王家博,張海軍,趙余祥,劉永華,肖茂華,魯植雄*,王光明

(1.南京農(nóng)業(yè)大學(xué)工學(xué)院,江蘇 南京 210031;2.江蘇農(nóng)林職業(yè)技術(shù)學(xué)院,江蘇 句容 212400;3.山東農(nóng)業(yè)大學(xué)機械與電子工程學(xué)院,山東 泰安 271018)

液壓機械無級變速器(hydro-mechanical continuously variable transmission,HMCVT)是一類新型動力傳動形式,主要由液壓調(diào)速機構(gòu)、機械變速機構(gòu)、換段液壓系統(tǒng)、冷卻潤滑系統(tǒng)、控制系統(tǒng)等組成。HMCVT操作簡易,不僅滿足大功率拖拉機在各類實際工況下的速比變化要求,還提高了燃油利用率,有力推動了大功率拖拉機的智能化快速發(fā)展。換段液壓系統(tǒng)是HMCVT順利完成換段的關(guān)鍵,其液壓故障發(fā)生頻率遠(yuǎn)高于機械故障[1-3]。

國內(nèi)外一些學(xué)者對HMCVT換段液壓系統(tǒng)故障類型分析進(jìn)行了相關(guān)研究,采用的故障識別方法可以歸納為故障樹專家系統(tǒng)[4]、支持向量機[5]、核方法[6]、BP(back propagation)神經(jīng)網(wǎng)絡(luò)[7]等。

BP神經(jīng)網(wǎng)絡(luò)容錯能力較高且具有較強的泛化能力,因此在求解內(nèi)部機制繁雜的問題上應(yīng)用廣泛,但由于其對初始的網(wǎng)絡(luò)權(quán)重敏感度較高,容易收斂于局部極小值。為解決其在HMCVT換段液壓系統(tǒng)故障診斷方面的不足,將天牛須搜索(beetle antennae search,BAS)算法應(yīng)用到BP神經(jīng)網(wǎng)絡(luò)的權(quán)重優(yōu)化中,建立改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型。然后以自主研發(fā)的HMCVT為試驗平臺,通過試驗得到5種油路狀態(tài)模式數(shù)據(jù)集?；诮⒌腂AS-BP模型對HMCVT換段液壓系統(tǒng)的5種油路狀態(tài)進(jìn)行模式識別研究,以彌補以往研究的不足。

圖1 3層BP神經(jīng)網(wǎng)絡(luò)Fig.1 Three layer BP(back propagation)neural network

1 BAS-BP故障模式識別算法

1.1 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)主要由輸入層(X1,X2,…,Xn)、輸出層(Y1,Y2,…,Yn)和隱含層構(gòu)成,如圖1所示。通過反向傳播算法變更網(wǎng)絡(luò)的權(quán)值和閾值,在不需要表達(dá)映射關(guān)系的數(shù)學(xué)方程式前提下就能獲取輸入和輸出的映射關(guān)系[8]。當(dāng)輸入層的各神經(jīng)元接收到樣本數(shù)據(jù)后,隱含層以及輸入層中的權(quán)值和選取的激活函數(shù)就會自行啟動并開始演算分析,然后得到對應(yīng)神經(jīng)元的輸出值,最后將這個數(shù)值和期望結(jié)果進(jìn)行比對,就可能會得到2種結(jié)果:1)達(dá)到了設(shè)定的精度要求,則結(jié)束進(jìn)程,成功輸出;2)未達(dá)到設(shè)定的精度要求,就需要利用誤差反向傳播,再次變更之前的權(quán)值和閾值,不斷減少輸出值和期望結(jié)果之間的誤差,直到符合精度標(biāo)準(zhǔn)。

