俞 杭，陳換過，肖 雪，劉培君

(1.浙江理工大學 浙江省機電產(chǎn)品可靠性技術(shù)研究重點實驗室，浙江 杭州 310018；2.北京精密機電控制設(shè)備研究所 事業(yè)部，北京 100076)

電液伺服機構(gòu)因其良好的穩(wěn)定性和高響應(yīng)性，被廣泛應(yīng)用于航空航天領(lǐng)域.其中，電靜壓伺服機構(gòu)(EHA, Electro-Hydraulic Actuator)作為一種新型的電液伺服機構(gòu)，既具有與電機伺服機構(gòu)(EMA, Electro-Mechanical Actuator)類似的電機驅(qū)動和控制功能，又具備高承載、易實現(xiàn)余度設(shè)計等突出優(yōu)點，是當今伺服機構(gòu)的主要發(fā)展趨勢之一[1].但是，EHA是一個復雜的電、氣、液系統(tǒng)，其故障呈現(xiàn)多樣化和廣泛性特點.其中，油濾堵塞故障是EHA相比于EMA特有的故障類型，也是EHA機構(gòu)的薄弱環(huán)節(jié).機構(gòu)中雙向油濾主要用來濾除系統(tǒng)油路中存在的固體雜質(zhì)，降低油液的污染度，減少油腔內(nèi)部的磨損，從而延長使用壽命.文獻[2]研究表明，油濾堵塞會直接導致通油面積減小，流阻和節(jié)流損失增大而顯著影響系統(tǒng)的響應(yīng)速度.堵塞嚴重時還會造成油溫升高，甚至導致液壓部件的損壞.

目前，EHA的故障診斷技術(shù)尚處于起步階段.WLAMIR等考慮噴嘴堵塞有關(guān)的失效模式，提出了一種利用衰落擴展卡爾曼濾波器進行系統(tǒng)辨識的伺服閥退化估計的方法[3]；黃岳等基于執(zhí)行器內(nèi)部測點的數(shù)據(jù)變化，選用多元統(tǒng)計學方法對伺服機構(gòu)執(zhí)行器進行了故障診斷[4].SONG等從數(shù)學上推導了電液伺服機構(gòu)油路泄漏和受摩擦影響的兩種故障模型[5].肖雪等建立了伺服機構(gòu)健康工況的主元模型，并依據(jù)油濾堵塞工況的平方預(yù)測誤差統(tǒng)計量、Hotelling-T2統(tǒng)計量及其與健康閾值的對比狀況，進行了故障診斷[6].這些研究主要針對的是伺服機構(gòu)的液壓泵、伺服閥等單部件.對于EHA的研究，目前還停留在性能分析與設(shè)計階段，且在系統(tǒng)層面利用統(tǒng)計數(shù)據(jù)分析進行故障診斷的研究很不深入.由于伺服機構(gòu)本身的復雜性和實際工況的多變性，伺服機構(gòu)的信號隨外負載而隨機變化，信號不具有典型的頻譜特征，導致特征提取十分困難，因此采用傳統(tǒng)的故障診斷方法無法準確地反饋伺服機構(gòu)的當前狀態(tài).

自組織映射網(wǎng)絡(luò)，是一種無監(jiān)督的學習方式，因此無需設(shè)置狀態(tài)標簽.它能夠根據(jù)輸入樣本的分布，通過神經(jīng)元之間的競爭選擇獲勝神經(jīng)元，對輸入模式進行分類，同時能夠識別輸入向量的拓撲結(jié)構(gòu)，展現(xiàn)故障神經(jīng)元之間的內(nèi)部關(guān)聯(lián)性.若將人工神經(jīng)網(wǎng)絡(luò)運用到EHA的故障診斷中，則可從數(shù)據(jù)處理層面進一步挖掘故障信息和特征，建立更為可靠、精確的故障診斷模型.

1 自組織映射神經(jīng)網(wǎng)絡(luò)

自組織特征映射網(wǎng)絡(luò)(Self-Organizing Feature Maps, SOFM)又稱自組織映射神經(jīng)網(wǎng)絡(luò)(SOM)，最早由芬蘭赫爾辛基理工大學的神經(jīng)網(wǎng)絡(luò)專家Kohonen于1981年提出[7]，是一種競爭性神經(jīng)網(wǎng)絡(luò)，且具有自組織特性.

