PCA and Moving Window PCA Algorithms［J］.Journal of the Taiwan Institute of Chemical Engineers，2010，41（4）：475-481.

［5］Wang X，Kruger U，Irwin G W.Process Monitoring Approach Using Fast Moving Window PCA［J］.Ind.Eng.Chem.Res.，2005，44（15）：5691-5702.

［6］MacGregor F，Jaeckle C，Kiparissides C，et al.Process Monitoring and Diagnosis by Multiblock PLS Methods［J］.AIChE.Journal，1994，40（5）：826-838.

［7］Wold S，Kettaneh N，Tjessem K.Hierarchical Multiblock PLS and PCA Models for Easier Interpretation and As An Alternative to Variable Selection［J］.Journal of Chemometrics，1996，10（5／6）：463-482.

［8］何小斌.基于統計學方法的自適應過程監控與故障診斷［D］.上海：上海交通大學，2008.

［9］Liu Xueqin，Kruger U，Littler T，et al.Moving Window Kernel PCA for Adaptive Monitoring of Nonlinear Processes［J］.Chemometrics and Intelligent Laboratory Systems，2009，96：132-143.

［10］Johnson R A，Wichern D W.實用多元統計分析［M］.6版.北京：清華大學出版社，2008.

［11］付永領，祁曉野.AMESIM系統建模和仿真.從入門到精通［J］.北京：北京航空航天大學出版社，2006.