基于改進(jìn)MF-DFA和隨機(jī)森林的液壓閥故障診斷

師 沖，任 燕，湯何勝，向家偉

（溫州大學(xué) 機(jī)電工程學(xué)院，浙江 溫州 325035）

電液換向閥因換向響應(yīng)速度快、反應(yīng)靈敏、換向平穩(wěn)、換向可靠性高等特點被廣泛應(yīng)用于工程機(jī)械中。但其常會因油液的污染及閥芯頻繁往復(fù)運動致使閥芯磨損，從而出現(xiàn)內(nèi)泄露故障。內(nèi)泄露故障將導(dǎo)致液壓設(shè)備操作失穩(wěn)、運轉(zhuǎn)不可靠，嚴(yán)重影響到液壓系統(tǒng)的效率及液壓元件的服役壽命［1］。因此，對電液換向閥的狀態(tài)檢測顯得尤為重要。

現(xiàn)階段在液壓領(lǐng)域的診斷方法主要包括經(jīng)驗?zāi)Ｊ椒纸猓‥MD）［2－3］、變分模態(tài)分解（VMD）［4］、小波變換（WT）［5－6］、神經(jīng)網(wǎng)絡(luò)等方法，然而卻忽略了當(dāng)液壓故障發(fā)生時，實際振動信號不僅呈現(xiàn)出非平穩(wěn)性，往往還表現(xiàn)為復(fù)雜的自相似性，即分形特征［7］。分形特征可以描述復(fù)雜系統(tǒng)的不同工作狀態(tài)，因此，分形特征可以作為故障診斷的特征［6］。由于實際測得的故障振動信號通常比較復(fù)雜，一般具有多重分形特征，多重分形理論可以分析振動信號的多重分形特征，但其容易受到振動信號非平穩(wěn)趨勢的影響，以致不能準(zhǔn)確揭示非平穩(wěn)振動信號的多重分形特征［8］。因此，通過將多重分形理論和去趨勢波動分析（DFA）結(jié)合的方式，Kantelhardt等［9］提出了一種多重分形去趨勢波動分析方法（MF-DFA），它能夠有效地分析非平穩(wěn)振動信號的多重分形特征。當(dāng)前，MF-DFA方法在故障診斷領(lǐng)域已得到了廣泛的應(yīng)用。Lin，Liu，Xiong等［10－12］分別利用MF-DFA結(jié)合馬氏距離，局部特征尺度，α穩(wěn)定分布實現(xiàn)滾動軸承的故障診斷；Liu等通過MF-DFA結(jié)合VMD和PNN網(wǎng)絡(luò)（概率神經(jīng)網(wǎng)絡(luò)）實現(xiàn)機(jī)電執(zhí)行機(jī)構(gòu)的故障診斷［8］，還有眾多結(jié)合MF-DFA實現(xiàn)故障診斷方法［13－14］。

然而，MF-DFA首先需要對原始振動信號進(jìn)行去趨勢處理，而去趨勢多項式階數(shù)選取不恰當(dāng)產(chǎn)生的欠擬合或過擬合及MF-DFA采用均勻尺度對信號輪廓不重疊的分割造成信號輪廓分割點的不連續(xù)等會產(chǎn)生新的偽波動誤差［15］。

針對上述問題，本文提出了一種改進(jìn)的MFDFA方法，并結(jié)合隨機(jī)森林分類器實現(xiàn)電液換向閥內(nèi)泄露的故障診斷。通過建立低階信號輪廓擬合多項式與不同時間尺度IMF模態(tài)分量累計和之間的相關(guān)性關(guān)系，選取相關(guān)系數(shù)最大的多尺度IMF累計和實現(xiàn)信號輪廓趨勢擬合，進(jìn)而提取多重分形譜6個特征參數(shù)組成特征向量作為隨機(jī)森林分類器的輸入實現(xiàn)換向閥內(nèi)泄露的故障診斷。

