基于EEMD-LVQ的機(jī)電作動(dòng)器故障診斷方法

王曉明，付繼偉，韓 松，白云鶴，李少石

（1.北京宇航系統(tǒng)工程研究所，北京，100076；2.北京航空航天大學(xué)，自動(dòng)化科學(xué)與電氣工程學(xué)院，北京，100191）

0 引言

機(jī)電作動(dòng)器（Electronic-mechanical Actuator，EMA）是現(xiàn)代裝備功率電傳系統(tǒng)的核心技術(shù)之一［1］，具有很好的發(fā)展前景，在現(xiàn)代航空航天領(lǐng)域得到了廣泛應(yīng)用［2-5］。作為一種位置伺服系統(tǒng)，機(jī)電作動(dòng)器可以將伺服控制器的輸出信號轉(zhuǎn)化為位移、速度、載荷等物理量，從而實(shí)現(xiàn)對控制對象進(jìn)行位移驅(qū)動(dòng)、速度驅(qū)動(dòng)、載荷驅(qū)動(dòng)的目的［6］。因此，一旦機(jī)電作動(dòng)器發(fā)生故障，不僅會(huì)對EMA 本身造成危害，還會(huì)導(dǎo)致整個(gè)系統(tǒng)輸出無法正確響應(yīng)控制指令，對系統(tǒng)的性能及安全造成很大的影響。

目前，EMA 的故障診斷方法主要分為基于解析模型的方法、基于專家知識的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法［7］。其中，基于解析模型的方法要求對目標(biāo)系統(tǒng)進(jìn)行精確的數(shù)學(xué)建模，對不同故障模式進(jìn)行建模仿真分析。由于機(jī)電作動(dòng)器是一種高度非線性的復(fù)雜機(jī)電系統(tǒng)，因此想要建立精確的EMA數(shù)學(xué)模型難度很高?；趯＜抑R的故障診斷方法依賴相關(guān)領(lǐng)域?qū)＜业膶I(yè)知識和經(jīng)驗(yàn)，通過對系統(tǒng)的常見故障模式進(jìn)行分析，確定其故障機(jī)理、影響以及對應(yīng)的故障特征，建立故障診斷知識庫，然而，EMA 關(guān)于故障診斷的研究不夠充分，難以建立完善的故障診斷知識庫，所以排除該方法?；跀?shù)據(jù)驅(qū)動(dòng)的方法根據(jù)系統(tǒng)故障信號提取故障特征，判斷其故障類型、程度。近年來，基于人工智能的方法成為數(shù)據(jù)驅(qū)動(dòng)故障診斷的研究熱點(diǎn)。Chirico 等［8］對機(jī)電作動(dòng)器的軸承和滾珠絲杠這兩個(gè)重要部件的相關(guān)故障進(jìn)行了研究，通過采集振動(dòng)信號和電流信號，并對其進(jìn)行故障特征提取，從而獲得故障特征集，最后使用貝葉斯分類器對故障特征集進(jìn)行分類診斷；李璠等［9］研究EMA 電機(jī)的直流母線電流信號，進(jìn)行傅里葉變換，通過研究電流信號頻域的特征變化來對EMA 進(jìn)行在線故障診斷；劉俊等［10］使用集合經(jīng)驗(yàn)?zāi)B(tài)分解算法對EMA 的振動(dòng)信號進(jìn)行特征提取，分析故障特征來進(jìn)行故障檢測與隔離；田瑤瑤等［11］使用基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法，使用小波包分解進(jìn)行故障特征提取，使用自組織映射神經(jīng)網(wǎng)絡(luò)完成故障模式識別，實(shí)現(xiàn)了對EMA卡死、偏差、增益三類故障的研究。

然而，上述研究在故障特征提取方面僅針對單一故障進(jìn)行，缺乏對有效特征的篩選，導(dǎo)致故障特征之間區(qū)分性較差；在故障模式識別算法上迭代優(yōu)化過慢，訓(xùn)練效率較低，最終使得故障診斷精度受到限制。

