張小龍, 汪 曦, 于曉光, 薛政坤, 崔芷寧, 呂佳文

(1.遼寧科技大學(xué) 機(jī)械工程與自動(dòng)化學(xué)院, 遼寧 鞍山 114000；2.東北大學(xué) 機(jī)械工程與自動(dòng)化學(xué)院, 遼寧 沈陽(yáng) 110819)

引言

航空發(fā)動(dòng)機(jī)液壓管路-卡箍系統(tǒng)在復(fù)雜的航空發(fā)動(dòng)機(jī)附屬系統(tǒng)中為航空發(fā)動(dòng)機(jī)液壓系統(tǒng)提供動(dòng)力，卡箍作為固定、支撐和連接管路的主要元件[1]，在液壓管路受到強(qiáng)迫振動(dòng)和自激振動(dòng)時(shí)維護(hù)管路的正常工作[2]。本研究提出的基于變分模態(tài)分解和LSTM模型的故障診斷方法對(duì)航空發(fā)動(dòng)機(jī)液壓管路-卡箍出現(xiàn)的故障進(jìn)行準(zhǔn)確的識(shí)別和判定，對(duì)航空發(fā)動(dòng)機(jī)管路系統(tǒng)的穩(wěn)定工作具有重要意義。

近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)于卡箍故障進(jìn)行了廣泛的研究，劉中華等[3]針對(duì)卡箍斷口進(jìn)行分析診斷，從而確定卡箍斷裂的原因，并提出對(duì)結(jié)構(gòu)的優(yōu)化處理以避免該類故障的發(fā)生；吳主金等[4]提出一種基于多項(xiàng)式Chirplet變換和變分模態(tài)分解的軸承故障診斷方法，有效提取了軸承的故障特征；宣元等[5]提出了一種基于改進(jìn)VMD算法的液壓泵壽命狀態(tài)檢測(cè)方法，對(duì)VMD初始參數(shù)進(jìn)行優(yōu)化選取，得到了較高的識(shí)別準(zhǔn)確率；馬洪斌等[6]提出了一種蛙跳優(yōu)化VMD參數(shù)的方法，對(duì)軸承故障特征進(jìn)行了有效提??；譚躍剛等[7]提出一種針對(duì)卡箍松動(dòng)的模態(tài)變化對(duì)卡箍進(jìn)行診斷和定位，通過(guò)固有頻率的變化，從而能夠得出卡箍出現(xiàn)故障的準(zhǔn)確位置；GAO等[8-10]通過(guò)試驗(yàn)獲得飛機(jī)管路卡箍剛度并將飛機(jī)管路卡箍支撐用彈簧支撐簡(jiǎn)化代替，模態(tài)試驗(yàn)結(jié)果與試驗(yàn)數(shù)據(jù)得到穩(wěn)定的吻合；賈春玉等[11]構(gòu)建了一種卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷模型，從而得到更高的識(shí)別準(zhǔn)確度；范宇雪等[12]提出一種基于雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Bi-directional Long Short-Term Memory，BI-LSTM)的小樣本滾動(dòng)軸承故障診斷方法，提高了故障識(shí)別的準(zhǔn)確率。從國(guó)內(nèi)外學(xué)者對(duì)卡箍故障的研究能夠得出，在航空發(fā)動(dòng)機(jī)實(shí)際工作中，由于液壓管路受到流固耦合、溫度和壓力等其他因素的影響，易導(dǎo)致卡箍出現(xiàn)固定卡箍螺栓松動(dòng)、卡箍根部斷裂、卡箍襯墊磨損等問(wèn)題。

本研究以航空液壓卡箍-管路系統(tǒng)中的固定卡箍為研究對(duì)象，對(duì)其故障難以識(shí)別的問(wèn)題在時(shí)域和頻域兩方面同時(shí)進(jìn)行分析和研究[13]。首先，基于遺傳算法對(duì)變分模態(tài)分解的模態(tài)分量個(gè)數(shù)k值和懲罰因子α值2個(gè)參數(shù)進(jìn)行優(yōu)化選取，利用優(yōu)化后的變分模態(tài)分解方法分析處理卡箍在各種狀態(tài)下的振動(dòng)信號(hào)，提取有效的故障特征分量；其次，將分解處理后的信號(hào)分量輸入LSTM神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練，從而為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)模型的識(shí)別提供一定的基礎(chǔ)，實(shí)現(xiàn)了航空發(fā)動(dòng)機(jī)液壓管路卡箍故障的智能診斷。

1 卡箍故障

1.1 航空液壓系統(tǒng)

