郭 銳，何絲絲，葉 欣，劉光恒

(1.航天發(fā)射場(chǎng)可靠性技術(shù)重點(diǎn)實(shí)驗(yàn)室，海南 ?？?571126；2.燕山大學(xué) 河北省重型機(jī)械流體動(dòng)力傳輸與控制重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066004；3.燕山大學(xué) 河北省特種運(yùn)載裝備重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066004；4.燕山大學(xué) 先進(jìn)鍛壓成形技術(shù)與科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066004)

引言

在現(xiàn)代高精尖科技和智能算法蓬勃發(fā)展的背景下，壽命預(yù)測(cè)技術(shù)是提高航空航天、高鐵橋梁架設(shè)等重大工程裝備液壓系統(tǒng)的運(yùn)行可靠性、安全性和維修保障率，降低故障率的關(guān)鍵技術(shù)，成為當(dāng)前學(xué)術(shù)和工業(yè)領(lǐng)域的研究熱點(diǎn)。液壓元件的壽命預(yù)測(cè)方法常用基于模型和基于數(shù)據(jù)驅(qū)動(dòng)的方法[1]。基于模型的方法集成物理和隨機(jī)建模技術(shù)，用于評(píng)估剩余壽命的分布，探究部件故障模式的發(fā)展，但是，需要對(duì)系統(tǒng)及其運(yùn)行條件進(jìn)行大量假設(shè)和參數(shù)估計(jì)，且故障類型通常隨運(yùn)行工況而變，難以識(shí)別[2]。而基于數(shù)據(jù)驅(qū)動(dòng)的壽命預(yù)測(cè)方法不需要準(zhǔn)確的故障模型，通過(guò)傳感器獲取研究對(duì)象的實(shí)時(shí)狀態(tài)數(shù)據(jù)，提取歷史運(yùn)行數(shù)據(jù)中的隱藏信息，結(jié)合多源信息融合技術(shù)，綜合考慮影響裝備使用壽命的磨損、外部沖擊、負(fù)載及運(yùn)行環(huán)境的變化等因素，模擬退化特性，自動(dòng)推斷隱藏在數(shù)據(jù)中的因果關(guān)系[3]，利用算法獲得剩余壽命的參數(shù)表征，為實(shí)現(xiàn)壽命預(yù)測(cè)提供了有力的解決方案。

電磁換向閥用于控制油路與執(zhí)行元件運(yùn)行方向，通過(guò)壽命預(yù)測(cè)，能夠?yàn)閺?fù)雜機(jī)電液系統(tǒng)的可靠運(yùn)行提供重要保障。JIA Z等[4]針對(duì)支持向量機(jī)輸入?yún)?shù)的合理選擇，提出了一種液壓閥混合預(yù)測(cè)方法(SA-SVM)，利用SA優(yōu)化預(yù)測(cè)模型的輸入?yún)?shù)，并反饋到支持向量機(jī)模型中進(jìn)行非參數(shù)預(yù)測(cè)，降低了預(yù)測(cè)模型中的結(jié)構(gòu)風(fēng)險(xiǎn)，消除了與傳統(tǒng)非參數(shù)回歸模型相關(guān)的過(guò)擬合問(wèn)題，提高了預(yù)測(cè)精度。ZHANG K等[5]著眼于電液流量伺服閥的壓力增益、零泄漏流量和lap關(guān)鍵性能指標(biāo)，提出了一種基于混合多傳感器頻響函數(shù)和疊加系綜(ESB(STK))的系統(tǒng)協(xié)同PdM框架，通過(guò)優(yōu)化特征子集大小提高分類精度，減少了過(guò)度擬合、訓(xùn)練運(yùn)行時(shí)間等不確定性。師沖等[6]針對(duì)液壓閥泄漏故障信號(hào)的非線性、非平穩(wěn)性、不同嚴(yán)重程度故障信號(hào)特征難以辨識(shí)等問(wèn)題，提出了一種改進(jìn) MF-DFA 方法提取分型譜參數(shù)特征，通過(guò)隨機(jī)森林分類器進(jìn)行故障模式識(shí)別，完成了電液換向閥內(nèi)泄漏的故障診斷。TANG X等[7]提出了一種卡爾曼濾波(KF)方法，從驅(qū)動(dòng)電流中提取退化信號(hào)，通過(guò)KF技術(shù)跟蹤退化速率和退化狀態(tài)，并采用蒙特卡洛采樣和核密度估計(jì)來(lái)捕獲不確定性，具有較高的預(yù)測(cè)準(zhǔn)確性。UTAH M N等[8]提出了一種交流供電電磁閥的故障診斷方法，基于時(shí)域和頻域分析波形，提取16個(gè)特征參數(shù)，并用機(jī)器學(xué)習(xí)技術(shù)對(duì)電磁閥不同操作模式進(jìn)行分類，同時(shí)基于深度神經(jīng)網(wǎng)絡(luò)(DNN)完成了故障模式的RUL預(yù)測(cè)。MAZAEV G等[9]提出了一種基于深度學(xué)習(xí)的方法，通過(guò)將電磁閥的電流特征表示為圖像來(lái)建模退化過(guò)程，采用AdaNet方法從當(dāng)前特征中自動(dòng)學(xué)習(xí)相關(guān)特征，減少構(gòu)建特征和固定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建模工作，為電磁閥壽命預(yù)測(cè)提供了一種新的、有前景的方法。PRAKASH J等[10]將遞歸量化分析(RQA)應(yīng)用于流量信號(hào)的分析，提取8個(gè)特征參數(shù)(6個(gè)RQA派生特征和2個(gè)非線性特征)，利用流速信號(hào)的遞歸圖和機(jī)器學(xué)習(xí)技術(shù)訓(xùn)練了集成學(xué)習(xí)、K-最近鄰(KNN)和支持向量機(jī)(SVM)3種機(jī)器學(xué)習(xí)方法來(lái)預(yù)測(cè)閥的切換特性，具有較高的預(yù)測(cè)精度。