本文提出了一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解-學(xué)習(xí)矢量量化網(wǎng)絡(luò)（Ensemble Empirical Mode Decomposition，Learning Vector Quantization，EEMD-LVQ）的EMA故障診斷方法，能夠有效地對機(jī)電作動(dòng)器的典型故障和故障耦合模式進(jìn)行檢測與隔離。針對EMA的多種故障信號，利用集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）算法同步完成故障特征提取，共同構(gòu)建故障特征向量，并對EEMD算法和LVQ算法進(jìn)行了優(yōu)化，利用相關(guān)系數(shù)對EEMD算法分解結(jié)果進(jìn)行篩選，完成特征降維，同時(shí)使用余弦衰減算法來優(yōu)化LVQ算法的學(xué)習(xí)率更新部分。

1 基于EEMD的故障特征提取

故障特征提取是進(jìn)行故障檢測與隔離前的重要步驟，主要目的是從采集到的故障信號中提取出能夠表征該故障模式的故障特征。機(jī)電作動(dòng)器的故障特征提取過程主要包含：信號處理、特征構(gòu)建和特征降維。其中，信號處理是指對采集到的仿真信號進(jìn)行EEMD算法分解，從而生成若干個(gè)本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF）［12］。特征構(gòu)建是指對EEMD 分解產(chǎn)生的IMF分量，計(jì)算出各自的能量值，并進(jìn)行歸一化處理，得到能量特征分布向量［13］。而特征降維則是指針對特征構(gòu)建環(huán)節(jié)生成的能量特征分布向量，使用相關(guān)系數(shù)進(jìn)行篩選，從中選出合適的IMF分量能量值加以保留，構(gòu)建最終的故障特征向量輸出。

為解決EMD算法中的邊緣效應(yīng)和模式混淆問題，EEMD算法引入了高斯白噪聲疊加和結(jié)果的集成平均處理。

首先，EEMD算法將原始信號分解為若干個(gè)IMF分量和殘差［14］。其中，IMF定義如下：

a）在IMF 整個(gè)數(shù)據(jù)序列中，函數(shù)的極值點(diǎn)數(shù)與穿越零點(diǎn)的數(shù)目之差不能超過1；

b）對于IMF 數(shù)據(jù)序列的任意一點(diǎn)，求出其局部極大值和極小值，分別繪制上包絡(luò)線和下包絡(luò)線，得到兩條曲線的均值為0。

其次，對所有IMF 分量的能量值進(jìn)行歸一化處理，形成能量特征分布向量。最后，計(jì)算各個(gè)IMF分量與原始信號的相關(guān)系數(shù)，并設(shè)置適當(dāng)?shù)拈撝担Y選出相關(guān)系數(shù)較大的IMF分量，將相關(guān)系數(shù)較大的IMF分量的能量值占比作為故障特征向量的輸出。

EEMD算法的具體步驟如下［15］：

a）初始化EEMD 的總體平均次數(shù)N和疊加高斯白噪聲的幅值系數(shù)k，令i=1；其中，N為執(zhí)行EMD分解的總次數(shù)，會(huì)影響信號的消噪能力與計(jì)算時(shí)間；k為疊加的高斯白噪聲的幅值系數(shù)（高斯白噪聲標(biāo)準(zhǔn)差與原始信號標(biāo)準(zhǔn)差的比值），一般取0.1～0.4，k會(huì)影響信號的分解精度；i是當(dāng)前執(zhí)行EMD分解的次數(shù)。

