基于IndRNN-1DLCNN 的負載口獨立控制閥控缸系統故障診斷

孫煒，劉恒，陶建峰，孫浩，劉成良

(上海交通大學 機械系統與振動國家重點實驗室，上海 200240)

閥控液壓缸伺服控制系統因其大功率、高精度、快響應等特點，作為一種典型的液壓系統常用于挖掘機、起重機、拖拉機等工程機械中[1-3].傳統的閥控液壓缸伺服控制系統采用三位四通閥完成對液壓缸的控制，耦合的機械結構使得系統具備較低的靈活度與較高的能量損耗.相比之下，負載口獨立控制閥控缸系統的液壓缸兩腔分別由不同的液壓閥進行控制，其獨立控制的特點使得系統具備高精度、高靈活度和低能耗控制的可能性[4].

近年來，諸多學者針對負載口獨立控制的閥控液壓缸系統進行廣泛的研究.Opdenbosch 等[5]設計由5 個電液增壓閥組成的獨立計量結構，并通過基于狀態軌跡的自動校準控制方法，實現對閥控缸系統的負載口獨立控制.Lübbert 等[6]設計由2 個比例閥和5 個開關閥組成的獨立計量結構，并使用一個機械壓力補償器，通過SISO 控制方法實現對閥控缸系統的負載口獨立控制.Abuowda等[7]設計采用階梯式旋轉流量控制閥的微獨立計量結構，通過操作模式的切換控制實現對閥控缸系統的負載口獨立控制.Zhong 等[8]提出結合高速開關先導閥的獨立計量控制技術，通過模糊比例積分微分(proportion integration differentiation，PID)控制算法使得挖掘機閥控缸系統具備較好的動態性能和魯棒性.Li 等[9]針對獨立計量系統中的不確定性和非線性問題，研究閥控缸系統中的非線性閥流量模型，通過自適應魯棒控制方法使得獨立計量系統具備較高的控制精度.

負載口獨立控制的閥控液壓缸系統具備多電液控制裝置以及復雜控制邏輯等特點，往往會帶來故障發生概率增加以及故障情況復雜的問題[10].Rannow[11]針對負載口獨立控制系統中出現的多傳感器故障，設計了容錯控制算法，提高了系統的可靠性和正常運行時間.Ding 等[12]考慮到負載口獨立控制系統中不同液壓閥的不同程度故障，設計基于壓力反饋的主動容錯控制算法，保證了不同故障下的運動跟蹤性能.Opdenbosch 等[13]通過神經網絡學習了負載口獨立控制系統的逆輸入-狀態映射，計算其與預先建立的可接受性能邊界的偏差，完成系統的異常檢測.Beck 等[14]根據液壓缸控制腔壓力信號時域特征與特定值的比較，對負載口獨立控制系統進行故障檢測，提高了該系統用于挖掘機臂的閥控缸系統的安全性.Bianchi 等[15]根據液壓缸控制腔的壓力信號以及泵出口的壓力信號，并結合來自控制器的附加信息，通過神經網絡算法完成對負載口獨立控制閥控缸系統中泵體容積效率下降、液壓缸磨損故障以及計量閥開口故障的診斷工作.

針對負載口獨立控制的閥控液壓缸系統，現有研究多集中在系統的結構設計與控制策略設計方面.為了實現對系統整體性能衰退的評估，極少量研究通過閾值比較或神經網絡變換的方法，挖掘了系統壓力信號的時域特征.閥控液壓缸系統包括先導閥、主閥、液壓缸以及位移傳感器等多類元件，系統整體性的衰退是由于系統中元件發生故障導致的，而不同故障在系統的狀態信息表征上有著相似甚至幾乎相同的特性.從高度相似的故障信息表征中識別出發生故障的具體元件有著重要的意義，這對快速發現系統故障位置并進行后續維修工作具有指導價值.

本研究提出基于獨立循環神經網絡和一維大核卷積神經網絡(independently recurrent neural network and one-dimensional large-kernel convolution neural network，IndRNN-1DLCNN)的負載口獨立控制閥控液壓缸系統的故障診斷方法.構建閥控液壓缸系統狀態感知方案，分別對液壓缸控制腔壓力信號、桿位移信號、主閥控制腔壓力信號與閥芯位移信號進行感知，分析不同故障條件下的系統特性，設計基于IndRNN-1DLCNN 的深度網絡模型，引入殘差結構增加IndRNN 網絡深度，并引入1DLCNN 挖掘長時間跨度下的多通道特征關系，實現多源信號的特征融合與特征提取.本研究從高度相似的故障狀態信息表征中識別出發生故障的具體元件，從而完成對負載口獨立控制閥控液壓缸系統的故障診斷工作.

