風翼液壓系統故障診斷方法綜述

趙浩洋，黃連忠，馬冉祺，王凱，王中一，黃忠璽

(大連海事大學輪機工程學院，遼寧大連 116026)

0 前言

為了應對全球氣候變化，國際海事組織在2018年4月通過了減少船舶溫室氣體排放初步戰略[1]。如何實現節能減排成為當今航運業的一個重要問題，而加強綠色技術研究、大力發展清潔能源技術則成為解決節能減排問題的關鍵[2]。風能以其清潔、可再生、分布廣泛和能量豐富的特點得到世界各國航運公司的青睞[3]。據各種來源估計，船舶風力技術的減排潛力為10%～60%[4]，因此風能的應用對船舶節能減排具有重要意義。由于采用風翼輔助船舶推進能夠顯著地降低燃料消耗[5]，是實現綠色船舶、節能減排目標的有效手段之一，因此采用風翼輔助航行在降低船舶能耗、減少溫室氣體排放方面具有較高的可行性。

對于風翼驅動控制來說，在小型船舶上可以使用電動驅動方式，而對于大型遠洋船的風翼機構，則主要采用液壓的方式進行驅動[6-7]。由于風翼液壓系統結構復雜，不如電力傳動和機械傳動那樣易于觀察[8]，使得風翼液壓系統的故障具有隱蔽性、多樣性、不確定性等特點。而液壓系統作為船舶風翼裝置的主要組成部分，其穩定性及可靠性都會對風翼裝置的正常運行造成極大的影響，因此快速、準確地實現液壓故障診斷對確保風翼船舶航行安全具有重要意義。

近年來，許多研究人員致力于現代機械設備液壓系統狀態評估及故障診斷的研究，提出了許多不同的診斷方案，以期保證機械設備運行的安全性和穩定性[9-11]，本文作者將對其進行系統性歸納與總結。

1 風翼液壓系統

對采用風翼助航的大型遠洋船舶，其翼型風帆的起升、旋轉等動作均由液壓系統進行控制，液壓系統根據其控制的動作類型可分為風翼升降液壓系統與風翼回轉液壓系統。

1.1 風翼升降液壓系統

船舶航行期間為獲得足夠的風力資源，需要對風翼高度進行調整。升降液壓系統通過調整液壓缸各腔壓力控制風翼起升或下降至對應位置，確保風翼工作的穩定性。風翼液壓升降系統與圖1所示的液壓起重機系統結構類似，圖2為起重機等常規升降液壓系統實驗臺，主要由液壓泵、控制閥件、液壓缸及管路組成。該實驗臺工作原理為由原動機帶動液壓泵，將工作油液泵送至液壓回路中，通過調整方向閥開度控制輸送到液壓缸的液壓油流量，推動機構動作。但是不同于常規起重機系統，由于風翼在工作時受到的負載是實時變化的，其工作狀態并不穩定，所以風翼升降液壓系統較起重機系統仍存在許多差異。

圖1 船舶液壓起重機Fig.1 Hydraulic crane of ship

圖2 常規升降液壓系統模擬實驗臺

1.2 風翼回轉液壓系統

由于風向和船舶航向的不斷變化，在航行時要適時調整風翼的角度至最佳攻角，這樣船舶才能獲得較大的助推力，以達到較好的經濟性。風翼回轉液壓系統通過克服負載力矩驅動風翼回轉平臺，使回轉平臺以合適的速度準確回轉至相應角度，確保對風能的利用效率。風翼回轉系統與液壓舵機系統工作原理較為類似，主要由液壓泵、控制閥件、液壓馬達、制動器及管路組成[12]。圖3為風翼回轉液壓系統實驗臺結構布置圖，該實驗臺用磁粉制動器模擬回轉負載，由電動機帶動液壓泵進行供油，油液經控制閥件流至液壓馬達，通過馬達齒輪帶動風翼齒輪克服制動器模擬負載進行旋轉，模擬風翼回轉過程。由于風翼在船舶航行過程中所承受負載的大小和方向都是實時無規則變化的，因此風翼回轉液壓系統工作情況復雜，需要能夠根據情況實時改變控制策略。