1.2 天牛須搜索(BAS)算法原理

天牛須搜索(BAS)算法[9-10]是模仿天牛尋找食物過程的新型智能仿生算法,在多目標(biāo)函數(shù)優(yōu)化方面表現(xiàn)優(yōu)異[11]。一般情況下天牛依照捕獲到的氣味強弱來尋找食物,天牛的長觸須捕捉到的氣味強度決定了天牛去向,左邊觸須捕獲的氣味強度更強則天牛就會向左前進(jìn),否則就會向右前進(jìn)。與遺傳算法、粒子群算法相似,BAS算法即使沒有具體形式的函數(shù)表達(dá)式以及相關(guān)梯度信息,也能自動完成擇優(yōu)過程,并且其尋優(yōu)速度相比其他算法有明顯提升。

圖2 天牛須簡化模型Fig.2 Beetle antennae simplification model

采用質(zhì)點模型來描述天牛,天牛須簡化模型如圖2所示。

在對天牛須簡化模型時,進(jìn)行了如下假設(shè):

假設(shè)1:將天牛肢體作為質(zhì)心,天牛觸須簡化為質(zhì)心兩端。

假設(shè)2:天牛的步距與觸須間隔的比率是固定的常數(shù)。其中,設(shè)定左右須間隔遠(yuǎn)的天牛步伐大,左右須間隔近的天牛步伐小。

假設(shè)3:天牛飛到下一步后,頭的朝向是隨機的。

圖3 天牛須算法流程圖Fig.3 Beetle antennae algorithm flow chart

天牛須搜索算法的操作流程如圖3所示。其演算過程如下:

1)對于任意確定維度空間的完善問題,將xl記作左須位置代號,xr記作右須位置代號,x則表示質(zhì)心坐標(biāo),d0是觸須間隔。由于天牛頭前進(jìn)方向具有隨機性,所以從天牛右須指向左須的矢量方向也是隨機的,即可以設(shè)定一個隨機向量dir=rand(n,1)來表示。簡化計算可得:dir=dir/normal(dir);可以得到xl-xr=d0×dir;顯然,xl、xr可以表示成質(zhì)心的表達(dá)式:

xl=x+d0×dir/2

(1)

xr=x-d0×dir/2

(2)

2)對于待優(yōu)化函數(shù)f,求取左右兩須的值:fleft=f(xl);fright=f(xr);判斷2個值大小。

當(dāng)fleft

x=x+step×normal(xl-xr)

(3)

當(dāng)fleft>fright時,要求f的最小值,則天牛向著右觸須方向前進(jìn)距離step,即

x=x-step×normal(xl-xr)

(4)

上述2種情況可以采用符號函數(shù)sign統(tǒng)一為:

x=x-step×normal(xl-xr)×sign(fleft-fright)

=x-step×dir×sign(fleft-fright)

(5)

式中:normal為歸一化函數(shù)。

1.3 BAS-BP神經(jīng)網(wǎng)絡(luò)模型建立

要建立整個從n維到m維的函數(shù)對應(yīng)關(guān)系,只需要具備1個隱含層的3層BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)算法本質(zhì)上就是一種單點搜索算法,其主要是通過誤差函數(shù)梯度下降的方式來實現(xiàn),因而在全局搜索優(yōu)化方面弊端較多。天牛須搜索算法的原理通俗易懂,兼有所需調(diào)整參數(shù)少、不依賴梯度信息、操作簡易、高效等特點。

天牛須搜索算法改進(jìn)神經(jīng)網(wǎng)絡(luò)的方式就是利用天牛須搜索算法優(yōu)異的整體搜尋能力,優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值,同時基于BP算法不斷調(diào)整神經(jīng)網(wǎng)絡(luò)起始設(shè)定的權(quán)值以及閾值,最終得到優(yōu)化的神經(jīng)網(wǎng)絡(luò)。其具體流程如圖4所示。

圖4 BAS-BP神經(jīng)網(wǎng)絡(luò)算法流程Fig.4 The flow chart of BAS-BP neural network algorithm

