師 沖，任 燕，湯何勝，向家偉, 孟 彬，阮 健

(1.溫州大學(xué) 機(jī)械工程學(xué)院，浙江 溫州 325035；2.浙江工業(yè)大學(xué) 機(jī)械工程學(xué)院，浙江 杭州 310014)

引言

電液換向閥因其作業(yè)環(huán)境惡劣常會(huì)引發(fā)內(nèi)泄漏故障，從而導(dǎo)致工程機(jī)械的操作失穩(wěn)、運(yùn)轉(zhuǎn)不可靠，嚴(yán)重影響液壓系統(tǒng)的效率和液壓元件的壽命[1]。因此，準(zhǔn)確、可靠的識別電液換向閥內(nèi)泄漏故障模式對電液換向閥、液壓系統(tǒng)的正常工作極其重要。然而，由于液壓系統(tǒng)部件故障的隱蔽性、復(fù)雜性、多樣性[2]及液壓信號具有強(qiáng)的非線性、非平穩(wěn)、低信噪比、特征信息相近時(shí)難以正確辨識等特點(diǎn)[3]，使得無法快速有效定位、識別故障。因此，對原始振動(dòng)信號通過預(yù)處理工作使信號特征增強(qiáng)顯得格外重要。

經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)是故障診斷中廣泛使用的時(shí)頻信號分析方法，能根據(jù)信號本身的特點(diǎn)自適應(yīng)的將信號分解為一系列IMF，非常適合于處理非線性、非平穩(wěn)信號，且具有很高的信噪比[4]。其中，基于EMD方法在液壓故障內(nèi)泄漏診斷領(lǐng)域同樣也取得了一定的成就[5-6]。然而，液壓故障振動(dòng)信號往往混有噪聲及換向沖擊等對特征信息有損的其他信號，使得診斷難度加大[7]。對信號的采集、處理技術(shù)與診斷經(jīng)驗(yàn)較為依賴。

深度學(xué)習(xí)依據(jù)其強(qiáng)大的特征表達(dá)學(xué)習(xí)能力，可以自適應(yīng)的完成故障特征的提取與健康狀態(tài)的智能故障診斷，省去了信號處理中對特征的人為選擇。因此基于深度學(xué)習(xí)的液壓內(nèi)泄漏故障診斷方法被國內(nèi)外學(xué)者關(guān)注，并同樣取得了一定的成果[8-9]。為了使網(wǎng)絡(luò)的學(xué)習(xí)能力更強(qiáng)，往往會(huì)加深網(wǎng)絡(luò)，但帶來的問題是容易遭遇梯度彌散問題。為了解決深層網(wǎng)絡(luò)存在的問題，何凱明等[10]提出了一種殘差網(wǎng)絡(luò)結(jié)構(gòu)(Residual Networks, ResNets)，通過前后2層的殘差連接使信息盡量不丟失，實(shí)現(xiàn)信息特征的流通，使得網(wǎng)絡(luò)更容易訓(xùn)練。DenseNet[11]同樣為了克服因網(wǎng)絡(luò)層數(shù)深、參數(shù)規(guī)模大導(dǎo)致的網(wǎng)絡(luò)模型訓(xùn)練困難問題，采用了一種將跳層連接發(fā)揮到極致的網(wǎng)絡(luò)結(jié)構(gòu)，即讓每層都與該層之前的所有層都相連，加強(qiáng)信息間復(fù)用率，同時(shí)使得信息更容易流通更新?；谏鲜鰞?yōu)勢DenseNet在機(jī)械故障診斷中的到了廣泛的應(yīng)用。JIAO J[12]利用密集連接卷積網(wǎng)絡(luò)實(shí)現(xiàn)行星齒輪箱故障的有效診斷。

本研究重點(diǎn)研究電液換向閥內(nèi)泄漏故障的智能診斷。針對采集的振動(dòng)信號具有強(qiáng)的噪聲及非平穩(wěn)性等特點(diǎn)，將EMD方法與DenseNet進(jìn)行結(jié)合，并將該方法與普通一維CNN和普通一維DenseNet進(jìn)行比較，結(jié)果表明所提出的方法比其他兩種方法在電液換向閥內(nèi)泄漏故障中有更好的性能。