圖3 風翼回轉模擬實驗臺Fig.3 Simulation testbed of wing rotation

1.3 液壓系統故障及其影響

在風翼船舶航行過程中，風翼液壓系統常常會出現由各種因素引起的故障，表1是對風翼液壓系統各部位主要故障的歸納分析。

表1 風翼液壓系統常見故障Tab.1 Common faults of wing hydraulic system

在風翼助航船舶營運期間，若不能及時解決以上問題，風翼的工作效率將會嚴重降低，航行成本會大大增加，因此及時發現并解決風翼液壓系統中的故障、對風翼系統進行準確有效的健康管理是必要的。

2 故障診斷方法研究

目前適用于常規液壓系統的故障診斷方法主要可分為基于模型的診斷法、基于信號處理的診斷法和基于知識的診斷法。下文對目前應用于常規液壓系統的各類診斷方法及其研究現狀進行了整理，并對各類方法在風翼液壓系統上的適用性與不足進行了分析。

2.1 基于模型的診斷法

通過構造適當的數學與物理模型，利用可測變量的比較生成殘差序列，從殘差序列中把故障檢測出來。錢超等人[13]針對液壓系統的狀態評估問題，通過比較傳感器采集信號與觀測模型理論輸出得到殘差向量，結合實例構建具體模型、殘差與故障的映射關系，最終得到液壓系統的歸一化健康度指標；由于液壓系統常表現為非線性特征，因此建立的觀測模型往往難以保證合理準確，MA等[14]通過建立精確非線性數學模型，分析和處理觀測器產生的殘差來實現對特定故障類型的識別。為了實現基于觀測器的液壓閥故障檢測，RINGKOWSKI和SAWODNY等[15]基于擴展卡爾曼濾波器(EKF)提出了3種不同的基于模型的檢測方法，并利用數據驗證了模型的準確性。

由于風翼負載變化無規則，使得風翼液壓系統的工作狀態往往難以定性，狀態模型制定困難，這使得多數情況下基于模型的診斷法無法保證其準確性，所以模型診斷法在風翼液壓系統中僅適用于某些特定工作狀態，適用范圍有限。

2.2 基于信號處理的診斷法

由于風翼液壓系統中許多故障現象并不明顯，此時通過研究壓力、振動等狀態信號中包含的特征信息，可以實現對部分隱藏故障的診斷。下面對目前主要的幾類信號處理診斷法的研究現狀及其在風翼動力系統上的適用性進行分析評估。

(1)參數比較法

通過檢測液壓系統的壓力、流量、溫度等主要工作參數，找出系統中工作參數值與設備正常工況值不符的液壓元件，判斷故障的所在。目前參數測量比較法在液壓系統上的應用已經較為成熟，房佳鵬、馮國會[16]通過對比液壓系統的工作壓力，對其異常現象進行分析，實現了對液壓故障的診斷及定位。但隨著液壓系統的集成化程度逐漸變高，常規的參數測量法難以快速實現故障診斷，此時便需更高識別精度的參數對比策略，方桂花等[17]將灰色理論與參數測量法相結合，通過對相關參數進行定量預測來制定參數的取值區間，利用參數的變化實現快速診斷。這種將信號預測技術與參數對比進行結合的思路是此類診斷法的一個可行發展方向，但在其發展過程中應當均衡診斷系統復雜化程度。

參數比較法適用范圍廣泛，通過測量液壓部件前后壓力、流量等信號，根據系統正常狀態時的參數標準來進行比較，能夠簡單快速地發現系統存在的異常狀態，且故障表現較為直觀，因此該方法對于風翼液壓系統極為適用。

(2)時域分析法

目前常將時域分析法與信號處理技術結合進行實際應用研究。鄭直、趙燕[18]將液壓馬達中多模態信號進行局部均值分解，經過分析確定時域參數對滑靴磨損的敏感性，準確實現了對液壓馬達滑靴磨損故障的診斷；張軒等人[19]提出基于時間特征分割和降維譜聚類的故障診斷方法，對提取的時域和小波域特征進行主成分分析，使用譜聚類法診斷泄漏程度，進一步完備了時域分析法在液壓故障診斷方面的實際應用。宣元等人[20]對液壓泵出口脈動壓力信號進行小波包分解，提取出包含故障信息的特征頻段進行時域特征分析，以泵脈動壓力信號時域參數作為分類器輸入、泵運行狀態作為輸出，該方法能夠有效識別液壓泵不同運行狀態下的內部故障信息，并對故障程度作出評估。

