徐巧寧，艾青林，杜學文，劉 毅

(1. 浙江工業(yè)大學 特種裝備制造與先進加工技術教育部重點實驗室， 杭州 310023；2. 浙江大學寧波理工學院 機電與能源工程學院， 浙江 寧波 315100)

船舶舵機電液伺服系統(tǒng)主要用于控制船舶運動和航向，一般情況下，船舶出海時間長且海上工作環(huán)境惡劣，因此保持舵機電液伺服系統(tǒng)正常、穩(wěn)定地運行，對于船舶的安全航行至關重要[1-2].船舶舵機電液伺服系統(tǒng)是集機械、電氣和液壓為一體的復雜非線性系統(tǒng)，且其工作環(huán)境惡劣多變，由于各類不確定因素的存在，早期故障信息往往會被掩蓋，不易發(fā)現(xiàn).因此，要對船舶舵機電液伺服系統(tǒng)的故障，特別是早期故障進行有效的檢測和判斷，該工作具有較大的挑戰(zhàn)性[3-4].

一方面，基于模型的故障檢測方法采用解析冗余代替硬件冗余，應用較為廣泛，然而該方法對模型的精確性要求較高[5].舵機伺服系統(tǒng)本身為一個復雜非線性系統(tǒng)，系統(tǒng)中存在諸多如水動力負載、摩擦負載以及未知參數等不確定因素，所造成的模型不確定會嚴重影響故障檢測結果.因此，如何對模型不確定性進行有效處理，提高故障檢測的魯棒性，同時保持故障檢測的敏感性一直以來都是各國學者研究的熱點[6-7].Sepasi等[8-9]采用事先測量或算法估計來獲取摩擦力、外干擾力的值及變化范圍，以提高模型精度，從而增加故障檢測的準確性，該方法的局限性在于如果外干擾是時變且無規(guī)則的，則難以準確獲得.另一類方法是先將系統(tǒng)模型看作為準確模型，然后構建相應的觀測器/過濾器，將得到的輸出殘差作為隨機變量數組，采用魯棒故障決策的方式提高魯棒性，如Khan等[10]采用Wald序貫檢驗來判斷系統(tǒng)中有無故障，Shi等[11]采用自適應閾值進行故障判斷.需要注意的是，如果不確定干擾對殘差的影響是否大于故障，那么一些早期故障信息將被掩蓋.還有一類方法則是采用魯棒故障檢測觀測器，該方法產生的殘差只對故障敏感而對干擾魯棒，有利于早期故障檢測，如Bahrami等[12]采用自適應觀測器，Palli 等[13]采用滑模觀測器對電液系統(tǒng)故障進行檢測與重構[12-13]，該類方法一般有一定的使用限定條件.此外，系統(tǒng)中還存在諸多非結構化不確定性等，早期故障檢測時需要考慮[14].

另一方面，計算機技術的飛速發(fā)展使得采集和存儲大量數據成為可能，因此基于數據驅動的故障診斷方法也得到了長足的發(fā)展[15-16].如，Sharifi等[15]采用神經網絡，He[16]等采用模糊自回歸，F(xiàn)u等[17]采用了同胚映射，配合適當的故障特征提取方法來進行系統(tǒng)故障診斷.基于數據的方法可實現(xiàn)難以建模系統(tǒng)的有效故障診斷，與基于模型的方法形成了有效互補，是近年來的研究熱點.然而，要獲得各類故障特征樣本進行事先學習訓練并非易事，一旦系統(tǒng)中存在未知項和干擾項，則訓練的難度將大大增加[20].

本文結合了基于模型和數據方法兩者的優(yōu)勢，提出了一種模型-數據聯(lián)合驅動的故障檢測方法，詳細考慮了系統(tǒng)中的各類不確定因素，并逐層分步對其進行了處理.通過本文所提混合式方法，可保證對干擾的魯棒性并提高對故障的敏感性，從而實現(xiàn)早期故障的有效檢測.