1 經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)

EMD是黃鍔博士于1998年提出一種自適應(yīng)信號分析方法，非常適合非線性、非平穩(wěn)時(shí)間序列的處理，在故障診斷領(lǐng)域得到了廣泛的應(yīng)用。分解過程在眾多文獻(xiàn)中有更詳細(xì)解釋說明，可以參考文獻(xiàn)[4]。分解結(jié)果為：

(1)

式中，ci—— 第i階本征模態(tài)分量(IMF)

rn—— 殘差項(xiàng),n為IMF的階數(shù)

2 密集連接卷積網(wǎng)絡(luò)

DenseNet與普通CNN的最大差異在于，CNN采用了一種跳層連接的網(wǎng)絡(luò)結(jié)構(gòu)。圖1顯示了CNN 特征提取的一般過程。輸入數(shù)據(jù)通過多個(gè)特征提取單元結(jié)構(gòu)前后交替的進(jìn)行特征變換Hm(·)，直到將特征傳遞到包含分類器的全連接層實(shí)現(xiàn)故障分類任務(wù)。

圖1 特征提取單元結(jié)構(gòu)

而DenseNet則是一種將跳層連接發(fā)揮到極致的神經(jīng)網(wǎng)絡(luò)，即每一層網(wǎng)絡(luò)的輸入由前面所有層的輸出并聯(lián)堆疊構(gòu)成。圖2展示了一個(gè)具有3層密集連接塊的結(jié)構(gòu)。

圖2 3層密集連接塊的結(jié)構(gòu)

從圖2可以清晰看出密集連接塊內(nèi)的第m層接受了所有前續(xù)層輸出的特征圖x0,x1,…,xm-1的并聯(lián)堆疊作為其輸入，通過對特征圖的極致利用達(dá)到更好的效果。

xm=Hm([x0,x1,…,xm-1])

(2)

式中，xm—— 第m層的輸出特征

Hm(·)—— 對前m-1層并聯(lián)堆棧特征的特征變換

雖然這樣拼接前層的特征圖加強(qiáng)了信息的傳遞和信息的復(fù)用，但是同樣存在網(wǎng)絡(luò)加深特征圖信息過多，網(wǎng)絡(luò)參數(shù)過多等問題。因此需要將網(wǎng)絡(luò)層進(jìn)行分離成多個(gè)密集連接卷積塊，并將相鄰2個(gè)密集連接卷積塊通過過渡層進(jìn)行連接。過渡層用于對特征圖尺寸和和維度進(jìn)行調(diào)整，其中主要由卷積層、池化層、批量歸一化層和非線性激活層組成。對特征圖維度的調(diào)整主要依靠過渡層1×1的卷積運(yùn)算，使得大量的特征圖維度減少下來，降低參數(shù)加快網(wǎng)絡(luò)訓(xùn)練；對特征圖的尺寸調(diào)整主要依靠尺寸為2×1步長為2的平均池化對其進(jìn)行池化操作，使輸出的特征圖尺寸減半。一個(gè)完整的DenseNet的結(jié)構(gòu)則通過密集連接塊和過渡層前后順次連接，直到連接到全局池化層和分類層實(shí)現(xiàn)故障識別。

3 故障診斷方法流程

利用EMD和一維DenseNet進(jìn)行電液換向閥內(nèi)泄漏故障狀態(tài)識別。圖3展示了故障診斷模型方法的流程圖，主要包括：振動(dòng)信號的采集與簡單處理、振動(dòng)信號進(jìn)行EMD分解、數(shù)據(jù)集創(chuàng)建與劃分、一維DenseNet訓(xùn)練與測試并對模型進(jìn)行評估。

圖3 所提方法電液換向閥內(nèi)泄漏的故障診斷方法流程

(1)信號采集與簡單處理：通過加速度傳感器獲取電液換向閥不同健康狀態(tài)的振動(dòng)信號，并對信號進(jìn)行簡單的截取、拼接;