(3)頻域分析法

提取風翼液壓系統中的噪聲及振動信號并進行頻譜分析，通過頻譜分析找出振動的特征頻率進行對比，可以為故障的處理提供依據。秦雙迎、黃宜堅[21]運用高階譜分析法對液壓閥閥體工作時振動信號的時間序列自回歸模型進行分析，證實了高階譜法在液壓故障診斷方面的適用性。唐宏賓等[22]針對傳統包絡分析方法難以有效選擇共振頻帶的問題，將振動信號利用經驗模式分解為有限個固有模式函數(IMF)之和，通過分析包絡譜判斷液壓元件的故障類型，并通過實驗驗證了該方法對于液壓泵故障診斷的有效性；豐少偉等[23]基于奇異值差分譜降噪預處理，利用IMF能量熵增量的虛假分量剔除，準確提取出了液壓故障信號的主要特征頻率。田再克等[24]基于多點最優最小熵解卷積和雙譜熵進行特征提取，降低了原始信號中干擾成分的影響，提高了對液壓泵退化狀態的反映能力，該方法能夠有效克服液壓泵振動信號非線性強和信噪比低的問題。鄭直等人[25]將雙源振動信號融合為一個復數信號，利用log-SAM對復數信號進行包絡分析實現故障診斷分析，該方法較傳統全矢譜、基于單源信號分析方法和倒頻譜預白化方法更具有效性和優越性。鄭直等人[26]還提出了一種基于SGMD-Autogram的方法，對實測液壓泵多模態故障振動信號進行SGMD分解，基于最大無偏自相關譜峭度法來實現最優故障特征提取，實現了對液壓泵故障的診斷。此外一種基于改進解析模態分解(AMD)、廣義形態分形維數(GMFD)和核模糊C均值聚類(KFCMC)相結合的新方法在近年來被提出[27]，在有效二分頻范圍內對實測液壓泵多模態故障振動信號進行AMD分解，將所提取故障分量特征信號作為數據源，利用KFCMC實現對液壓泵不同故障的診斷，該方法效果優于傳統分解和診斷方法。宋旭等人[28]通過多元變分模態分解(MVMD)和瞬時相位特征與主頻幅值加權融合的方法，解決了對液壓管路中裂紋故障的識別與定位問題，并達到了較高的識別精度。孫兆丹等[29]用LMD分解液壓泵振動信號，采用基于峰度值、能量和均方差的評價方法組成一定向量，利用核模糊C均值聚類方法對所有樣本進行聚類分析來診斷液壓泵故障，該方法在診斷精度上能達到較高水平。姜萬錄等[30]通過遞歸定量分析提取消噪后的振動信號遞歸圖所反映出的系統動力學特征，通過了實驗驗證該方法的有效性。ZHENG等[31]借助功率譜熵(PSE)的平方運算將故障信號在時域中的幅值轉換為頻域中的功率譜密度，使故障特征信息的幅值更加突出，有效地抑制了噪聲特征信息的噪聲特征，為其他旋轉機械故障診斷研究的應用推廣提供了重要依據。GOHARRIZI和SEPEHRI[32]基于經驗模態分解，研究了希爾伯特-黃變換(HHT)在閥控液壓執行器內部泄漏檢測中的適用性，這首次檢驗了HHT診斷液壓設備內部泄漏故障的有效性。XIAO等[33]改進了快速頻譜算法，使故障激勵脈沖更容易顯示，有助于快速有效地定位故障頻帶，最終實現液壓泵的故障診斷。GAO等[34]設計了一種結合L峰度和增強聚類算法的方法，實驗結果表明：該方法能夠有效提取附加背景噪聲工況下軸向柱塞泵的微小故障特征信號，為部件故障診斷提供了新思路。