1 閥控液壓缸系統

1.1 系統模型

本研究的負載口獨立控制閥控液壓缸系統原理圖如圖1 所示，其對應的實物圖如圖2 所示.液壓缸兩腔壓力獨立控制，從而推動負載運行.圖2所示的閥體對應圖1 中的數字液壓先導可編程閥，由對應的油源進行供油，先導級由4 個相同的兩位三通滑閥式高速開關閥構成，主級由2 個相同的三位三通滑閥式液動換向閥構成，實現對液壓缸兩腔的獨立控制，從而推動液壓缸活塞桿底部連接的負載按規律運行.系統采用HYTEK 定量齒輪泵，分別對主級和先導級供油.如圖2 所示，實驗裝置通過溢流閥和變頻電機進行泵源參數設定，設定壓力為10 MPa，輸出流量為50 L/min，并通過減壓閥實現先導油口3.2 MPa 的供油.提出負載口獨立控制閥控缸系統的狀態感知方案.對于液壓缸控制腔的狀態，利用光柵式位置編碼器實現對活塞位移的感知，利用KULITE 壓力傳感器完成對兩腔壓力信號的感知.對于主級閥芯的狀態，利用集成的LVDT 傳感器進行閥芯位移的感知，并通過CAN 總線實現數據讀取.

圖1 負載口獨立控制閥控液壓缸系統的原理圖Fig.1 Schematic diagram of independent metering valve-controlled hydraulic cylinder system

圖2 負載口獨立控制閥控液壓缸系統的實物圖Fig.2 Practical diagram of independent metering valve-controlled hydraulic cylinder system

如圖1 所示，負載口獨立控制閥控缸系統強調兩級負載口的獨立控制.一級為數字液壓先導可編程閥中的每2 個先導高速開關閥產生不同的高頻離散流體，分別控制對應主閥兩端彈簧腔的壓力，實現對主閥芯的負載口獨立控制.另一級為數字液壓先導可編程閥中的2 個主級滑閥產生不同的閥芯開度，分別控制液壓缸的進、出口兩腔，實現對液壓缸的負載口獨立控制，使得液壓缸所推動的負載滿足規定的運動要求.如圖2 所示，液壓缸活塞桿底部連接由質量塊和彈性負載組成的負載，質量塊的質量M為100 kg，負載剛度K為2.5×106N/m.負載口獨立控制閥控缸系統利用先導級高速開關閥優越的啟閉動態特性，完成對主級閥芯開度的獨立控制；2 個主級滑閥的閥芯開度獨立控制液壓缸進、出口兩腔的狀態，以滿足負載的運動要求.系統以高速開關閥為核心控制單元，使得液壓缸具備較好的動態性能[16].系統的關鍵結構參數如表1 所示.表中，ps為主級供油壓力，psp為先導級供油壓力，Dv為 主閥芯直徑，Mv為主閥芯質量，Dp為 先導閥芯直徑，Mp為先導閥芯質量 ，Dc為 液壓缸活塞直徑，Dr為 液壓缸活塞桿直徑，M為負載質量，K為負載剛度.

