摘要：以注塑機(jī)液壓系統(tǒng)為研究對(duì)象，建立了基于數(shù)據(jù)驅(qū)動(dòng)的智能診斷系統(tǒng)。該系統(tǒng)采用XGBoost診斷算法，通過(guò)60組訓(xùn)練樣本和18組診斷樣本的驗(yàn)證，結(jié)果顯示其訓(xùn)練精度和診斷精度分別達(dá)到了100%和88.9%，在5種診斷算法模型中準(zhǔn)確率均排在第一，表明該注塑機(jī)液壓故障診斷系統(tǒng)具有良好的故障診斷性能，克服了傳統(tǒng)診斷模型存在的自更新能力弱、泛化能力弱、診斷效率低等缺點(diǎn)。

關(guān)鍵詞：注塑機(jī);診斷系統(tǒng);XGBoost診斷算法;準(zhǔn)確率

0 引言

注塑機(jī)是各類(lèi)高分子材料加工所使用的主要機(jī)械設(shè)備之一，其性能優(yōu)劣直接關(guān)系到企業(yè)生產(chǎn)效率和生產(chǎn)成本。傳統(tǒng)的注塑機(jī)故障維修仍采用事后維修方式，大大制約了注塑機(jī)工作性能的發(fā)揮[1]。液壓系統(tǒng)作為注塑機(jī)的重要組成部分之一，因其故障具有一定隱蔽性，往往給設(shè)備維修造成極大的不利影響，因此，有必要針對(duì)注塑機(jī)液壓系統(tǒng)的故障診斷展開(kāi)專(zhuān)項(xiàng)研究。傳統(tǒng)的注塑機(jī)液壓系統(tǒng)故障診斷以專(zhuān)家診斷或者經(jīng)驗(yàn)診斷為主，缺乏自更我新能力和泛化能力，且故障診斷精度較低，難以滿足工程需要[2-5]。因此，本文針對(duì)注塑機(jī)液壓系統(tǒng)建立了智能故障診斷系統(tǒng)，以期能為注塑機(jī)的高效應(yīng)用提供幫助。

1 注塑機(jī)簡(jiǎn)介

傳統(tǒng)的液壓注塑機(jī)一般包括注射系統(tǒng)、鎖模系統(tǒng)、模具系統(tǒng)、液壓傳動(dòng)系統(tǒng)以及電氣控制系統(tǒng)五大部分，其結(jié)構(gòu)如圖1所示。其中，注射系統(tǒng)主要包括塑化、計(jì)量和驅(qū)動(dòng)等裝置，鎖模系統(tǒng)主要包括支架、模板、高壓鎖模油缸等裝置，模具系統(tǒng)主要包括頂出、模腔、分流道等裝置，液壓傳動(dòng)系統(tǒng)主要包括液壓油缸、馬達(dá)、過(guò)濾器、電池閥等裝置，電氣控制系統(tǒng)主要包括變頻器、繼電器、邏輯控制器等裝置。注塑機(jī)注塑成型工藝可分為5個(gè)流程：（1）注射前準(zhǔn)備階段;（2）注射階段;（3）保壓階段;（4）冷卻塑化階段;（5）制品取出階段。

2 注塑機(jī)液壓系統(tǒng)的故障診斷系統(tǒng)

2.1? ? 液壓系統(tǒng)

液壓系統(tǒng)是注塑機(jī)最重要的結(jié)構(gòu)之一，為注塑機(jī)的生產(chǎn)過(guò)程提供事先設(shè)定好的動(dòng)力，并滿足不同生產(chǎn)階段的壓力與速度需求。液壓泵是主油路的主要?jiǎng)恿υ?，壓力和流量分別由壓力電池閥和流量電池閥控制，液壓缸和液壓馬達(dá)是整個(gè)液壓系統(tǒng)的動(dòng)作執(zhí)行機(jī)構(gòu)，通過(guò)程序控制，完成預(yù)先設(shè)定好的注塑工藝流程。注塑機(jī)液壓系統(tǒng)結(jié)構(gòu)如圖2所示。

2.2? ? 液壓系統(tǒng)故障

根據(jù)對(duì)多家企業(yè)多種型號(hào)液壓系統(tǒng)故障維修記錄進(jìn)行統(tǒng)計(jì)，對(duì)注塑機(jī)液壓系統(tǒng)故障進(jìn)行了分類(lèi)，如圖3所示。注塑機(jī)液壓系統(tǒng)故障主要集中于液壓泵、電磁閥和液壓缸3個(gè)位置，其中液壓泵故障包括油泵異響、油泵卡死以及泵泄漏3種，電池閥故障包括閥芯卡死、閥芯損壞以及閥泄漏3種，液壓缸故障包括油缸拉缸斷裂、油封磨損泄漏以及油缸接頭開(kāi)裂3種。在以上故障類(lèi)型中，油封磨損泄漏故障的占比最高，達(dá)到了53%，其次為油泵異響，占比為14.6%，再次為油缸拉缸斷裂，占比為10.3%。