(4)時頻域分析法

近年來國內外對時頻域分析法在液壓故障診斷上的應用展開了大量研究，其主要應用方式為利用小波分析和小波包分析等方法對相關狀態信號進行特征分解，結合知識庫對提取到的數據進行故障識別。

GOHARRIZI 和SEPEHRI[35]對液壓執行器的壓力信號進行小波分解，以小波細節信號特征為依據建立健康基線來實現液壓執行機構的泄漏故障檢測，這是一種常見且可行的方案，但在實際應用中往往難以確定合適的健康基線及其波動范圍，這為其實際應用添加了難度；ZHAO等[36]用節流孔模擬液壓缸泄漏，通過對液壓缸活塞桿的壓力信號和位移信號進行小波包分解來區分泄漏狀態，這為基于多信息融合的診斷方法研究提供了一條潛在的途徑。JIANG等[37]基于液壓泵的多尺度信號，通過改進的自適應多尺度形態分析和局部均值分解方法，有效地解調了故障特征。ZHAO等[38]提出了一種由經驗模式分解(EMD)和時頻方法組成的混合方法來實現特征提取。這些特征最終通過SVM中的訓練和測試進行分類。楊立志[39]利用小波分析法，通過比較正常情況與存在泄漏時液壓缸壓力上升的時間差及階躍信號來實現液壓缸的故障診斷，這一定程度上解決了小波分析在分析壓力信號時常出現分解精度不足的問題；張兆東等[40]對實時獲取到的液壓缸無桿腔壓力信號進行小波分析來獲得泄漏狀態下的故障特征，證明了小波分析法能夠實時進行液壓泄漏診斷，但由于其分解層次的限制，提取精度較低。隨著小波分析法的發展，具有更高時頻精度的小波包法引起了學者們的注意。姜萬錄等[41]采用小波包法對液壓缸無桿腔壓力信號進行高分辨率分解，得到了不同泄漏情況下的小波包子帶能量值特性，根據小波包子帶能量變化的特性實現了對故障的檢測；高英杰、孔祥東[42]對液壓泵出口壓力信號進行小波包分解，建立了不同頻率范圍的特征信號與液壓泵不同故障因素的對應關系，利用小波包能量殘差判別液壓泵的運行健康狀態。ZHAO 等[43]設計了一套針對液壓缸的故障檢測系統，該系統檢測結構由小波包分解及FMEA(失效模式及后果分析系統)組成，由于該系統對壓力等特征信號未能實現高頻精細化分解，因此該系統的診斷精度難以得到保證。師沖等人[44]提出一種改進MF-DFA方法實現故障特征提取，并結合隨機森林分類器來實現電液換向閥內泄漏的故障診斷，提出的方法對非線性、非平穩信號特征提取提供了一定的借鑒。高立龍等[45]運用SVM延拓解決了EEMD方法的端點效應，然后通過改進的三次樣條插值方法及互相關分析與頻譜分析對特征模態分量進行篩選，對液壓系統突然換向時的沖擊振動信號進行分析，該方法為智能診斷故障特征提取的研究提供了依據。

得益于上面的大量研究，在能夠得到所需狀態參數信號的前提下，應用時頻域特征分析法來完成風翼液壓系統的液壓缸內泄故障診斷具有較高的可行性，且具有較高的診斷精度。

2.3 基于知識的診斷法

由于風翼液壓系統故障原因復雜，僅憑故障現象難以準確判斷實際故障情況，基于知識的智能診斷技術可以根據所得信息進行邏輯推理，實現對復雜故障的準確診斷。下面是目前主要的幾類智能診斷技術。

