船舶轉葉式舵機故障診斷系統

王 攀，張湘軍，董從林，白秀琴，袁成清，湯 敏

(1.武漢理工大學 交通與物流工程學院,湖北 武漢 430063；2.中國船級社武漢分社,湖北 武漢 430000；3.國家水運安全工程技術研究中心可靠性工程研究所,湖北 武漢 430063)

0 引言

船舶舵機可以控制航向和調整操縱性，是保障航行安全的關鍵甲板設備[1]。轉葉式舵機具有占地面積小、質量輕、機械效率高等優點，是船舶舵機的主要類別之一[2]。它是一種回轉式轉舵機構，轉葉固定在轉子外壁，定葉固定在缸體內壁，兩者與缸蓋、缸底之間都設有密封裝置，將轉舵油缸分為幾個密閉腔室。當液壓油進入腔室后，對葉片施壓，驅動轉子轉動，進而控制舵的轉向。工作中，轉葉外端的密封件與缸體內壁長期處于高壓緊密貼合狀態，兩者之間不可避免地產生摩擦磨損，時間越長，磨損越嚴重。為了保證船舵快速響應、不跑舵、不滯舵，保持油缸內油壓穩定是關鍵，而油壓穩定性受液壓系統的密封性制約。感知轉葉式舵機的工作狀態和對其進行故障診斷極其重要。傳統機電液系統的故障診斷是對溫度、油、水等常規性能參數進行采樣化驗，并結合輪機員的工作經驗來判斷，這已經不能滿足智能化發展進程對轉葉式舵機故障診斷精度和維修決策快速響應的要求[3]。

國內外學者對舵機故障展開了大量研究。胡良謀等[4]利用回歸型支持向量機設計了一個液壓舵機的故障診斷系統。章家寶等[5]采用模糊聚類方法對電動舵機致命性故障進行實時診斷。Xu 等[6]提出基于長短時記憶神經網絡識別算法來識別舵機的不同故障類型。Marcelo 等[7]利用轉換故障樹創建的貝葉斯信念網絡確定舵機系統中最可能產生的故障原因。然而，這些方法只是從單一層面進行故障診斷，沒有從宏觀和微觀角度進行系統分析，不能精準地反映轉葉式舵機的工作狀態。因此，基于上述2 個角度，采用C#和Matlab 混合編程的方法對轉葉式舵機進行故障分析與診斷。

C#是專門用于.NET 的編程語言，開發的系統界面友好、執行速度快，具有高效的設備操作能力。與C#相比，Matlab 開發程序界面和對外圍設備的控制能力差，但其編程簡單、對信號的分析與數據處理能力強[8]。因此，吸取兩者所長，基于C#與Matlab 混合編程，利用C#完成界面開發任務，Matlab 完成數據分析和圖形生成任務，開發界面友好和執行能力高效的轉葉式舵機故障診斷系統。

1 轉葉式舵機故障診斷算法與軟件設計

轉葉式舵機密封件的磨損加劇，產生的磨粒增多，使得密封件產生異常磨損，誘發振動，引起密封失效。摩擦系數信號能夠從微觀層面反映轉葉式舵機密封件的摩擦磨損狀態，而振動信號能夠從宏觀層面反映其運行狀態，2 種信號相互印證，能精準反映舵機的工作狀態。因此，基于這2 種信號，采用C#和Matlab混合編程的方法實現轉葉式舵機密封件的故障診斷。首先用Matlab 提取轉葉式舵機密封件的摩擦系數信號和振動信號時域特征，然后采用BP 神經網絡進行故障診斷，最后在C#環境下構建轉葉式舵機故障診斷系統。

1.1 時域特征提取

密封件與缸體內壁之間的摩擦磨損過程往往具有隨機性，致使振動信號與摩擦系數信號呈現非平穩、非線性等特點，且實時采集數據量大，需要對這2 種信號進行特征提取，以便故障診斷。常用的特征提取方法包括時域分析法和頻域分析法等，時域分析法直接對原始信號進行分析，具有準確和逼近原始信息的特點。因此，采用Matlab 對振動信號與摩擦系數信號進行時域分析。由于不同的無量綱指標表征能力不一樣，為了減小診斷誤差，需要多個指標對故障進行多維度的表征。本文選取的主要時域特征指標如下：

最大值

平均值

峰峰值

方差

峭度

均方根值

波形因子

峰值因子

脈沖因子：

裕度因子

式中：xi為原始信號采樣值；N為采樣長度。

1.2 基于BP 神經網絡的轉葉式舵機故障診斷模型

BP 神經網絡具有很好的非線性逼近特性和自適應學習能力，能夠很好地表現轉葉式舵機密封件振動信號與摩擦系數信號非平穩、非線性等特點。采用3 層BP 神經網絡，即輸入層、隱含層和輸出層。BP 神經網絡的學習過程包括信號的正向傳播和誤差的反向傳播，各層的權值和閾值不斷自學習訓練[9]。基于BP 神經網絡的轉葉式舵機故障診斷模型構造如下：