以上研究表明，當(dāng)前液壓閥的壽命預(yù)測(cè)領(lǐng)域研究成果豐碩，已經(jīng)有了較為成熟的應(yīng)用，但是針對(duì)電磁換向閥的研究較少。自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)在壽命預(yù)測(cè)領(lǐng)域已經(jīng)有了相關(guān)應(yīng)用，因此，采用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)算法對(duì)電磁換向閥進(jìn)行壽命預(yù)測(cè)具有可行性，為電磁換向閥的壽命預(yù)測(cè)方法提供了一種研究思路。

電磁換向閥的退化機(jī)理復(fù)雜，例如閥芯磨損、彈簧老化和漏磁等，在多重影響因素的耦合作用下電磁換向閥的性能會(huì)出現(xiàn)一定程度上的退化，多表現(xiàn)為電磁換向閥壓力損失增加及內(nèi)泄漏量增加。因此，基于恒定應(yīng)力加速壽命試驗(yàn)獲取電磁換向閥壓降和泄漏量數(shù)據(jù)，采用MEEMD多尺度分解測(cè)試數(shù)據(jù)并降噪重構(gòu)；應(yīng)用KPCA方法融合特征參數(shù)，構(gòu)建適用于電磁換向閥壓降數(shù)據(jù)處理的ANFIS，實(shí)現(xiàn)電磁換向閥的壽命預(yù)測(cè)，技術(shù)路線圖如圖1所示。

1 電磁換向閥退化評(píng)估指標(biāo)構(gòu)建

本研究基于排列熵的隨機(jī)相關(guān)性檢測(cè)，采用MEEMD降噪方法對(duì)電磁換向閥泄漏量數(shù)據(jù)進(jìn)行模態(tài)分解，按照以下流程：

(1) 添加均值為0、幅值為αi的正負(fù)的高斯白噪聲對(duì)n+(t)和n-(t)至原始信號(hào)x(t)，處理后結(jié)果為：

圖1 技術(shù)路線圖Fig.1 Technology road map

(1)

(2) 噪聲處理信號(hào)的EMD分解：

(2)

式中，i為白噪聲對(duì)數(shù)，i=1,2,…,Ne。

(3) 均值化處理，對(duì)步驟(2)分解得到的N個(gè)分量相加后進(jìn)行平均值計(jì)算：

(3)

(4) 篩選異常分量，人為設(shè)定1個(gè)閾值，再經(jīng)過(guò)模態(tài)分解，如果該分量的排列熵超過(guò)了人為設(shè)定閾值，對(duì)所有超過(guò)閾值的分量進(jìn)行選擇。