(1)基于神經網絡的診斷法

利用神經網絡的相關特性，能夠解決故障診斷系統中的知識表示、知識獲取和并行推理問題。李琳等人[46]利用BP神經網絡建立了分類器，通過分析液壓缸進口壓力信號特征，實現了對液壓缸內泄漏的智能識別，但該BP神經網絡的診斷速度并不能令人滿意，還需要進一步進行結構上的優化。唐宏賓等[47]將主元分析法與BP神經網絡相結合，以壓力信號的時域參數作為初始特征，在不影響檢測精度的情況下顯著提高了檢測速度，這為液壓故障診斷提供了一種新方法。盡管如此，BP 神經網絡仍然難以避免過擬合問題，這嚴重制約了神經網絡的應用。吉珊珊等[48]以卷積神經網絡進行液壓故障的診斷，經過與BP神經網絡的對比后發現在同樣的迭代次數下卷積神經網絡能夠獲得更高的檢測正確率，證明了卷積神經網絡在故障診斷應用上較常規神經網絡更具有優越性。YOU 等[49]通過構造HPSO算法來優化BP神經網絡的權值和閾值，將采集液壓信號的小波包特征向量作為故障樣本訓練基于HPSO算法的故障神經網絡，改善了小波分解對于高頻特征處理不精細的問題，顯著提高了故障識別精度。針對傳統機械故障診斷依賴大量信號處理技術和專家診斷經驗，以及數據預處理耗時的局限性，ZHU等[50]借助粒子群優化算法(PSO)對改進的LeNet-5模型進行優化，構造了精度高、魯棒性強的PSO改進神經網絡模型，克服了人工調試模型帶來的不確定性問題。邱寒雨等[51]將BP神經網絡與逐步疊加建模算法結合，構造多分類BP-AdaBoost算法，該BP-AdaBoost算法與傳統的BP神經網絡方法相比在分類性能上更加優秀。莫明慧、黃玉森[52]利用蟻群算法進行BP神經網絡模型的訓練來建立故障診斷模型，通過實例驗證了ACA-BP算法在液壓系統故障診斷中的有效性。杜振東等[53]將所提取的振動信號特征參數以向量的形式輸入概率神經網絡(PNN)進行訓練和測試，該方法較傳統神經網絡能夠減少一定診斷時間。對于單參數診斷復雜系統中的信息不完整和不確定性問題，任鳳娟[54]利用兩并行BP神經網絡對故障數據進行診斷，再通過證據理論融合局部診斷結果，實現對不準確信息的準確判斷，該方法對于提高診斷系統有效性具有較大幫助。劉敏等人[55]運用粗糙集理論去除輸入冗余信息來得到最小條件屬性集，根據最小條件屬性集確定RBF神經網絡初始拓撲結構，該方法網絡結構簡單、網絡學習效率及診斷準確性更高，具有很好的實際應用效果。王立文等[56]構建了PNN概率神經網絡診斷模型，利用測試樣本進行了故障診斷。SUN等[57]進行了一種基于物聯網技術的動態GRNN模型研究，通過將采集到的液壓設備實時參數信號輸入到GRNN模型來進行故障閾值檢測。朱冠霖等[58]提出了一種自適應調節方法優化的粒子群神經網絡，通過對液壓泵多源傳感器數據融合模型進行故障診斷測試，驗證了該方案在降低診斷模糊性方面存在優勢。郭媛等人[59]通過實驗對比發現卷積神經網絡較BP神經網絡具有更高的識別準確率，并能夠有效降低在線診斷過程的復雜性,該研究對神經網絡的實際應用具有極大的促進作用。杜名喆、王寶中[60]將經驗小波變換與卷積神經網絡進行結合，利用二維卷積神經網絡模型對小波處理后的IMF分量進行分類，該方案經實驗驗證準確率顯著優于SVM方案。近年來神經網絡診斷法的研究已經逐漸成熟，但其初始訓練樣本的獲取以及數據庫的更新維護至今仍是一個需要解決的問題。

神經網絡診斷法理論上較適用于風翼液壓系統，但由于在建立故障診斷系統時難以獲取初始訓練數據，因此無法針對風翼液壓系統進行有效的訓練，這使得神經網絡診斷法實際上并不適用于風翼液壓系統。