2 試驗臺及數(shù)據(jù)來源

2.1 HMCVT試驗臺

為驗證該神經(jīng)網(wǎng)絡(luò)的實際效果,需要采集HMCVT換段液壓系統(tǒng)的運行數(shù)據(jù),試驗數(shù)據(jù)來源于自主研發(fā)的液壓機械無級變速器試驗臺[12-13],如圖5所示。液壓機械無級變速器一共有5個工作段位,包含1個液壓起步段及4個液壓機械段。在額定轉(zhuǎn)速下,拖拉機的速度能夠在4～50 km·h-1實現(xiàn)連續(xù)無級變化,HMCVT試驗臺的測試原理見圖6。

圖5 HMCVT試驗臺架結(jié)構(gòu)Fig.5 The structure of the HMCVT test bench1.柴油發(fā)動機 Diesel engine;2.變速器前轉(zhuǎn)速轉(zhuǎn)矩儀 Front speed and torque meter of transmission;3.變速器 Transmission;4.液壓定量馬達(dá) Hydraulic quantitative motor;5.液壓變量泵 Hydraulic variable pump;6.變速器后轉(zhuǎn)速轉(zhuǎn)矩儀 Rear speed and torque meter of transmission;7.加載器 Loader;8.測控平臺Measurement and control platform;9.換段液壓控制系統(tǒng) Section change hydraulic control system.

圖6 HMCVT試驗臺架測試原理圖Fig.6 Schematic diagram of HMCVT test bench

圖7 換段液壓系統(tǒng)原理圖Fig.7 Schematic diagram of shift hydraulic system1.離合器油缸 Clutch cylinder;2.支油路壓力傳感器 Branch oil circuit pressure sensor;3.調(diào)速閥 Speed regulating valve;4.電磁閥 Solenoid valve;5.流量傳感器 Flow sensor;6.主油路壓力傳感器 Main oil circuit pressure sensor;7.齒輪泵 Gear pump;8.濾清器 Filter;9.油箱 Oil tank;10.可調(diào)節(jié)流閥 Adjustable flow valve;11.齒輪潤滑 Gear lubrication;12.節(jié)流閥 Throttle valve;13.離合器潤滑 Clutch lubrication;14.溢流閥 Overflow valve.

2.2 換段液壓系統(tǒng)試驗臺

HMCVT中的液壓油路可以調(diào)控變速器輸出轉(zhuǎn)速大小及傳動比,其中關(guān)鍵部分是濕式離合器及其油路系統(tǒng)[14-16]。濕式離合器的控制是通過控制其液壓油路的通斷以及冷卻油道的充油來實現(xiàn)。HMCVT中的4個濕式離合器用于液壓機械工作段,1個用于純液壓工作段上,其油路控制的原理圖如圖7所示。

圖8 換段液壓控制系統(tǒng)Fig.8 Clutch oil circuit control system1.電機 Motor;2.油泵 Oil pump;3.單向閥 Check valve;4.溢流閥 Overflow valve;5.流量傳感器 Flow sensor;6.壓力傳感器 Pressure sensor;7.調(diào)速閥 Speed regulating valve;8.電磁閥 Solenoid valve;9.集成閥板 Integrated valve plate.

依據(jù)上述原理搭建了HMCVT換段液壓系統(tǒng)試驗裝置,如圖8所示。換段液壓油路系統(tǒng)中,集成閥板上安裝了5個電磁閥,用于切換濕式離合器壓力油的連通和分離,完成換段過程;電機起到推動油泵進(jìn)行送油的作用,溢流閥用于調(diào)控離合器中油道油壓;為了監(jiān)測濕式離合器結(jié)合或相離過程中產(chǎn)生的油壓波動,在離合器油道中安裝了壓力傳感器(NS-F壓力傳感器);調(diào)速閥用來調(diào)控5個離合器的進(jìn)油量;同時在主油道中安裝了流量傳感器(LWGB-4渦輪流量傳感器)用來監(jiān)測離合器結(jié)合與分離時液壓油實時狀況。