1 改進(jìn)多重分形去趨勢波動方法及特征參數(shù)選取

1.1 改進(jìn)多重分形去趨勢波動分析

在提出的改進(jìn)MF-DFA方法中，EMD方法被應(yīng)用于信號的趨勢的提取，建立低階多項式信號輪廓擬合曲線和不同時間尺度IMF模態(tài)分量累積和之間的相關(guān)性關(guān)系用于獲取期望的能夠表示信號輪廓的IMF模態(tài)分量累積和。將選取的IMF模態(tài)分量累積和代替?zhèn)鹘y(tǒng)方法中的多項式趨勢，進(jìn)而計算廣義Hurst指數(shù)和多重分形譜f（α）提取多重分形譜特征參數(shù)并作為后續(xù)診斷的特征向量。改進(jìn)MF-DFA方法過程如下：

首先構(gòu)造非平穩(wěn)時間序列xk（k＝1，2，…，N）的信號輪廓Y（i）：

根據(jù)相同的尺度s將信號輪廓Y（i）分成不重疊的Ns段。利用最小二乘法擬合每段數(shù)據(jù)的多項式趨勢，然后計算每段數(shù)據(jù)的方差：

式中：yv（i）為第v段數(shù)據(jù)的擬合趨勢。信號輪廓趨勢擬合程度往往隨著階數(shù)的增加呈現(xiàn)先增后減的趨勢，因此對信號趨勢很好的消除帶來了影響。

而如果選用合適的分割尺度，低階的擬合趨勢往往也可以近似跟蹤信號趨勢的變化，但其分割點的不連續(xù)性會產(chǎn)生新的波動誤差，從而影響信號輪廓的趨勢擬合。

EMD分解方法可以自適應(yīng)地將非線性、非平穩(wěn)信號分解為有限個不同時間尺度的IMF模態(tài)分量和殘差項［16］。EMD分解理論在眾多文獻(xiàn)中都有詳細(xì)的表述，鑒于篇幅原因僅給出其分解表達(dá)式如下：

其中：x（t）為原始信號；n為IMF模態(tài)分量的個數(shù)；rn（t）為殘差項。

理論上，EMD分解的每個分量都有其特定的物理意義，具有最大時間尺度的殘差項往往對應(yīng)著信號中隱藏的平均趨勢［17］。然而，殘差項往往呈現(xiàn)單調(diào)性，限制了其應(yīng)用。因此，IMF模態(tài)的選取成為最大的挑戰(zhàn)。

根據(jù)上文的分析結(jié)果，IMF模態(tài)選取方法為：建立低階多項式擬合曲線yv與不同時間尺度IMF模態(tài)累積和（IMFcumsum（t））之間的相關(guān)性關(guān)系，選取相關(guān)系數(shù)最大的IMF累積和代替原多項式擬合趨勢項。IMF累積和（IMFcumsum（t））及表達(dá)式（2）變換后的計算式如下：

計算第q階波動函數(shù)的平均值

如果時間序列xk存在自相似特征，則第q階波動函數(shù)的平均值Fq（s）和時間尺度s之間存在冪律關(guān)系：

式中：h（q）是廣義Hurst指數(shù)。如果xk是多重分形時間序列，則廣義Hurst指數(shù)h（q）是階數(shù)q的函數(shù)。

廣義Hurst指數(shù)h（q）和標(biāo)度指數(shù)τ（q）存在如下的關(guān)系：

通過Legendre變換，奇異指數(shù)α和多重分形譜h（α）及廣義指數(shù)h（q）之間的關(guān)系可被得到：

1.2 MF-DFA特征提取參數(shù)

奇異指數(shù)α反映了時間序列局部概率測度分布的分形序列的不均勻度［18］。多重分形奇異譜f（α）是奇異指數(shù)的分維分布函數(shù)。多重分形譜的寬度Δα＝αmax－αmin反映了時間序列多重分形的強(qiáng)烈程度。較大的Δα能突出信號中更強(qiáng)的多重分形特征和信號的嚴(yán)重波動程度。奇異指數(shù)α0對應(yīng)著（α）的最大值，反映了信號的在局部概率測度分布上的不均勻程度。多重分形譜左端點αmin對應(yīng)著最大波動的奇異指數(shù)，縱坐標(biāo)f（αmin）代表奇異指數(shù)為αmin的分形子集的分形維；多重分形譜左端點αmax對應(yīng)著最小波動的奇異指數(shù)，縱坐標(biāo)f（αmax）代 表 奇 異 指 數(shù) 為αmax的 分 形 子 集 的 分形維［19］。