b）向原始信號x(t)疊加高斯白噪聲：

式中vi(t)為執(zhí)行第i次EMD分解時(shí)所疊加的高斯白噪聲；xi(t)為執(zhí)行第i次EMD分解時(shí)疊加高斯白噪聲后的新信號。

c）對xi(t)進(jìn)行EMD分解：

式中cij(t)為xi(t)的第j個(gè)IMF 分量；rn(t)為分解的殘差，反映了xi(t)的變化趨勢。

d）重復(fù)操作步驟b和步驟c，直至i=N。

e）對EMD分解的結(jié)果作集成平均處理：

式中cj(t)為原始信號的第j個(gè)IMF分量。

f）計(jì)算各個(gè)IMF分量的能量Ek與總能量E：

式中M為各個(gè)IMF分量中的信號點(diǎn)數(shù)；ck，m為第k個(gè)IMF分量的第m個(gè)信號點(diǎn)。

g）求出各頻段能量分布，得到能量特征分布向量T0，進(jìn)行歸一化處理：

h）計(jì)算出各個(gè)IMF 分量與原始信號x(t)的相關(guān)系數(shù)rj：

式中cj，m為第j個(gè)IMF 分量的第m個(gè)信號點(diǎn)；xm為原始信號x(t)的第m個(gè)信號點(diǎn)。

i）設(shè)定閾值，篩選出相關(guān)系數(shù)超過閾值的IMF分量。

j）使用篩選出的IMF 分量的能量值占比，構(gòu)建故障特征向量T：

綜上，利用EEMD算法對原始信號x(t)進(jìn)行一系列處理，最終生成故障特征向量Τ。

2 基于LVQ的故障模式識別

在完成對EMA的故障特征提取，得到故障特征向量集合后，就需要選用合適的分類器進(jìn)行故障模式識別。由于LVQ算法具有低計(jì)算復(fù)雜性，對噪聲和數(shù)據(jù)不完整性有較強(qiáng)的魯棒性，適用于小樣本問題，分類邊界可解釋的優(yōu)勢，因此選用LVQ算法作為分類器。

2.1 學(xué)習(xí)矢量量化網(wǎng)絡(luò)算法

LVQ算法的結(jié)構(gòu)組成如圖1所示。

圖1 LVQ算法的結(jié)構(gòu)示意Fig.1 Schematic structure of the LVQ algorithm

由圖1可見，LVQ算法由3個(gè)主要組成部分構(gòu)成：輸入層、競爭層和輸出層［16］。輸入層和競爭層間的神經(jīng)元之間存在完全連接，它們的權(quán)值是LVQ神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)。然而，輸出層神經(jīng)元和競爭層神經(jīng)元之間只有部分連接，競爭層神經(jīng)元只與一個(gè)輸出層神經(jīng)元連接，競爭層與輸出層之間的連接權(quán)值均為1。

LVQ算法的工作原理為：輸入特征向量后，競爭層神經(jīng)元中最接近輸入向量的神經(jīng)元獲勝，成為激活狀態(tài)，其他神經(jīng)元值為0。與獲勝神經(jīng)元相連的輸出層神經(jīng)元也被激活，其他神經(jīng)元值保持0。最終，網(wǎng)絡(luò)輸出一個(gè)由1 和0 組成的向量，實(shí)現(xiàn)分類功能。在訓(xùn)練過程中，通過調(diào)整輸入層到競爭層的權(quán)值，并參考標(biāo)記信息進(jìn)行訓(xùn)練。如果輸出與標(biāo)記一致，判定為正確分類，獲勝神經(jīng)元的權(quán)值朝輸入方向調(diào)整；如果不一致，判定為錯(cuò)誤分類，權(quán)值朝相反方向調(diào)整。LVQ算法的具體步驟為［17］：

a）網(wǎng)絡(luò)初始化。

將競爭層神經(jīng)元權(quán)值向量的初始值設(shè)定為較小的隨機(jī)數(shù)，并確定初始學(xué)習(xí)率η與訓(xùn)練次數(shù)T；其中，競爭層神經(jīng)元的權(quán)值向量為

式中Wj為第j個(gè)競爭層神經(jīng)元的權(quán)值向量；ωij為第i個(gè)輸入層神經(jīng)元和第j個(gè)競爭層神經(jīng)元之間的權(quán)值。

b）輸入樣本{X，t}。

樣本中的輸入向量X應(yīng)該和對應(yīng)的標(biāo)記信息t成對出現(xiàn)，且輸入向量X的表達(dá)式為

c）求解歐式距離。

求出輸入向量和權(quán)值向量之間的歐式距離：

式中dj為輸入向量和第j個(gè)競爭層神經(jīng)元權(quán)值向量的歐式距離。

d）找出獲勝神經(jīng)元。

比較所有競爭層神經(jīng)元的歐式距離，找出歐式距離最小的那個(gè)競爭層神經(jīng)元，將其記為獲勝神經(jīng)元j*。

e）進(jìn)行權(quán)值更新。

對比輸入向量X的標(biāo)記信息t和獲勝神經(jīng)元j*的分類結(jié)果，若相同，認(rèn)為分類正確，此時(shí)，獲勝神經(jīng)元j*的權(quán)值向量向輸入向量的方向移動(dòng)，即：