2.3? ? 故障診斷系統(tǒng)模型

工業(yè)機(jī)械設(shè)備的故障診斷模型一般都是以專(zhuān)家診斷系統(tǒng)為主，即通過(guò)對(duì)知識(shí)庫(kù)的不斷豐富和完善，再利用推理機(jī)完成相應(yīng)的邏輯推理最終得出診斷結(jié)論。傳統(tǒng)的專(zhuān)家診斷模型包括人機(jī)接口、數(shù)據(jù)庫(kù)、推理機(jī)、知識(shí)庫(kù)以及知識(shí)獲取和解釋模塊等六大模塊。另外一種則是基于經(jīng)驗(yàn)的診斷模型，該模型主要通過(guò)觀察經(jīng)驗(yàn)的積累來(lái)完善知識(shí)庫(kù)和數(shù)據(jù)庫(kù)，其主要包括數(shù)據(jù)采集與處理、人機(jī)接口、數(shù)據(jù)庫(kù)、推理機(jī)、知識(shí)庫(kù)、工作存儲(chǔ)器、專(zhuān)家經(jīng)驗(yàn)知識(shí)獲取、解釋模塊等八大模塊。

但是以上兩種診斷模型存在自我更新能力弱、泛化能力弱、診斷效率低等缺點(diǎn)，為此本文提出了基于數(shù)據(jù)驅(qū)動(dòng)的注塑機(jī)液壓系統(tǒng)故障診斷模型，該診斷模型由數(shù)據(jù)庫(kù)、數(shù)據(jù)庫(kù)管理系統(tǒng)、模型庫(kù)、數(shù)據(jù)采集與處理、知識(shí)庫(kù)、推理機(jī)、工作存儲(chǔ)器、數(shù)據(jù)驅(qū)動(dòng)知識(shí)獲取、解釋模塊、人機(jī)接口等十大模塊組成，借助機(jī)器自學(xué)習(xí)等優(yōu)勢(shì)，克服了專(zhuān)家和經(jīng)驗(yàn)診斷的主觀化、片面化等缺點(diǎn)。系統(tǒng)通過(guò)安裝在設(shè)備上的傳感器，通過(guò)高速采集系統(tǒng)實(shí)現(xiàn)信號(hào)數(shù)據(jù)的采集，然后在數(shù)據(jù)空間進(jìn)行特征向量的提取，提高關(guān)聯(lián)度，最后通過(guò)機(jī)器監(jiān)督學(xué)習(xí)，將特征向量所反映的信息與故障模式分類(lèi)空間進(jìn)行一一映射，得到故障診斷結(jié)果?；跀?shù)據(jù)驅(qū)動(dòng)的注塑機(jī)液壓系統(tǒng)故障診斷模型原理如圖4所示。

2.4? ? 故障診斷系統(tǒng)結(jié)構(gòu)

根據(jù)故障診斷模型原理，構(gòu)建注塑機(jī)故障診斷系統(tǒng)結(jié)構(gòu)和運(yùn)行流程，如圖5所示。該系統(tǒng)包括用戶層、軟件層以及硬件層3層，用戶層為診斷用戶提供瀏覽查詢(xún)功能，通過(guò)瀏覽器將診斷數(shù)據(jù)輸入，然后獲得診斷結(jié)果;軟件層主要作用是提供數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘、可視化數(shù)據(jù)運(yùn)行等功能，其中最核心的是數(shù)據(jù)挖掘方法的選取，本文采用XGBoost診斷算法;硬件層主要作用是采集故障數(shù)據(jù)，并將其傳輸?shù)杰浖?。故障診斷系統(tǒng)的診斷流程為：（1）確定診斷對(duì)象;（2）獲取傳感器數(shù)據(jù);（3）保存至設(shè)備運(yùn)行數(shù)據(jù);（4）數(shù)據(jù)預(yù)處理;（5）特征提取;（6）運(yùn)行訓(xùn)練診斷模型;（7）將訓(xùn)練結(jié)果保存至模型數(shù)據(jù)庫(kù);（8）判斷模型是否更新;（9）故障智能診斷;（10）輸出診斷結(jié)果。