由多重分形譜6個特征值構(gòu)成的6維特向量［Δα，αmin，f（αmin），α0，αmax，f（αmax）］比較完整的反映了非平穩(wěn)信號的波動狀況，揭示非平穩(wěn)信號的內(nèi)在動力學(xué)行為，因此適合作為電液換向閥內(nèi)泄露信號的特征參數(shù)。

2 實驗分析

2.1 信號獲取及數(shù)據(jù)說明

為了證實本文提出方法的可行性，通過搭建液壓試驗臺來進(jìn)行實驗分析，實驗裝置如圖1所示。主要由電液換向閥（臺灣油研股份有限公司生產(chǎn)，型號是DSHG－04，兩位四通閥）、油箱、加速度傳感器7個、液壓缸等組成。

圖1 電液換向閥實驗裝置

根據(jù)造成電液換向閥內(nèi)部泄露故障的原因，即液壓閥換向動作不良、閥芯或閥體磨損、閥芯或閥體有傷痕等。本研究通過對液壓閥芯和閥體人工植入磨損來模擬內(nèi)部泄露故障模式，如圖2所示。主要故障模式如表1所示。

圖2 故障模式

表1 故障模式的描述

本次實驗中共采集7枚分布位置不同的加速度傳感器數(shù)據(jù)，經(jīng)實驗分析得出，除了布置于主閥閥體兩側(cè)的加速度傳感器因為主閥兩側(cè)壁厚過大加速度信號信息較少外，其余5枚傳感器在實驗中的效果相似，本次實驗任選其一傳感器數(shù)據(jù)作為模型選用數(shù)據(jù)。在此次研究中，每種故障狀態(tài)采集300個實驗樣本，6種故障類型共采集樣本1 800個，采樣頻率設(shè)置為6 000，單個周期的的采樣時間為8秒，因此單個周期的狀態(tài)信號長度為48 000個數(shù)據(jù)點。隨機(jī)從樣本集中選取1 500個樣本作為隨機(jī)森林分類器的訓(xùn)練數(shù)據(jù)，剩下的300個數(shù)據(jù)樣本作為測試數(shù)據(jù)。隨機(jī)森林［20］是一種集成算法（Ensembel Learing），它屬于裝袋算法（Bagging）類型，通過組合多個弱分類器，最終分類結(jié)果根據(jù)投票的方式獲得。

圖3給出了輕微磨損狀態(tài)單個周期的加速度信號圖。數(shù)據(jù)采集的設(shè)置參數(shù)如表2所示。

表2 實驗參數(shù)設(shè)置表

圖3 閥芯輕微磨損單個周期加速度信號圖

考慮到實際測得的數(shù)據(jù)對計算資源的要求及信號冗余成分的存在，對包含更多特征信息的信號段的選取顯得格外重要。由于閥芯磨損的存在，當(dāng)油液與閥芯軸肩高壓接觸時會因能量損失而產(chǎn)生更多包含狀態(tài)振動的特征信息。因此，本文選取換向前的加速信號段生成新的數(shù)據(jù)集。圖4展示了輕微磨損狀態(tài)下?lián)Q向前的加速度信號圖。

圖4 輕微磨損狀態(tài)下?lián)Q向前的加速度信號

2.2 實驗分析改進(jìn)MF-DFA方法

為了解決傳統(tǒng)多重去趨勢波動分析所存在的問題，本文提出了一種改進(jìn)的MF-DFA方法用于擬合信號的趨勢，進(jìn)而進(jìn)行故障特征的提取實現(xiàn)電液換向閥內(nèi)泄露的故障診斷工作。