反之，如果獲勝神經(jīng)元j*的分類結(jié)果和輸入向量X的標(biāo)記信息t不同，則認(rèn)為分類錯(cuò)誤，將獲勝神經(jīng)元j*的權(quán)值向量朝輸入向量進(jìn)行反向移動(dòng)，即：

f）更新學(xué)習(xí)率η。

g）判斷是否達(dá)到了設(shè)定的訓(xùn)練次數(shù)。

若達(dá)到設(shè)定的訓(xùn)練次數(shù)T則結(jié)束算法，否則轉(zhuǎn)到步驟b繼續(xù)訓(xùn)練，直至達(dá)到設(shè)定的訓(xùn)練次數(shù)，方可結(jié)束訓(xùn)練。

2.2 LVQ算法的優(yōu)化

為優(yōu)化LVQ 算法，Kohonen［18］對LVQ 算法的權(quán)值更新部分進(jìn)行了優(yōu)化，提高了分類泛化能力。同時(shí)，本文還提出了使用余弦衰減算法來進(jìn)行LVQ的學(xué)習(xí)率更新，兼顧了訓(xùn)練效率和后期的穩(wěn)定性。

a）權(quán)值更新的優(yōu)化。

為了提高LVQ算法的分類能力，可以在每次權(quán)值更新時(shí)同步更新競爭層中的兩個(gè)神經(jīng)元的權(quán)值。如果在競爭層中有兩個(gè)神經(jīng)元最接近輸入向量，其中一個(gè)對應(yīng)正確分類，而另一個(gè)對應(yīng)錯(cuò)誤分類，并且輸入向量位于它們的中位面附近，那么就同時(shí)更新這兩個(gè)神經(jīng)元的權(quán)值。這種方法可以對難以分類的數(shù)據(jù)進(jìn)行模式識別，以提高LVQ算法的分類泛化能力。

對此，還需引入窗口的概念，增加了窗口參數(shù)α，取值范圍為0.2～0.3。窗口的定義為

式中di，dj分別為輸入向量到兩個(gè)競爭層神經(jīng)元權(quán)值向量的歐式距離。

當(dāng)兩個(gè)競神經(jīng)層神經(jīng)元i與j屬于不同類別，且它們與輸入向量的歐式距離之比大于s時(shí)，則對i與j的權(quán)值向量同時(shí)進(jìn)行調(diào)整。如果神經(jīng)元j*和u*不滿足上述兩個(gè)條件，則只需要對獲勝神經(jīng)元j*進(jìn)行權(quán)值更新，與優(yōu)化前算法的權(quán)值更新方式一致。

b）學(xué)習(xí)率更新的優(yōu)化。

為了提高LVQ算法的訓(xùn)練效率和兼顧后期的穩(wěn)定性，相較于傳統(tǒng)的固定學(xué)習(xí)率方法，采用余弦衰減算法進(jìn)行學(xué)習(xí)率更新有收斂速度更快、泛化性能更快的優(yōu)勢。因此，本文使用余弦衰減算法對LVQ算法的學(xué)習(xí)率更新部分進(jìn)行了優(yōu)化。余弦衰減算法的表達(dá)式為

式中k為當(dāng)前訓(xùn)練的次數(shù)；η(0)為初始學(xué)習(xí)率；α為最小學(xué)習(xí)率系數(shù)；ηmin為最小學(xué)習(xí)率；km為衰減步數(shù)，即從初始學(xué)習(xí)率衰減到最小學(xué)習(xí)率需要的訓(xùn)練次數(shù)。

