基于SOM神經網絡的液壓設備區間觀測與故障診斷研究

摘 要：【目的】液壓系統作為機械裝備的核心組成部分，其故障診斷與健康管理對于預防出現嚴重后果至關重要。本研究旨在構建高精度的液壓系統故障診斷模型，探索先進的液壓系統健康管理方法，以確保機械設備的穩定運行和操作安全。【方法】本研究采用自組織映射（SOM）神經網絡結合區間觀測技術，對液壓系統的關鍵性能指標（HFI）進行分析。SOM神經網絡通過無監督學習機制，自適應調整網絡參數與結構，揭示輸入數據的內在規律。區間觀測技術則通過對系統狀態進行實時監控，構建狀態的上下界估計，為故障診斷提供更為精確的依據。【結果】經過迭代訓練的SOM神經網絡結構對144種故障狀態的液壓冷卻過濾系統進行了檢測，故障診斷準確率達到了98.06%，準確率較高。【結論】本研究所提出的液壓設備故障診斷模型不僅能夠準確判斷設備的工作狀態，還具有較高的診斷性能，提高了整個機械裝備的運行效率和安全性。

關鍵詞：SOM神經網絡；液壓設備；故障診斷；區間觀測

中圖分類號：TH133.33 " "文獻標志碼：A " "文章編號：1003-5168（2025）06-0044-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.06.008

Research on Hydraulic Equipment Condition Monitoring and Fault

Diagnosis Based on SOM Network

HAO Fang CHEN Lijuan

（College of General Education， Zhengzhou University of Economics and Business， Zhengzhou 451191， China）

Abstract： [Purposes] As the core component of mechanical equipment， the fault diagnosis and health management of hydraulic system are very important to prevent serious consequences. The purpose of this study is to build a high-precision fault diagnosis model of hydraulic system， explore and realize advanced health management methods of hydraulic system， and ensure the stable operation and safe operation of mechanical equipment. [Methods] The key performance index （HFI） of hydraulic system was analyzed by using SOM neural network combined with interval observation technology. SOM neural network adaptively adjusts network parameters and structure through unsupervised learning mechanism， and reveals the inherent laws of input data. Interval observation technology can estimate the upper and lower bounds of the state by monitoring the system state in real time， which provides more accurate basis for fault diagnosis. [Findings] The iteratively trained SOM network structure was used to detect the hydraulic cooling filtration system in 144 fault states. The accuracy of fault diagnosis reached 98.06 %， and the accuracy was high.[Conclusions] The fault diagnosis model of hydraulic equipment proposed in this study not only can accurately judge the working state of the equipment， but also has high diagnostic performance， thus improving the operation efficiency and safety of the whole mechanical equipment.

Keywords： SOM neural network; hydraulic equipment; fault diagnosis; interval

0 引言

液壓傳動系統因其卓越的性能，在多個行業中扮演著至關重要的角色，其以緊湊的設計、輕量化的結構、高精度的操作、快速的響應時間、穩定的運行特性、出色的過載保護功能及強大的適應性而備受青睞。特別是在航空領域，液壓系統的健康狀態對飛行安全至關重要，任何故障都可能導致災難性的后果。因此，液壓系統的故障診斷和健康管理技術研究成為技術進步的關鍵。隨著技術的發展，機械設備正朝著更高性能、更高精度和智能化的方向邁進，對液壓系統安全性和可靠性的要求進一步提高。為確保機械設備的持續運行和操作人員的安全，液壓系統故障的早期診斷和預防性維護顯得尤為重要。因此液壓系統的故障診斷和健康管理技術成為研究熱點，其發展趨勢指向智能化、集成化和網絡化。通過采用先進的傳感器技術、數據分析方法和智能算法，可以實現對液壓系統故障的預測、診斷和健康管理，從而顯著提高系統的可靠性和安全性。

本研究提出一種基于SOM神經網絡的液壓系統故障診斷方法，以提高故障診斷的準確性和效率。通過研究，不僅為液壓系統的故障診斷提供了新的技術手段，也為液壓設備的健康監測和管理提供了科學依據，對于提升液壓系統的可靠性和安全性具有重要意義。

1 液壓設備的故障及區間觀測技術

1.1 液壓設備的故障

液壓系統的故障種類繁多，涵蓋了油品劣化、異常溫度升高、系統性振動與沖擊、油液外泄、壓力異常波動及整體運行的不穩定性等。鑒于液壓系統中的機械元件和液體介質均在一個密封的循環體系內運作，其故障診斷并不像傳統機械設備那樣直觀可見，也不像電氣設備那樣可以通過多種測試工具直接獲取運行數據［1］。此外，液壓系統工作環境多變，系統油液易受污染、油溫敏感度高、泄漏風險大，加之操作和維護不當的情況時有發生，故障診斷工作充滿挑戰。故障的隱蔽性及其與原因、結果之間的復雜關系，進一步增加了診斷難度［2］。隨著對液壓設備性能要求的不斷提升，故障診斷技術也在不斷進步，現已發展成為人工智能及大數據分析等多個領域的綜合技術體系。