表1 閥控液壓缸系統參數Tab.1 Valve-controlled hydraulic cylinder system parameters

1.2 系統控制器

數字液壓先導可編程閥的先導高速開關閥由輸入驅動電壓信號控制，不同閥芯開度決定主級彈簧控制腔的壓力，實現對2 個主閥閥芯開度的獨立控制.先導高速開關閥的驅動電壓由PWM控制信號和PWM 高頻信號2 種不同的信號組合而成.通過激勵線圈實現閥芯運動的控制.閥芯開啟時采用100%占空比控制信號，維持開啟狀態則采用低占空比控制信號；關閉時采用-100%占空比控制信號，維持關閉狀態采用0 占空比控制信號[17].本研究的高速開關閥采用50 Hz 的控制信號與24 kHz 的高頻信號.如圖3 所示給出維持開啟狀態的驅動電壓示意圖，圖中 ? 為驅動電壓，50 Hz 控制信號占空比固定為87%，24 kHz 高頻信號占空比通過控制器調節以實現閥芯開度的調節.負載口獨立控制閥控缸系統的控制器如圖4所示，控制策略采用兩級PID 反饋結構.第1 級PID1 由控制器PID1-1 和PID1-2 組成，以負載位移uc作為反饋信號，生成用于獨立控制左、右主閥閥芯的參考位移urv1和urv2，實現對負載位移的跟蹤.第2 級PID2 由控制器PID2-1、PID2-2、PID2-3 和PID2-4 組成，分別以左右主閥閥芯的真實位移uv1和uv2作為反饋信號，生成用于控制4 個先導閥啟閉特性的驅動信號ul1、ul2、ur1、ur2.驅動信號根據PWM 占空比等效為不同的驅動電壓，從而推動先導閥芯移動，右主閥閥芯位移的控制信號類似.具體表達式為

圖3 高速開關閥驅動電壓的示意圖Fig.3 Diagram of high-speed on/off valve driving voltage

圖4 負載口獨立控制閥控液壓缸系統的控制策略Fig.4 Control strategy of independent metering valve-controlled hydraulic cylinder system

式中：Kpl1和Kpl2為PID2-1 和PID2-2 對應的比例環節，Kil1和Kil2為PID2-1 和PID2-2 對應的積分環節，Kdl1和Kdl2為 PID2-1 和PID2-2 對應的微分環節.Kl1和Kl2為PID2-1 和PID2-2 對應的轉換系數，用于實現先導閥驅動信號輸入的量綱轉換.

t時刻左閥芯參考位移與實際位移的偏差ev1(t)=urv1(t)-uv1(t).左主閥參考位移urv1由PID1-1 控制器生成，右主閥參考位移類似.具體表達式為

式中：Kpv1為PID1-1 對應的比例環節，Kiv1為PID1-1 對應的積分環節，Kdv1為PID1-1 對應的微分環節.Kv1為PID1-1 對應的轉換系數，用于得到對應量綱下的主閥控制信號輸入.t時刻負載參考位移與實際位移的偏差ec(t)=ur(t)-uc(t).

系統采用的兩級PID 控制器參數如表2 所示.如圖1 所示，數字液壓先導可編程閥具備對稱結構，通過控制先導級高速開關閥的啟閉特性完成對主閥閥芯開度的控制，因此對應的控制器PID2采用取值相同的系數.2 個先導閥對其對應的主閥閥芯開度控制效果相反，因此對2 個先導閥采用符號相反的轉換系數.通過表2 所示的控制器PID2，可以實現對主閥閥芯開度準確、快速的控制；通過調節控制器PID1 的系數，實現對負載位移準確、快速的控制.

表2 閥控液壓缸系統的控制器參數Tab.2 Controller parameters of valve-controlled hydraulic cylinder system

1.3 模型驗證

分析負載口獨立控制閥控液壓缸系統的部件級故障，涉及故障包括部件內部不同位置、不同程度的多種故障.根據圖1 所示的系統原理搭建系統模型，如圖5 所示.圖中，pt為回油口壓力，模型參數如表1 所示.先導閥閥芯采用滑閥式結構，其閥芯位移由所連接的電磁鐵以及線圈進行控制并進一步實現對主級閥芯開度的控制.主閥采用三位三通結構，實現對液壓缸控制腔的控制.為了驗證系統模型的準確性，結合如圖2 所示的系統實物圖進行系統的模型驗證.

圖5 系統模型的結構簡圖Fig.5 Diagram of system model structure

對負載口獨立控制閥的輸出流量-閥口壓降特性進行測試，主級閥芯處于全開狀態，并實現P-A-B-T 油道聯通.實驗調節輸入流量得到閥口流量與壓力損失特性曲線，將其與系統模型的閥口流量與壓力損失特性曲線進行比較，如圖6 所示.圖中 ?pP-A和 ?pB-T為閥口壓力損失，qV為閥口體積流量.從圖6 可以看出，系統模型的壓損特征與實驗數據有著很好的一致性.