(2)基于專家系統的診斷法

液壓系統故障診斷專家系統以先進傳感技術與信號處理技術為基礎，由計算機根據輸入的故障現象及知識庫中的知識，按推理機中存放的推理方法推理出故障原因。

BIAN等[61]針對現有專家系統難以隨著系統結構變化即時更新診斷知識的問題，提出一種基于故障樹推理能力的液壓設備專家系統，通過建立故障樹生成動態故障診斷規則，大大提高了診斷效率。張衛亮、李飛舟[62]將故障樹與專家系統進行結合，將所建立故障樹中的故障信息補充進了專家系統的知識庫中，通過分析故障時的外在表現以及監測參數來實現對故障的快速定位與排除。由于專家系統極易出現邏輯和規則上的沖突，因此條理清晰、知識體系正確關聯是專家系統應當具有的特性，蒼曉羽等[63]就G2專家系統進行了開發，通過對事件、原因、故障類型間的因果關系進行分類聚合，該系統以測點參數為對象實現對液壓故障的準確預警。由上述針對專家系統的研究能夠看出，將專家系統與智能分類器進行結合是目前專家系統的主要應用方式。

由于風翼液壓系統工作情況不同于常規液壓系統，因此許多適用于常規液壓系統的故障診斷經驗在風翼液壓系統中并不適用，需根據風翼工作特性重新制定補充相關專家知識，這使得專家系統在風翼液壓系統中的適用性大大降低，但其專家經驗可作為故障診斷系統的知識邏輯基礎進行應用。

(3)基于模糊邏輯的診斷法

通過探討液壓系統故障的模糊性，有利于正確描述故障的真實狀態，揭示其本質特征。HE[64]采用模糊聚類方法構建故障分類器，基于模糊ARX模型實現了對非線性特征的提取與識別；高立龍等[65]提出了基于故障診斷優先級的模糊Petri網反向推理診斷策略，并通過推理驗證了模糊Petri網在系統復雜、模糊性強的液壓系統中的適用性；何義等人[66]根據診斷對象的特性建立各故障源對應癥狀發生程度的隸屬度函數，通過比較不同故障的發生概率實現了對故障的正確診斷，但在其過程中帶有主觀色彩，對評判結果存在影響；鄧豐曼[67]利用模糊ARX模型得到液壓制動系統運行故障信息，利用RBQ網絡分類器歸類各個故障特征向量，從而實現對系統故障種類與狀態的準確判斷，建立在該RBF-ARX模型基礎上的非線性預測控制算法在控制強非線性多變量系統方面優于傳統PID算法。

由于風翼液壓系統中許多故障原因并不唯一且故障現象復雜，存在著一定的模糊性，而模糊邏輯診斷法能夠較為客觀地對故障進行模糊分析，因此該方法對于風翼液壓系統而言是適用的，有助于解決風翼液壓系統中的復雜故障。

(4)基于故障樹分析的診斷法

故障樹分析法作為一種應用廣泛的圖形演繹方法[68]，當前國內外對于液壓系統故障樹的研究較多。金美華、王曉勇[69]對船舶起重機的故障權重及系統的不可靠度進行了計算，利用MATLAB對基于故障樹的船舶起貨機故障分析進行仿真，但該仿真模型的可靠性難以保證；王云龍、侯遠龍[70]構建基于專家知識庫的故障樹模型，并以液壓缸動作緩慢故障為例使用故障樹進行了診斷；蘇欣平等[71]對故障樹模型中各類故障的重要度及故障概率進行了研究，以升降無力故障為例進行定性定量分析；陳東寧等[72]針對傳統故障樹不能表達的動態失效行為，研究了一種基于DTBN的動態故障樹分析方法；高立龍等[73]將T-S模糊理論應用于故障樹分析中，建立的模糊故障樹模型不需要精確的零部件故障概率及對系統故障機制的精確掌握，能夠極大彌補傳統故障樹分析方法的不足。這些研究極大提高了故障樹法的實際應用水平。

由于故障樹分析法的分析過程簡單清晰、直觀性強，對于風翼液壓系統中的多數故障能夠根據邏輯進行合理的診斷，但對于復雜故障則難以進行準確識別，因此在適用性方面弱于模糊邏輯診斷法。

