基于SVM的雙閥芯電液閥磨損故障診斷研究

陳俊翔, 蔣昕航, 楊曉東, 王 虎, 孔祥東, 艾 超

(1.燕山大學 機械工程學院, 河北 秦皇島 066004; 2.華德液壓工業(yè)集團有限責任公司, 北京 102600)

引言

故障診斷最早始于機械設備,隨著科學技術和智能信息技術的高速發(fā)展,已成為提高系統(tǒng)可靠性不可缺少的工具[1-3]。在工程機械液壓系統(tǒng)中,多路閥是核心控制元件,其可靠性和控制性能直接影響工程進度或造成大的經(jīng)濟損失[4-5]。據(jù)調(diào)研,閥磨損引起的故障占20%,磨損類型主要有刃邊磨損、徑向濾芯磨損和閥口沖蝕磨損[6]等,在磨損條件下導致配合間隙過大,進一步導致泄漏增加、系統(tǒng)壓力下降等問題。因此,對工程機械用多路閥閥芯磨損進行智能故障診斷研究具有重要現(xiàn)實意義。

SVM在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢[7-8],實際應用中, 故障樣本難以獲取, 所以該方法多用于液壓元件故障診斷。故障診斷技術可分為三個階段:傳統(tǒng)故障診斷、現(xiàn)代故障診斷、智能故障診斷[9],在智能故障診斷發(fā)展中,SVM理論有望使制約故障診斷向智能化方向發(fā)展的問題得到解決[10]。

近年來,有不少學者使用此理論對液壓元件進行了故障診斷分析,對于液壓系統(tǒng)的故障診斷起源于20世紀70年代并且快速發(fā)展。JANSSENS O等[11]使用卷積神經(jīng)網(wǎng)絡對旋轉(zhuǎn)機械中外圈滾道故障和潤滑性能退化進行故障診斷并診斷成功。聞巖等[12]針對緩沖平衡閥故障診斷中故障類型復雜多變、早期微弱故障特征難以提取等問題,提出了一種基于全連接神經(jīng)網(wǎng)絡的故障診斷方法,實現(xiàn)對平衡閥的故障診斷。賈春玉等[13]構(gòu)建了卷積神經(jīng)網(wǎng)絡和長短期記憶神經(jīng)網(wǎng)絡相結(jié)合的電液伺服閥故障預測模型,取代人工特征選擇和提取,解決故障預測的時序問題,實現(xiàn)了電液伺服閥閥芯磨損和阻尼孔堵塞的故障診斷。師沖等[14]針對電液換向閥內(nèi)泄漏故障的振動信號具有非平穩(wěn)性、非線性等特點,利用經(jīng)驗模式分解和一維密集連接卷積網(wǎng)絡對其進行故障診斷分析。

本研究針對雙閥芯電液多路閥提出一種基于SVM的磨損故障識別方法。通過對閥芯在不同磨損情況下壓力特性曲線的理論分析,并搭建AMESim仿真模型,在此基礎上進行故障研究,并通過實驗的方法進一步去驗證結(jié)果正確性。

1 雙閥芯電液閥結(jié)構(gòu)原理分析

雙閥芯閥口獨立控制電液閥工作結(jié)構(gòu)原理圖如圖1所示。

圖1 雙閥芯電液閥結(jié)構(gòu)原理圖Fig.1 Double spool electro-hydraulic valve structure schematic

由圖1可知,工作聯(lián)由兩個三位四通高頻響比例先導閥與兩個三位三通主閥組成,可實現(xiàn)單雙閥芯獨立控制。泵口出油一部分經(jīng)減壓閥供給先導閥,其余油液全部供給主閥。先導閥與主閥控制腔相連,兩根先導閥芯分別控制兩根主閥芯,其中兩根主閥芯分為高壓閥芯與低壓閥芯,高壓閥芯用于進油控制,低壓閥芯用于回油控制。主閥芯上安裝位移傳感器、負載口安裝溫度壓力傳感器,從而實現(xiàn)雙閥芯電液閥的精確控制。