(1)設(shè)定變量.假設(shè)神經(jīng)元輸入樣本為X=[X1,X2,…,Xm]，每個樣本包含m維向量;Wi(k)=[Wi1(k),Wi2(k),…,Wim(k)]為第i個輸入節(jié)點與輸出神經(jīng)元之間的權(quán)值向量.

(2) 初始化.對輸出層各權(quán)值向量賦值隨機數(shù),進行歸一化處理，并建立初始優(yōu)勝鄰域Nj(0)和初始學習率η.

歸一化的輸入樣本為：

(1)

式中，‖X‖為輸入向量的歐幾里得范數(shù).

歸一化的權(quán)值向量為：

(2)

式中，‖Wi(k)‖為權(quán)值向量的歐幾里得范數(shù).

(3) 輸入隨機樣本Xi，尋找獲勝節(jié)點，計算權(quán)值向量Wi(k)和樣本Xi的內(nèi)積，并使內(nèi)積最大的輸出神經(jīng)元贏得競爭.由于樣本向量和權(quán)值向量均已歸一化，因此最小歐氏距離處即為內(nèi)積最大處，也就是說，可將距離最小的那個神經(jīng)元記為獲勝神經(jīng)元.神經(jīng)元之間的距離為：

D(i,j)=‖X-Wi(k)‖

(3)

(4) 定義優(yōu)勝鄰域.以獲勝神經(jīng)元為中心,根據(jù)其權(quán)值調(diào)整域確定獲勝區(qū)域.確定鄰域時可采用不同的距離函數(shù)，如歐式距離、曼哈頓距離等.

(5) 調(diào)整權(quán)值.針對優(yōu)勝鄰域的所有節(jié)點調(diào)整權(quán)值，并采用Kohonen規(guī)則按下式進行更新.

wij(n+1)=wij(n)+η(xi(n)-wij(n))

=(1-η)wij(n)+ηxi(n)

(4)

式中：xi(n)為第i個輸入神經(jīng)元的值；wij(n)為鄰域內(nèi)神經(jīng)元與xi(n)相連的權(quán)值.

在Matlab中，使用learnSOM函數(shù)，通過神經(jīng)元輸入樣本X、激活率a2(i,j)和學習率lr,進行自組織映射神經(jīng)網(wǎng)絡(luò)的學習，并按下式進行權(quán)值ΔWi(k)的更新.

ΔWi(k)=lr·a2(i,j)·(X′-Wi(k))

(5)

式中，a2(i,j)由網(wǎng)絡(luò)的輸出值a(i,j)、神經(jīng)元之間的距離D(i,j)及鄰域大小Nd決定，即

(6)

(6) 當學習率衰減到某一預(yù)定值時，結(jié)束迭代.

2 仿真建模及數(shù)據(jù)分析

選取油濾堵塞類故障模式，并在AMESim系統(tǒng)中進行仿真建模.在AMESim系統(tǒng)中建立一個模擬飛控系統(tǒng)襟翼結(jié)構(gòu)的電靜壓伺服機構(gòu)仿真模型[8-10].系統(tǒng)在實際運行時，通過飛行控制計算機確定一個特定位置.電機通過泵的液壓來推動作動器，從而移動襟翼來調(diào)整飛行姿態(tài)，完成指定動作.在仿真模型中，電機驅(qū)動液壓泵旋轉(zhuǎn)而提供系統(tǒng)流量，通過伺服驅(qū)動控制器調(diào)節(jié)電機轉(zhuǎn)速、方向來改變系統(tǒng)的流量和方向，實現(xiàn)對作動器活塞桿伸縮和速度的控制，同時通過集成位移傳感器，實現(xiàn)反饋閉環(huán)控制.

所建立的仿真模型為單通道電靜壓伺服機構(gòu).仿真時以指定脈沖信號作為輸入信號，作動器最大位移為10 mm，并在9.523 s時施加1 500 N的外部負載.模型中各信號采集點的布置如圖1所示.