圖6 閥口流量與壓損特性驗證Fig.6 Valve low characteristic validation

對負載口獨立控制閥的階躍響應特性進行測試，調節負載口獨立控制閥的控制命令，控制閥芯進行階躍動作從0 到全開，再從全開到0.將得到的閥芯階躍響應與系統模型的階躍響應進行比較如圖7 所示.圖中，x為閥芯位移百分比.從圖7可以看出，系統模型的階躍響應特性與實驗數據有著很好的一致性，且階躍響應時間均小于100 ms.

圖7 階躍響應特性驗證Fig.7 Step response characteristic validation

對負載口獨立控制閥控缸系統的階躍響應特性進行測試.給定液壓缸位移階躍輸入為20 mm，監測負載位移uc、液壓缸有桿腔壓力pA和無桿腔壓力pB，將得到的系統實物與模型的階躍響應特性進行比較如圖8 所示.由于負載口獨立控制閥控缸系統是一個復雜的、多領域的模型，在系統控制過程中的瞬態非線性現象帶來的實物與模型的些許偏差是次要的，不影響系統模型的真實性與有效性[18].后續將對系統模型進行故障注入、分析與診斷工作.

圖8 系統階躍響應特性的驗證Fig.8 Validation of system step response characteristic

2 系統故障分析

2.1 先導級高速開關閥

高速開關閥的驅動信號由配套軟硬件提供，一方面FPGA 軟硬件響應時間差會導致控制信號時間的滯后，另一方面控制信號頻率因軟硬件精度影響會導致高頻離散流體頻率的失準.磁熱耦合效應也會對高速開關閥的開關時間和速度產生影響[19].如圖9 所示為先導閥高速開關閥的套筒銹蝕故障， 該故障改變了高速開關閥的磁場特性，使得高速開關閥的控制信號延遲dC與頻率fC偏離制造精度所允許的正常值.高速開關閥的高頻啟閉特性反復壓縮彈簧， 易造成高速開關閥彈簧的疲勞失效， 使得彈簧預緊力NP和彈性系數kP偏離彈簧制造精度所允許的正常值.如表3 所示給出先導閥相關故障類型的正常值區間與故障值區間.

表3 先導閥的故障參數Tab.3 Fault parameters of pilot valve

圖9 高速開關閥的套筒銹蝕Fig.9 Sleeve rustiness of high-speed on/off valve

以圖10 為例，給出左先導閥1 故障時的系統感知量與正常時的區別，此時左先導閥1 故障為PWM 控制信號延遲較高.當負載口獨立控制閥控缸系統處在正常的系統工況時，如圖4 所示的PID1-1 和PID1-2 根據負載位移指令信號與實際位移的差值，生成控制各自主閥閥芯位移的指令信號.給定閥芯開度的最大限定值，避免負載的運行速度過快.主級閥芯位移由其對應的2 個高速開關閥控制，以左主閥為例，如圖4 所示的PID2-1 和PID2-2 根據左主閥閥芯的位移指令信號與實際位移的差值，分別生成對應先導閥的驅動電壓信號，通過對高速開關閥24 kHz 高頻信號占空比的調節實現閥芯開度的控制.先導級高速開關閥的閥芯開度決定了其控制的主閥彈簧腔的壓力情況，從而決定了主閥閥芯位移情況.高速開關閥存在定占空比的50 Hz 控制信號，其具有開度回零的趨勢，引起了主閥彈簧腔的壓力波動，從而導致了主閥閥芯的位移波動.當負載位移指令信號與實際位移的差值較小時，控制器生成的主級閥芯位移指令值較小，閥芯的正遮蓋設計使其處于關閉狀態.

圖10 左先導閥1 的故障示意圖Fig.10 Fault diagram of left pilot valve1

當負載口獨立控制的閥控液壓缸系統存在故障時，由于控制器反饋機制調節作用的存在，系統故障對系統性能的不良影響得以削弱，使得負載位移仍能達到較好的跟蹤效果[20].高速開關閥控制信號的延遲導致其啟閉特性的變化，引起了主閥兩側彈簧腔壓力特性的改變.在系統控制器的調節下，主閥彈簧腔壓力的變化不會反映出一致的延遲特性，系統的穩態特性也與正常狀態存在差異.雖然系統也能在控制器的調節下進行負載位移跟蹤，但是系統特性的改變會導致系統工作狀態的改變，對系統的長期運行造成不良影響，易引起閥組與液壓缸的損傷.