驗證過程通過第1節(jié)闡述的方法過程進(jìn)行。首先，通過輕微磨損故障狀態(tài)下?lián)Q向前的加速度信號作為示例（如圖4所示）構(gòu)建信號輪廓。構(gòu)建的信號輪廓如圖5所示；其次，為了充分利用數(shù)據(jù)長度，綜合考慮將分割尺度設(shè)置為100，并通過一階最小二乘法去擬合每段數(shù)據(jù)，對構(gòu)造信號擬合曲線如圖6所示。

圖5 構(gòu)建的信號輪廓

從圖6可以看出：傳統(tǒng)的MF-DFA趨勢項擬合方法即使使用低階多項式擬合構(gòu)造的信號輪廓也可以近似跟蹤信號輪廓的趨勢，同樣傳統(tǒng)MFDFA方法的缺點也展現(xiàn)出來：采用均勻序列對信號輪廓進(jìn)行分割，容易造成分割點的不連續(xù)性，從而產(chǎn)生新的波動誤差。

圖6 一階多項式擬合曲線

因此，本文將傳統(tǒng)MF-DFA結(jié)合EMD方法實現(xiàn)對MF-DFA的改進(jìn)，即通過傳統(tǒng)MF-DFA低階多項式擬合曲線作為選擇IMF模態(tài)分量的依據(jù)。即通過建立低階多項式信號輪廓擬合曲線與IMF模態(tài)分量各階累積和的相關(guān)性來選擇IMF模態(tài)分量。首先，對構(gòu)造好的信號輪廓（如圖5所示）進(jìn)行EMD分解，分解結(jié)果如圖7所示。

圖7 EMD分解結(jié)果

圖8給出了各階IMF分量累積和的信號輪廓擬合曲線圖。從圖8可以清晰地看出各階IMF累積和對構(gòu)造信號的擬合程度，殘差項與IMF4～I(xiàn)MF5的累積和具有最優(yōu)的擬合曲線，如圖8（c）所示；殘差項擬合曲線，殘差項與IMF5和的擬合曲線表現(xiàn)為欠擬合狀態(tài)，如圖8（a）、（b）所示；殘差項與IMF3～I(xiàn)MF5累積和呈現(xiàn)過擬合狀態(tài)，如圖8（d）、（e）所示。

圖8 信號輪廓擬合曲線

為了說明改進(jìn)MF-DFA方法可以實現(xiàn)IMF階數(shù)的選取，進(jìn)而實現(xiàn)對構(gòu)造信號輪廓實現(xiàn)最優(yōu)擬合，通過計算傳統(tǒng)MF-DFA一階多項式擬合曲線與IMF模態(tài)分量各階累計和的相關(guān)系數(shù)，如圖9所示。從圖中可以發(fā)現(xiàn)：殘差項與IMF4～I(xiàn)MF5的累計和與低階多項式擬合曲線有最大的相關(guān)性，這與圖6（c）的分析結(jié)果一致，從而可以認(rèn)為通過相關(guān)性分析方法可以建立IMF模態(tài)選取和趨勢項擬合的關(guān)系。

圖9 相關(guān)系數(shù)圖

通過IMF模態(tài)的最優(yōu)選取實現(xiàn)趨勢項的擬合，進(jìn)而可以通過傳統(tǒng)的MF-DFA方法對液壓閥狀態(tài)信號進(jìn)行分析，階數(shù)q的范圍設(shè)置為［－5，5］，得到的廣義Hurst指數(shù)曲線和多重分形譜分別如圖10、11所示。從圖10可以看出：液壓閥不同故障狀態(tài)信號的廣義Hurst指數(shù)都是關(guān)于q的曲線，因此它們都具有多重分形特征。結(jié)合圖11的多重分形譜提取6個特征參數(shù)作為電液換向閥內(nèi)泄露故障的特征向量。