3 試驗(yàn)驗(yàn)證

利用真實(shí)EMA 在正常狀態(tài)和不同故障狀態(tài)下的信號數(shù)據(jù)，對本文提出的故障特征提取算法和故障模式識別算法進(jìn)行驗(yàn)證。機(jī)電作動(dòng)器故障診斷試驗(yàn)驗(yàn)證的流程如圖2所示。

圖2 基于EEMD-LVQ的EMA故障診斷試驗(yàn)驗(yàn)證流程Fig.2 EEMD-LVQ based EMA fault diagnosis test validation process

3.1 數(shù)據(jù)獲取和預(yù)處理

本文使用EMA故障試驗(yàn)數(shù)據(jù)進(jìn)行試驗(yàn)驗(yàn)證，分別對EMA正常狀態(tài)和旋變傳感器偏置故障進(jìn)行試驗(yàn)，將傳感器采集到的故障信號輸入到計(jì)算機(jī)中，作為試驗(yàn)數(shù)據(jù)進(jìn)行儲(chǔ)存。試驗(yàn)數(shù)據(jù)的總時(shí)長為5 min，采樣周期是2 ms。試驗(yàn)數(shù)據(jù)主要包含：電機(jī)d軸電流信號、電機(jī)q軸電流信號、電機(jī)轉(zhuǎn)速信號和舵面輸出信號。

對于EMA故障信號來說，其故障特征往往反映在高頻部分，因此使用小波變換來去除噪聲會(huì)導(dǎo)致故障特征丟失。為避免這一問題的發(fā)生，本文使用小波包分解重構(gòu)算法來對EMA 故障試驗(yàn)數(shù)據(jù)進(jìn)行降噪預(yù)處理［19］。

3.2 基于EEMD的故障特征提取算法驗(yàn)證

完成了數(shù)據(jù)預(yù)處理后，需要對試驗(yàn)重構(gòu)信號進(jìn)行故障特征提取。將重構(gòu)后的試驗(yàn)信號拆分為30 份，每份數(shù)據(jù)時(shí)長10 s。因此得到了EMA 正常狀態(tài)、旋變傳感器偏置故障這兩種模式下各30組試驗(yàn)數(shù)據(jù)。

在數(shù)字仿真軟件中實(shí)現(xiàn)EEMD算法，設(shè)定EEMD算法的相關(guān)參數(shù)：總體平均次數(shù)N=100，高斯白噪聲的幅值系數(shù)k=0.25。對EMA正常狀態(tài)、旋變傳感器偏置故障的試驗(yàn)數(shù)據(jù)使用EEMD算法進(jìn)行故障特征提取，得到相對應(yīng)的故障特征向量，下面以電機(jī)d軸電流信號為例介紹EEMD分解和相關(guān)性分析過程。

對EMA試驗(yàn)信號中的d軸電流信號，進(jìn)行EEMD算法分解，完成信號處理后，可以獲得11 個(gè)IMF 分量和殘差。計(jì)算出這些IMF分量的能量值并進(jìn)行歸一化處理，可以明確d軸電流信號的頻率組成以及各頻率分量的大小情況。最終，可以得到EMA 的正常狀態(tài)和旋變傳感器偏置故障模式下d軸電流信號的能量特征分布向量，如圖3所示。

圖3 d軸電流信號EEMD分解結(jié)果Fig.3 EEMD decomposition results of d-axis current signal

圖3 中，對于電機(jī)d軸電流信號，機(jī)電作動(dòng)器的正常狀態(tài)和旋變傳感器偏置故障之間，能量特征分布向量具有比較好的區(qū)分性。

在完成了對EMA 試驗(yàn)信號的信號處理和特征構(gòu)建，獲得能量特征分布向量后，就需要對其進(jìn)行特征降維，利用相關(guān)系數(shù)篩選出合適的IMF分量，保留其能量值占比，構(gòu)建故障特征向量。

求出電機(jī)d軸電流信號的各個(gè)本征模態(tài)分量與原始試驗(yàn)信號之間的相關(guān)系數(shù)，并設(shè)置合適的閾值。選擇相關(guān)系數(shù)標(biāo)準(zhǔn)差作為閾值，對IMF 分量進(jìn)行篩選。電機(jī)d軸電流信號的相關(guān)性分析結(jié)果如圖4所示。