2.2 主級液動換向閥

主級液動換向閥彈簧控制腔壓力由2 個先導閥的高頻離散流體獨立控制，其主要故障為油液顆粒以及油液沖擊給閥芯帶來的磨損并進一步導致的泄漏與密封圈損壞故障[21].閥芯磨損可以表現為2 種形式：閥芯與閥體間徑向間隙lV增大、閥芯的圓角rV磨損故障.主閥彈簧腔在高速開關閥高頻離散流體作用下頻繁發生狀態改變，彈簧易發生疲勞失效情況，其預緊力NV和彈性系數kV會偏離彈簧制造精度所允許的正常值.如表4 所示給出主閥相關故障類型的正常區間和故障區間.

表4 主閥故障參數Tab.4 Fault parameters of main valve

以圖11 為例，給出圖5 所示的左主閥出現故障時的系統感知量與正常時的區別，此時左主閥故障為左側彈簧彈性系數異常降低.在系統控制器的調節下，負載位移仍能達到較好的跟蹤效果，彈簧彈性系數降低使得主閥彈簧腔壓力的波動更加顯著，系統的穩態特性也與正常狀態存在著差異.系統狀態感知結果與圖10 所示的先導閥故障有著類似的信息表征.彈簧疲勞導致的主閥彈簧腔壓力顯著波動進一步加劇彈簧的磨損，系統長期運行易造成彈簧的疲勞斷裂.

圖11 左主閥故障的示意圖Fig.11 Fault diagram of left main valve

2.3 位移傳感器

數字液壓先導可編程閥的先導級與主級為一體式安裝.由于先導級高速開關閥的高速啟閉特性會產生高頻振動，該振動會傳遞到整個閥體之上，導致感知閥芯位移的LVDT 位移傳感器的振動.當振動導致位移傳感器的連桿固定件、密封件等松脫時，主閥閥芯位移的反饋偏差 δV會超出正常狀態下傳感器精度所帶來的反饋偏差[22].液壓缸的位移由光柵式位移傳感器讀出，伴隨著系統的長期運行，其主尺光柵和讀數頭內部件出現污損，負載位移的反饋偏差 δC會超出正常狀態下傳感器精度所帶來的反饋偏差[23]，如表5 所示給出反饋偏差的正常區間和故障區間.

表5 位移傳感器反饋故障參數Tab.5 Fault parameters of displacement sensors feedback

2.4 液壓缸

閥控液壓缸系統通過液壓缸推動負載運動，運行過程中的元件磨損、液壓沖擊、溫升發熱等影響會導致液壓缸泄漏量的增加.液壓缸泄漏量的增加可由泄漏系數的增加表示，當液壓缸的泄漏系數超過制造精度所允許的泄漏系數時，液壓缸發生泄漏故障[24].液壓缸泄漏系數Kq≤0.000 3 L/(min·MPa)表示液壓缸未發生泄漏故障，0.000 3 L/(min·MPa)＜Kq≤0.030 0 L/(min·MPa)表示液壓缸發生泄漏故障.

3 故障診斷模型

3.1 獨立循環神經網絡

循環神經網絡(recurrent neural network，RNN)是一種常用于處理時間序列問題的方法，通過循環連接將t-1 時刻的隱藏層狀態Ht-1作為下一時刻的輸入狀態，即：

式中：Xt、Ht為系統在時刻t的輸入以及隱藏狀態，且Xt∈Rn、Ht∈Rm；n為輸入向量維數；m為隱藏層向量維數；g為激活函數；W∈Rm×n、U∈Rm×n、B∈Rn分別為當前輸入權重系數矩陣、狀態權重系數矩陣和神經元偏置向量，由神經網絡訓練決定，這些參數通過神經網絡訓練過程中的反向梯度傳播進行參數的優化.