圖10 廣義Hurst指數(shù)曲線

圖11 多種分形譜曲線

2.3 實驗證實結(jié)果

為了證實本文提出的方法在電液換向閥內(nèi)泄露故障診斷有效性，通過將改進(jìn)的MF-DFA方法與傳統(tǒng)的MF-DFA方法進(jìn)行對比驗證。

首先，為了驗證改進(jìn)方法的有效性，通過比較傳統(tǒng)MF-DFA方法（一階多項式）和改進(jìn)方法MFDFA方法對不同磨損程度加速度信號非平穩(wěn)度的影響（其中，廣義Hurst指數(shù)曲線可以作為非平穩(wěn)度的度量［21］）。如圖12所示，圖12（a）和12（b）分別為傳統(tǒng)MF-DFA方法和改進(jìn)MF-DFA方法不同磨損程度的平均廣義Hurst指數(shù)曲線（每種狀態(tài)300個樣本）。從圖12（a）～（b）可以清晰地反映出改進(jìn)MF-DFA方法可以有效地對不同磨損程度加速度信號非平穩(wěn)度的影響進(jìn)行區(qū)分，進(jìn)而更有效地進(jìn)行后續(xù)的特征提取，從而驗證改進(jìn)方法的有效性。

圖12 傳統(tǒng)MF-DFA方法和改進(jìn)MF-DFA方法不同磨損程度的平均廣義Hurst指數(shù)曲線

其次，分別將改進(jìn)MF-DFA方法和傳統(tǒng)MFDFA方法（選取前4階多項式）提取的特征向量作為隨機(jī)森林分類器的輸入向量，從而獲取它們在電液換向閥內(nèi)泄露故障診斷中的診斷準(zhǔn)確率，診斷結(jié)果如圖13的混淆矩陣所示（選取10次分類結(jié)果最高的展示）。

從圖13混淆矩陣可以清晰地反映出診斷結(jié)果，圖13（a）為改進(jìn)MF-DFA的診斷準(zhǔn)確率（96.7%），圖13（b）～（e）依次為傳統(tǒng)MF-DFA方法1階到4階多項的診斷結(jié)果。其中，改進(jìn)方法的識別準(zhǔn)確率最高，而傳統(tǒng)方法的診斷準(zhǔn)確率起初隨著階數(shù)的增加而提高，但當(dāng)超過3階多項式后呈現(xiàn)出下降的趨勢，可能是由于趨勢項擬合曲線出現(xiàn)過擬合現(xiàn)象；而傳統(tǒng)MF-DFA方法利用3階多項式擬合趨勢項后的診斷結(jié)果相比改進(jìn)方法的診斷準(zhǔn)確率也較低，主要原因可能是由于分割點的不連續(xù)性造成的。

圖13 分類結(jié)果對比

3 結(jié)論

本文提出了一種改進(jìn)多重分形去趨勢波動分析方法結(jié)合隨機(jī)森林的電液換向閥內(nèi)泄露故障診斷方法。通過建立傳統(tǒng)MF-DFA與不同時間尺度IMF模態(tài)分量的相關(guān)性來選取最優(yōu)的IMF累計和進(jìn)而實現(xiàn)構(gòu)造信號輪廓趨勢項的擬合，并選取多重分形譜特征參數(shù)作為特征向量輸送到隨機(jī)森林分類器進(jìn)行故障診斷。該方法不僅有效地解決了傳統(tǒng)MF-DFA方法的階數(shù)選擇問題及分割點不連續(xù)性而產(chǎn)生新的波動誤差的問題，同時也解決了電液換向閥由于不同程度磨損，故障特征極為相似而難以識別等問題。最后，通過與傳統(tǒng)MF-DFA結(jié)合隨機(jī)森林診斷方法相比發(fā)現(xiàn)所提出的方法對電液換向閥內(nèi)泄露故障的診斷有更高的準(zhǔn)確性。所提出的方法對非線性、非平穩(wěn)信號特征提取方面能提供一定的借鑒。