2 雙閥芯電液主閥芯壓力特性數(shù)學建模

雙閥芯電液主閥芯U形閥口結(jié)構(gòu)簡圖如圖2所示。

圖2 U形閥口結(jié)構(gòu)簡圖Fig.2 Schematic diagram of U-shaped valve port structure

1) 當xk

(1)

2) 當xk≥R時,

(2)

式中,xk—— 閥口開度

R—— 節(jié)流槽加工半徑

H—— 節(jié)流槽深度

A1—— 半圓槽面積

A2—— 等截面面積

閥芯與閥套間存在徑向間隙r時,將閥芯磨損量定義為Δr,則在磨損下閥口過流面積A為:

(3)

在存在閥芯磨損情況下,小縫隙的流量公式為:

(4)

式中,W—— 主閥閥口面積梯度

μ—— 油液動力黏度

Δp—— 節(jié)流口兩邊壓差

在層流狀態(tài)下,零位泄漏流量為:

(5)

式中,qc—— 泄漏流量

qs—— 供油流量

ps—— 供油壓力

恒壓源下,可利用中位泄漏流量曲線來表示電液閥零位流量-壓力系數(shù),即:

(6)

式中,Kc—— 流量-壓力系數(shù)

qL—— 負載流量

pL—— 負載壓力

由式(5)、式(6)可得實際零位流量-壓力系數(shù)為:

(7)

零位流量增益為:

(8)

式中,Cd—— 流量系數(shù)

ρ—— 油液密度

由式(7)、式(8)可求得零位壓力增益為:

(9)

由式(9)可知,電液閥主閥口零位壓力增益主要取決于電液閥徑向間隙值,間隙越大,壓力增益越小,壓力特性曲線越平緩。

3 仿真分析

3.1 雙閥芯電液閥仿真建模

結(jié)合雙閥芯電液閥的結(jié)構(gòu)原理搭建AMESim仿真模型如圖3所示。該模型主要由液壓源、減壓閥、先導閥和主閥等部分組成。按實際的物理結(jié)構(gòu)設置主要元件參數(shù),如表1所示。

表1 雙閥芯電液閥主要參數(shù)Tab.1 Main parameters of electro-hydraulic valve with double spool

圖3 雙閥芯電液閥仿真模型Fig.3 Simulation model of double spool electro-hydraulic valve

3.2 閥芯磨損仿真分析

閥芯磨損程度會受到工作環(huán)境和工作介質(zhì)清潔度的影響,閥芯在長期污染的油液中運動,長時間徑向半徑變小,導致內(nèi)泄漏增大,伴隨著零偏現(xiàn)象, 壓力增益出現(xiàn)非線性變化。

設置供油壓力為20 MPa,給定階躍輸入信號,將壓力變化曲線和電流變化曲線進行擬合,得到電流-壓力特性曲線,如圖4所示。

圖4 電流-壓力特性曲線Fig.4 Current-pressure characteristic curve

多路閥徑向間隙一般為0.002～0.005 mm,根據(jù)磨損程度不同,在AMESim中分別設置徑向間隙為0.03, 0.06, 0.10 mm下進行仿真, 得到磨損后的電流-壓力曲線如圖5、圖6所示。

圖5 磨損后的電流-壓力特性曲線

圖6 電流壓力特性曲線局部放大圖Fig.6 Partial magnification of current pressure characteristics

由圖5、圖6可知,三組曲線的壓力值均在短時間內(nèi)從2 MPa階躍至20 MPa,當徑向間隙從0.03 mm增大到0.1 mm時,壓力變化速率越來越慢,隨著徑向間隙變大,內(nèi)泄漏增加,壓力變化速度變慢,壓力特性曲線離正常值越來越遠。