(5) 對(duì)篩選出的異常信號(hào)，反復(fù)進(jìn)行步驟(1)～步驟(4)的處理，直至獲得被認(rèn)定為穩(wěn)定的分量IP(t)。

(6) 分離原始信號(hào)中的前(P-1)個(gè)模態(tài)分量：

(4)

(7) EMD分解步驟(6)獲得的剩余信號(hào)r(t)，得到的結(jié)果就是最終的IMF分量：

(5)

引入KL散度法，計(jì)算序列的差異。任意序列X={x1,x2,…,xn}和Y={y1,y2,…,yn}，其相關(guān)的KL散度值求解如下：

(1) KL距離δ(p,q)和δ(q,p)求解：

(6)

(2) 最終得到X,Y的散度值為D(p,q)：

D(p,q)=δ(p,q)+δ(q,p)

(7)

式中，p和q分別表示序列X和Y的概率分布。

分解后得到的各個(gè)固有模態(tài)分量(Intrinsic Mode Function,IMF)中存在著可用信息，而由于模態(tài)混疊現(xiàn)象的出現(xiàn)，在分解信號(hào)中會(huì)顯示空的IMF分量，因此，通過(guò)相關(guān)系數(shù)來(lái)描述兩個(gè)信息量的關(guān)系，相關(guān)系數(shù)越大，則IMF分量和原始信號(hào)的相關(guān)性越大，從而檢查MEEMD分解后獲得的IMF的有效性[11]。相關(guān)系數(shù)計(jì)算方法如式(8)所示：

(8)

式中，x(i),y(i)為待求解的X和Y序列。

將原始信號(hào)MEEMD分解后，分別求解所有IMF分量的相關(guān)系數(shù)R與KL散度值，分別計(jì)算各分量相似性序列集合λi=(Ri+di)，i=1,2,…,n。λmax=(Rmax+dmax)為相似性最優(yōu)解序列，計(jì)算得到的γi就是歐幾里得距離，γi數(shù)值越大，IMF越值得被選取。

i=1,2,…,n

(9)

式中，d為KL散度值，即d=D(p,q)。

2 電磁換向閥退化試驗(yàn)

電磁換向閥壽命試驗(yàn)臺(tái)如圖2所示，包括電機(jī)、動(dòng)力源(柱塞泵)、冷卻器、閥塊、被試閥等。設(shè)置被試電磁換向閥最高工作壓力35 MPa，在保證失效機(jī)理不變的前提下，對(duì)電磁換向閥進(jìn)行應(yīng)力水平為37 MPa的恒定應(yīng)力(壓力)加載，采集電磁換向閥4個(gè)油口的壓力特征數(shù)據(jù)，進(jìn)、出油口的流量特征數(shù)據(jù)。根據(jù)JB/T10365-2014中規(guī)定，壓降大于出廠壓降的2.5倍，并且出現(xiàn)了其他形式的損壞或故障，視為該電磁換向閥失效[12]，考慮到電磁換向閥是高可靠性、長(zhǎng)壽命元件，且直至試驗(yàn)完成均未發(fā)生失效，因此給定閾值壓降達(dá)到1.4 MPa時(shí)作為失效點(diǎn)。

設(shè)定電磁換向閥換向保持時(shí)間為5 s，根據(jù)電磁換向閥樣本中標(biāo)注的開啟時(shí)間和關(guān)閉時(shí)間，可以保證在當(dāng)前的健康狀態(tài)下，閥芯可以實(shí)現(xiàn)完全位移，泵輸出的液壓油可以完全進(jìn)入電磁換向閥。試驗(yàn)過(guò)程為靜態(tài)測(cè)量，保證試驗(yàn)過(guò)程中的入口壓力恒定，電機(jī)轉(zhuǎn)速保持不變。并且數(shù)據(jù)采集是持續(xù)的過(guò)程，在數(shù)據(jù)采集時(shí)，按周期采集100 s的數(shù)據(jù)采集取平均值，避免了數(shù)據(jù)采集過(guò)程中出現(xiàn)的數(shù)據(jù)偶然性。

