基于VMD和LSTM模型的航空液壓管路卡箍故障診斷

張小龍, 汪 曦, 于曉光, 薛政坤, 崔芷寧, 呂佳文

(1.遼寧科技大學(xué) 機械工程與自動化學(xué)院, 遼寧 鞍山 114000；2.東北大學(xué) 機械工程與自動化學(xué)院, 遼寧 沈陽 110819)

引言

航空發(fā)動機液壓管路-卡箍系統(tǒng)在復(fù)雜的航空發(fā)動機附屬系統(tǒng)中為航空發(fā)動機液壓系統(tǒng)提供動力，卡箍作為固定、支撐和連接管路的主要元件[1]，在液壓管路受到強迫振動和自激振動時維護管路的正常工作[2]。本研究提出的基于變分模態(tài)分解和LSTM模型的故障診斷方法對航空發(fā)動機液壓管路-卡箍出現(xiàn)的故障進行準確的識別和判定，對航空發(fā)動機管路系統(tǒng)的穩(wěn)定工作具有重要意義。

近年來，國內(nèi)外學(xué)者對于卡箍故障進行了廣泛的研究，劉中華等[3]針對卡箍斷口進行分析診斷，從而確定卡箍斷裂的原因，并提出對結(jié)構(gòu)的優(yōu)化處理以避免該類故障的發(fā)生；吳主金等[4]提出一種基于多項式Chirplet變換和變分模態(tài)分解的軸承故障診斷方法，有效提取了軸承的故障特征；宣元等[5]提出了一種基于改進VMD算法的液壓泵壽命狀態(tài)檢測方法，對VMD初始參數(shù)進行優(yōu)化選取，得到了較高的識別準確率；馬洪斌等[6]提出了一種蛙跳優(yōu)化VMD參數(shù)的方法，對軸承故障特征進行了有效提??；譚躍剛等[7]提出一種針對卡箍松動的模態(tài)變化對卡箍進行診斷和定位，通過固有頻率的變化，從而能夠得出卡箍出現(xiàn)故障的準確位置；GAO等[8-10]通過試驗獲得飛機管路卡箍剛度并將飛機管路卡箍支撐用彈簧支撐簡化代替，模態(tài)試驗結(jié)果與試驗數(shù)據(jù)得到穩(wěn)定的吻合；賈春玉等[11]構(gòu)建了一種卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷模型，從而得到更高的識別準確度；范宇雪等[12]提出一種基于雙向長短時記憶網(wǎng)絡(luò)(Bi-directional Long Short-Term Memory，BI-LSTM)的小樣本滾動軸承故障診斷方法，提高了故障識別的準確率。從國內(nèi)外學(xué)者對卡箍故障的研究能夠得出，在航空發(fā)動機實際工作中，由于液壓管路受到流固耦合、溫度和壓力等其他因素的影響，易導(dǎo)致卡箍出現(xiàn)固定卡箍螺栓松動、卡箍根部斷裂、卡箍襯墊磨損等問題。

本研究以航空液壓卡箍-管路系統(tǒng)中的固定卡箍為研究對象，對其故障難以識別的問題在時域和頻域兩方面同時進行分析和研究[13]。首先，基于遺傳算法對變分模態(tài)分解的模態(tài)分量個數(shù)k值和懲罰因子α值2個參數(shù)進行優(yōu)化選取，利用優(yōu)化后的變分模態(tài)分解方法分析處理卡箍在各種狀態(tài)下的振動信號，提取有效的故障特征分量；其次，將分解處理后的信號分量輸入LSTM神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練，從而為LSTM神經(jīng)網(wǎng)絡(luò)模型的識別提供一定的基礎(chǔ)，實現(xiàn)了航空發(fā)動機液壓管路卡箍故障的智能診斷。

1 卡箍故障

1.1 航空液壓系統(tǒng)

液壓管路卡箍系統(tǒng)是航空發(fā)動機液壓管路系統(tǒng)中的重要組成部分，由卡箍、管路、管接頭和液壓泵等組成?？ü孔鳛楹娇瞻l(fā)動機液壓管路卡箍系統(tǒng)中的重要零件，主要作用是連接發(fā)動機與管路本體,是增強管路剛度、固持管路位置的重要部件。由于航空發(fā)動機空間布局復(fù)雜，管體之間空隙狹小，導(dǎo)致液壓管路系統(tǒng)的工作環(huán)境較為惡劣，因而其內(nèi)部零部件易出現(xiàn)磨損和損壞，尤其是在液壓管路中容易出現(xiàn)卡箍故障問題，管路中的卡箍分布如圖1所示。