RNN 網絡的權重矩陣與偏置向量具有權值共享的特點，這使得網絡訓練在梯度下降過程中易出現梯度爆炸與梯度消失的問題.長短時記憶神經網絡(long short term memory，LSTM)與門控循環單元(gate recurrent unit，GRU)雖然能在一定程度上解決梯度下降中存在的問題，但是只能選用tanh 和sigmoid 函數作為激活函數的特點導致層間梯度衰減.引入獨立循環神經網絡(independently recurrent neural network，IndRNN)，可以處理超過5 000 時間步的時間序列問題，解決梯度爆炸與梯度消失的問題[25].對于式(4)稍作變化，矩陣U修正為向量形式S∈，得到IndRNN 在t時刻的隱藏層狀態，即：

式中： ⊙ 為哈達瑪積，S⊙Ht-1為(s1h1,t-1,···,sjhj,t-1,···,smhm,t-1)T，即每一個狀態權重系數sj相互獨立.因此結合偏置向量的第j個值bj，對于t時刻的第j個隱藏狀態為

式(6)完成了層內神經元的解耦，因此在T時間步長內的損失函數J反向傳播至時間t的梯度為

此時激活函數導數與循環權重系數獨立，relu函數可以作為激活函數得：

式中：val 為一個變量.選取0～val 的最大值，加快收斂并解決梯度問題.

與LSTM 以及GRU 不同，可以考慮采用多層IndRNN 結構來探索輸入的跨通道信息，如圖12所示為引入殘差網絡的多層IndRNN 的示意圖.對于第i層IndRNN 網絡，t時刻包括2 個單獨的IndRNN 單元，其輸入為，對應的隱藏層狀態為計算式為

圖12 多層IndRNN 網絡示意圖Fig.12 Network diagram of multi-layer IndRNN

式中： μt和分別為指定批次樣本t時刻的的均值向量和方差向量， ε 為避免分母為0 的給定常數向量， γ 和 β 分別為待訓練的縮放和平移因子.

對于第i層IndRNN 網絡，t時刻的輸出：

3.2 一維大核卷積神經網絡

相比于傳統時間序列的預測分類問題，負載口獨立閥控缸系統能夠判定系統是否發生故障的同時，也能區分出系統故障發生的元件，即識別出4 個先導閥、2 個主閥、液壓缸以及位移傳感器共8 類元件故障.對于既包含分類又包含定位的問題，大核卷積神經網絡因其更大的感受野，能夠在處理不同轉換能力的同時挖掘細化特征，以保持定位性能[26].

1DLCNN 網絡的示意圖如圖13 所示，批尺寸大小為BS，對于一個長時間序列輸入樣本，特征個數為F1，序列長度為L1.該輸入序列經過1DLCNN單元利用大卷積核對數據的局部區域進行卷積操作，完成對某段時間內系統狀態的感知.通過一定步長的移動使得單個大卷積核遍歷整個輸入時間序列，最終得到卷積層1 的輸出Hc1，特征個數為F2，序列長度為L2.一個樣本經過卷積層1 運算，即

圖13 1DLCNN 網絡示意圖Fig.13 Network diagram of multi-layer 1DLCNN

式中：運算符 ? 為卷積操作，Hc1∈RF2×L2；W1為大卷積核的權重矩陣；B1為大卷積核的偏置項.

輸出Hc1通過池化層1 進行下采樣得到輸出Hp1∈RF2×L3，在保留系統突出特征的同時，序列長度變為L3，減少了模型參數.卷積層2 和池化層2與前置的卷積層1 和池化層1 操作類似.其中卷積層2 卷積核選用小尺寸卷積核，得到特征個數為F3序列長度為L4的輸出.池化層2 選用最大池化進行下采樣，得到輸出Hp2∈RF3×L5 ，序列長度為L5.將池化層2 輸出Hp2進行展平，最終通過全連接網絡和分類器得到樣本各個分類的概率分布Ypred，即為模型的最終輸出.選擇Softmax 作為分類器，最終得到計算式為

式中：Yi為第i個樣本經全連接層后的輸出，yi,j為輸出Yi中 第j個變量的取值，C為分類器的分類數目.

3.3 閥控液壓缸系統故障診斷模型

提出一種基于IndRNN-1DLCNN 的負載口獨立控制閥控缸系統的故障診斷模型，其結構如圖14所示.該算法通過引入殘差網絡增加IndRNN 網絡的深度，提取系統狀態量在長時間維度上的特征.同時引入1DLCNN 大卷積核提升長時間跨度下的多通道特征提取能力，實現多源信號的特征融合與特征提取工作.