1.2 區間觀測技術

在控制理論中，區間觀測技術作為一種有效的故障診斷方法，通過建立系統的區間模型，能夠在不確定性和外部擾動存在的情況下，對系統狀態進行估計和故障檢測。將區間觀測技術應用于液壓系統的故障診斷，以適應不斷變化的工作環境，最終提高診斷的魯棒性和準確性。區間觀測器能夠處理液壓系統的參數不確定性和外部干擾等情況，為液壓設備的健康管理和故障預測提供強有力的保證。

2 SOM神經網絡結構

SOM神經網絡作為一種無監督學習網絡，在訓練時無須依賴數據標簽。其能夠自動識別數據的拓撲結構，并將相似的輸入樣本映射到網絡中相鄰位置，通過自適應調整網絡權重，實現數據分類［3］。這種自組織的特性使SOM神經網絡在處理復雜數據集時尤為有效，其能夠揭示樣本間的內在聯系，通過預先對輸入數據進行空間劃分，優化了訓練過程，并能在分類數據的同時揭示數據在網絡中的分布情況，這對于網絡結構的進一步優化至關重要。

SOM神經網絡結構如圖1所示，由輸入層和輸出層構成。輸入層的功能是將外部信息通過權重向量傳遞到輸出層的神經元，其節點數量與輸入樣本的維度相匹配，形成單層神經元的排列［4］。輸出層，也稱為競爭層，可以是一維、二維或三維的陣列結構，其中二維平面陣列，即棋盤狀布局，是最為常見的形式。

SOM神經網絡，也稱為Kohonen網絡，是一種無監督學習算法，其核心在于通過自組織的方式對輸入數據進行拓撲結構保持映射。其算法步驟如下：①初始化，網絡的權值向量[Wj]被賦予［0，1］區間的隨機值，同時確定初始優勝鄰域 [Nj*（0）] 和學習率[η] 的初始值，其中j代表輸出層神經元的數量；②輸入處理，輸入參數被歸一化后送入網絡，每個參數都通過輸入層傳遞到輸出層的神經元；③競爭選擇，計算輸入向量[Pk]與權值向量[Wj]之間的距離，選擇距離最近的神經元作為獲勝節點j；④鄰域定義，以獲勝節點[j*]為中心，確定在時刻t的權值調整鄰域，初始鄰域較大，且隨訓練進程逐漸縮小；⑤權值調整，對于在優勝鄰域[Nj*（t）]內的所有神經元，根據公式（1）調整權值，其中[α（t，N） ]是學習率與鄰域內神經元與獲勝神經元[j*]之間的拓撲距離N的函數［4］；⑥學習率和鄰域半徑調整，學習率[η（t）]和鄰域半徑 [σt ]隨時間t遞減，通常采用的調整策略為[η=η01+tT2 ，σ=σ01+tT2 ]，其中 T為總迭代次數；⑦ 結束判定，當學習率降低到預設閾值或達到最大迭代次數時，訓練結束。否則，返回步驟②繼續訓練。

[wij（t+1）=wij（t）+α（t，N）[xi-wij（t）]] " "（1）

通過這一過程，SOM神經網絡能夠有效地將高維輸入數據映射到低維空間，并保持數據的拓撲特性，以實現數據的聚類和可視化。這種算法因其獨特的自組織特性，在數據挖掘、模式識別、圖像處理等領域得到了廣泛應用。

3 液壓設備故障診斷的SOM神經網絡

3.1 故障樣本處理

為了實現液壓設備的故障診斷，選擇5個關鍵參數分別為特征功率譜、總功率、平均功率譜、最大振幅和振幅均方根［5］。這些參數是基于對特定型號液壓設備在不同工作狀態下振動信號進行分析得出的樣本數據。將這些數據作為輸入層，設計并訓練SOM神經網絡模型。為了確保計算結果的準確性，對［0，1］范圍內的樣本數據進行歸一化處理，具體見式（2）。

[x=x-xminxmax-xmin] " " （2）

式中：[x]為原始數據；[x]為歸一化后的數據；[xmin]為數據集中的最小值；[xmax]為數據集中的最大值。

3.2 利用SOM神經網絡建立模型

本研究按照系統分類歸納故障集合，即液壓泵泄漏、過濾器堵塞、電磁閥損壞、系統安全閥故障、阻尼孔損壞、壓力補償閥損壞、液壓缸泄漏和液壓泵過載。取8種故障特征作為液壓系統的故障樣本，即電流、油壓、振動位移、振動加速度、溫度、流量、油液磨屑和噪聲。傳感器收集的數據見表1。

本研究在構建SOM神經網絡模型時，根據表1所提供的8個關鍵特征參數，設計了輸入層，包含8個神經元，以匹配數據的特征維度。競爭層也配置了8個神經元，這一配置策略是基于對輸出層神經元數量過多的考量。若輸出層神經元過多，則在后續的故障參數識別過程中，可能會將某些檢測參數錯誤分類至空集，進而導致故障判斷失誤。故輸出層神經元的數量應與故障類型的數量大致相等，以確保網絡結構的合理性和故障診斷的準確性。這種設計允許輸入層與競爭層之間的神經元相互連接，從而在保持數據拓撲結構的同時，實現有效的故障診斷。

