基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)故障診斷

邱寒雨，張春峰，徐 兵，蘇 琦，王潤(rùn)林

(1.浙江大學(xué) 流體動(dòng)力與機(jī)電系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310027；2.北京機(jī)械設(shè)備研究所，北京 100854)

引言

液壓起豎裝置是將物體由水平狀態(tài)提升到某一角度狀態(tài)的機(jī)構(gòu)，在基礎(chǔ)設(shè)施建設(shè)和國(guó)防軍工領(lǐng)域均有廣泛應(yīng)用。液壓系統(tǒng)作為起豎裝置的重要組成部分，存在元件眾多、回路復(fù)雜等特點(diǎn)，其故障具有隱蔽性，一旦發(fā)生故障，將造成經(jīng)濟(jì)損失和安全事故。

LINARIC D等[1]使用神經(jīng)網(wǎng)絡(luò)算法對(duì)液壓系統(tǒng)進(jìn)行故障診斷，可以對(duì)液壓系統(tǒng)多重故障狀態(tài)進(jìn)行識(shí)別；李勝等[2]提出基于決策樹(shù)的AdaBoost算法并將其應(yīng)用于某型裝甲車(chē)輛液壓系統(tǒng)故障診斷研究，結(jié)果表明該算法優(yōu)于普通“一對(duì)一”算法與“一對(duì)余”算法；周大星等[3]利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)液壓起豎系統(tǒng)建立了故障診斷模型，對(duì)計(jì)算得到的樣本數(shù)據(jù)進(jìn)行仿真，在4種故障模式時(shí)準(zhǔn)確率達(dá)到100%；宋濤等[4]將蟻群算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合應(yīng)用于發(fā)射系統(tǒng)柱塞泵故障診斷，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值進(jìn)行優(yōu)化，使用MATLAB/Simulink進(jìn)行仿真，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了一定的改進(jìn)。上述研究各有特點(diǎn)，但對(duì)計(jì)算機(jī)運(yùn)行內(nèi)存要求較高，運(yùn)算量較大，針對(duì)特征量多、故障類(lèi)別多的快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)，仍需研究更加準(zhǔn)確有效的故障診斷方法。

在對(duì)快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)進(jìn)行故障診斷時(shí)[5]，需要分析位移、壓力、流量等多個(gè)特征量對(duì)不同故障類(lèi)型的影響。針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型分類(lèi)準(zhǔn)確率較低的問(wèn)題，本研究搭建某型快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)的實(shí)驗(yàn)平臺(tái)，利用BP-AdaBoost算法構(gòu)造分類(lèi)器對(duì)實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行分類(lèi)。通過(guò)計(jì)算與實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)方法相比，改進(jìn)后的多分類(lèi)BP-AdaBoost算法能夠明顯提高分類(lèi)準(zhǔn)確率。

1 實(shí)驗(yàn)臺(tái)簡(jiǎn)介

1.1 實(shí)驗(yàn)臺(tái)液壓系統(tǒng)原理

本研究針對(duì)某型快速起豎裝置，搭建了快速起豎裝置模擬實(shí)驗(yàn)臺(tái)，用于解決快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)故障診斷問(wèn)題。對(duì)液壓系統(tǒng)進(jìn)行故障診斷時(shí)需要對(duì)系統(tǒng)特征量進(jìn)行分析，因此在液壓驅(qū)動(dòng)系統(tǒng)中設(shè)置多個(gè)監(jiān)測(cè)關(guān)鍵點(diǎn)，實(shí)驗(yàn)臺(tái)液壓系統(tǒng)原理及監(jiān)測(cè)關(guān)鍵點(diǎn)分布圖如圖1所示，關(guān)鍵點(diǎn)參數(shù)統(tǒng)計(jì)見(jiàn)表1。

