液壓裝載機轉向系統故障智能診斷技術分析

摘 要：液壓裝載機轉向系統復雜性，易受外界環境影響，從而頻繁出現故障問題，給機器的正常運行帶來了很大的風險和不便。基于此，對液壓裝載機轉向系統智能故障診斷技術進行深入研究，介紹液壓裝載機轉向系統的基本原理和組成，并從液壓傳動系統、液壓泵、液壓缸等方面對轉向系統進行了詳細分析。針對轉向系統存在的故障問題，提出了智能診斷技術在液壓裝載機轉向系統故障診斷中的應用，智能診斷技術結合先進技術，有效提高故障診斷的準確性效率，并詳細研究了液壓裝載機轉向系統智能故障診系統的工作原理和流程。為了驗證液壓裝載機轉向系統智能故障診斷技術的有效性和可行性，通過對不同類型故障的模擬實驗和實際故障的實時監測，結果表明，智能診斷方法在準確性和效率上均有明顯的優勢。

關鍵詞：液壓裝載機；轉向系統；智能故障診斷；技術分析

中圖分類號：TH137" " " " " " " " " " " " " " " " 文獻標識碼：A" " " " " " " " " " " " " " " " "文章編號：2096-6903（2024）06-0034-03

0 引言

液壓裝載機是一種常見的工程機械設備，在工業生產中具有廣泛的應用。轉向系統是液壓裝載機的重要組成部分，對機器的操控性能和工作效率有直接影響。長期使用過程中，故障問題頻繁出現，給機器的運行帶來了不便。隨著人工智能技術的快速發展，智能故障診斷技術逐漸成為解決轉向系統故障問題的有效手段[1]。

1 液壓裝載機轉向系統的基本組成與故障分析

1.1 液壓裝載機轉向系統的組成

液壓裝載機轉向系統是利用動能原理進行能量轉換的機械裝置，由一個或多個旋轉部件組成的復雜系統。部件主要包括電機、齒輪、軸承、軸和其他相關部件，這些部件協同工作，將能量轉換成旋轉運動。

簡單的旋轉機械系統通常可大致分為動力部分、傳動部分和負載部分3個部分。動力部分通常由電機或其他能量源驅動，由一個或多個轉子組成，轉子是系統的主要部件之一，能量源通過電力或其他方式生成機械能并將能量傳遞給旋轉機械系統的其他部分。傳動部分主要由齒輪、軸和軸承組成，負責將動力部分的能量傳遞給負載部分。齒輪傳動是常用的傳動方式，齒輪通過磨合來傳遞能量，可以用來提高或降低傳動比。軸承主要起到支撐作用，減少轉子和軸的摩擦和磨損，并延長設備壽命[2]。

1.2 液壓裝載機轉向系統存在的故障問題

齒輪箱齒輪故障最為常見，通常齒輪會出現齒面磨損、齒面膠合、齒根斷裂、齒面點蝕等故障[3]。軸承故障也較多，有表面破損、裂紋、膠合、點蝕等。電機故障包括電氣失效和機械失效，其中電氣故障多于機械故障，常見的故障有電機振動過大、減速箱過熱和振動等。輔助裝置的故障主要包括液壓系統故障和噴霧冷卻裝置故障，常見故障有無法調高或調高動作緩慢、液壓系統壓力不足等。電氣系統故障主要分為電控箱故障和電纜故障兩種類型，電控箱故障常表現為變頻器、變壓器、回路控制模塊等設備出現故障，而電纜故障則主要表現為電纜和電機電纜故障。表1為液壓裝載機轉向系統故障問題。

1.3 轉向系統故障問題的產生原因

造成故障的原因有：①調高泵損壞導致泄漏量太大、安全閥損壞造成壓力調整不到設定值、油缸或油管密封失效從而大量漏油造成壓力不足、液壓油受到污染、雜質過多堵塞管路等，會造成調高系統故障。②單向閥損壞、液壓油缸不密封、調高油缸漏油、安全閥泄漏、管路破損等。③液壓泵損壞造成液壓油流量不足、液壓泵電機轉向錯誤從而不吸油、溢流閥泄漏導致壓力達不到設定值、油池油量過少、密封失效或管路破損等，會造成液壓系統壓力不足。④軸承在連續工作一段時間后，如果潤滑油不能及時加注或更換，就會導致軸承的摩擦力增大，軸承安裝處出現縫隙和位移等問題，從而引起軸承故障。這種故障通常會伴隨著軸承溫度異常升高。⑤齒輪箱的高速區長期處于高溫狀態，潤滑油容易變質并發生乳化，從而降低潤滑效果，甚至加劇磨損，還會導致齒輪和軸承的磨損加劇，進一步提高齒輪箱的溫度，形成惡性循環。⑥長時間超負荷工作，內部產生的熱量太多，熱量積累時間長。⑦潤滑不足，包括潤滑油質量不過關或者使用的潤滑油粘度不符合要求，潤滑油量太多或太少等。⑧密封不嚴，導致齒輪箱內進入水或其他異物等雜質，影響油膜強度，導致磨損加劇，產生熱量[4]。

2 轉向系統智能故障診斷技術

2.1 轉向系統智能診斷分析

隨著轉向系統設備結構愈加復雜，在實際生產過程中，零部件故障的發生也將會導致巨大損失。目前針對于轉向系統設備故障診斷研究大多集中在以下2個方向：①基于解析模型的故障診斷方法，解析模型的故障診斷方法可以通過建立研究對象的數學模型來識別故障。②數據驅動的故障診斷方法。數據驅動的故障診斷方法在轉向系統設備故障診斷中，應用較為廣泛的主要有基于信號處理的方法與基于機器學習的方法[5]。