4 基于SVM的閥芯磨損故障診斷分析

4.1 支持向量機原理

目前,支持向量機主要應用于回歸估計、模式識別等領域,其可以很好解決小樣本、非線性和高維模式識別問題。SVM最優(yōu)分類超平面原理[15]如圖7所示。

圖7 線性可分下的最優(yōu)分類面Fig.7 Optimal classification surface under linear separability

其中,假設樣本集(xi,yi),i=1,2,…,n,xi∈Rn,yi∈{+1,-1}能夠正確的分開,B1和B2是樣本邊界,兩者之間的距離稱為分類間隔。假設某一超平面B:ω·x+b=0,為了使支持向量距離最優(yōu)分類面之間距離最大,得到如下約束問題:

(10)

其中,懲罰因子C(C>0),松弛變量ξi≥0。

在訓練樣本可分時,無需引入懲罰因子和松弛變量。通過定義拉格朗日函數(shù),最優(yōu)分類超平面求解問題轉(zhuǎn)化成求解二次規(guī)劃尋優(yōu)的對偶問題,如下所示:

(11)

其中,αi為拉格朗日乘子。

求得上述問題最終的決策函數(shù)為:

(12)

針對非線性問題的處理,通過核函數(shù)將非線性樣本空間映射到線性高維空間,在高維空間中求解超平面。對于線性不可分的問題,引入核函數(shù),核空間的原理如圖8所示。

圖8 核空間的基本原理Fig.8 Fundamentals of nuclear space

將非線性映射φ(x)稱為核函數(shù),其一般表示為K(x,y),其實是兩個數(shù)據(jù)點的內(nèi)積,即K(x,y)=[φ(x)·φ(y)],其是希爾伯特空間上的內(nèi)積。

根據(jù)滿足Mercer條件不同的核函數(shù),目前應用較多的四種核函數(shù)為線性核函數(shù)、多項式核函數(shù)、高斯徑向基函數(shù)和Sigmoid核函數(shù),其中多項式核函數(shù)和高斯徑向基函數(shù)應用的最多,因其從低維到高維的映射能力更好。如果對樣本分布不清楚時,可以選擇高斯徑向基函數(shù),在軟件里通常會把其當作默認項。那么超平面最優(yōu)化問題將變成:

(13)

決策函數(shù)變成:

(14)

因此,SVM故障診斷步驟如下:

(1) 根據(jù)數(shù)據(jù)訓練樣本集;

(2) 選擇合適的核函數(shù)以及相關參數(shù);

(3) 對樣本進行歸一化;

(4) 求解優(yōu)化方程,找到支持向量,求解分類超平面系數(shù)b;

(5) 根據(jù)決策函數(shù),得到類別輸出值。

4.2 閥芯磨損故障診斷

磨損故障診斷是模式識別分類問題,利用SVM解決該類問題關鍵的是訓練分類器。通過AMESim軟件仿真可以得到電流-壓力特性曲線,對三種不同磨損程度的特征曲線進行分析,得到3組數(shù)據(jù),去偽存真處理后,每組數(shù)據(jù)由150個點的壓力值組成,然后在MATLAB里面利用Libsvm工具箱來訓練模型以解決分類問題,主要有三個函數(shù)svmscale.exe,svmtrain.exe,svmpredict.exe,這里只簡述第一個函數(shù)。svmscale.exe用來對數(shù)據(jù)集進行縮放,防止一些特征值范圍過大或過小,避免計算內(nèi)積時數(shù)值計算的困難。因此,通常將數(shù)據(jù)縮放到[-1,1]或者是[0,1]之間。

設置狀態(tài)標號1表示磨損率0.03 mm,狀態(tài)標號2表示磨損率0.06 mm,狀態(tài)標號3表示0.1 mm,特征值是壓力特性曲線中提取的壓力值,歸一化后訓練樣本數(shù)據(jù)如表2所示。