3 系統(tǒng)應(yīng)用效果

3.1? ? 數(shù)據(jù)采集

本文以液壓油缸泄漏故障作為案例進(jìn)行分析說(shuō)明。通過(guò)實(shí)驗(yàn)，獲取不同程度油缸泄漏的數(shù)據(jù)特征，數(shù)據(jù)包括壓力、速度和流量等參數(shù)，注射和保壓階段的主油路壓力最大值分別為8 000 kPa和4 000 kPa，并將泄漏故障等級(jí)劃分為正常、輕微、一般和嚴(yán)重4個(gè)等級(jí)，每個(gè)故障等級(jí)均進(jìn)行15次樣本數(shù)據(jù)的采集。

3.2? ? 故障特征提取

經(jīng)數(shù)據(jù)采集和預(yù)處理，再通過(guò)編寫(xiě)Python函數(shù)程序來(lái)提取故障的特征參數(shù)，故障特征參數(shù)主要包括均值、均方根、偏度、峭度、波形、波峰、脈沖、裕度等8個(gè)，初步提取到的不同故障等級(jí)下的典型代表參數(shù)如表1所示。

3.3? ? 故障診斷結(jié)果

將上文提取的60個(gè)樣本數(shù)據(jù)輸入數(shù)據(jù)庫(kù)中，然后另外選出18個(gè)樣本作為分析樣本，并帶入XGBoost診斷模型中，模型輸出的診斷樣本診斷結(jié)果如表2所示。從表2可以看出，在18組診斷樣本中，有16組診斷結(jié)果與實(shí)際狀態(tài)一致，有2組的診斷結(jié)果與實(shí)際狀態(tài)不一致，診斷正確率為88.9%，而出現(xiàn)診斷偏差的兩組數(shù)據(jù)中，第7組實(shí)際狀態(tài)為輕微泄漏，診斷結(jié)果為正常，第11組實(shí)際狀態(tài)為一般泄漏，診斷結(jié)果為嚴(yán)重泄漏，診斷結(jié)果偏差并不大，診斷故障等級(jí)與實(shí)際故障等級(jí)僅相差一級(jí)。

3.4? ? 故障診斷精度對(duì)比

為了對(duì)比不同診斷算法的訓(xùn)練和診斷精度，將診斷系統(tǒng)中的診斷算法依次更換為k-近鄰（KNN）、隨機(jī)森林（Forest）、支持向量機(jī)（SVM）、樸素貝葉斯（Bayes）等4種算法，將4種算法的訓(xùn)練和診斷精度與XGBoost診斷算法的結(jié)果相比較，如圖6所示。

從圖6可以看出，XGBoost診斷算法不管是在訓(xùn)練精度，還是在診斷精度上，均優(yōu)于其他算法，表明本文選擇的注塑機(jī)液壓系統(tǒng)故障診斷系統(tǒng)的診斷算法比較合理。

4 結(jié)語(yǔ)

本文針對(duì)注塑機(jī)液壓系統(tǒng)，設(shè)計(jì)了一種基于數(shù)據(jù)驅(qū)動(dòng)的智能診斷系統(tǒng)，該系統(tǒng)采用XGBoost診斷算法，其訓(xùn)練精度和診斷精度分別達(dá)到了100%和88.9%，準(zhǔn)確率均高于其他算法，克服了傳統(tǒng)診斷模型存在的自更新能力弱、泛化能力弱、診斷效率低等缺點(diǎn)。

[參考文獻(xiàn)]

[1] 栗振.基于快速傅里葉變換的注射機(jī)軸承單一故障診斷[J].塑料科技，2020，48（4）：47-50.

[2] 王杰，朱彩波，李國(guó)堅(jiān)，等.基于PID控制的注塑機(jī)液壓系統(tǒng)故障診斷方法[J].設(shè)備管理與維修，2018（5）：43-44.

[3] 胥航軍.注塑機(jī)液壓系統(tǒng)故障的五種診斷方法[J].液壓氣動(dòng)與密封，2017，37（3）：70-73.

[4] 姜鑫.XS-ZY-250A型注塑機(jī)液壓系統(tǒng)故障診斷[J].機(jī)床與液壓，2016，44（16）：176-178.

[5] 劉冬冬，王建生，劉忠銀.注塑機(jī)液壓系統(tǒng)故障及建模方法研究[J].機(jī)械工程師，2016（8）：53-54.

收稿日期：2020-06-02

作者簡(jiǎn)介：楊玲（1989—），女，江蘇如皋人，助理講師，研究方向：液壓與氣壓傳動(dòng)技術(shù)。