表1 實(shí)驗(yàn)臺(tái)監(jiān)測(cè)關(guān)鍵點(diǎn)參數(shù)統(tǒng)計(jì)表

1.油箱 2.軸向柱塞泵 3、6.電機(jī) 4.齒輪泵 5.葉片泵 7～9.單向閥 10、11、13.過(guò)濾器 12.溢流閥 14.比例溢流閥 15、24.壓力表 16、23.壓力傳感器 17.回油過(guò)濾器 18.風(fēng)冷器 19.齒輪流量計(jì) 20、21、25.高壓球閥 22.渦輪流量計(jì) 26.減壓閥 27.電磁換向閥 28.比例伺服閥 29.平衡閥 30.加載液壓缸 31.起豎缸 32.節(jié)流閥

實(shí)驗(yàn)裝置主要包括以下元件：電機(jī)泵組包括軸向柱塞泵、齒輪泵和葉片泵，齒輪泵控制軸向柱塞泵斜盤(pán)擺角調(diào)整系統(tǒng)流量，葉片泵防止加載缸無(wú)桿腔吸空；溢流閥調(diào)定系統(tǒng)壓力；比例伺服閥用于對(duì)起豎缸進(jìn)行速度控制；起豎缸進(jìn)出口安裝平衡閥，起到平衡負(fù)載和反向截止的作用；流量計(jì)對(duì)軸向柱塞泵出口和系統(tǒng)入口流量實(shí)時(shí)監(jiān)控。

1.2 故障注入方法及工況設(shè)置

國(guó)內(nèi)外各研究機(jī)構(gòu)對(duì)故障注入方法進(jìn)行了較為深入的研究[6-8]，基于快速起豎裝置實(shí)際運(yùn)行情況，采用基于輔助元件的硬件故障注入方法，通過(guò)調(diào)節(jié)球閥、節(jié)流閥等輔助元件來(lái)模擬快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)的故障工況。設(shè)置起豎缸內(nèi)泄、平衡閥泄漏、比例伺服閥閥芯卡死、平衡閥堵塞和正常工況等典型工況。故障注入方法及工況詳情如下：

(1)起豎缸內(nèi)泄：通過(guò)調(diào)節(jié)與起豎缸并聯(lián)的節(jié)流閥開(kāi)度來(lái)模擬起豎缸內(nèi)泄，節(jié)流閥開(kāi)度對(duì)應(yīng)起豎缸內(nèi)部泄漏程度。液壓油由內(nèi)部高壓腔向低壓腔滲漏，導(dǎo)致起豎缸位移降低，嚴(yán)重時(shí)將導(dǎo)致起豎缸無(wú)法正常工作。可由起豎缸內(nèi)壓力、系統(tǒng)流量、起豎缸位移等特征量進(jìn)行分析。

(2)平衡閥泄漏：通過(guò)調(diào)節(jié)與平衡閥并聯(lián)的節(jié)流閥開(kāi)度來(lái)模擬平衡閥泄漏，節(jié)流閥開(kāi)度對(duì)應(yīng)平衡閥泄漏程度。隨著泄漏程度增大，平衡閥前后壓差減小，導(dǎo)致起豎缸油液壓力不足，起豎缸位移降低。可由起豎缸內(nèi)壓力、伺服閥壓力等特征量進(jìn)行分析。

(3)伺服閥閥芯卡死：通過(guò)掐斷比例伺服閥電源來(lái)模擬伺服閥閥芯卡死，此時(shí)伺服閥的流量降低，導(dǎo)致起豎缸運(yùn)動(dòng)速度降低，運(yùn)動(dòng)至最大位置時(shí)間增加?？捎善鹭Q缸位移、伺服閥位移、伺服閥壓力等特征量進(jìn)行分析。

(4)平衡閥堵塞：通過(guò)轉(zhuǎn)動(dòng)平衡閥油路上的球閥角度來(lái)模擬平衡閥堵塞，當(dāng)平衡閥完全堵塞時(shí)，液壓油無(wú)法通過(guò)平衡閥，起豎缸停止工作，系統(tǒng)內(nèi)壓力上升?？捎善鹭Q缸位移、起豎缸壓力、伺服閥壓力等特征量進(jìn)行分析。