3.3 網絡訓練

本研究使用MATLAB對已構建的神經網絡模型進行訓練，通過多次試驗，確定了10、50、100和500等4個不同的訓練步數，并記錄了在這些步數下的權重分布和訓練成效［6-7］。本研究對這4類步數進行訓練，分析結果如下：①訓練步數為10時，特征X2、X4、X5、X6被歸為一類，X3、X7、X8歸為另一類，而X1單獨成一類；②訓練步數為50時，特征X2、X4、X5、X6仍被歸為一類， X7、X8歸為另一類，X1、X3單獨成一類；③訓練步數為100時，X1，X2，X6單獨一類， X3和X7為一類，X4和X5為一類；④訓練步數為500時，分類效果與僅訓練100次時相比沒有顯著差異，這表明增加更多的訓練迭代不會對分類性能帶來進一步的提升。當神經網絡已經達到一個較為優化的分類狀態，競爭層神經元的排列形成了一個6行6列的網格結構。這一結果意味著網絡已經穩定，并能夠以較高的準確度完成分類任務，無須進一步增加訓練迭代次數。

訓練完成后，SOM網絡拓撲結構如圖2所示，相鄰神經元的距離關系如圖3所示，訓練500步時的各權重分布如圖4所示。

在圖3拓撲結構中，顏色越深，說明神經元之間的距離越遠。經過充分的訓練周期后，由圖4可以看出，SOM神經網絡能夠確定其權重值并達到穩定狀態。對于新的輸入參數，網絡能夠自動進行分類處理。經過訓練的SOM神經網絡能夠準確定位各類故障的聚類中心，并確定這些中心在競爭層中的輸出位置。故障類型在聚類中心的分布顯示出良好的均勻性，這有助于提高診斷過程的準確性和可靠性。SOM神經網絡聚類結果見表2。

3.4 故障診斷驗證

為了檢驗建立的 SOM 神經網絡的可靠性，將液壓設備的故障待測樣本進行故障檢測與識別，待測樣本數據為｛38.7，50.6，21.1，29.56，40.03，36.33，55.1｝，利用已經訓練好的SOM神經網絡對以上故障樣本進行檢測，每個神經元的分類情況如圖5所示。

通過計算，結果為r=1（r是故障原因類型的分類標簽），故歸為第一類故障，即液壓泵泄漏。基于SOM算法的液壓系統故障診斷模型在UCI2（UCI數據庫是機器學習領域常用的一個開放數據集）的公共數據集上進行了試驗驗證，對有144種故障狀態的液壓冷卻過濾系統的故障診斷準確率達到了98.06%，表明該診斷準確率較高。

4 結語

自組織映射（SOM）神經網絡，作為一種無監督學習算法，具備自我組織和自適應的特性，能夠在較低的數學模型依賴下展現出卓越的容錯性能。經過充分的迭代訓練，SOM網絡能夠鎖定其權重，實現對新輸入參數自動分類。該網絡在精確識別不同故障的聚類中心及其在競爭層的輸出位置方面具有一定優勢，且故障類型在聚類中心的分布呈現均勻性，這對于故障診斷領域而言是一個重要的優勢。基于SOM神經網絡所構建的診斷模型，不僅在準確性上具有較高的保證，而且為液壓設備的故障診斷提供了一種切實可行的解決方案。

參考文獻：

［1］王楠，谷立臣.基于SOM網絡可視化技術的液壓系統故障分類研究［J］.流體傳動與控制，2009（3）：5-9.

［2］余金寶，谷立臣，孫穎宏.利用SOM網絡可視化方法診斷液壓系統故障［J］.工程機械，2007（12）：54-57，134.

［3］蔣銳，范姝文，王小明，等.基于改進SOM網絡的聚類算法［J/OL］.計算機科學，1-15［2024-12-20］.http：//kns.cnki.net/kcms/detail/50.1075.TP.20241101.1447.032.html.

［4］章建林，黃金波.基于SOM神經網絡的礦井提升機故障診斷步驟優化［J］.科學技術創新，2021（8）：39-40.

［5］俞杭，陳換過，肖雪，等.基于SOM的電靜壓伺服機構油濾堵塞故障診斷［J］.成組技術與生產現代化，2019，36（2）：11-16.

［6］劉源，李建國，王飛飛.液壓泵故障PSO-BP診斷層與D-S決策層融合診斷［J/OL］.機械設計與制造，1-6［2024-12-26］.https：//doi.org/10.19356/j.cnki.1001-3997.20241224.038.

［7］郭京峰.基于改進PSO-BP神經網絡的挖掘機液壓系統故障診斷［J］.現代制造技術與裝備，2024，60（11）：37-39.