1 舵機電液伺服系統(tǒng)建模與分析

1.1 系統(tǒng)簡介

常見的閥控型船舶舵機電液伺服系統(tǒng)如圖1所示，該系統(tǒng)包含自動和手動兩種操作模式，通過隔離閥10進行切換，比例閥7和液動操舵閥8分別在兩種模式下進行舵機油缸的控制.當隔離閥處于左位，系統(tǒng)處于自動控制模式，通過比較實際舵角和指令舵角，由控制器計算得到相應的輸出控制信號，該信號輸入比例閥電控端，通過控制比例閥閥芯的位移來控制進出舵機油缸的油液流量，從而控制舵機油缸活塞的運動，舵機油缸的位置信號又通過齒輪齒條機構轉變成轉角信號，由編碼器采集輸入控制器，周而復始，最終達到指令舵角，進行船舶航向的控制.實際船舶舵機中舵機油缸的活塞桿通過一系列機械結構與舵葉相連，舵葉則承受著各種水動力負載，在實驗系統(tǒng)中，舵機油缸活塞一般與加載系統(tǒng)相連，通過加載系統(tǒng)進行負載模擬對其進行加載.

1.2 系統(tǒng)分析與建模

針對系統(tǒng)的自動控制模式進行研究，依據與電液控制系統(tǒng)建模相關的理論[21]，建立各部分的系統(tǒng)方程.

流體比例閥的流量方程表示如下：

1—角度傳感器, 2—齒輪齒條, 3—舵機油缸, 4—壓力傳感器, 5—液壓鎖, 6—油箱, 7—隔離閥, 8—過濾器, 9—定量泵, 10—單向閥, 11—安全閥, 12—比例閥, 13—液動操舵閥, 14—節(jié)流閥, 15—溢流閥圖1 船舶舵機電液伺服系統(tǒng)原理圖Fig.1 Schematic diagram of the RESS

(1)

式中：q+與q-分別為進出液壓缸無桿腔和有桿腔的流量；kq為流量系數；xv為比例閥的閥芯位移；w為比例閥的死區(qū)；ps+與ps-分別為供油和回油壓力；p+與p-分別為油缸無桿腔和有桿腔的壓力.比例閥的動態(tài)方程可用一階模型表示為

(2)

式中：τ與kv分別為描述比例閥動態(tài)特性的時間系數與增益系數；u為輸入電壓.

液壓缸的流量連續(xù)性方程為

(3)

式中 ：a+與a-分別為液壓缸無桿腔和有桿腔的面積；xp為舵機油缸活塞的位移；ci與ce分別為液壓缸的內外泄露系數；V+與V-分別為液壓缸無桿腔和有桿腔的有效容積；βe為油液的有效體積彈性模量.液壓缸和負載的力平衡方程為

(4)

式中：m為負載及折算到負載上的總質量；bp為粘性阻尼系數；f為其它外負載，包括水動力負載，慣性負載、摩擦負載及干擾負載等，實際系統(tǒng)中的粘性力及外負載是未知時變.

(5)

式中：A,B,C,D為系統(tǒng)的參數矩陣，

d為系統(tǒng)的干擾項

g(x)為系統(tǒng)中的非線性項

g±(xv,p±)=

1.3 故障分析與建模

通過分析圖1的船舶舵機電液伺服系統(tǒng)可知，常見的執(zhí)行器和元件故障包括系統(tǒng)供油壓力異常(Δps+)，舵機油缸內泄漏(Δci)，比例閥故障(Δkv)以及角度傳感器故障(Δθ)，舵機舵角θ=kdxp，kd為舵機油缸的位移轉換成角度的比率.因此，含有故障項的系統(tǒng)狀態(tài)方程可表示為

(6)

式中：Fa和Fs為分別為執(zhí)行器和傳感器的故障定位矩陣，

1.4 模型不確定性分析

正如其他基于模型的系統(tǒng)研究一樣，所建立的船舶舵機電液伺服系統(tǒng)也難以避免模型的不確定性，總的來說，該系統(tǒng)的不確定性主要包括以下幾個方面.