不同工況下液壓驅(qū)動(dòng)系統(tǒng)特征量有所不同，通過(guò)對(duì)特征量分析可以對(duì)驅(qū)動(dòng)系統(tǒng)工況進(jìn)行分類(lèi)，對(duì)不同工況建立特征量表，詳見(jiàn)表2。

表2 快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)工況特征量表

快速起豎裝置模擬實(shí)驗(yàn)臺(tái)主要包括液壓動(dòng)力源、機(jī)械執(zhí)行裝置和電控操作臺(tái)，實(shí)驗(yàn)臺(tái)如圖2所示。對(duì)快速起豎裝置進(jìn)行故障注入實(shí)驗(yàn)，得到起豎缸內(nèi)泄、平衡閥泄漏、比例伺服閥閥芯卡死、平衡閥堵塞和正常工況等8種典型工況下各個(gè)特征量的輸入數(shù)據(jù)，為后續(xù)搭建故障診斷模型奠定基礎(chǔ)。

圖2 快速起豎裝置模擬測(cè)試臺(tái)實(shí)物圖

2 故障診斷模型建立

在快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)故障診斷模型的建立中，需要對(duì)液壓驅(qū)動(dòng)系統(tǒng)中的位移、壓力、流量等多個(gè)特征量進(jìn)行分析，以對(duì)多種故障類(lèi)型進(jìn)行準(zhǔn)確診斷，BP-AdaBoost算法尤其適用于這種多分類(lèi)非線(xiàn)性關(guān)系問(wèn)題。

2.1 BP-AdaBoost算法

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，其實(shí)質(zhì)是一類(lèi)按照誤差逆向傳播運(yùn)算的多層前饋網(wǎng)絡(luò)。BP-AdaBoost算法通常應(yīng)用于二分類(lèi)問(wèn)題[9]，特點(diǎn)是將單個(gè)BP網(wǎng)絡(luò)模型作為弱分類(lèi)器，將多個(gè)弱分類(lèi)器按照不同權(quán)重值組成強(qiáng)分類(lèi)器，通過(guò)不斷訓(xùn)練樣本，進(jìn)行快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)故障分類(lèi)。

傳統(tǒng)的多分類(lèi)BP-AdaBoost算法是基于二分類(lèi)算法，構(gòu)造多個(gè)強(qiáng)分類(lèi)器，訓(xùn)練時(shí)間和訓(xùn)練精度受訓(xùn)練數(shù)據(jù)量影響較大，因此需要進(jìn)行改進(jìn)，以適應(yīng)快速起豎裝置多故障分類(lèi)問(wèn)題。本研究對(duì)多分類(lèi)BP-AdaBoost算法改進(jìn)主要有以下兩點(diǎn)：一是將BP神經(jīng)網(wǎng)絡(luò)與指數(shù)損失函數(shù)的逐步疊加建模算法進(jìn)行結(jié)合構(gòu)造多分類(lèi)BP-AdaBoost算法；二是不再計(jì)算分類(lèi)誤差，改為計(jì)算分類(lèi)錯(cuò)誤率。該起豎裝置液壓驅(qū)動(dòng)系統(tǒng)BP-AdaBoost算法流程圖如圖3所示，其主要特點(diǎn)是，每次訓(xùn)練時(shí)對(duì)訓(xùn)練數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)弱分類(lèi)器的權(quán)重值進(jìn)行修改以改善模型。

圖3 起豎裝置液壓驅(qū)動(dòng)系統(tǒng)BP-AdaBoost算法流程圖

假設(shè)給定多分類(lèi)訓(xùn)練數(shù)據(jù)集T={(x1,y1),(x2,y2),…,(xn,yn)},其中輸入數(shù)據(jù)Xi∈X?Rn，標(biāo)簽數(shù)據(jù)為yi∈{-1,+1}，輸出強(qiáng)分類(lèi)器G(x)。改進(jìn)的多分類(lèi)BP-AdaBoost算法具體步驟如下。

(1)初始化BP神經(jīng)網(wǎng)絡(luò)權(quán)值閾值：

i=1，2,…,n

(1)