圖1 模型中各信號采集點的布置

在仿真模型中，設(shè)置阻尼孔并改變其通徑，以模擬不同程度的油濾堵塞故障工況.將阻尼孔(即油濾通油孔)的直徑分別設(shè)為5.0 mm(健康工況)、3.0 mm、2.0 mm、1.5 mm、1.0 mm、0.5 mm.剩余通油面積百分比分別為100%、36%、16%、9%、4%、1%.系統(tǒng)仿真時間為20 s，采樣頻率為1 000 Hz.考慮到現(xiàn)實中傳感器的布置特點及機構(gòu)布置的合理性，選取作動器位移、電機電流和伸出腔油路壓力這3個量進行信號采集.作動器位移曲線、電機電流曲線和伸出腔油路壓力曲線分別見圖2、圖3和圖4.

(b) 通油面積4%以下與正常情況

由圖2～圖4可知:在高負載情況下，當系統(tǒng)通油面積在16%及以上時，各測量曲線基本重合，無法直接判斷系統(tǒng)狀況；當通油面積下降到4%時，系統(tǒng)各參數(shù)的幅值隨著通油面積的下降，出現(xiàn)劇烈變化，相比于正常工況差異較大，作動器出現(xiàn)明顯的沖擊、動作信號出現(xiàn)黏連，無法達到預(yù)定運行要求.對此進一步分析研究發(fā)現(xiàn)，在無負載下，系統(tǒng)的故障信息差別不大，但作動器位移信號隨著通油孔徑(即通孔直徑)改變而發(fā)生變化的趨勢更為明顯.

(a) 通油面積16%以上與正常情況

(b) 通油面積4%以下與正常情況

(a) 通油面積16%以上與正常情況

(b) 通油面積4%以下與正常情況

3 基于SOM模型的油濾堵塞故障診斷

3.1 仿真數(shù)據(jù)訓練及測試

(1) 在AMESim系統(tǒng)中，選取7類以時間序列為故障樣本的數(shù)據(jù)集(它包含正常狀態(tài)1組，輕微堵塞和嚴重堵塞狀態(tài)各3組).每個故障樣本集中含有4組特征，分別是電機電流、電機轉(zhuǎn)速、輸出位移和輸出速度.

不同油濾通油面積工況的測量值(又稱特征參數(shù))如表1所示.

表1 不同油濾通油面積工況的測量值

注：1.為簡化表格，每個故障樣本集只列舉2個采樣點的測量值；2.表中數(shù)據(jù)均已歸一化處理，量綱為1。

(2) 選取通孔直徑0.5 mm、1.0 mm、2.0 mm、3.0 mm、5.0 mm這5類狀態(tài)作為訓練樣本，以通孔直徑0.6 mm、2.5 mm，即通油面積1.44%、25%為測試樣本，并設(shè)置神經(jīng)元個數(shù)為10×10，訓練步數(shù)為1 000.那么，應(yīng)用SOM建立油濾堵塞故障模型的步驟如下：①選取故障樣本；②對每種標準故障樣本進行學習，學習后將具有最大輸出的神經(jīng)元作為該故障的標記；③將待檢測樣本輸入SOM模型；④若輸出神經(jīng)元在輸出層的位置與某標準故障樣本的位置相同，則說明待檢測樣本發(fā)生了相應(yīng)的故障；若輸出神經(jīng)元在輸出層的位置介于很多標準故障之間，則說明這幾種標準故障樣本都有可能發(fā)生，且各故障發(fā)生的程度可根據(jù)該位置與相應(yīng)標準故障樣本位置的歐式距離來確定.

(3) 正常狀態(tài)、輕微堵塞、嚴重堵塞這3種故障仿真數(shù)據(jù)的SOM神經(jīng)元反饋分布如圖5所示.