1）輸入層和輸出層節點數

提取振動信號與摩擦系數信號的10 個特征值，則輸入層節點數為10。通常，轉葉式舵機密封件在正常運行過程中，磨粒粒徑一般在20 μm 內[10]；當粒徑在20～70 μm 范圍內時，會出現異常磨損；若粒徑超過100 μm，則會出現嚴重磨損[11]。因此，選擇純液壓油和磨粒粒徑分別為50 μm、120 μm 和160 μm 這4 種類型，模擬正常磨損、輕微磨損、嚴重磨損和劇烈磨損4 種狀態，編碼分別為（1000）、（0100）、（0010）和（0001），則輸出層節點數為4。

2）隱含層節點數

隱含層節點數的選擇可以根據下述經驗公式確定其范圍：

式中：k為隱含層節點數；m為輸入層節點數；n為輸出層節點數；a為1～10 的常數。

根據式（11），隱含層節點數k的取值范圍為5～14，通過設計一個隱含層節點數可變的BP 神經網絡，取誤差最小的為最佳隱含層節點數，選取的隱含層節點數為10。

3）其他BP 神經網絡結構參數

選擇tansig 和logsig 函數作為輸入層到隱含層、隱含層到輸出層的傳遞函數，設定的期望誤差為0.000 1，學習率為0.3 s，訓練次數為2 000。

4）信號的正向傳播過程

BP 神經網絡的輸入層變量通過加權求和以及隱含層神經元的閾值，在激活函數的作用下，得到隱含層神經元的輸出：

式中：xi為輸入層節點數；wik為輸入層到隱含層的連接權值；θk為隱含層神經元的閾值；f(x)為激活函數。

隱含層各輸出變量通過加權求和以及輸出層神經元的閾值，在激活函數的作用下，得到輸出層神經元的輸出：

5）誤差的反向傳播過程

通過網絡的實際輸出和期望輸出來計算誤差，則輸出節點的誤差為：

式中，Yj為期望輸出。

若誤差不滿足要求，首先從輸出層逐層求取各層神經元的實際輸出與期望輸出的誤差函數，然后根據誤差梯度下降法來修正各層的權值和閾值，使修改后的神經網絡的誤差在可接受范圍內[12]。

1.3 C#.NET 與Matlab 接口

Matlab 與C#通過接口實現混合編程，將Matlab 編寫的程序編譯為COM 組件或者.NET 程序集供C#調用[13–14]。采用.NET 程序集的方式進行混合編程。主要分為2 個步驟：1）把Matlab 程序編譯為.NET 程序集；2）C#調用Matlab 生成的.NET 程序集。具體流程如下：

通過.NET 組件技術生成2 個dll 文件，分別用于實現摩擦系數信號和振動信號的時域特征提取及BP 神經網絡的故障診斷。

1.4 轉葉式舵機故障診斷系統功能設計

圖1 混合編程流程圖Fig.1 Flowchart of hybrid programming

船舶轉葉式舵機故障診斷系統主要有四大功能模塊，分別是信號分析模塊、故障診斷模塊、故障數據庫和管理模塊，如圖2 所示。

圖2 轉葉式舵機故障診斷系統圖Fig.2 Fault diagnosis system diagram of rotary vane steering gear

信號分析模塊通過計算信號的統計特征分析設備的故障情況，主要包括時域分析和頻域分析；故障診斷模塊負責識別轉葉式舵機密封件的故障類型，系統設計了聚類分析、BP 神經網絡和閾值法3 種故障診斷方法，本文通過BP 神經網絡進行故障診斷；故障數據庫模塊設計了故障實體表、故障原因表和故障位置表，用于查詢故障發生的原因和位置；管理模塊分為數據庫管理和用戶管理，數據庫管理實現對SQL Server 數據庫中數據的增、刪、改、查等操作，用戶管理主要包括權限管理和密碼修改。

2 實例分析

2.1 實驗數據

選用粘度等級為ISO VG68（美孚）的純液壓油、分別混合有50 μm、120 μm 和160 μm 這3 種不同粒徑大小鐵粉液壓油模擬轉葉式舵機密封件在正常磨損、輕微磨損、嚴重磨損和劇烈磨損4 種狀態，并提取轉葉式舵機密封件在這4 種狀態下的振動信號和摩擦系數信號的特征值，為后續的故障診斷提供知識庫。其中，轉葉式舵機密封件在輕微磨損條件下的振動信號如圖3（a）所示，振幅較大，表明摩擦副之間磨損較為劇烈。輕微磨損條件下的摩擦系數如圖3（b）所示，摩擦系數先減小，然后逐漸趨于穩定，原因可能是開始階段摩擦副之間處于磨合磨損階段。