圖1 管路卡箍位置示意圖

1.2 卡箍故障描述

航空發(fā)動機正常工作時，由于受到外界機架的基礎(chǔ)激勵和泵源的流體脈動激勵而發(fā)生流固耦合作用，導(dǎo)致強迫振動進而引起結(jié)構(gòu)共振，出現(xiàn)強烈振動現(xiàn)象。長期以來，受到強烈振動影響，液壓管路的卡箍出現(xiàn)積累性振動失效故障，如固定卡箍螺栓松動、卡箍墊片損壞、卡箍襯墊破裂、卡箍磨損等問題，對飛機的安全性和發(fā)動機的可靠性產(chǎn)生嚴重威脅。本研究選用的卡箍為304不銹鋼連膠條卡箍，其中幾種卡箍的典型故障如圖2所示。

圖2 常見卡箍故障

2 故障診斷模型

2.1 優(yōu)化變分模態(tài)分解

VMD是基于維納濾波、希爾伯特變換和頻率混合所形成的一種將信號f(t)分解成一系列的模態(tài)分量(Intrinsic Mode Function，IMF)的過程[14]，通過預(yù)先設(shè)定本征模態(tài)函數(shù)的分量個數(shù)、帶寬參數(shù)，構(gòu)造約束變分問題，并采用迭代方式搜尋約束變分模型的最優(yōu)解，從而獲得每個本征模態(tài)函數(shù)分量的中心頻率和帶寬，最終實現(xiàn)信號頻帶的自適應(yīng)分解[15]。

遺傳算法(Genetic Algorithms，GA)[16]是效仿生物界生存的“物競天擇、適者生存”來進行演化。VMD方法分解信號時，由于要在分解之前設(shè)定模態(tài)分量個數(shù)k值和懲罰因子α值，但人為因素的參與和設(shè)置必然會導(dǎo)致參數(shù)的不確定性，包絡(luò)熵值[17]作為反應(yīng)振動信號的一個參數(shù)標準，能夠反映概率分布的局部特性，因此以局部極小包絡(luò)熵值為適應(yīng)度函數(shù)對VMD的[k，α]參數(shù)組合進行了優(yōu)化選取[18]。

2.2 LSTM網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)具有相對復(fù)雜的內(nèi)部結(jié)構(gòu)，由遺忘門、輸入門和輸出門3個特殊的結(jié)構(gòu)門組成[19]。這3個門通過1個特定的tanh的網(wǎng)絡(luò)層來實現(xiàn)信息的傳遞，細胞狀態(tài)在遺忘門和輸入門的共同作用下完成更新并作用于輸出門，實現(xiàn)輸入信息較長時間的記憶，更新遞推的計算步驟如下：

(1)

(2)將當前數(shù)據(jù)信息通過輸入門存儲到記憶單元中，得到輸入門的值it：

it=σ(Wxixt+Whiht-1+bi)

(2)

(3)通過權(quán)值以及傳遞函數(shù)的線性計算得出遺忘門的值ft：

ft=σ(Wxfxt+Whfht-1+bf)

(3)

(4)計算當前時刻記憶單元狀態(tài)值ct：

(4)

(5)得到輸出門的關(guān)系表達式：

ot=(Wxoxt+Whoht-1+bo)

(5)

(6)得到LSTM單元記憶輸出式ht：

ht=ottanh(ct)

(6)

其中,Wxc，Wxi，Wxf，Wxo分別為在t時刻的輸入層xt和隱藏層ht間的連接權(quán)值；Whc，Whi，Whf，Who分別是在t-1時刻與t時刻之間的隱藏層連接權(quán)值；bc，bi，bf，bo分別為輸入節(jié)點、輸入門、遺忘門、輸出門的偏置；ht-1為前一時刻的輸出；σ為sigmoid函數(shù)，取值為(0，1)[20]。

根據(jù)更新遞推的神經(jīng)網(wǎng)絡(luò)，本研究選取Softmax分類器，針對2種管路的2個測點的4種情況，選取迭代25輪，每輪100次迭代的方式進行訓(xùn)練，其中LSTM網(wǎng)絡(luò)故障診斷模型主要結(jié)構(gòu)參數(shù)如表1所示。

表1 LSTM神經(jīng)網(wǎng)絡(luò)模型主要結(jié)構(gòu)參數(shù)

2.3 建立診斷模型

由于固定卡箍受到航空液壓管路中的流固耦合作用、發(fā)動機自身振動以及發(fā)動機振動產(chǎn)生的巨大的噪聲等因素影響，得到的卡箍故障信號難以提取。本研究建立了一種基于VMD和LSTM模型的航空液壓管路卡箍故障診斷模型，其具體流程圖如圖3所示。