3 訓(xùn)練與測試樣本集獲取

3.1 故障模式類型及其模擬

HMCVT換段液壓系統(tǒng)故障類型基本分類為5種油路模式[17-18],分述如下:

1)一般模式T1:換段液壓系統(tǒng)各項指標(biāo)都符合標(biāo)準(zhǔn),換段順暢。

2)離合器活塞不能移動T2:出現(xiàn)這種情況時離合器會處于滑動摩擦狀態(tài),摩擦較輕者可以完成換段但卻會出現(xiàn)打滑加速現(xiàn)象,摩擦較嚴(yán)重者則會直接破壞離合器。

3)接頭處密封圈發(fā)生損壞T3:油路發(fā)生油道內(nèi)部的局部泄漏,在充滿油時油道內(nèi)油壓不易形成。當(dāng)油路液壓油充足時,該故障對換段油壓的作用減小,降低變速器的換段效果。

4)調(diào)速閥出口油道堵塞T4:堵塞造成離合器進(jìn)油量降低,使得相鄰摩擦片滑動摩擦?xí)r間過長,既降低了換段效果,又可能造成動力不足和離合器損壞的后果。并且該故障模式是漸進(jìn)式發(fā)生,難以察覺。

5)支油路管道接頭泄漏T5:與T3存在區(qū)別,這類故障通常發(fā)生在油路管道接頭處,并且油道正在發(fā)生局部外泄漏。油壓雖然可以正常形成,卻會使離合器支油路的壓力下降,還有可能摻入空氣,在循環(huán)過程中液壓油會因此產(chǎn)生氣穴和振動現(xiàn)象,最終影響變速器的換段效果。

上述故障情況中,T1模式無需糾正?；谖墨I(xiàn)[19],將換段時的主油路壓力設(shè)定為4 MPa,調(diào)速閥流量標(biāo)準(zhǔn)設(shè)定為5 L·min-1;T2模式可利用硬紙板或砂紙?zhí)畛潆x合器軸向間隙,模擬不能復(fù)位的故障情況;T3模式可以利用已破損的密封圈模擬故障進(jìn)行試驗;T4模式采用手動調(diào)節(jié)限制調(diào)速閥流量進(jìn)行模擬;T5模式通過放松管道接頭以獲取要求樣本。

3.2 特征屬性計算

換段試驗采集到的液壓系統(tǒng)壓力和流量等原始數(shù)據(jù)規(guī)模龐大,難以參與故障模式識別計算。故利用以下統(tǒng)計量獲取其特征屬性:

(6)

(7)

(8)

(9)

(10)

(11)

式中:Xf為流量均方根值;Cf為峰值因子;Kf為峭度因子;If為脈沖因子;Sf為波形因子;Xp為壓力統(tǒng)計量;xfi、xpi分別為流量、壓力在第i個采樣點獲得的數(shù)據(jù);Nf、Np分別為流量、壓力的采樣點總和數(shù)量。

考慮到數(shù)據(jù)計算的客觀性與對比性,本試驗在獲取統(tǒng)計量數(shù)據(jù)時,開始點選取為控制單元發(fā)出指示后的第一個采樣點,結(jié)束點選取為開始點后經(jīng)過1 s的采樣點,即數(shù)據(jù)集以時間長度為衡量單位。按照這一計量方式計算得到了120組故障數(shù)據(jù)的特征屬性樣本集。由于實際運行情況下存在多類故障并發(fā)的情況,因此故障診斷系統(tǒng)應(yīng)具有較強的組合故障診斷能力,因此本試驗再增加21組T3與T4組合故障模式試驗作為組合故障樣本,并依照前述規(guī)定得到其特征屬性并獲取了樣本集,方便后續(xù)對換段液壓系統(tǒng)的組合故障模式進(jìn)行探索研究。