圖3 原始信號圖Fig.3 Original signal diagram

獲取轉葉式舵機密封件與缸體內壁之間在不同磨損程度情況下的振動信號及摩擦系數信號特征值是進行故障診斷的關鍵，表1 和表2yl 采用式（1）～式（10）求振動信號及摩擦系數信號的特征值。從表1可知，添加磨粒后的振動信號比純液壓油工況更顯著，隨著磨粒尺寸的增大，振動幅值從1m/s2增加到5 m/s2，峰峰值也隨之增大，表明磨損程度加劇。方差與均方根值均隨著磨損程度的增大而增大，純液壓油下，方差與均方根值分別為0.04 m/s2和0.2m/s2。在劇烈磨損（160 μm）工況下，方差和均方根值分別為0.8 m/s2和0.9 m/s2。振動信號圍繞零點上下波動，故在表征故障時，平均值并不顯著。綜上，最大值、峰峰值、方差與均方根值能較好地映射出振動信號在不同磨損程度的變化程度，具有較好的故障識別精度。

表1 振動信號特征值Tab.1 Characteristic values of vibration signal

表2 摩擦系數信號特征值Tab.2 Characteristic value of friction coefficient signal

從表2 可知，添加磨粒后的摩擦系數大于純液壓油下的摩擦系數。純液壓油下的摩擦系數穩定在0.07 左右，隨著磨粒尺寸的增加，摩擦系數的最大值和平均值增至0.17 左右，表明摩擦副之間的磨損加劇。峰峰值和均方根值均隨著磨粒粒徑的增加而增大，這表明摩擦副之間的波動幅度增大、磨損程度加劇。綜上，最大值、平均值、峰峰值和均方根值能夠較好地映射出摩擦系數信號在不同磨損程度的變化情況。

2.2 BP 神經網絡仿真測試

將上述時域特征參數作為標準知識庫作為網絡的輸入，網絡的輸出對應正常磨損、輕微磨損、嚴重磨損和劇烈磨損4 種狀態。把時域特征參數分為訓練集與測試集，訓練集用于模型的訓練，測試集用于檢驗模型的準確性。為了防止輸入的樣本數據存在奇異值，導致網絡訓練時間延長甚至不能收斂，首先對導入的樣本數據進行歸一化處理，然后把處理后的數據作為網絡的訓練數據，最后保存訓練后的網絡模型。歸一化公式如下：

2.3 實驗結果與分析

通過磨損實驗數據驗證該系統的可行性，一組是純液壓油下的振動信號，另一組是磨粒尺寸為50 μm的摩擦系數信號。在時域分析界面上設置了SQL Server 數據庫和Excel 兩個樣本數據入口，通過時域分析按鈕進行時域分析，特征值顯示在系統界面，點擊數據入庫按鈕把特征值存儲在SQL Server 數據庫中。圖4（a）為純液壓油時的振動信號圖，圖4（b）為磨粒尺寸為50 μm 時的摩擦系數信號圖。

圖4 振動信號與摩擦系數信號圖Fig.4 Vibration signal and friction coefficient signal diagram

采用式（1）～式（10）求振動信號和摩擦系數信號的特征值，結果如表3 所示。

表3 待測特征值Tab.3 Eigenvalues to be measured

在故障診斷模塊中，首先導入特征數據，然后點擊開始訓練按鈕，程序會進行故障診斷，并將診斷結果顯示在文本框里。BP 神經網絡在經過32 次訓練后，誤差精度就達到了要求。診斷結果與測試樣本真實故障一致，證明C#與Matlab 混合編程是可行的。

3 結語

本文以.NET 為開發平臺，采用C#和Matlab 混合編程技術構建了船舶轉葉式舵機故障診斷系統。該系統實現了對不同工況下的振動信號和摩擦系數信號的時域特征提取，并根據提取到的特征值進行故障診斷。故障診斷結果表明隨著磨粒粒徑的增大，振動信號的幅值和摩擦系數顯著增加，轉葉式舵機密封件的磨損加劇，說明該系統能夠快速、準確的識別轉葉式舵機密封件的磨損狀態。因此，C#和Matlab 混合編程在船舶機械故障診斷方面有著潛在的應用前景，為船舶轉葉式舵機可靠性運行提供了技術保障。