基于神經網絡和證據融合的液壓泵故障診斷研究*

朱冠霖，王兆強*，王異凡，李志峰，孫崇智

(1.上海工程技術大學 機械與汽車工程學院, 上海 201620;2.國網浙江省電力有限公司 電力科學研究院,浙江 杭州 310007；3.甘肅省特種設備安全技術檢查中心,甘肅 蘭州 730020;4.甘肅省特種設備檢驗檢測研究院,甘肅 蘭州 730050)

0 引 言

隨著機械工業的發展，對機械設備故障診斷的要求也進一步提高[1，2]。柱塞泵一類的液壓泵是各類機械動力的輸出端，由于其位置的重要性，已經有很多專家學者都對其展開了故障診斷方面的研究[3，4]，比如基于經驗小波分解和卷積神經網絡的液壓泵故障診斷等。

一般來說，液壓泵(柱塞泵)一旦發生故障，故障會反映在某些特征信號上，使用信號增強技術可對故障特征進行提取[5]。故障檢測可通過與已知的理論故障特征進行匹配來實現，但不同的故障類型往往具有相似的特征頻率。此外，液壓泵有些故障機制尚不清楚，很難給出相應的理論特征作為故障模式的標準[6]。

神經網絡算法可以有效解決這類問題，在液壓故障診斷等領域得到廣泛應用。文獻[7]使用PNN概率神經網絡，實驗選取5階固有頻率作為特征值輸入到診斷網絡中，結果發現可以較好地識別出復雜環境下的液壓系統漏油故障。文獻[8]使用經驗模態分解與神經網絡相結合的方法對柱塞泵進行故障診斷，實驗發現該方法可以大幅減少診斷時間。本文將基于神經網絡算法對液壓泵進行故障診斷。

另外，目前關于液壓泵的故障診斷大多依賴于單一傳感器來診斷，但是現實環境中由于高溫、強電磁等復雜環境的影響，傳感器并不總是可靠的[9]。因此，可基于D-S證據理論對多源信息進行融合，從而提高診斷效果[10]。

針對證據組合存在的問題[11，12]，筆者對原始證據進行修正，并通過類比引力定律定義兩證據間的引力，進而提出新的衡量證據沖突程度的系數，最后通過案例驗證該方法的有效性，為柱塞泵一類液壓泵的故障診斷提供技術借鑒。

1 粒子群神經網絡分類理論

目前，基于前饋型(BP)神經網絡[13]的故障識別技術在液壓故障診斷領域得到了廣泛的應用。可通過將粒子群(PSO)融入BP神經網絡中[14]，以此提高BP網絡的全局尋優能力。

設由m個粒子在D維目標搜索空間中組成一個群體，其粒子更新公式為：

xid(t+1)=xid(t)+vid(t+1)

(1)

vid(t+1)=vid(t)+c1r1(pid-xid(t))+c2r2(pgd-xid(t))

(2)

式中：i—粒子序號；d—粒子維度；t—迭代次數；c1—認知因子；c2—社會因子；r1、r2—[0,1]上的隨機數；xid(t)—第i個粒子迭代t次后的位置；vid—第i個粒子迭代t次后的速度；pid—第i個粒子當前的最優位置；pgd—粒子群當前的最優位置。

對于c1和c2，加入動態調整參數如下所示：

(3)

(4)

式中：α、β、γ、δ—設定參數值；maxgen、i—粒子群設定的最大進化代數、當前進化代數。

PSO-BP中粒子的適應度函數如下所示：

(5)

式中：P—樣本總數；s—輸出層個數；yk—實際輸出值；tk—期望值。

2 證據理論

2.1 D-S證據理論

在對液壓泵中多個傳感器信息融合時，由于人為或環境方面的原因導致測量值不準確甚至是出現缺失的情況，而D-S證據理論就可以處理這些信息融合中存在的不確定性。

D-S基本概率分配函數如下所示：

(6)

式中：Ai—概率分配函數焦元；Θ—辨識框架，滿足2Θ→[0,1](2Θ是Θ中所有子集組成的集合)。

利用D-S證據理論進行組合的規則公式如下所示：

(7)

式中：m1、m2—概率分配函數；Bj—概率分配函數的焦元；k—沖突系數。

其中：

(8)

2.2 證據融合改進

證據理論對信息進行合成時，往往會出現與事實相悖甚至是融合算法失效的問題[15]。本文在傳統的數據融合基礎上進行相應的改進，以兩條證據融合為例，具體步驟如下：

(1)修正原始故障證據分配值，如下所示：

(9)

式中：n—焦元A對應的事件個數。

然后對各個數據進行權重計算，方法如下所示：

(10)

(2)計算證據體間的距離，如下所示：

(11)

(3)計算兩條證據間的熵值H1、H2，如下所示：

(12)

(13)

式中：pi—m1函數對應的各概率分配值；qi—m2函數對應的各概率分配值。

(4)計算兩條證據間的引力F，如下所示：

(14)

(5)計算兩條故障證據間新的沖突系數F*，即將式(14)中計算得到的作用力映射到區間[0,1]上，計算方法如下式所示：

(15)

(6)對證據體進行融合，公式如下：

(16)