(1) 參數的不確定性，液壓系統(tǒng)中的一些參量在不同的工作環(huán)境下是不同的，比如βe，ci，ce以及kq等，對于每一個液壓系統(tǒng)，這些參數的具體數值都會有所不同且一般為未知數.有些采用實驗測量的方式獲取這些值，但是這些實驗操作起來比較復雜，而更多的則采用經驗試湊的方式.試湊的方法一般先根據經驗定幾個初值，再通過與實際系統(tǒng)的相應輸出參量比對來不斷調整，由于舵機電液伺服系統(tǒng)中不只有一個未知參數，因此具體調哪個，每個調整值為多少均為位置，該過程一般需要花費大量的時間精力，存在很大的不確定性，且估算結果的準確性會影響系統(tǒng)的早期故障診斷.

(2) 實際的船舶舵機在水中承受的外負載包括水動力負載，慣性負載，摩擦負載, 浪涌和舵面空拍干擾負載等，這些外負載力學關系復雜，往往是未知和時變的，且難以準確測得，再加上舵機油缸運行時的粘性阻尼力和摩擦力等，對于系統(tǒng)來說相當于存在未知時變的輸入項，這些未知力會引起系統(tǒng)狀態(tài)量的變化，對系統(tǒng)故障的判斷造成混淆，因此會對系統(tǒng)的故障診斷帶來很大的挑戰(zhàn).

此外，其他難以通過建模描述的不確定性如系統(tǒng)的固有非線性、非結構化模型不確定性、干擾、噪聲等，也會影響早期故障檢測.

2 舵機電液伺服系統(tǒng)故障檢測

2.1 不確定參數辨識

正常狀態(tài)下的系統(tǒng)模型往往會作為標準來進行故障檢測觀測器、濾波器的構建，因此，正常系統(tǒng)模型的準確性非常重要，要能保證相同輸入下模型輸出和系統(tǒng)輸出的一致性.由式(5)可知，系統(tǒng)中主要不能確定的參數包括βe,kq,ci和ce，為了能夠進行下一步的故障檢測，需要獲得這些參數值，考慮到實驗測量這些參數時存在困難，而若以經驗試湊的方式面對4個參量的調整，不僅費時費力，而且存在較大的偶然性.因此，提出在系統(tǒng)數學模型的基礎上，采用正常狀態(tài)下系統(tǒng)的輸入輸出數據對這些參數進行辨識.

由式(5)可得到：

Φθ=Γ

(7)

式中：

定義標準函數為

(8)

(11)

2.2 魯棒故障檢測觀測器構建

假設1對于非線性項g(x)，存在一個正常數γ使下式成立：

(12)

評述在船舶舵機電液伺服系統(tǒng)中的非線性項即使不是全局Lipschitz的，至少也可以看成是局部 Lipschitz 的，因為系統(tǒng)的狀態(tài)變量是有界的[24].

假設2傳感器發(fā)生的是漸變故障.

評述這類故障在系統(tǒng)中較常見的，如傳感器的逐步零漂和增益變化，且這類故障一般難以察覺.

圖2 故障檢測觀測器框圖Fig.2 Block diagram of fault detection process

依據基于模型的故障診斷技術理論及故障檢測觀測器設計理論[25-26]，針對船舶舵機電液伺服系統(tǒng)，由圖2構建的非線性未知輸入觀測器如下：

(13)

式中：N=TA-KC；G=TB；L=K-NE；T=I+EC，I為單位矩陣.

如果式(13)是式(6)的故障檢測觀測器，那么必須滿足以下3個要求：

(2)d變化不會影響殘差；

(3) 當fa或fs變化時會引起殘差變化.

理論1如果存在兩個矩陣E,K和1個對稱正定矩陣P使得以下3個條件得到滿足：

TD=0

TFa≠0or (NE+L)Fs≠0

NTP+PN+γPTTTP+γI<0

則式(13)是式(6)的一個故障檢測觀測器.