(2)對(duì)于M個(gè)弱分類(lèi)器，form=1∶M，進(jìn)行訓(xùn)練數(shù)據(jù)集訓(xùn)練，得到BP神經(jīng)網(wǎng)絡(luò)弱分類(lèi)器：

Gm(x)∶x→{1,2,…,K}

(2)

(3)計(jì)算Gm(x)分類(lèi)錯(cuò)誤率：

(3)

(4)計(jì)算Gm(x)系數(shù)：

(4)

(5)更新訓(xùn)練數(shù)據(jù)權(quán)重值，其中fi∈{-1,+1},當(dāng)預(yù)測(cè)結(jié)果正確時(shí)取1，預(yù)測(cè)錯(cuò)誤時(shí)取-1：

Dm+1=(wm+1,1,…,wm+1,i,…,wm+1,n)

(5)

(6)

(7)

式(6)對(duì)結(jié)果進(jìn)行歸一化，得到最終的強(qiáng)分類(lèi)器G(x)：

(8)

2.2 故障診斷模型參數(shù)設(shè)置

經(jīng)過(guò)測(cè)試臺(tái)故障注入試驗(yàn)，得到8種典型工況對(duì)應(yīng)的11個(gè)特征量的輸入數(shù)據(jù)，每種工況選擇100個(gè)特征樣本共800個(gè)樣本用于系統(tǒng)故障診斷，其中560個(gè)特征樣本用于模型訓(xùn)練，240個(gè)特征樣本用于模型測(cè)試驗(yàn)證。7種故障工況及1個(gè)正常工況的輸出數(shù)據(jù)以數(shù)字1～8編碼表示。利用該數(shù)據(jù)集對(duì)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型和改進(jìn)后的多分類(lèi)BP-AdaBoost故障診斷模型進(jìn)行故障診斷分析。從診斷模型網(wǎng)絡(luò)數(shù)據(jù)擬合度、測(cè)試臺(tái)注入故障類(lèi)型分類(lèi)錯(cuò)誤率、預(yù)測(cè)輸出和相對(duì)誤差值進(jìn)行對(duì)比分析。

對(duì)診斷模型的數(shù)據(jù)進(jìn)行特征量選取、樣本選擇和數(shù)據(jù)歸一化處理之后，利用MATLAB軟件編寫(xiě)測(cè)試臺(tái)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型，其中權(quán)值和閾值不需初始化設(shè)定，newff函數(shù)自動(dòng)隨機(jī)初始化賦值，此外根據(jù)特征量將輸入、輸出層節(jié)點(diǎn)數(shù)設(shè)置為11；通過(guò)測(cè)試對(duì)比將隱層和輸入層、輸出層之間對(duì)應(yīng)的傳遞函數(shù)設(shè)置為tansig和purelin函數(shù)，將模型訓(xùn)練函數(shù)設(shè)置為trainlm訓(xùn)練函數(shù)；另根據(jù)經(jīng)驗(yàn)公式將隱層節(jié)點(diǎn)數(shù)設(shè)置為12，最大迭代次數(shù)取60000次，學(xué)習(xí)率取0.01，學(xué)習(xí)目標(biāo)取0.01。

根據(jù)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型參數(shù)，將改進(jìn)的多分類(lèi)BP-AdaBoost故障診斷模型中單個(gè)BP神經(jīng)網(wǎng)絡(luò)弱分類(lèi)器參數(shù)設(shè)置一致，并將弱分類(lèi)器個(gè)數(shù)設(shè)置為20個(gè)。