(5)基于機器學習的診斷法

為了克服傳統液壓系統故障診斷研究中忽略故障模式時序性的問題以及診斷對象單一化的缺點[74]，許多研究者展開了基于機器學習的故障診斷方法研究。PENG等[75]采用DTW重心平均法對數據進行預處理，利用最近質心法進行特征選擇并將其放入隨機森林中進行分類，該研究能夠對識別精度及速度進行一定程度的提高。ZHAO等[76]用1-NN方法從時間序列數據中提取時序特征，然后用小波變換進行故障診斷并利用支持向量機訓練變換后的特征，對多變量時間序列進行分類，該方法具有較高的分類精度，且能夠完成多故障分類。WANG等[77]提出一種用于監測液壓制動器狀況的機器學習方法，該方法利用支持向量機(SVM)的機器學習算法獲取描述性特征，并對所選特征進行分類。JEGADEESHWARAN、SUGUMARAN[78]通過C4.5決策樹算法對振動信號進行特征提取及選擇，并利用決策樹和支持向量機(SVM)研究了不同特征數在故障分類上的影響。之后該團隊采用C4.5決策樹算法和最優第一樹算法作為分類器，對所選液壓系統振動信號特征進行分類，通過對比發現具有統計特征的最佳第一樹算法能夠達到更高的故障識別率[79]。JI等[80]將構造的樣本集輸入到多種單一分類器中，通過DS理論在信息融合中的計算結果識別故障類型，為液壓閥故障檢測提供了有效途徑。DU等[81]提出一種基于分層聚類算法的液壓泵多故障診斷方法，該方法針對5種故障類型設計了3層診斷推理機來進行分層次的聚合分類，通過檢驗顯示了該方法對同時發生的多個故障的診斷優勢。HUO、DONG[82]采用動態時域分析和ARX模型對故障信號進行分析，通過引入合理的測度，采用數據融合方法進行故障診斷，克服了單一診斷方法的局限性和不穩定性。LU等[83]基于集成經驗模式分解(EEMD)，通過對液壓泵壓力信號的分解，建立了支持向量回歸模型，最終實現了液壓泵的早期故障識別。AZADEH等[84]將SVM與PSO和遺傳算法相結合，進一步提高了SVM的分類性能，最終實現了離心泵的故障診斷。JI等[85]針對液壓閥混合性故障特征提取困難的問題，提出一種基于DSmT的3層多分類器檢測方法，經實驗驗證，該方法較其他智能診斷方法明顯提高了診斷精度。李明駿等[86]使用自適應噪聲完備集合經驗模態分解結合模糊熵的方法進行特征提取，利用粒子群算法優化后的支持向量機進行故障識別，顯著提高了SVM故障診斷模型的故障診斷準確率及分類性能；李勝等人[87]將決策樹引入到 AdaBoost 算法中，利用多類 AdaBoost 算法對液壓系統故障進行分類，大大提高了對多類故障的判斷和識別水平。

上述方法在處理液壓系統多元時間序列故障的問題上具有優良的表現。利用機器學習進行故障分類處理將是液壓故障診斷技術的一個重要發展方向，目前對于風翼液壓系統而言采用機器學習進行故障診斷具有一定的可行性，但其后續相關數據維護訓練等問題仍不明確，鑒于其巨大的發展潛力，可將其作為一備選方案進行研究。

3 風翼液壓系統故障診斷方法的應用與發展趨勢

3.1 風翼液壓故障診斷方法的應用

在初期，受儀器及技術理論的限制，在風翼液壓系統的實際診斷過程中以傳統的經驗診斷法及借助儀器的分析診斷法為主，而具有多功能的診斷設備因會對風翼液壓系統工作狀態造成影響且成本高昂，難以得到應用。隨著信號處理技術及人工智能技術的發展，結合多種診斷技術的多層次診斷方案開始應用于風翼液壓系統的故障診斷及健康評估過程中。通過研究風翼液壓系統的故障機制及工況特性，對系統中可能出現的各類故障進行分類列舉，利用小波分析法、高階譜法等多種技術處理風翼液壓系統中傳感器采集到的信號，分析數據特征，提取出合適的狀態特征集，建立各故障與特征間的映射關系，利用邏輯判斷實現對常規故障的診斷。