(7)對沖突系數設置閾值T，當F*>T時，直接輸出第6步中的融合結果。若F*

(8)對初始融合的故障結果設置閾值，當m(A)<λ時，對結果乘以一個衰減系數α，以進一步減小故障支持度較低的權重大小，然后計算各個數據權重，得到最后結果。

3 故障診斷模型搭建

筆者設計故障診斷模型，選擇出油口的振動信號、外泄口溫度以及系統出油口的壓力信號作為傳感器測試源，以此作為模型的入口。

具體故障診斷融合模型如圖1所示。

圖1 故障診斷融合模型

筆者將采集的振動和壓力信號分別計算出8個特征指標(峰值、波形指標、脈沖、裕度指標、峭度指標、頻域方差、功率譜重心指標、相關因子)來構造特征空間，并和溫度數據進行歸一化處理，分別構造正常及故障狀態下的數據訓練庫。使用三級PSO-BP分類算法、改進的D-S證據理論進行融合診斷。

4 液壓故障診斷案例

4.1 實驗描述

為了驗證故障診斷模型及對應算法的有效性，筆者設計柱塞泵模型診斷實驗，通過放置已知故障類型的柱塞泵，或者更換內部故障的滑靴、配流盤等構造故障模型，進行模擬實驗。

一般情況下，帶有故障的柱塞泵自吸性能差，所以在測試系統油路中加入兩個葉片泵進行補油。

實驗原理圖如圖2所示。

分別構造正常狀態、失效油封漏油故障、缸體切割深度0.5 mm，寬度0.3 mm、軸承切割深度0.5 mm，寬度0.2 mm、配流盤磨損0.3 mm、活塞間隙0.25 mm的松靴故障這6種狀態進行檢測，即模式輸出Y={f1、f2、f3、f4、f5、f6}，每種模式對應的故障輸出訓練矩陣如表1所示。

圖2 實驗原理圖1-油箱；2,16,20-粗過濾器；3-葉片泵；4,14-截止閥；5,12-流量計；6-被測軸向柱塞泵；7-振動傳感器；8-變頻電機；9-信號調理模塊；10-壓力計；11-溫度傳感器；13-單向閥；15-二位三通電磁換向閥；17-先導式溢流閥；18-先導式比例溢流閥；19-直動式溢流閥；21-油液溫度計

表1 故障輸出訓練矩陣

4.2 結果分析

筆者對每個子網測試提取的指標數據各選取500條作為網絡訓練集，500條作為故障診斷測試集進行故障類型分析。構造3層子神經網絡，輸入層對應特征指標的個數為8，輸出層對應故障類型數量為6，根據實驗經驗，這里設置隱含層數為15，粒子群規模20，迭代次數1 000次。兩個學習因子中的參數分別取0.5、1、2、1。

由實驗得出振動分類混淆矩陣結果如圖3所示。

圖3 振動分類混淆矩陣結果

對于振動子網診斷結果可知，優化前的故障分類準確率為88.83%，優化后的故障分類準確率為93.5%。其中優化后的混淆矩陣顯示：模式2的4.762%被識別為模式1；模式3的8.511%被識別為模式2；模式4的5.208%被識別為模式3；模式5的1%被識別為模式6，錯誤率較未分類均有所改善。

對于壓力子網分類混淆矩陣結果如圖4所示。

圖4 壓力分類混淆矩陣結果

對于壓力子網，優化前的故障分類準確率為89.83%，優化后的故障分類準確率為93.67%。其中，優化前的混淆矩陣顯示，模式3的12.5%被識別為模式2，模式4的16.94%被識別為模式3，錯誤率較高，這兩者經過優化后結果分別為8.247%和9.184%。同樣，對于溫度子網來說，優化后的效果要優于優化前的診斷效果，這里不再詳細分析。

以f5類故障為例，設置證據融合閾值λ為0.5，衰減系數α取0.2，利用3個獨立子網及改進的D-S算法診斷輸出結果如表2所示。

表2 各診斷輸出結果

由表2可知：三級子網對f5類故障診斷輸出結果分別是76.5%、62.5%、78.5%。經過融合算法聯合診斷結果輸出為99.12%。

各輸出結果對比如圖5所示。

圖5 各輸出結果對比

由圖5可知：改進的融合算法對f5類軸承磨損故障支持度接近100%，對比其他子網，基本排除了其他故障類型的可能性。

同理，設置證據融合閾值值為0.5，衰減系數取0.2，將f3類故障類型分別使用子網及改進的D-S算法診斷，各診斷輸出結果如表3所示。

由表3可知：各診斷子網對f3類缸體磨損故障診斷輸出結果分別是78.4%、70.4%、70.5%，經過改進D-S數據融合處理后的診斷輸出提高到99.17%。

表3 各診斷輸出結果

各輸出結果對比如圖6所示。

圖6 各輸出結果對比

由圖6可以發現，相比各子網結果，使用改進的融合算法對f3類缸體磨損故障支持度進一步提高，降低了結果的模糊性。

通過以上實驗可知：采用自適應調節認知因子、社會因子優化網絡分類法，對軸承磨損以及缸體磨損準確度均有一定的提升，但其正確率依賴于相關參數的選取，還需要作進一步的優化，以增強模型的穩定性。

5 結束語

液壓泵(柱塞泵)一旦發生故障，故障會反映在某些特征信號上，使用信號增強技術可對故障特征進行提取，但液壓元件在工作環境中易受到各類噪聲的污染，而且存在傳感器自身發生故障的情況。

筆者采用加入調節參數優化的PSO-BP局部診斷網絡，發現構建的振動子網診斷正確率由88.83%提高到93.50%，壓力子網診斷準確率由89.83%提高到93.67%，進一步使用所提出的改進證據理論步驟進行融合診斷，發現各故障類型診斷支持度均接近于1，有效避免了子網識別的模糊性。由此可見，其對柱塞泵的故障診斷具有一定的工程實用價值。

另外還需要指出的是，本文參數的選取具有一定的經驗性，因此，將來還要進一步研究自適應試驗工況最優參數選取的問題，這是今后研究的一個方向。