T[Ax+Bu+Dd+g(x)+Fafa]=

(G-TB)u-TDd-TFafa+

(NE+L)Fsfs+(N+NEC+LC-TA)x

(14)

根據式(13)各參數矩陣的表達式可得G=TB，N+NEC+LC=TA，因此

TFafa+(NE+L)Fsfs

(15)

由上式可知，如果TD=0，則d變化將不會影響殘差，與故障檢測觀測器的要求②相對應，因為D為列滿秩，如果rankCD=rankD，則由TD=0可以解得

E=Ea+YEb

(16)

式中：Ea=-D(CD)-1；Eb=I-(CD)(CD)-1且(CD)-1=[(CD)T(CD)]-1(CD)T.

(17)

(18)

上述不等式一般很難直接求得，可以根據Schur 補引理，將上式進行調整，采用線性矩陣不等式(LMI)的方法進行求解[27-28]，計算過程如下：

(1) 根據式(CD)-1計算Ea和Eb.

(19)

(4) 計算觀測器的參數矩陣N=TA-KC，G=TB，L=K-NE和T=I+EC.

2.3 基于神經網絡的補償方法

通過上述步驟，盡管系統(tǒng)的不確定參數得到了初步辨識，且系統(tǒng)的非線性和未知外負載得到了處理，但是，實際系統(tǒng)正常狀態(tài)下的故障檢測觀測器輸出依舊會呈現(xiàn)非零狀態(tài)，這主要是因為系統(tǒng)中還存在諸如難以建模的非結構化不確定因素，以及干擾噪聲等剩余不確定部分.這些剩余不確定因素會覆蓋系統(tǒng)故障信息，造成混淆，尤其使得一些早期故障難以被發(fā)現(xiàn)，因此需要進行補償處理.

考慮剩余不確定因素后系統(tǒng)正常狀態(tài)下的模型可表示為

(20)

式中：Λ(x,u,t)，γ(u,t)分別為建模不確定性和測量不確定性，t為時間.

由上式可得到

[Bu(τ)+Dd(τ)+g(x(τ))]dτ+

(21)

x(t)=C-1y(t)-C-1γ(u,t)

(22)

通過式(21)和(22)可知，消除x后，該式變成1個有關系統(tǒng)輸入、輸出和不確定項的關系式，完全解出此關系式存在一定難度，但該式也說明了系統(tǒng)中的不確定部分和系統(tǒng)的輸入輸出存在一定的關系，即可以用系統(tǒng)的輸入輸出來表示剩余不確定部分.此外，還可知，系統(tǒng)的輸入輸出和剩余不確定部分關系復雜，存在強非線性，一般的建模和估計算法難以實現(xiàn)系統(tǒng)輸入輸出到剩余不確定部分的計算.近年的研究表明，神經網絡對于未知連續(xù)函數具有很好的逼近能力，特別適用于難以進行傳統(tǒng)建模的場合[29-30].因此，利用系統(tǒng)輸入輸出，采用神經網絡的方式對系統(tǒng)剩余不確定性的影響進行模型補償是可行的.

為了有效描述剩余不確定性對殘差的影響，用于訓練補償模型的數據應采用不受故障影響的狀態(tài)量.由于不受所有故障影響的狀態(tài)量難以獲得，所以需要針對不同情況建立多個補償模型.對于執(zhí)行器故障來說，第i個補償模型的輸入為系統(tǒng)正常狀態(tài)下的ui和y，其中ui代表除第i個輸入外的所有系統(tǒng)輸入，y代表所有系統(tǒng)輸出；對于傳感器故障來說，第j個補償模型的輸入為u和yj，其中u代表所有系統(tǒng)輸入，yj代表除第j個輸入外的所有系統(tǒng)輸出，圖3所示為神經網絡補償模型的構建過程.