4 BAS-BP神經(jīng)網(wǎng)絡(luò)模型性能試驗

4.1 BAS-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)確定

對于一個3層的BP神經(jīng)網(wǎng)絡(luò),輸入層、隱含層與輸出層的神經(jīng)元數(shù)決定了其結(jié)構(gòu)。由于是以換段液壓系統(tǒng)的流量和壓力的故障信號為特征向量,對應(yīng)的換段液壓系統(tǒng)的工作狀態(tài)為輸出特征,因此選定輸入層神經(jīng)元數(shù)為6,輸出層神經(jīng)元數(shù)為1。

在各類研究中對隱含層中神經(jīng)元數(shù)的選取還沒有統(tǒng)一的規(guī)定。但大致可以通過下列公式確定隱含層神經(jīng)元數(shù)。

N=2n+1

(12)

(13)

N=log2n

(14)

式中:N為隱含層神經(jīng)元數(shù);n為輸入層神經(jīng)元數(shù);m為輸出層神經(jīng)元數(shù);a為從1到10的常數(shù)。

在數(shù)次神經(jīng)網(wǎng)絡(luò)訓(xùn)練后,選定隱含層的節(jié)點數(shù)為10。

BAS算法本身要求設(shè)定的2個參數(shù),一個是左右須的間隔d,另一個是步距與左右須間隔的比率常數(shù)c,試驗取d=1,c=5。同時為了增強對整體區(qū)域的搜索,試驗選擇以被測數(shù)據(jù)的均方誤差MSE作為適應(yīng)度考察函數(shù)。公式為:

(15)

式中:N為訓(xùn)練集樣本數(shù)量;xsim(i)為第i個樣本的模型輸出值;xi為第i個樣本的實際值。

由此在算法迭代停止時得到的適應(yīng)度最小函數(shù)值所對應(yīng)的位置即為最佳解。建立的BAS-BP神經(jīng)網(wǎng)絡(luò)框架包括輸入層、隱含層及輸出層各1個,其中輸入層、隱含層、輸出層的節(jié)點數(shù)分別為6、10、1,隱含層激活函數(shù)使用正切函數(shù),輸出層激活函數(shù)使用線性函數(shù)。BAS算法搜索空間區(qū)域的維度則為81。

4.2 試驗結(jié)果與分析

以120組單一故障類型樣本及21組組合故障類型樣本為總研究樣本,在120組單一故障類型樣本中選出80組樣本作為訓(xùn)練集,40組作為測試集,由于是隨機選擇,所以會產(chǎn)生不一樣的試驗結(jié)果。但這種選取方式可以有效排除樣本偶然性,有利于樣本數(shù)據(jù)較少的試驗得出更合理的結(jié)論。

選擇分類正確率(A)、分類準(zhǔn)確率(P)和相對誤差(Ei)3個評價指標(biāo)來評價模型的性能,其計算公式如下:

(16)

(17)

(18)

式中:X為故障分類正確總數(shù);Xt為t故障分類正確數(shù);Nt為t故障數(shù);n為樣本數(shù);x′i為第i個樣本的所屬類別預(yù)測值;xi為第i個樣本的所屬類別真實值。

計算所得的相對誤差越小代表模型的性能越優(yōu)。圖9和圖10分別顯示BP神經(jīng)網(wǎng)絡(luò)和BAS-BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練集上的擬合結(jié)果和在測試集上的分類結(jié)果,從圖可見,BAS-BP神經(jīng)模型擁有更好的擬合性與分類效果。由圖11可見,BAS-BP模型大致需要進(jìn)化代數(shù)達(dá)到37能得到最佳解,收斂速率快。

圖9 BP與BAS-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練集擬合曲線Fig.9 Fitting curve of BP and BAS-BP neuralnetwork based on training set

圖10 BP與BAS-BP神經(jīng)網(wǎng)絡(luò)測試集分類曲線Fig.10 Classification curve of BP and BAS-BP neuralnetwork based on test set

圖11 BAS-BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度曲線Fig.11 Fitness curve of BAS-BP neural network