圖4 d軸電流信號相關(guān)性分析結(jié)果Fig.4 d-axis current signal correlation analysis results

圖4中紅色水平線表示EMA的d軸電流信號相關(guān)系數(shù)的閾值。篩選出相關(guān)系數(shù)超過閾值的IMF 分量，并求出機(jī)電作動(dòng)器兩種模式下所篩選出的相同部分加以保留，作為EMA電機(jī)d軸電流信號相關(guān)性系數(shù)篩選的結(jié)果輸出。

同理，對EMA電機(jī)q軸電流信號、電機(jī)轉(zhuǎn)速信號、舵面輸出信號進(jìn)行EEMD分解和相關(guān)性分析，選取出相關(guān)系數(shù)大于閾值且區(qū)分性較好的IMF分量。將篩選出的IMF分量的能量值占比作為特征值，構(gòu)造故障特征向量。同時(shí)，還要向故障特征向量中添加標(biāo)記信息，最終得到已標(biāo)記的故障特征向量集，如表1所示。由表1可以看出，機(jī)電作動(dòng)器的正常狀態(tài)和旋變傳感器偏置故障之間，故障特征向量具有很好的區(qū)分性。

表1 EMA試驗(yàn)數(shù)據(jù)故障特征向量集的一個(gè)樣本Tab.1 A sample of the set of fault eigenvectors for EMA test data

3.3 基于LVQ的故障模式識別算法驗(yàn)證

在數(shù)字仿真軟件中實(shí)現(xiàn)LVQ 算法，設(shè)定LVQ 參數(shù)：初始學(xué)習(xí)率η=0.01，最大訓(xùn)練次數(shù)T=100，余弦衰減算法的衰減步數(shù)km=50，最小學(xué)習(xí)率系數(shù)α=0.01。

針對LVQ算法，輸入層有9個(gè)神經(jīng)元，競爭層有5 個(gè)神經(jīng)元，輸出層有2 個(gè)神經(jīng)元。將之前經(jīng)過EEMD處理提取的故障特征向量集作為輸入樣本，并進(jìn)行標(biāo)記。將輸入樣本隨機(jī)排列，按照3 ∶ 2的比例劃分為訓(xùn)練集和測試集。訓(xùn)練集包含36 個(gè)向量，測試集包含24 個(gè)向量。將訓(xùn)練樣本輸入LVQ 算法進(jìn)行訓(xùn)練，最終得到已訓(xùn)練完成權(quán)值向量的LVQ神經(jīng)網(wǎng)絡(luò)。接著，利用測試樣本進(jìn)行檢測，得到故障診斷結(jié)果。訓(xùn)練誤差收斂曲線如圖5所示。

圖5 EEMD-LVQ算法的訓(xùn)練誤差收斂曲線Fig.5 Training error curves for the EEMD-LVQ algorithm

由圖5可以看出，LVQ算法的訓(xùn)練誤差收斂速度非常快，且最終誤差為0。因此，LVQ 算法的故障診斷結(jié)果驗(yàn)證了基于EEMD-LVQ 的故障診斷方法的準(zhǔn)確性與優(yōu)越性。

LVQ算法對測試集中各類故障特征向量的診斷準(zhǔn)確率如表2所示。

表2 EEMD-LVQ算法的故障診斷準(zhǔn)確率Tab.2 Fault diagnosis accuracy of EEMD-LVQ algorithm

由表2可以看出，LVQ算法對檢測集中正常狀態(tài)和旋變傳感器偏置故障的診斷準(zhǔn)確率均為100%。因此，可以證明基于EEMD-LVQ 的故障診斷系統(tǒng)能夠?qū)C(jī)電作動(dòng)器的正常狀態(tài)、旋變傳感器偏置故障做出準(zhǔn)確判斷，完成故障檢測與隔離。

3.4 對比分析

為了評估EEMD-LVQ 算法在故障特征提取方面的優(yōu)越性，將其與小波分解-LVQ 故障診斷方法進(jìn)行對比分析。通過比較兩種方法的故障診斷準(zhǔn)確率和訓(xùn)練誤差收斂曲線，可以看出EEMD-LVQ 算法相對于小波分解-LVQ算法的優(yōu)勢。小波分解-LVQ的訓(xùn)練誤差收斂曲線結(jié)果如圖6所示。