3 結(jié)果對(duì)比分析

以測(cè)試驗(yàn)證數(shù)據(jù)集240個(gè)樣本為例，以注入故障類(lèi)型1～8編碼為實(shí)際輸出向量，將20個(gè)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型作為弱分類(lèi)器，經(jīng)過(guò)模型計(jì)算后，得到20個(gè)弱分類(lèi)器BP神經(jīng)網(wǎng)絡(luò)故障診斷模型平均值的混淆矩陣，如圖4所示，改進(jìn)的多分類(lèi)BP-AdaBoost故障診斷模型的混淆矩陣，如圖5所示?；煜仃嚨牡?至第8行代表8種典型工況的預(yù)測(cè)識(shí)別情況，其中淺灰色方格代表預(yù)測(cè)結(jié)果正確的個(gè)數(shù)及總體比例，深灰色方格代表預(yù)測(cè)結(jié)果錯(cuò)誤的個(gè)數(shù)及總體比例，灰色方格代表每一種工況預(yù)測(cè)結(jié)果錯(cuò)誤的個(gè)數(shù)及比例，白色方格代表總體的預(yù)測(cè)正確率及錯(cuò)誤率。結(jié)果表明改進(jìn)的多分類(lèi)BP-AdaBoost診斷模型相比于BP神經(jīng)網(wǎng)絡(luò)診斷模型，注入故障類(lèi)型預(yù)測(cè)值BA更接近實(shí)際值B，具有更高的預(yù)測(cè)準(zhǔn)確度。

圖4 BP故障診斷模型混淆矩陣

圖5 BP-AdaBoost故障診斷模型混淆矩陣

在對(duì)數(shù)據(jù)進(jìn)行分類(lèi)時(shí)，選取20個(gè)弱分類(lèi)器BP神經(jīng)網(wǎng)絡(luò)故障診斷模型構(gòu)造強(qiáng)分類(lèi)器BP-AdaBoost故障診斷模型，對(duì)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型預(yù)測(cè)結(jié)果和BP-AdaBoost故障診斷模型預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)，如圖6所示。結(jié)合數(shù)據(jù)可知20個(gè)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型平均分類(lèi)錯(cuò)誤率α為10.8%，改進(jìn)的多分類(lèi)BP-AdaBoost故障診斷模型分類(lèi)錯(cuò)誤率為2.5%。由此可知BP-AdaBoost故障診斷模型相比于BP神經(jīng)網(wǎng)絡(luò)故障診斷模型錯(cuò)誤率降低8.3%，效果更優(yōu)。

圖6 BP故障診斷模型與BP-AdaBoost故障診斷模型分類(lèi)錯(cuò)誤率對(duì)比

根據(jù)實(shí)際值與故障診斷模型預(yù)測(cè)值，計(jì)算BP神經(jīng)網(wǎng)絡(luò)故障診斷模型與BP-AdaBoost故障診斷模型對(duì)樣本序列l(wèi)的預(yù)測(cè)誤差值β。將20個(gè)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型誤差值之和最小值設(shè)置為BP-Best，將20個(gè)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型誤差值之和最大值設(shè)為BP-Bad，得到BP神經(jīng)網(wǎng)絡(luò)故障診斷模型和BP-AdaBoost故障診斷模型對(duì)不同注入類(lèi)型預(yù)測(cè)誤差值曲線(xiàn)，如圖7所示。BP-AdaBoost故障診斷模型相對(duì)于BP神經(jīng)網(wǎng)絡(luò)故障診斷模型減小了預(yù)測(cè)誤差值，提高了預(yù)測(cè)準(zhǔn)確度。

圖7 BP故障診斷模型與BP-AdaBoost故障診斷模型對(duì)不同類(lèi)型故障預(yù)測(cè)誤差

4 結(jié)論

本研究針對(duì)快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)提出一種基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的液壓驅(qū)動(dòng)系統(tǒng)故障診斷方法。將AdaBoost算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立故障診斷模型，并搭建了實(shí)驗(yàn)裝置。通過(guò)采集8種典型工況下液壓驅(qū)動(dòng)系統(tǒng)的各特征量作為數(shù)據(jù)集，對(duì)改進(jìn)的BP-AdaBoost故障診斷模型進(jìn)行訓(xùn)練和測(cè)試，計(jì)算與實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)故障診斷方法相比，本研究提出的改進(jìn)BP-AdaBoost故障診斷方法準(zhǔn)確率提高了8.3%，具有更優(yōu)異的分類(lèi)性能，對(duì)快速起豎裝置液壓驅(qū)動(dòng)系統(tǒng)故障診斷與維護(hù)具有重大意義。