由于風翼液壓系統結構復雜、部件間影響密切，因此多數故障特征表現不明顯，此時需應用智能診斷技術來進行故障推理。以模糊邏輯等智能診斷技術為基礎，結合故障與特征間的對應關系，利用智能診斷技術的學習功能及推理功能對故障情況進行推理進而建立故障數據庫。圖4這種將信號處理技術與智能診斷技術綜合應用的多層次診斷方案能夠極大地克服常規智能診斷技術的冗雜性和結構的復雜性，較傳統診斷方案能夠更加快速準確地實現故障定位，有助于風翼液壓系統的全生命周期健康管理與故障診斷。

圖4 多層次故障診斷方案Fig.4 Scheme of multi-level fault diagnosis

3.2 風翼液壓故障診斷方法的不足

盡管經過近些年的研究，風翼液壓系統的故障診斷水平得到了極大的提高，但由于受儀器及診斷技術某些特性的限制，在實際診斷過程中仍存在著許多問題。以下為風翼液壓系統診斷方法在實際應用時存在的問題：

(1)由于傳感器在安裝時受到海事組織相關規定以及風翼系統結構設計的限制，部分狀態參數難以獲得，因此無法根據傳感器參數對故障進行有效的準確診斷，這將會極大地降低診斷水平；

(2)如何從流量信號和壓力信號中進行有效的特征提取仍是目前需要迫切解決的問題，也是多傳感器信息特征提取方法應用于液壓系統狀態評估研究的關鍵[88]，若無法提取出與故障匹配的特征將會極大地增加診斷難度；

(3)在風翼的不同工作狀態下，此時部分故障在狀態參數上的表現會發生一定程度的變化，部分故障與數據特征的對應關系難以確定；

(4)受限于部分智能診斷技術的自學習能力及對專家經驗知識的依賴，在進行故障推理時易推理時間較長且不能保證結果絕對收斂，難以實現及時準確的故障診斷功能；

(5)由于故障數據庫的數據更新、維護較為困難，且在工作一段時間后風翼液壓系統的工作性能會發生改變，因此經過一段時間后故障診斷系統的診斷水平會有所下降。

如何解決上述問題，充分發揮各類診斷方法在風翼上的診斷能力、提高診斷精度，是接下來應當進行研究的方向。

3.3 風翼液壓故障診斷技術的未來發展

目前大型液壓系統的故障診斷主要朝著自動化、智能化的方向發展，如圖5所示的根據故障類型分類，多種智能技術相互結合、取長補短進行分層次診斷的多層次智能診斷系統能夠極大地解決上述診斷法在風翼應用上的不足，將是今后風翼液壓系統故障診斷系統的主要發展趨勢。具體表現為以下幾個方面：

(1)運用新型信號處理技術對風翼系統中傳感器得到的信號進行信號融合及清晰化處理，提取能夠反映故障信息的信號特征，以專家知識理論為基礎結合風翼工作狀態及環境構建信號特征與故障間的映射關系。

(2)運用智能診斷技術，結合風翼液壓系統狀態參數、工作狀態、系統性能等信息進行分析，通過智能分類器實現對故障特征模糊的復雜故障的診斷識別，提高故障診斷系統的準確率和診斷速度。

(3)對風翼系統建立故障模型庫及健康數據庫，將其應用于風翼的健康管理過程中，幫助管理人員實時了解風翼液壓系統健康情況，為工作人員的風翼維護工作提供參考，為后續故障診斷策略調整提供數據積累。

(4)隨著大數據、深度學習、云計算、物聯網等新一代信息技術的快速發展[89]，能夠通過云平臺進行遠程故障診斷，從而實現健康管理的智能云診斷系統，也將成為風翼液壓診斷系統的一個重要發展趨勢。

圖5 多層次故障診斷系統模型Fig.5 System model of multi-level fault diagnosis

4 結束語

面對結構復雜龐大的風翼液壓系統，如何在降低故障診斷系統復雜度的同時實現快速、高精度的故障診斷功能成為確保風翼助航船舶節能減排功能正常的一項迫切任務。根據故障診斷難易程度進行的多層次診斷方案，能夠提高診斷速度、降低診斷系統復雜性，是解決風翼系統故障診斷問題的有效方案，這將是未來風翼液壓系統故障診斷技術的主要發展趨勢。