圖3 神經網絡補償模型構建框圖Fig.3 Block diagram of fault detection with compensation models

通過模型補償正常狀態(tài)下輸出的殘差趨于0，而存在故障時輸出殘差會發(fā)生偏離.對于執(zhí)行器故障，由故障項引起的殘差偏差量為

(23)

式中：

同理可得，當t→∞時，由傳感器故障引起的殘差偏差量為

其中故障參數矩陣

2.4 舵機系統(tǒng)早期故障檢測總體方案

將上述幾類不確定因素處理方法進行有效組合，可形成系統(tǒng)總體早期故障檢測框圖如圖4所示，該系統(tǒng)數據庫中的數據僅需正常運行狀態(tài)下的系統(tǒng)輸入輸出數據即可.該方案將基于模型的故障檢測方法與基于數據的辨識構建方法相結合，在保留故障信息的基礎上，對系統(tǒng)的不確定干擾因素進行了逐層削減，以減少對故障信息的影響，從而實現(xiàn)早期微小故障信息的有效檢測.

圖4 模型-數據聯(lián)合驅動早期故障檢測框圖Fig.4 Flow chart of the integrated model-based and data-driven fault detection algorithm

3 仿真與實驗研究

3.1 仿真與實驗系統(tǒng)建立及參數辨識

在實驗系統(tǒng)及MATLAB環(huán)境中搭建的仿真系統(tǒng)中驗證故障診斷方法的有效性，實驗系統(tǒng)如圖5所示.圖5右下角為進行船舶舵機電液伺服系統(tǒng)故障診斷研究的實驗臺，舵機油缸的活塞桿上連接 4 000 kg的質量塊，以進行負載模擬.一般的船舶舵機系統(tǒng)控制器是專門定制的，不能隨意改變，以保證可靠性，因此所增加的在線故障診斷系統(tǒng)不能影響原系統(tǒng)的控制和運行.基于上述原因，如圖5所示系統(tǒng)中單獨搭建了基于NI-PXI系統(tǒng)的數據采集和故障診斷系統(tǒng)，與原系統(tǒng)并行運行，該系統(tǒng)的主要模塊包括：雙核控制器(PXIe-8108 RT)，多功能I/O模塊(PXI-6229)，PXI機箱(PXIe-1071)及相應附件等.實時采集的信號包括指令和實際舵角信號，舵機油缸兩腔的壓力以及控制器的輸出電信號，采樣率為1 kHz，該系統(tǒng)的相應參數如表1所示，其中dp為舵機油缸內徑,dr為活塞桿桿徑,ld為舵機油缸的有效行程，Ln為比例閥的名義流量.

圖5 船舶舵機電液伺服系統(tǒng)實驗臺Fig.5 Experimental test rig of RESS

表1 船舶舵機電液伺服系統(tǒng)的參數

Tab.1 Parameters of the ship rudder electro-hydraulic servo system

參數數值dp/mm260dr/mm100ld/mm380V+/m30.0104V-/m30.0089Ln/(L·min-1)100w/mm0.3kv/(mm·V-1)0.5τ/ms12.5m/kg4000ps+/MPa3ps-/MPa0.1kd/(mm·(°)-1)7.6

3.2 正常狀態(tài)下的檢測性能

為驗證所搭建系統(tǒng)及辨識參數的有效性，將表1中的系統(tǒng)參數以及辨識得到的系統(tǒng)參數均代入系統(tǒng)模型式(5)中，同時將力，速度系數設置為6×105N/(m·s-1)，在實驗和仿真系統(tǒng)中輸入相同的指令舵角信號，得到的系統(tǒng)輸出，如圖6所示.