1.電機(jī) 2.柱塞泵 3.齒輪泵 4、9、12.單向閥 5、8、11、13、17.溢流閥 6、10、14.流量計(jì) 7.電磁換向閥 15.冷卻器 16、18.過(guò)濾器 19.空氣濾清器 20.溫度傳感器 21.截止閥 22.液位計(jì) 23.油箱 a～d.壓力表 a′～d′.壓力傳感器圖2 電磁換向閥加速壽命試驗(yàn)臺(tái)Fig.2 Accelerated life test bench of electromagnetic directional valve

3 電磁換向閥退化模型建立

壓降和泄漏量特征數(shù)據(jù)中蘊(yùn)含著十分重要的電磁換向閥退化信息，隨著試驗(yàn)進(jìn)程的開展，電磁換向閥換向瞬間的響應(yīng)速度會(huì)隨之降低，從時(shí)間上看變化不大，但是對(duì)于電磁換向閥這類高響應(yīng)速度的元件，已經(jīng)出現(xiàn)了性能退化，壓降與泄漏量曲線如圖3、圖4所示。

圖3 電磁換向閥壓降曲線Fig.3 Pressure drop curve of solenoid directional valve

圖4 被試閥總流量泄漏Fig.4 Total flow leakage of tested valve

圖5 歐氏距離篩選IMF分量流程Fig.5 Euclidean distance screening IMF component flow

將數(shù)據(jù)進(jìn)行MEEMD分解和歐氏距離篩選，具體流程如圖5所示。含躁信號(hào)經(jīng)過(guò)多尺度分解后，得到7個(gè)IMF分量，逐一求解各分量的相關(guān)系數(shù)R,d和歐氏距離，分解結(jié)果如圖6所示，計(jì)算結(jié)果如表1所示。

表1 計(jì)算結(jié)果Tab.1 Calculation results

從數(shù)值上可以得出，歐氏距離在IMF5位置處開始收斂趨勢(shì)，從IMF5位置處開始，往后的模態(tài)分量的相關(guān)關(guān)系下降逐漸減小至0，相反，KL散度數(shù)值呈現(xiàn)增長(zhǎng)趨勢(shì)，其數(shù)值的倒數(shù)也逐漸趨于0。因此利用歐式距離的收斂位置提取IMF分量的方法是可行的。選取IMF1～I(xiàn)MF5為篩選后的有效分量，新的重構(gòu)信號(hào)如圖7所示，可以看出，經(jīng)過(guò)MEEMD方法處理后得到了清晰的重構(gòu)信號(hào)。

圖6 MEEMD算法分解結(jié)果Fig.6 Decomposition results of MEEMD algorithm

圖7 MEEMD算法的重構(gòu)結(jié)果Fig.7 Reconstruction results of MEEMD algorithm

首先對(duì)MEEMD降重構(gòu)后的泄漏量信號(hào)進(jìn)行時(shí)域、頻域、時(shí)頻域多尺度分析。分別設(shè)定MEEMD參數(shù)，包括：白噪聲幅值Nstd，白噪聲對(duì)數(shù)Ne，嵌入維度m，時(shí)間延遲λ，隨機(jī)性檢測(cè)閾值θ和最大迭代次數(shù)Maxiter。白噪聲幅值Nstd和白噪聲對(duì)數(shù)Ne影響了信號(hào)的分解效果。一般地，白噪聲幅值大小Nstd取信號(hào)標(biāo)準(zhǔn)差的0.1～0.2倍，Ne取30～100。嵌入維度m和時(shí)間延遲λ決定了排列熵的計(jì)算結(jié)果，嵌入維度m如果選擇數(shù)值太小，重構(gòu)相空間所含狀態(tài)就會(huì)很少，系統(tǒng)的特性無(wú)法被完全表現(xiàn)出來(lái)；嵌入維度如果選擇太大，將會(huì)增加算法的運(yùn)算時(shí)間，也會(huì)帶來(lái)額外干擾等問(wèn)題。嵌入維度m的數(shù)值一般選擇3～7為宜。時(shí)間延遲λ對(duì)算法的影響較小，MEEMD分解參數(shù)設(shè)置如表2所示。