圖3 液壓管路固定卡箍故障診斷模型

故障診斷模型具體步驟為：

(1)利用加速度振動傳感器對航空發(fā)動機液壓管路固定卡箍的振動信號進行采集，從而獲取樣本信號；

(2)選取優(yōu)化后的k值和α值，優(yōu)化后的VMD將卡箍故障振動信號f(t)分解成一系列單一的具有不同特征的穩(wěn)定信號IMF(1)，IMF(2)，…,IMF(n)；

(3)提取出每一類故障中故障特征明顯的2個IMF分量進行匯總，合并成1個多通道樣本數(shù)據(jù)集，將數(shù)據(jù)集劃分成為訓(xùn)練集與測試集兩部分；

(4)按照上一節(jié)所述原則設(shè)計LSTM神經(jīng)網(wǎng)絡(luò)模型，并通過調(diào)試參數(shù)，獲得性能較好的網(wǎng)絡(luò)訓(xùn)練模型；

(5)通過數(shù)據(jù)集，驗證基于優(yōu)化VMD和LSTM神經(jīng)網(wǎng)絡(luò)模型的液壓管路固定卡箍故障診斷模型的有效性和準確性，并與LSTM神經(jīng)網(wǎng)絡(luò)模型和BPNN模型的訓(xùn)練結(jié)果進行對比分析。

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)采集

在航空液壓管路實驗臺上，利用加速度振動傳感器分別對液壓彎管和直管系統(tǒng)中的固定卡箍進行振動信號的測量，獲得固定卡箍的實測數(shù)據(jù)。測點位置選取固定卡箍外壁和管路中間2個測點進行同步采集，目的是獲得固定卡箍健康狀態(tài)及螺栓松動狀態(tài)、根部斷裂狀態(tài)、襯墊磨損狀態(tài)4種固定卡箍狀態(tài)的振動信號，傳感器分布位置如圖4所示。

選取在航空液壓管路直管的測點1位置上4種固定卡箍狀態(tài)，其VMD分解的時域分解波形圖如圖5所示。

圖5 固定卡箍信號分解波形圖

利用優(yōu)化后的VMD方法實現(xiàn)了航空液壓管路卡箍振動信號中各模態(tài)函數(shù)的自適應(yīng)分解，解決了由于模態(tài)分量k值和拉格朗日分子α值選取不當導(dǎo)致的過分解和欠分解等問題，驗證了基于改進的遺傳算法對VMD的分解層數(shù)和懲罰因子優(yōu)化選取的可行性，減少了人為因素的主觀誤差。

3.2 數(shù)據(jù)分析

利用分解后的一系列單一的具有不同特征的穩(wěn)定信號IMF(1)，IMF(2)，…，IMF(n)，挑選出故障特征信號明顯的2個IMF分量合并成1個多通道樣本數(shù)據(jù)集，其中每段信號中包含3200個數(shù)據(jù)點。將整個液壓管路固定卡箍的數(shù)據(jù)集隨機劃分為樣本集與驗證集兩部分，比例為8∶2；將樣本集導(dǎo)入LSTM網(wǎng)絡(luò)模型中進行訓(xùn)練，獲得性能較好的訓(xùn)練模型，并與LSTM神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果進行對比分析。選取迭代 25 輪作為實驗輸出結(jié)果，得到基于變分模態(tài)分解的長短時記憶神經(jīng)網(wǎng)絡(luò)(VMD-LSTM)模型和LSTM診斷模型故障診斷方法的準確率，其訓(xùn)練曲線如圖6所示。

由圖6可以得到，VMD-LSTM模型相對于LSTM神經(jīng)網(wǎng)絡(luò)診斷模型，在0～5輪收斂迭代時，收斂迅速；在進行7輪收斂迭代以后，該方法訓(xùn)練的準確率曲線無明顯波動，整體趨于穩(wěn)定，且能夠達到較高準確率。LSTM神經(jīng)網(wǎng)絡(luò)模型在前幾輪總體準確率趨于上升趨勢，但迭代15輪左右時，LSTM神經(jīng)網(wǎng)絡(luò)模型在收斂時出現(xiàn)了不穩(wěn)定狀態(tài)，準確率也出現(xiàn)較大的波動，對結(jié)果造成了很大的影響，得不到正確的判斷。由此可以得到，VMD-LSTM神經(jīng)網(wǎng)絡(luò)模型對復(fù)雜的信號能夠達到較好的處理效果，得到較高的準確率。同時得到上述2種方法的損失值訓(xùn)練曲線如圖7所示。