由圖6可知，仿真結果與實驗虛線吻合，說明所搭建模型及辨識得到參數與實際相符；通過圖6(e)、6(f)即液壓缸兩腔壓力局部放大曲線可發(fā)現(xiàn)，雖然仿真結果與實驗曲線整體趨勢一致，但是由于實際系統(tǒng)存在的各種摩擦、干擾以及運行過程中的力波動等問題，難以對外力進行準確估計，仿真曲線不可能完全與實際曲線吻合，在實際舵機系統(tǒng)中外負載力還包括其他未知時變的水動力負載，浪涌和舵面空拍干擾負載等，這些都將影響早期故障的診斷，由此也驗證了最初的設計想法，即無需測量或估計外負載力，只是將其作為未知干擾項進行解耦處理.因此，在后文的觀測器搭建過程中未對粘性阻尼力、摩擦力等其它干擾力進行過任何估計，也無需獲取過其變化范圍，在所受力信息缺失的情況下，實現(xiàn)系統(tǒng)的魯棒故障檢測.

圖6 實驗測量和仿真輸出結果Fig.6 Measured and simulated results

圖7 仿真正常狀態(tài)下輸出殘差Fig.7 Simulated observer performance in normal state

圖8 實驗正常狀態(tài)下輸出殘差Fig.8 Experimental observer performance in normal state

依據2.2節(jié)所述，可設計船舶舵機電液伺服系統(tǒng)魯棒故障檢測觀測器，將系統(tǒng)正常狀態(tài)下活塞的實際輸出速度與觀測器估計輸出速度做差值，可得如圖7所示的速度輸出殘差(rv).由圖7可見，在整個運行過程中，殘差幾乎為0，只有一些小的毛刺，這些小毛刺主要出現(xiàn)在啟停和突然換向過程中，在仿真中可以通過設置上下固定閾值(±0.5 mm/s)來進行故障決策.

圖8所示為實驗得到的正常狀態(tài)下輸出速度殘差，v+與v-分別表示活塞運動的兩個方向.由圖可見，實驗曲線與仿真曲線整體趨勢一致，除在啟停換向時會有毛刺，其它階段在0值附近波動，這說明了之前辨識得到的參數的有效性以及所構建的故障檢測觀測器在正常狀態(tài)下的有效性.然而，與仿真曲線比較，相較于仿真輸出，實驗輸出殘差與零值的偏離量和波動性均較大，這也說明了實際系統(tǒng)中依然存在剩余不確定性和干擾，這些不確定性將會影響故障診斷的結果，尤其影響早期故障的發(fā)現(xiàn).

由于圖8中實際系統(tǒng)呈現(xiàn)的毛刺造成的殘差幅值變化較大，因此不能采用圖7仿真中的固定閾值，為避免故障的誤判同時保持對故障的敏感性，設計了如下自適應閾值進行故障決策：

(24)

k=1,2,…

圖9 正常系統(tǒng)在不同外干擾力下的輸出殘差Fig.9 Forces and residuals in normal state

圖8中的虛線表示自適應閾值，可見，采用自適應閾值后，殘差曲線均在閾值范圍內，因此表示系統(tǒng)正常無故障.

由圖9可見，無論外干擾力如何變化，所輸出的速度殘差基本不發(fā)生變化，除了在啟停換向瞬間有些小毛刺，其余幾乎為0，且在閾值范圍內，不會造成誤報警.由此也驗證了所提出的故障檢測方案對未知時變干擾力的魯棒性.

表2 自適應閾值參數設置Tab.2 Parameters setting of adaptive threshold

3.3 故障狀態(tài)下的檢測性能

為檢驗所提出方案的故障檢測性能，在仿真和實驗環(huán)境分別設置了4類常見故障，方法如下：

(1) 供油壓力異常故障.將溢流閥的設定壓力由3 MPa調為2.8 MPa.

(2) 舵機油缸內泄漏故障.在進出舵機油缸兩腔管路間加上1個內徑3 mm的節(jié)流孔來模擬(在仿真系統(tǒng)中將內泄漏系數由0.01 mm3/(s·Pa) 設置為0.1 mm3/(s·Pa)).

(3) 比例閥故障.比例閥的輸入設為0.9u.