圖6 小波分解-LVQ算法的訓(xùn)練誤差收斂曲線Fig.6 Training error curves for the wavelet decomposition-LVQ algorithm

由圖6可以看出，小波分解-LVQ故障診斷方法的訓(xùn)練誤差收斂速度很快，但是其最終誤差比較大。通過比較圖5和圖6中的訓(xùn)練誤差收斂曲線的情況，可以證明EEMD-LVQ故障診斷方法的最終誤差較小，具有更好的穩(wěn)定性。其中，故障診斷準(zhǔn)確率的結(jié)果比較如表3所示。由表3可以看出，小波分解-LVQ故障診斷方法對檢測樣本的診斷準(zhǔn)確率為79.17%，而EEMDLVQ故障診斷方法對檢測樣本的診斷準(zhǔn)確率為100%。因此證明了EEMD-LVQ 故障診斷方法具有更強(qiáng)的故障識別能力，對EMA故障診斷的效果更好。

表3 兩種方法故障診斷準(zhǔn)確率比較Tab.3 Comparison of fault diagnosis accuracy between the two methods

由于EMA 是一個(gè)多變量、強(qiáng)耦合的復(fù)雜系統(tǒng)，其故障模式在多個(gè)信號中都有反映。為了提高故障診斷的準(zhǔn)確性，本文同時(shí)提取了電機(jī)的q軸電流、d軸電流、轉(zhuǎn)速和舵面輸出信號的故障特征，并構(gòu)建了故障特征向量。

圖7為采用EEMD-LVQ算法提取舵面輸出信號的訓(xùn)練誤差收斂曲線，可見針對單一故障信號進(jìn)行處理方法的訓(xùn)練誤差收斂速度較慢，且最終誤差很大。通過比較圖5 和圖7 中的訓(xùn)練誤差收斂曲線的情況，可以證明針對多種故障信號進(jìn)行同步處理方法具有更高的訓(xùn)練效率和更好的穩(wěn)定性。

圖7 只提取舵面輸出信號的訓(xùn)練誤差收斂曲線Fig.7 Training error curves for extracting only the rudder output signal

針對單一信號和多種故障進(jìn)行故障診斷準(zhǔn)確率的比較如表4所示。由表4可以看出，針對EMA單一信號進(jìn)行故障診斷方法的診斷準(zhǔn)確率為58.33%，而針對4 種故障信號進(jìn)行故障診斷方法的診斷準(zhǔn)確率為100%。因此證明了對多種故障信號進(jìn)行同步處理方法具有更強(qiáng)的故障識別能力，對EMA 故障診斷的效果更好。

表4 單一故障信號和多種故障信號的故障診斷準(zhǔn)確率比較Tab.4 Comparison of fault diagnosis accuracy between single and multiple fault signals

4 結(jié)束語

本文以機(jī)電作動(dòng)器為研究對象，提出了基于EEMD-LVQ 的故障診斷算法，并對EMA 的故障診斷展開了研究。首先，使用EEMD 算法對EMA 信號進(jìn)行同步分解，獲取IMF分量，并計(jì)算出各個(gè)IMF分量的能量值占比，構(gòu)建能量特征分布向量；其次，使用相關(guān)系數(shù)對IMF分量進(jìn)行篩選，完成特征降維，獲取故障特征向量集，并添加標(biāo)記；最后，利用故障特征向量集對LVQ神經(jīng)網(wǎng)絡(luò)完成訓(xùn)練與檢測，獲得故障診斷結(jié)果。為驗(yàn)證算法的有效性，本文使用了實(shí)際試驗(yàn)數(shù)據(jù)進(jìn)行了驗(yàn)證，證明了本文提出的EEMD-LVQ 算法與傳統(tǒng)算法相比收斂速度快、穩(wěn)定性強(qiáng)，且多信號同步特征提取相比單一信號特征提取具有更強(qiáng)的故障識別能力。