圖14 基于IndRNN-1DLCNN 故障診斷模型Fig.14 IndRNN-1DLCNN-based fault diagnostic model

負載口獨立控制閥控缸系統感知左、右主閥閥芯位移、彈簧腔油液壓力，同時感知負載位移以及液壓缸控制腔壓力.3 個部件的狀態量為

式中：i=1,2,3 分別為示液壓缸、左主閥和右主閥， ξi∈Rn×3.αi、分別為感知的第i個部件的位移傳感量、左腔壓力以及右腔壓力：

系統t時刻的狀態量，將其輸入多層IndRNN 網絡得到t時刻的隱狀態輸出量：

式中：Xt為隱狀態輸出量.

式(17)所示的 IndRNN 網絡參照3.1 節給出的網絡，其中包含P層殘差連接的IndRNN 網絡以及一個單獨的IndRNN 單元.t時刻第P層殘差連接的IndRNN 網絡的輸出為，式(17)可以更改為

式中：分別為最后一個單獨IndRNN 單元需要訓練的對應輸入權重矩陣，狀態權重向量以及偏置向量.

經IndRNN 網絡的輸出結果為

式中:HIndRNN∈Rn×m′，m′為IndRNN 網絡的輸出的隱藏節點個數.

閥控缸系統狀態輸入量為長時間序列，可以利用IndRNN 網絡的特點挖掘輸入序列長時間跨度下特性得到輸出序列HIndRNN.然而IndRNN 網絡缺乏對多通道間關聯數據的挖掘，引入如圖13所示1DLCNN 進一步挖掘系統時間維度下的特征關系，得：

式中：Ypred為網絡最終的預測結果.

Ypred的最大概率值位置即為預測的故障類型.同時對于這樣一個多分類問題，采用交叉熵損失函數用于網絡的評價指標，即：

式中：Nsam為樣本數量，為第i個樣本的指示變量的轉置.對于一個C分類問題，包含C個元素，第j個值為1 代表該樣本的真實分類為第j類， 其余值為0.Yi,pred為樣本的預測類別概率值，也包含C個元素的，第j個值為該樣本的分類為第j類的概率.

4 結果與分析

4.1 故障診斷參數

針對負載口獨立控制閥控缸系統，驗證所提IndRNN-1DLCNN 算法的故障診斷效果，按1.1 中的狀態感知方案對圖1 所示的系統進行感知.采樣時間為2 s，采樣率為1 000 Hz.按照2 章的故障分析對系統進行故障注入，按表6 給出類別標簽，每類數據均采集900 個.樣本的第z個特征Xz按式(22)放縮為，避免不同數量級信號對模型訓練的影響.按照6∶2∶1 的比例劃分訓練集、驗證集及測試集，保證不同類別的數量均等.

表6 系統故障類型標簽Tab.6 Fault labels of system

參照3.3 節中的IndRNN-1DLCNN 算法模型，模型參數如表7 所示， 閥控液壓缸狀態感知樣本經IndRNN 網絡和1DLCNN 網絡特征提取和特征融合后，輸入全連接層與Softmax 分類器得到概率輸出Ypred∈R9， 其最大概率值位置即為對應的故障特征.

表7 IndRNN-1DLCNN 的模型參數Tab.7 Model parameters of IndRNN-1DLCNN

4.2 故障診斷結果與分析

訓練采用Adam 優化器，迭代次數為2 000，批尺寸大小為128， 初始學習率為0.000 2， 學習率更新策略采用自適應學習率調整.當驗證集損失累計50 次不再下降的， 學習率下降一半.表8 給出不同算法下負載口獨立控制閥控缸系統故障診斷的精度.