2.2 數據不平衡下的轉向系統智能故障診斷分析

針對轉向系統設備故障診斷中存在的數據不平衡問題，研究人員進行了大量的工作，現有的研究成果主要分為基于特征學習的方法、基于分類器設計的方法和基于數據增強的方法3類。

基于特征學習的方法。在故障診斷任務中，從傳感器數據中獲取故障信息，學習故障特征好壞以及是否能夠從故障特征中獲取有效信息，這將很大程度上決定故障診斷的性能。設計正則化神經網絡能夠有效地處理小而不平衡的數據。

基于分類器設計的方法。故障分類器的分類性能在很大程度上決定了故障識別精度的高低。在缺乏可用的故障數據時，訓練得到的分類器可能會出現模型過擬合、分類準確性低等問題。若能設計出對小樣本和不平衡數據具有較強泛化能力的故障分類器，就有可能在缺乏故障數據的情況下實現準確的故障分類。

基于數據增強的方法可以通過數據過采樣、數據生成等方式擴充有限的故障數據集，以更有效地訓練智能診斷模型。數據過采樣通過對少數類樣本過抽樣增加數據，以擴充數據集。

3 基于卷積神經網絡的轉向系統智能故障診斷技術

3.1 卷積神經網絡模型建立

CNN由輸入層、卷積層、池化層、全連接層和輸出層等組成，結構示意圖如圖1所示。卷積層是卷積神經網絡中的主要組成部分，其通過卷積對輸入數據進行處理，并利用學習到的參數實現對潛在特征的提取。這組參數可以被看作為某些神經元的共享參數，稱為卷積核，通常是一個二維數組。公式描述如式（1）所示。

（1）

式中：Sm與Hn分別表示輸入數據的第m個區域的大小和第n個卷積核的大小；I為當前的卷積層數；" "運算符號表示兩矩陣內對應元素相乘后，再將所有的乘積相加；W IHn為第1層第n個卷積核的權重矩陣；X ISm為第1層n區域的輸入數據矩陣；aI（i'，j'）n表示為第l層第n個卷積核的卷積結果在輸出特征圖（i'，j'）位置的輸出值。

3.2 液壓裝載機轉向系統故障診斷模型

為了充分發揮 CNN 的特征提取能力，并在較大程度上簡化 CNN 的結構，選用帶有 GAP 的單層卷積的網絡框架模型。該模型的具體參數和結構如表2所示。

借助數據融合的方法，將處在兩個不同空間位置的加速度傳感器所采集到的數據作為模型的輸入，并對其進行概率為的隨機置零（Dropout），以保證模型的泛化能力，降低模型過擬合的可能性。使用64個大小為（20，2）的卷積核對輸入數據進行卷積操作，進而提取數據的高維特征，輸出為64個大小為（81，1）的特征圖。

4 實驗仿真與結果分析

通過上述操作，可以得到包含491520個樣本，28個特征的數據集。該數據集分為訓練集和測試集兩部分，測試集約占該數據集的 30%。訓練集首先用于BOA 對 LightGBM 的最佳超參數組合的選擇。在本研究中，主要對4個參數進行尋優，包括：n_estimators：（boosting 的迭代次數）、learning_rate（學習率）、max_depth（模型的最大深度）與 num_leaves（葉子節點個數）。BOA的迭代次數為30次，參數范圍及最優值如表3所示。

利用訓練集數據對進行優化和訓練，得到用于預測的模型。將測試集輸入該模型，可計算出各故障模型的精確率、召回率和F1分數，如表4所示。從表4可以看出，該方法在每種故障模式下都具有近乎完美的分類性能。此外，該方法的Macro-F1的綜合性能為99.70%，說明了該方法可以很好的完成故障診斷任務。

為進一步證明該方法的優越性，將樸素貝葉斯分類器算法（Naive Bayes Classifiers， NBC）算和KNN算法應用于行星齒輪箱的故障診斷。通過對比實驗，所提方法有著最高的 Macro-F1值。KNN與所提方法的Macro-F1值相似，但診斷時間是該方法的147倍左右。雖然NBC的速度最快，但Macro-F1的這個值較低。

5 結束語

本文通過對液壓裝載機轉向系統智能故障診斷技術的分析和研究，深入探討了該技術在提高轉向系統故障診斷準確性和效率方面的作用。通過對轉向系統的傳感器進行實時監測和數據采集，獲取系統運行狀態的參數信息，利用模式識別和數據處理技術對采集到的數據進行分析和處理，以識別出可能存在的故障模式，通過專家系統和故障數據庫的支持，進行故障診斷和推理，給出準確的故障診斷結果和處理建議，通過實驗證明了該技術的可行性和優越性。

參考文獻

[1] 劉東川，鄧艾東，趙敏，等.基于改進深度森林的旋轉機械故障診斷方法[J].振動與沖擊，2022，41（21）：19-27.

[2] 李彥夫，韓特.基于深度學習的工業裝備 PHM 研究綜述[J].振動.測試與診斷，2022，42（5）：835-847+1029.

[3] 時培明，范雅斐，伊思穎，等.基于HVD小波包降噪編碼深度學習的風電機組智能診斷研究[J].振動與沖擊，2022，41 （12）：196-201.

[4] 崔明亮.基于深度學習與支持向量機的旋轉機械故障診斷研究[D].青島：山東科技大學，2021.

[5] 鄭近德，程軍圣，楊宇.改進的EEMD 算法及其應用研究[J].振動與沖擊，2013，32（21）：21-26.