(2)振動(dòng)信號EMD分解：對拼接后的信號進(jìn)行EMD分解，并選擇前幾個(gè)包含顯著特征信息的IMF分量。本實(shí)驗(yàn)選擇前5個(gè)IMF分量;

(3)數(shù)據(jù)集創(chuàng)建：將經(jīng)過EMD分解的5個(gè)IMF分量和原始振動(dòng)信號按照順序在特征維度上進(jìn)行并聯(lián)堆疊，輸入形成特征通道數(shù)為6的1個(gè)多通道特征樣本;

(4)電液換向閥內(nèi)泄漏故障診斷：通過測試數(shù)據(jù)集對提出的故障診斷網(wǎng)絡(luò)模型進(jìn)行評估，并實(shí)現(xiàn)故障模式的識別。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)說明

對電液換向閥內(nèi)泄漏故障通過閥芯、閥體磨損進(jìn)行故障植入，通過加速度傳感器進(jìn)行數(shù)據(jù)獲取，并對獲取的加速度信號進(jìn)行預(yù)處理，最后再輸送進(jìn)密集連接卷積網(wǎng)絡(luò)進(jìn)行特征學(xué)習(xí)，實(shí)現(xiàn)故障診斷。

圖4a所示為電液換向閥實(shí)驗(yàn)裝置，主要由電液換向閥、油箱、液壓泵、溢流閥、7個(gè)加速度傳感器(主閥閥體4個(gè)外壁面、先導(dǎo)閥2個(gè)外壁面和1個(gè)頂部外壁面，如圖4所示)、液壓缸等組成。

圖4 電液換向閥實(shí)驗(yàn)裝置

圖5為通過對液壓閥芯和閥體人工植入磨損(內(nèi)部配合間隙增大)來模擬內(nèi)部泄漏故障模式結(jié)果。

a)輕微磨損 b)中度磨損 c)重度磨損 d)單邊磨損 e)雙邊磨損

其中6類故障類型, 健康狀態(tài)即為閥芯與閥體配合正常；輕微磨損5即閥芯磨損，均壓槽未損壞；中度磨損5即閥芯磨損，均壓槽損壞；重度磨損5即閥芯磨損嚴(yán)重，并伴有點(diǎn)蝕故障；單邊磨損5即閥體只有單邊磨損；雙邊磨損5即閥體雙邊均有磨損。

實(shí)驗(yàn)閥截面圖如圖6所示，實(shí)驗(yàn)閥為二位四通閥，在先導(dǎo)閥斷電時(shí)，先導(dǎo)閥閥芯由彈簧控制在左室，高壓油液從主閥P口進(jìn)入，通過先導(dǎo)電磁閥和主閥內(nèi)壁油路進(jìn)入主閥右腔室，主閥閥芯在右側(cè)腔室油壓下被擠壓至主閥左側(cè)腔室，主閥B口打開與P口聯(lián)通。隨著先導(dǎo)電磁閥啟動(dòng)，先導(dǎo)閥閥芯由于電磁力的作用下移至先導(dǎo)閥右側(cè)腔室，高壓油液從主閥P口進(jìn)入，通過先導(dǎo)閥和主閥內(nèi)壁油路進(jìn)入主閥左側(cè)腔室，主閥閥芯在壓力的作用下被推入主閥右側(cè)腔室，主閥A口打開與P口聯(lián)通，同時(shí)B口關(guān)閉，其中實(shí)驗(yàn)閥的每一個(gè)換向周期為8 s。當(dāng)需要設(shè)計(jì)外控、外泄系統(tǒng)也可以通過X，Y控制先導(dǎo)油液進(jìn)出。