表2 參數(shù)選擇表Tab.2 Parameter selection

退化指標(biāo)的構(gòu)建是以電磁換向閥工作信號(hào)的時(shí)域、頻域、時(shí)頻域領(lǐng)域內(nèi)的特征，提煉重構(gòu)信號(hào)的小波包能量、均方頻率、峭度等特征，并經(jīng)過(guò)三次指數(shù)平滑處理后的特征如圖8所示。

通過(guò)觀察電磁換向閥退化指標(biāo)曲線發(fā)現(xiàn)，隨著運(yùn)行時(shí)間的持續(xù)，性能退化指標(biāo)都顯露出增長(zhǎng)態(tài)勢(shì)，能夠在一定范圍上表述電磁換向閥的性能退化過(guò)程，運(yùn)用融合算法將提取后的特征進(jìn)行特征融合處理能夠最大限度的發(fā)揮各特征參數(shù)的表征能力。

圖8 電磁換向閥退化指標(biāo)曲線Fig.8 Degradation index curve of solenoid directional valve

表3 相關(guān)特征參數(shù)公式Tab.3 Formulas for related feature parameter

KPCA方法是利用引入的非線性函數(shù)作為核函數(shù)，基于映射的原理，將原始空間轉(zhuǎn)變?yōu)楦呔S空間，形成新的數(shù)據(jù)集合，隨后在高維度的數(shù)據(jù)空間內(nèi)再次使用主成分分析法(Principal Component Analysis，PCA)進(jìn)行數(shù)據(jù)降維[13]，對(duì)于非線性信息可以實(shí)現(xiàn)更好的數(shù)據(jù)挖掘。

KPCA的基本步驟如下：

(1) 假設(shè)數(shù)據(jù)集X=[x1,x2,…,xm]，其中x為1個(gè)樣本，由N個(gè)變量組成，m為樣本數(shù)，x∈R，i=1,2,…,m。

(2) 設(shè)定一個(gè)非線性映射關(guān)系φ(x)：RK→RD，D>>K，樣本集X的各個(gè)獨(dú)立向量映射到D維空間，D維空間為高維空間，被記作特征空間F，得到一個(gè)新的尺度為D×N的矩陣，新矩陣記作φ(x)：

φ(x)=[φ(x1),φ(x2),…,φ(xN)]

(10)

(3) 計(jì)算φ(x)在特征空間F的協(xié)方差矩陣CF：

(11)

(4) 在特征空間F中引入矩陣K={Kij}N×N，矩陣K就是核對(duì)稱矩陣，內(nèi)積變換求得的新核對(duì)稱矩陣為：

K=[φ(xi),φ(xj)]

(12)

(5) 在特征空間F中計(jì)算所有的主元tk(k=1,2,…,N):

(13)

通過(guò)KPCA方法融合特征參數(shù)后，按照大小關(guān)系排列貢獻(xiàn)率，得到的總貢獻(xiàn)率變化趨勢(shì)如圖9所示。

圖9 總貢獻(xiàn)率變化趨勢(shì)圖Fig.9 Change trend of total contribution rate

總體貢獻(xiàn)率越高，代表該主成分包含的原時(shí)間序列空間信息越多。主成分的選取規(guī)則是：總體貢獻(xiàn)率低于95%，前兩個(gè)成分總體貢獻(xiàn)率符合條件。提取主成分并平滑處理后，得到對(duì)應(yīng)的退化融合指標(biāo)[11]，如圖10所示。

圖10中所示退化融合指標(biāo)1序列的抖動(dòng)相對(duì)于退化融合指標(biāo)2更大。在1.5×105～2×105次范圍內(nèi)，退化融合指標(biāo)2形成了明顯的波峰，相對(duì)應(yīng)壓降曲線的最低點(diǎn)，見(jiàn)圖中矩形框。隨著電磁換向閥壓降的上升趨勢(shì)，退化融合指標(biāo)2呈現(xiàn)著相反的下降趨勢(shì)。退化融合指標(biāo)2序列在9.5×105次范圍內(nèi)達(dá)到最低點(diǎn)，相對(duì)應(yīng)的位置為壓降曲線的最高點(diǎn)。相比退化融合指標(biāo)2，退化融合指標(biāo)1波動(dòng)幅度大，退化融合指標(biāo)趨勢(shì)對(duì)壓降趨勢(shì)的體現(xiàn)不明顯。