表8 系統的故障診斷精度Tab.8 Fault diagnosis accuracy for system

由于閥控缸系統具備長時間序列輸入信號的特點，LSTM 的長期記憶能力失效， 而IndRNN 的長期記憶能力得到了很好的保持， 僅通過IndRNN網絡可以達到84.7%的診斷精度.由于其多通道特征提取的欠缺， IndRNN 模型的診斷精度不如2DCNN 模型的87.9%、1DCNN 模型的85.1% 及1DLCNN 模型的90.9%.由此可以看出，卷積操作對于系統多通道傳感信號的捕捉能力較強.利用1DLCNN 模型能夠達到90.9%的診斷精度，是除所提出的模型外的最優模型，這體現出1DLCNN在長時間跨度下具備較高的挖掘多通道特征信息的能力.提出的IndRNN-1DLCNN 模型既發揮了獨立循環單元的超長期記憶能力， 又通過一維大卷積核更大的感受野充分挖掘了系統的細化特征，模型的診斷精度能夠達到96%，相較于其他模型有較大提升.結果表明，基于提出的系統狀態感知方案，設計的IndRNN-1DLCNN 模型可以更好地反映出系統故障情況，提高系統故障診斷的精度.圖15 給出基于IndRNN-1DLCNN 的系統的測試集混淆矩陣， 系統測試集的總精度達到96%，且單一元件的故障識別準確率均大于93%，能夠較為準確地識別出系統發生故障的具體元件.模型的誤判主要發生在正常數據與故障數據之間， 這是因為系統在即將發生故障時，模型對于臨界點的判定無法做到十分精確，由于4 個先導閥與2 個主閥構成了整個閥組， 結構上的耦合性導致了閥組內的故障定位稍有欠缺，這也是可以理解的.對于結構上相對獨立的傳感器以及液壓缸來說，該算法模型不會將它們的故障與閥組內部件的故障相混淆，這是較理想的結果.

圖15 故障診斷測試集的混淆矩陣Fig.15 Confusion matrix of test set for fault diagnosis

4.3 模型可視化結果與分析

為了直觀地看出不同算法對系統故障診斷算法的影響，如圖16 給出負載口獨立控制閥控液壓缸系統的不同故障診斷模型的可視化結果.采用t-SNE 降維方法，通過歐氏距離衡量點對距離，將算法模型最后一層經過Softmax 后的輸出降維至兩維進行可視化表達.原始信號從空間分布上看，每類故障均沒有鮮明的獨立分布，它們的狀態信息表征高度相似，出現了嚴重的混淆情況，因此無法區分出閥控液壓缸系統故障發生的具體位置.2DCNN、1DCNN、IndRNN 以及1DLCNN 這4 個算法在一定程度上能夠區分出閥控液壓缸系統故障發生的具體位置，同時1DCNN、IndRNN 以及1DLCNN 對各類故障均能在一定程度上分離出來，這與表8 表示的算法診斷精度具有一致性.在不同的故障條件下，所提的IndRNN-1DLCNN算法能夠提取出系統對應的故障特征，其在一定程度上呈現出更鮮明的獨立分布，不同故障之間的特征分散度更高，同一類故障維持一定的聚集性.

圖16 故障診斷模型的特征可視化Fig.16 Feature visualization of fault diagnosis

4.4 變工況性能分析

為了驗證所提的IndRNN-1DLCNN 模型針對不同工況下的負載口獨立控制閥控液壓缸系統的故障診斷能力，更改液壓缸所推動的慣性負載的質量，分析不同負載工況下故障診斷算法的有效性.

在不同工況下，圖1 所示的液壓缸推動的負載情況不同，工況A、B、C 負載質量分別取100、125、150 kg，負載剛度分別取2.50×106、2.75×106、3.00×106N/m.如圖17 給出3 種工況下對應的不同故障診斷算法的精度.如表9 所示為對應的各個工況的診斷精度.跟其余對比模型的比較中發現，所提算法的診斷精度均最高， 且均達到了95.4%以上，其余對比模型的精度均低于該水平.本研究提出的IndRNN-1DLCNN 算法在不同負載工況下均具有較好的故障診斷性能，均能較好地識別出發生故障的具體元件.由于深度神經網絡隨機劃分數據集的特點以及網絡訓練參數的差異，不同工況下的故障診斷效果有一定的偏差，但這是可以接受的.

表9 不同工況下的故障診斷算法精度對比Tab.9 Fault diagnosis accuracy under different conditions

圖17 不同工況下的故障診斷算法精度Fig.17 Fault diagnosis accuracy under different conditions

5 結 論

(1) 提出一種適用于負載口獨立控制閥控液壓缸系統故障診斷的狀態感知方案，基于系統壓力信號與位移信號，歸納了不同元件發生故障時的系統特性.

(2) 設計基于IndRNN-1DLCNN 的故障診斷算法，引入殘差結構以增加IndRNN 網絡深度，引入1DLCNN 以增強全局信息捕捉能力，從高度相似的狀態信息表征中挖掘故障信息，實現了負載口獨立控制閥控液壓缸系統的故障元件識別.