為了測試BAS-BP神經(jīng)網(wǎng)絡(luò)模型是否較其他智能優(yōu)化算法模型在HMCVT換段液壓故障診斷方面的優(yōu)越性,選擇PSO-BP神經(jīng)網(wǎng)絡(luò)模型從分類正確率、分類準(zhǔn)確率、相對誤差均值以及迭代過程中CPU運行時間4個維度對模型的性能進(jìn)行對比。從表1可以看出,BAS-BP模型的訓(xùn)練集與測試集的分類正確率與準(zhǔn)確率均強于PSO-BP模型;對于誤差精確度,雖然PSO-BP模型與BAS-BP模型差距較小,但BAS-BP模型的訓(xùn)練速率更快。因此,從全局的分類效果與收斂速率上分析,BAS-BP模型性能更好,這也說明BAS-BP模型在HMCVT換段液壓系統(tǒng)故障診斷方面更適用。

表1 不同模型效果對比Table 1 Comparison of different models

表2 T3×T4組合故障樣本的歸類結(jié)果Table 2 Classification results of combined fault samples

為考察多種故障并發(fā)時BAS-BP模型的實用性,針對試驗獲得的21組油道堵塞與密封圈破損的組合故障(T3×T4)樣本集,分別使用BP、BAS-BP與PSO-BP模型進(jìn)行直接判別,分類情況如表2所示。

從表2可以看出,BAS-BP模型將21組T3×T4組合故障樣本分別歸類到T2(4.76%)、T3(23.81%)和T4(71.43%)3種故障模式之中,且算法歸類到T3與T4故障模式的占比達(dá)95.24%;BP與PSO-BP則將T3×T4的組合故障歸類到T4與T5故障模式中,二者均傾向于歸類到T4故障模式,分別為BP(66.67%)和PSO-BP(52.38%),原因是組合故障T3×T4與其中T4故障模式較為類似,但經(jīng)驗稀缺(沒有對組合故障樣本數(shù)據(jù)深入了解),因此,仍有將其誤判為二者以外其他故障模式的可能性。該結(jié)論顯示當(dāng)多故障同時發(fā)生的情況下,BAS-BP方法可以在沒有訓(xùn)練的情況下對組合故障進(jìn)行有效的診斷識別。

5 結(jié)論

針對液壓機械無級變速器換段液壓系統(tǒng)進(jìn)行了試驗平臺的搭建,在此基礎(chǔ)上提出了換段液壓故障診斷的BAS-BP方法,采用天牛須搜索算法進(jìn)行完善,并從分類結(jié)果和收斂速率等方面與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型和粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了對比分析,獲得如下結(jié)論:

1)對于液壓機械無級變速器換段液壓系統(tǒng)的故障診斷,采用模擬故障類型以及傳感器反饋的主油路流量和支油路壓力數(shù)據(jù)的方法是有效的。

2)天牛須搜索算法對于初始權(quán)值和閾值的優(yōu)化明顯強于一般情況下的BP神經(jīng)網(wǎng)絡(luò),補足了BP算法受限于局部最優(yōu)的短板問題,且迭代速度快于粒子群優(yōu)化算法,速率提升85.76%。

3)提出的BAS-BP方法可以高效分析識別液壓機械無級變速器換段液壓系統(tǒng)的典型單一故障工況,觀察對比試驗獲得的40組試驗數(shù)據(jù),算法對5種故障模式的分辨率均可達(dá)到100%,且在120組任意樣本的測試中,算法對5種典型單一故障模式的分辨率分別為100%、100%、97%、100%、100%,體現(xiàn)出較高的穩(wěn)定性,與PSO-BP方法相比,分類效果更好。

4)建立的基于BAS-BP的神經(jīng)網(wǎng)絡(luò)模型可以在不接受訓(xùn)練的情況下對組合故障進(jìn)行有效分辨,以T3×T4的組合故障識別為例,其識別準(zhǔn)確率高達(dá)95.24%。