4 電磁換向閥可靠性壽命評(píng)估方法研究

ANFIS結(jié)合了自適應(yīng)網(wǎng)絡(luò)和模糊推理系統(tǒng)的模型結(jié)構(gòu)，具備強(qiáng)大的學(xué)習(xí)能力和模糊推理能力，應(yīng)用最小二乘法估計(jì)和反向傳播算法訓(xùn)練模型，經(jīng)過(guò)模糊化、推理和反模糊化處理，輸出的結(jié)果更加接近實(shí)際值[14]。模糊神經(jīng)網(wǎng)絡(luò)共有5層組成一個(gè)完整的前饋型網(wǎng)絡(luò)，各層結(jié)構(gòu)功能如下：

(1) 輸入層 將各個(gè)節(jié)點(diǎn)分別直接與輸入量分量連接，作為新的輸入量傳至第2層；

(2) 隸屬度計(jì)算層 計(jì)算各輸入分量的相對(duì)模糊集合隸屬度函數(shù)，計(jì)算方法如(14)所示：

(14)

式中，a1i,b1i,c1i,a2i,b2i,c2i為ANFIS的前件參數(shù)；μAi，μBi為隸屬度函數(shù)；Ai,Bi為模糊處理結(jié)果集合；x1,x2為輸入變量。

(3) 規(guī)則推理層 匹配模糊規(guī)則的前件，得到的結(jié)果即為模糊規(guī)則的激勵(lì)強(qiáng)度計(jì)算式：

i=1,2

(15)

(4) 歸一化與去模糊化層 對(duì)網(wǎng)絡(luò)總體歸一化處理：

(16)

對(duì)歸一化的網(wǎng)絡(luò)總體模糊化處理，使輸出變?yōu)榫_的結(jié)果，計(jì)算公式為：

(17)

式中,pi，qi，ri為決定隸屬度函數(shù)的后件參數(shù)。

(5) 輸出層 計(jì)算整個(gè)網(wǎng)格的最終輸出結(jié)果，表達(dá)式為：

(18)

從上節(jié)的退化融合指標(biāo)圖中可以看出，退化融合指標(biāo)經(jīng)過(guò)平滑處理后線性度要高于實(shí)際的壓降曲線，這是因?yàn)槿诤狭似渌卣鞯耐嘶笜?biāo)，更好地提高了指標(biāo)的抗干擾能力。

選用三次指數(shù)平滑預(yù)測(cè)算法對(duì)獲得的退化評(píng)估指標(biāo)1和2進(jìn)行退化趨勢(shì)預(yù)測(cè)，預(yù)測(cè)階段為7×105～10×105次，見(jiàn)圖11中矩形框。

從預(yù)測(cè)曲線來(lái)看退化融合指標(biāo)2的預(yù)測(cè)結(jié)果與實(shí)際指標(biāo)的趨勢(shì)線重合度較高，沒(méi)有較大波動(dòng)。退化融合指標(biāo)預(yù)測(cè)誤差如圖12所示，再一次驗(yàn)證了退化融合指標(biāo)1預(yù)測(cè)誤差大，對(duì)壓降信號(hào)不敏感。

圖10 被試閥退化融合指標(biāo)與壓降曲線Fig.10 Degradation fusion index and pressure drop curve of tested valve

電磁換向閥運(yùn)行初期，電磁換向閥閥口壓降變化不明顯，甚至有一定的下降趨勢(shì)，除了電機(jī)轉(zhuǎn)速、液壓油溫度等外界因素對(duì)電磁換向閥壓降的影響外，可能是由于在運(yùn)行初期，電磁換向閥的運(yùn)行狀態(tài)逐漸變好，性能較出廠時(shí)有所提升。為避免減少電磁換向閥初期階段對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果的不準(zhǔn)確因素，訓(xùn)練集的起始位置要在電磁換向閥最優(yōu)退化點(diǎn)，最佳退化點(diǎn)的選擇應(yīng)該選擇壓降曲線出現(xiàn)明顯上升趨勢(shì)的時(shí)刻。選取被試電磁換向閥退化融合指標(biāo)2在3×105～7×105次范圍內(nèi)的平滑數(shù)據(jù)整合為訓(xùn)練集，輸入到自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練。被試電磁換向閥8×105～10×105次的數(shù)據(jù)作為測(cè)試集輸出，預(yù)測(cè)時(shí)長(zhǎng)T總=2×105次。