表2 訓練樣本數(shù)據(jù)Tab.2 Data of training samples

兩兩配對,一共得到三個分類器,選擇高斯徑向基函數(shù),把數(shù)據(jù)放入訓練函數(shù),最后訓練完成。將磨損率為0.058 mm和0.062 mm的數(shù)據(jù)當作測試集,測試樣本數(shù)據(jù)如表3所示。

表3 測試樣本數(shù)據(jù)Tab.3 Data of testing samples

根據(jù)訓練模型和測試函數(shù),對測試樣本進行測試,最終輸出的結(jié)果均為類別2,這說明SVM判定其磨損率是0.06 mm,如圖9所示。

圖9 SVM預測結(jié)果Fig.9 SVM prediction result

通過診斷結(jié)果分析可看出,從磨損故障仿真中提取壓力特征參數(shù)的時域特征值作為支持向量機故障診斷的訓練樣本和測試樣本,在訓練樣本很少的情況下就能得到滿意的診斷效果。

5 實驗驗證

利用多路閥綜合試驗臺獲取雙閥芯電液閥壓力特性曲線,如圖10所示。

圖10 雙閥芯電液閥實驗測試Fig.10 Experimental test of electro-hydraulic valve with double spool

本次實驗選用的是同一閥芯的兩種狀態(tài),即新閥芯和人為磨損閥芯,新閥芯的直徑為16 mm,人為磨損閥芯的磨損量為0.08 mm,如圖11所示。

圖11 實驗測試不同閥芯Fig.11 Experimental test of different spool

如圖12是兩種情況下測得的壓力特性曲線圖。

圖12 閥芯磨損前后壓力特性曲線Fig.12 Pressure characteristic curves of spool before and after wear

由圖12可以看出,壓力特性曲線隨閥芯磨損程度變化而變化,磨損程度越高,壓力特性曲線斜率越小。

設置狀態(tài)編號1表示新閥芯,設置狀態(tài)標號2表示人為磨損的閥芯,根據(jù)實驗所測的壓力特性曲線,去偽存真,每組選取500個壓力值,一共2組。訓練樣本如表4所示。

表4 實驗訓練樣本數(shù)據(jù)Tab.4 Experimental training sample data

通過交叉驗證,得出懲罰因子C為0.000977,核函數(shù)取高斯徑向基函數(shù),使用訓練函數(shù)進行訓練。測試樣本數(shù)據(jù)與訓練樣本數(shù)據(jù)選取原則相同,分別在兩個狀態(tài)下,根據(jù)壓力特性曲線,選擇其中的壓力值作為測試數(shù)據(jù),每組同樣是500個,共2組。測試樣本如表5所示。

表5 實驗測試樣本數(shù)據(jù)Tab.5 Experimental testing sample data

類別1代表新閥芯,類別2代表人為磨損的閥芯,SVM診斷結(jié)果如圖13所示。

圖13 SVM診斷結(jié)果Fig.13 SVM diagnosis result

通過圖13診斷結(jié)果可以看出,從正確率角度分析可以達到預期效果。結(jié)合實驗和仿真的結(jié)果可知,少量的訓練樣本也可得到很好的診斷效果,為閥芯磨損故障診斷領域提供了一種新的智能診斷方法。

6 結(jié)論

針對工程機械用多路閥磨損故障頻率高,故障類型不易診斷的問題,理論分析雙閥芯電液閥不同磨損下對零位壓力增益的影響,在AMESim中搭建仿真模型并模擬不同磨損情況下的壓力特性進行仿真分析,基于SVM進行故障診斷,對不同磨損情況的仿真數(shù)據(jù)進行故障特征提取,將歸一化后的數(shù)據(jù)代入SVM模型進行訓練和測試,完成對各磨損閥芯的故障診斷。通過仿真和實驗可知,雙閥芯電液閥的壓力增益隨著磨損程度增加而減小,支持向量機具有較好的診斷效果。