(4) 角度傳感器故障.角度傳感器的輸出設為0.87θ.

上述幾類常見故障會造成舵機不能達到指定舵角，或者轉舵慢等問題，而在故障初期，這些現(xiàn)象并不明顯，再加上系統(tǒng)中各類不確定因素以及干擾的混淆，很難進行系統(tǒng)有無故障的判斷，在故障值的設置上，盡量小的偏離標準值，以模擬早期故障參量偏離狀態(tài).

上述4類故障檢測的仿真和實驗結果分別如圖10和11所示.

圖10 故障檢測仿真結果Fig.10 Simulated fault detection performance

可以看出，圖10中4類故障的輸出殘差曲線在活塞的兩個運動方向上v±均超出了閾值，說明所有故障均可得到有效檢測，從仿真上驗證了所采用的故障檢測方法的有效性；將圖11與圖8正常狀態(tài)下實驗輸出殘差相比較發(fā)現(xiàn)，發(fā)生4種故障后，實驗得到的殘差曲線在活塞兩個運動方向上均發(fā)生了偏離，且偏離的方向與圖10仿真曲線一致，由此也從實驗上驗證了所采用的故障檢測方法的有效性；與圖10的仿真結果不同，雖然圖11中所有故障殘差曲線發(fā)生了偏離，但是這些殘差卻很難超過閾值，即故障不能全部得到有效檢測.這是因為實際系統(tǒng)不像仿真系統(tǒng)那么理想，存在著剩余不確定干擾，而所設置的故障偏差又很小，屬于早期故障，因此這些故障信息被系統(tǒng)的剩余不確定干擾所覆蓋了，實驗發(fā)現(xiàn)，如果進一步加大故障偏差量，則所有故障均可超出閾值得到檢測.

針對上述早期故障敏感性不高的問題，采用2.3節(jié)所述的基于神經網絡的補償方法，采用RBF神經網絡，訓練數據為正常情況下系統(tǒng)的輸入、輸出和殘差，具體選擇時選取不受故障影響或影響相對較小的系統(tǒng)輸入輸出量來進行補償模型的構建，可通過合理設置觀測器參數矩陣，再通過式(24)，(25)進行校驗來調整，選擇采用比例閥輸入電壓，舵機油缸進出口壓力值以及正常運行狀態(tài)下的觀測器輸出殘差進行補償模型訓練構建，采樣率為100 Hz.

圖12為采用了神經網絡補償模型后的4類故障檢測結果.由圖可見，所有故障的殘差曲線在兩個運動方向上均超過了閾值，表明這些早期故障均可得到檢測，證明了補償方法的有效性.此外，采用補償模型后，啟停和速度突變時的殘差波動也變小，因此采用固定閾值即可進行故障決策.

圖11 故障檢測實驗結果Fig.11 Experimental fault detection performance without compensation model

圖12 采用補償模型后的故障檢測實驗結果Fig.12 Experimental fault detection performance with compensation model

4 結語

針對船舶舵機電液伺服系統(tǒng)，提出了一種模型-數據聯(lián)合驅動的故障診斷方法.建立了系統(tǒng)狀態(tài)方程和常見故障模型，對系統(tǒng)中的各類不確定因素進行了分類解析并制定了逐層削減策略.系統(tǒng)的不確定參數難以準確測量，采用了基于系統(tǒng)輸入輸出數據的參數辨識法可進行有效辨識；系統(tǒng)的外負載力未知時變，會干擾早期故障的檢測，針對系統(tǒng)的未知時變外干擾及固有非線性，設計了基于系統(tǒng)模型的非線性未知輸入觀測器，可對系統(tǒng)的非線性進行有效處理并對外干擾進行有效解耦，而不影響對故障的敏感性.系統(tǒng)中的剩余不確定性會影響早期故障的檢測，提出了基于神經網絡的補償方法，可以對剩余不確定性的影響進行有效削減，從而提高故障檢測的敏感性，仿真和實驗結果均說明了該方法的有效性.