(a) 正常狀態(tài)

(b) 輕微堵塞

(c) 嚴重堵塞

圖5 3種故障仿真數(shù)據(jù)的SOM神經(jīng)元反饋分布

從圖5可看出：正常情況下，SOM神經(jīng)元反饋分布在拓撲結(jié)構(gòu)的中間區(qū)域，呈條狀分布；輕微堵塞故障下，SOM神經(jīng)元反饋呈隨機分布，主要集中在拓撲結(jié)構(gòu)的右端及左側(cè)區(qū)域；嚴重堵塞故障下，SOM神經(jīng)元反饋主要分布在拓撲結(jié)構(gòu)的右端，呈半包圍結(jié)構(gòu)分布。

(4) 將測試樣本0.6 mm、2.5 mm(指通孔直徑)油路堵塞狀態(tài)的系統(tǒng)特征參數(shù)輸入SOM模型，可得圖6所示的SOM神經(jīng)元反饋分布情況。

(a) 通孔直徑 0.6 mm

(b) 通孔直徑2.5 mm

圖6 測試樣本的SOM神經(jīng)元反饋分布

圖6與圖5對比可知：在通孔直徑0.6 mm(即通油面積為1.44%)狀態(tài)下，SOM神經(jīng)元的反饋分布與嚴重堵塞時情況一致；在通孔直徑2.5 mm(即通油面積為25%)狀態(tài)下，SOM神經(jīng)元的反饋分布與輕微堵塞時情況一致.這與實際情況相符，表明了該方法的有效性.通常SOM模型的聚類運用往往針對單個神經(jīng)元進行判斷，本文以所有激活神經(jīng)元的分布情況來判斷故障程度，可大大減小采用單個神經(jīng)元節(jié)點帶來的誤判風險，使結(jié)果更為直觀.

3.2 實測數(shù)據(jù)訓練及測試

搭建EHA試驗平臺，在空載荷下進行測試與分析[5].EHA樣機的基本參數(shù)如表2所示.以通孔直徑14 mm(即健康工況)作為參考，模擬油濾堵塞導致節(jié)流損失增大的故障工況，使通孔直徑下降到6.3 mm，通油面積下降到78.29%，進行連續(xù)的位置指令階躍信號測試.測試時間為0.5 s，采樣頻率為500 Hz，同時選取3個直接量(即作動器位移、電機轉(zhuǎn)速和電機電流)對位移進行微分，得到作動器速度(這里稱作間接量).以兩種工況的3個直接量和1個間接量作為SOM模型的基本參數(shù)(表3)，完成實測數(shù)據(jù)的訓練.

表2 EHA樣機的基本參數(shù)

表3 SOM模型的基本參數(shù)

注：1.為簡化表格，每種工況只列舉4個采樣點的測量值；2.表中數(shù)據(jù)均已歸一化處理，量綱為1.

針對SOM模型，按照樣本數(shù)量為460份(其中230份健康樣本，230份故障樣本)，兩種工況測試樣本各20份，進行試驗，可得圖7所示試驗數(shù)據(jù)的SOM神經(jīng)元反饋分布情況.

(a) 正常狀態(tài)激活神經(jīng)元

(b) 故障狀態(tài)激活神經(jīng)元

(c) 正常狀態(tài)輸入測試

(d) 故障狀態(tài)輸入測試

圖7 試驗數(shù)據(jù)的SOM神經(jīng)元反饋分布

觀察圖7可發(fā)現(xiàn)，將測試樣本輸入訓練好的SOM模型，神經(jīng)元的反饋分布與真實狀態(tài)類似.這證明該方法是可行的.經(jīng)過研究，該模型初步訓練后，對正常狀態(tài)的識別率可達80%，對故障狀態(tài)的識別率可達90%.

4 結(jié)束語

通過仿真和試驗數(shù)據(jù)的SOM模型搭建發(fā)現(xiàn)，SOM對于電靜壓伺服機構(gòu)油濾堵塞故障診斷有良好的適用性，以神經(jīng)元反饋分布作為故障程度判斷的依據(jù)，比傳統(tǒng)上依靠單個神經(jīng)元來判斷故障狀態(tài)更為準確，在缺乏訓練數(shù)據(jù)的情況下也可反饋當前狀態(tài).

盡管本文模型訓練使用的數(shù)據(jù)點較少，且存在不可預(yù)測的測量噪聲，使健康工況也有故障率，最后的反饋分布存在部分異常點，但這些異常點可通過后續(xù)加大訓練樣本量或者進一步優(yōu)化訓練模型得到消除.此外，基于SOM在電靜壓伺服機構(gòu)油濾堵塞故障診斷方面的研究成果可應(yīng)用于其他故障模式.