圖11 電磁換向閥退化融合指標(biāo)預(yù)測(cè)結(jié)果Fig.11 Prediction results of degradation fusion index of electromagnetic directional valve

圖12 預(yù)測(cè)結(jié)果誤差圖Fig.12 Error diagram of prediction results

為了比較預(yù)測(cè)結(jié)果，將退化融合指標(biāo)2的三次指數(shù)平滑預(yù)測(cè)的結(jié)果插入到預(yù)測(cè)結(jié)果中進(jìn)行比較。同樣地，應(yīng)用線性回歸模型對(duì)壓降趨勢(shì)進(jìn)行線性擬合，擬合從運(yùn)行初期開始，在預(yù)測(cè)起始點(diǎn)處終止，Linear回歸擬合模型可表示為：

Y=a1X+a2

(19)

經(jīng)過(guò)回歸處理后，被試電磁換向閥線性回歸退化模型為：

Y=0.00037X+1.15

(20)

數(shù)據(jù)訓(xùn)練后的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)及其他方法的壓降預(yù)測(cè)結(jié)果如圖13所示。

從整體趨勢(shì)上看，預(yù)測(cè)得到的趨勢(shì)線與實(shí)際運(yùn)行中的壓降趨勢(shì)線基本符合。由于試驗(yàn)過(guò)程中未發(fā)生失效，人為設(shè)定一個(gè)閾值判作為參考判斷預(yù)測(cè)結(jié)果的準(zhǔn)確性，ANFIS算法的預(yù)測(cè)結(jié)果表明被試電磁換向閥在9.68×105萬(wàn)次時(shí)達(dá)到閾值，與實(shí)際穿過(guò)閾值線的實(shí)際時(shí)間基本吻合；Liner模型預(yù)測(cè)結(jié)果與ANFIS算法有較大差距；三次指數(shù)預(yù)測(cè)算法對(duì)電磁換向閥的進(jìn)出口壓降進(jìn)行預(yù)測(cè)，雖然從數(shù)值上看與ANFIS預(yù)測(cè)結(jié)果相差不大，但是三次指數(shù)預(yù)測(cè)曲線與實(shí)際壓降曲線有較大差異，所以三次指數(shù)預(yù)測(cè)的結(jié)果可能存在著突發(fā)性，不應(yīng)該被用來(lái)進(jìn)行長(zhǎng)時(shí)間的預(yù)測(cè)。

圖13 多種方法預(yù)測(cè)結(jié)果圖Fig.13 Prediction results of various methods

綜上所述，相較于線性模型與三次指數(shù)算法，ANFIS方法得到的預(yù)測(cè)效果更準(zhǔn)確，預(yù)測(cè)趨勢(shì)更符合實(shí)際趨勢(shì)，ANFIS有著良好的預(yù)測(cè)效果。

5 結(jié)論

以6通徑三位四通電磁換向閥的壓降和流量數(shù)據(jù)為切入點(diǎn)，搭建壽命預(yù)測(cè)試驗(yàn)臺(tái)，結(jié)合仿真結(jié)果，重點(diǎn)研究電磁換向閥的壽命預(yù)測(cè)方法：

(1) 使用改進(jìn)的MEEMD方法，對(duì)仿真信號(hào)進(jìn)行了多尺度分解，以歐式距離的IMFs分量篩選規(guī)則完成了噪聲信號(hào)的重構(gòu)降噪。應(yīng)用KPCA方法將特征參數(shù)進(jìn)行融合處理，構(gòu)建退化評(píng)估指標(biāo)；

(2) 提出了基于ANFIS的電磁換向閥壽命預(yù)測(cè)方法。基于三次平滑預(yù)測(cè)對(duì)電磁換向閥退化評(píng)估指標(biāo)進(jìn)行線性預(yù)測(cè)，利用電磁換向閥的退化評(píng)估指標(biāo)訓(xùn)練自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)，建立電磁換向閥退化評(píng)估模型，有效預(yù)測(cè)出電磁換向閥的壓降趨勢(shì)，完成了電磁換向閥的壽命預(yù)測(cè)。