1.先導(dǎo)閥芯 2.彈簧 3.線圈 4.主閥閥芯 5～8.主閥閥體上安裝的加速度傳感器 9～11.先導(dǎo)閥閥體的加速度傳感器

4.2 數(shù)據(jù)說明

本次實(shí)驗(yàn)通過安裝于實(shí)驗(yàn)閥外壁的7個(gè)加速度傳感器收集加速度信號，除了布置于主閥閥體兩側(cè)的加速度傳感器因?yàn)橹鏖y兩側(cè)壁厚過大加速度信號信息較少外，其余5枚傳感器在實(shí)驗(yàn)中的效果相似，本次實(shí)驗(yàn)以傳感器6的數(shù)據(jù)作為展示并作為模型選用數(shù)據(jù)。在案例研究中，每種故障狀態(tài)被重復(fù)模擬2次。數(shù)據(jù)采集的設(shè)置參數(shù)如表1所示。由于一整個(gè)換向周期采集的數(shù)據(jù)點(diǎn)數(shù)太多，所以對原始數(shù)據(jù)點(diǎn)進(jìn)行分段截取并做拼接，截取原則按照整個(gè)周期液壓動(dòng)作進(jìn)行截取，拼接后的數(shù)據(jù)為16904個(gè)點(diǎn)的振動(dòng)信號，其中某一故障樣本一個(gè)整周期信號和截取拼接后的信號如圖7所示。將其進(jìn)行EMD分解后，取其前5個(gè)IMF分量如圖8所示。綜合選擇后每種狀態(tài)類別的加速度信號樣本為219個(gè)，并對樣本進(jìn)行劃分為訓(xùn)練集和測試集，其他處理過程按照第3節(jié)所述方法進(jìn)行。

表1 實(shí)驗(yàn)參數(shù)設(shè)置表

圖7 原始信號和拼接后的信號圖

圖8 故障信號前5個(gè)IMF分量

4.3 DenseNet模型參數(shù)設(shè)置

通過對提出的網(wǎng)絡(luò)模型反復(fù)調(diào)參實(shí)驗(yàn)，最終模型結(jié)構(gòu)及其主要參數(shù)如表2所示。

表2 DenseNet網(wǎng)絡(luò)模型主要結(jié)構(gòu)參數(shù)

5 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證所提出方法在電液換向閥內(nèi)泄漏故障診斷中的有效性，將所提出的方法與普通的一維CNN和一維DenseNet進(jìn)行對比，一維CNN與所提出的網(wǎng)絡(luò)模型具有相同的網(wǎng)絡(luò)深度，一維DenseNet不僅與所提出網(wǎng)絡(luò)結(jié)構(gòu)有同樣的網(wǎng)絡(luò)深度，且密集塊、過渡塊與卷積核的數(shù)量和大小都一致。

基于EMD和一維DenseNet、一維DenseNet與一維CNN的準(zhǔn)確率與損失值分別如圖9所示。

圖9 3種網(wǎng)絡(luò)的訓(xùn)練和測試準(zhǔn)確率與損失

從3種網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練和測試結(jié)果可以看出，所提出的方法性能最優(yōu)。首先從測試的準(zhǔn)確率圖和損失圖中可以清晰的反映出相比于CNN，所提出的方法和一維DenseNet在電液換向閥內(nèi)泄漏故障診斷中不僅整體準(zhǔn)確率較高，損失值也較小。其次，從測試準(zhǔn)確率圖和損失圖中還可以得出，一維DenseNet和一維CNN準(zhǔn)確率曲線和損失值曲線波動(dòng)較大，不穩(wěn)定，而所提出的方法不僅測試準(zhǔn)確率最高，而且準(zhǔn)確率和損失值分別達(dá)到最高和最低后基本趨于穩(wěn)定狀態(tài)?？梢娀贓MD和一維DenseNet相結(jié)合能有效的診斷電液換向閥內(nèi)泄漏故障。

6 結(jié)論

(1)在同等的網(wǎng)絡(luò)層數(shù)條件下，DenseNet通過跳層連接對特征復(fù)用及傳遞效率提高的方式比普通CNN在電液換向閥內(nèi)泄漏故障診斷中的精度更高。

(2)根據(jù)EMD在非線性、非平穩(wěn)信號及噪聲信號處理方面的優(yōu)勢，通過EMD對振動(dòng)信號進(jìn)行預(yù)處理，并將分解的IMF分量和原始信號在特征通道上并聯(lián)堆疊作為CNN的特征輸入，使得基于EMD和一維DenseNet在電液換向閥內(nèi)泄漏故障診斷中比一維DenseNet的性能更優(yōu)。