圖6 固定卡箍振動數(shù)據(jù)集模型準確率曲線圖

分析圖7中2種神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果發(fā)現(xiàn)：VMD-LSTM神經(jīng)網(wǎng)絡(luò)模型在進行0～5輪迭代時，損失率大幅度降低；在迭代7輪后，損失值基本達到了0值，收斂結(jié)果非常穩(wěn)定，且收斂速度更快。反觀LSTM神經(jīng)網(wǎng)絡(luò)模型，在進行0～5輪迭代時，總體趨于降低的狀態(tài)，但從圖中可以看出，損失值的波動幅度明顯較大，而且在15輪迭代之后，LSTM網(wǎng)絡(luò)模型出現(xiàn)了嚴重的離散現(xiàn)象，損失值結(jié)果出現(xiàn)了極其不穩(wěn)定狀態(tài)，波動幅度很大，導(dǎo)致結(jié)果的準確性降低。VMD-LSTM神經(jīng)網(wǎng)絡(luò)模型的診斷方法無論是收斂速度還是收斂穩(wěn)定性，都明顯優(yōu)于LSTM神經(jīng)網(wǎng)絡(luò)模型?；煜仃嚹軌蚋娴胤从趁糠N故障狀態(tài)的診斷與識別情況?；煜仃囍械臄?shù)據(jù)集名稱如表2所示，混淆矩陣如圖8～圖10所示。

圖7 固定卡箍振動數(shù)據(jù)集模型損失率訓(xùn)練曲線圖

表2 液壓管路直管和彎管卡箍數(shù)據(jù)集

由圖8可看出，樣本數(shù)據(jù)的組成分別是航空液壓管路卡箍在直管和彎管2種結(jié)構(gòu)情況下，分別在測點1，2采集的4種管路卡箍狀態(tài)組成的數(shù)據(jù)集，利用VMD-LSTM模型訓(xùn)練結(jié)果的總體準確率為98.5%。

圖8 基于16類樣本數(shù)據(jù)VMD-LSTM神經(jīng)網(wǎng)絡(luò)模型診斷的混淆矩陣

由圖9可以看出，通過LSTM神經(jīng)網(wǎng)絡(luò)模型故障診斷方法，基于同一數(shù)據(jù)集進行訓(xùn)練的結(jié)果的總體準確率為93.8%。從結(jié)果來看，該方法在直管和彎管故障都有不同程度的不完全識別，效果略差于VMD-LSTM神經(jīng)網(wǎng)絡(luò)模型。

圖9 基于16類樣本數(shù)據(jù)LSTM神經(jīng)網(wǎng)絡(luò)模型的混淆矩陣

由圖10可以看出，通過BP神經(jīng)網(wǎng)絡(luò)故障診斷模型訓(xùn)練結(jié)果的總體準確率為86%。從結(jié)果來看，該方法在彎管處的識別結(jié)果較LSTM模型更差，F(xiàn)1-sore最低為0.01，對測點固定在卡箍外壁上的直管卡箍襯墊磨損故障已經(jīng)不能起到識別作用。

從3個混淆矩陣圖中能夠得到，本研究所提出的方法對固定卡箍的診斷準確率有了大幅度的提高，具有更好的故障診斷和識別性能。

3.3 不同模型對比

表3總結(jié)了基于同一固定卡箍振動數(shù)據(jù)集，利用VDM-LSTM故障診斷方法與LSTM故障診斷方法和BP神經(jīng)網(wǎng)絡(luò)故障診斷方法對固定卡箍振動故障數(shù)據(jù)訓(xùn)練結(jié)果作對比分析，可以清晰地看出，VDM-LSTM故障診斷方法不僅各性能指標均達到98.5%以上，明顯優(yōu)于LSTM網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)故障診斷方法，而且能夠穩(wěn)定的識別出液壓管路卡箍多種不同的故障狀態(tài)；同時該方法也實現(xiàn)了固定卡箍螺栓松動故障、裂紋故障和磨損故障信號的智能分類。

表3 不同故障診斷模型對比

4 結(jié)論

針對航空液壓管路固定卡箍振動信號的特點，提出了一種基于變分模態(tài)分解和長短時記憶神經(jīng)網(wǎng)絡(luò)的卡箍智能故障診斷方法，實驗結(jié)果表明，該方法能夠準確地識別出固定卡箍螺栓松動、卡箍襯墊磨損和卡箍根部斷裂等 3 種卡箍故障類型，并且總體準確率能夠達到98.5%以上。

基于同一固定卡箍振動數(shù)據(jù)集，分別利用VMD-LSTM故障診斷方法與LSTM故障診斷方法和BPNN故障診斷方法對卡箍數(shù)據(jù)進行訓(xùn)練，結(jié)果表明：VMD-LSTM故障診斷方法在診斷精度上要優(yōu)于LSTM故障診斷方法，其總體識別率提高了4.7%；與傳統(tǒng)的BPNN智能故障診斷方法相比，綜合準確率提升了12.5%，驗證了該方法的有效性。