液壓管路卡箍系統(tǒng)是航空發(fā)動(dòng)機(jī)液壓管路系統(tǒng)中的重要組成部分，由卡箍、管路、管接頭和液壓泵等組成?？ü孔鳛楹娇瞻l(fā)動(dòng)機(jī)液壓管路卡箍系統(tǒng)中的重要零件，主要作用是連接發(fā)動(dòng)機(jī)與管路本體,是增強(qiáng)管路剛度、固持管路位置的重要部件。由于航空發(fā)動(dòng)機(jī)空間布局復(fù)雜，管體之間空隙狹小，導(dǎo)致液壓管路系統(tǒng)的工作環(huán)境較為惡劣，因而其內(nèi)部零部件易出現(xiàn)磨損和損壞，尤其是在液壓管路中容易出現(xiàn)卡箍故障問(wèn)題，管路中的卡箍分布如圖1所示。

圖1 管路卡箍位置示意圖

1.2 卡箍故障描述

航空發(fā)動(dòng)機(jī)正常工作時(shí)，由于受到外界機(jī)架的基礎(chǔ)激勵(lì)和泵源的流體脈動(dòng)激勵(lì)而發(fā)生流固耦合作用，導(dǎo)致強(qiáng)迫振動(dòng)進(jìn)而引起結(jié)構(gòu)共振，出現(xiàn)強(qiáng)烈振動(dòng)現(xiàn)象。長(zhǎng)期以來(lái)，受到強(qiáng)烈振動(dòng)影響，液壓管路的卡箍出現(xiàn)積累性振動(dòng)失效故障，如固定卡箍螺栓松動(dòng)、卡箍墊片損壞、卡箍襯墊破裂、卡箍磨損等問(wèn)題，對(duì)飛機(jī)的安全性和發(fā)動(dòng)機(jī)的可靠性產(chǎn)生嚴(yán)重威脅。本研究選用的卡箍為304不銹鋼連膠條卡箍，其中幾種卡箍的典型故障如圖2所示。

圖2 常見(jiàn)卡箍故障

2 故障診斷模型

2.1 優(yōu)化變分模態(tài)分解

VMD是基于維納濾波、希爾伯特變換和頻率混合所形成的一種將信號(hào)f(t)分解成一系列的模態(tài)分量(Intrinsic Mode Function，IMF)的過(guò)程[14]，通過(guò)預(yù)先設(shè)定本征模態(tài)函數(shù)的分量個(gè)數(shù)、帶寬參數(shù)，構(gòu)造約束變分問(wèn)題，并采用迭代方式搜尋約束變分模型的最優(yōu)解，從而獲得每個(gè)本征模態(tài)函數(shù)分量的中心頻率和帶寬，最終實(shí)現(xiàn)信號(hào)頻帶的自適應(yīng)分解[15]。

遺傳算法(Genetic Algorithms，GA)[16]是效仿生物界生存的“物競(jìng)天擇、適者生存”來(lái)進(jìn)行演化。VMD方法分解信號(hào)時(shí)，由于要在分解之前設(shè)定模態(tài)分量個(gè)數(shù)k值和懲罰因子α值，但人為因素的參與和設(shè)置必然會(huì)導(dǎo)致參數(shù)的不確定性，包絡(luò)熵值[17]作為反應(yīng)振動(dòng)信號(hào)的一個(gè)參數(shù)標(biāo)準(zhǔn)，能夠反映概率分布的局部特性，因此以局部極小包絡(luò)熵值為適應(yīng)度函數(shù)對(duì)VMD的[k，α]參數(shù)組合進(jìn)行了優(yōu)化選取[18]。

2.2 LSTM網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)具有相對(duì)復(fù)雜的內(nèi)部結(jié)構(gòu)，由遺忘門、輸入門和輸出門3個(gè)特殊的結(jié)構(gòu)門組成[19]。這3個(gè)門通過(guò)1個(gè)特定的tanh的網(wǎng)絡(luò)層來(lái)實(shí)現(xiàn)信息的傳遞，細(xì)胞狀態(tài)在遺忘門和輸入門的共同作用下完成更新并作用于輸出門，實(shí)現(xiàn)輸入信息較長(zhǎng)時(shí)間的記憶，更新遞推的計(jì)算步驟如下：

(1)

(2)將當(dāng)前數(shù)據(jù)信息通過(guò)輸入門存儲(chǔ)到記憶單元中，得到輸入門的值it：

it=σ(Wxixt+Whiht-1+bi)

(2)

(3)通過(guò)權(quán)值以及傳遞函數(shù)的線性計(jì)算得出遺忘門的值ft：

ft=σ(Wxfxt+Whfht-1+bf)

(3)

(4)計(jì)算當(dāng)前時(shí)刻記憶單元狀態(tài)值ct：

(4)

(5)得到輸出門的關(guān)系表達(dá)式：

ot=(Wxoxt+Whoht-1+bo)

(5)

(6)得到LSTM單元記憶輸出式ht：

ht=ottanh(ct)

(6)

其中,Wxc，Wxi，Wxf，Wxo分別為在t時(shí)刻的輸入層xt和隱藏層ht間的連接權(quán)值；Whc，Whi，Whf，Who分別是在t-1時(shí)刻與t時(shí)刻之間的隱藏層連接權(quán)值；bc，bi，bf，bo分別為輸入節(jié)點(diǎn)、輸入門、遺忘門、輸出門的偏置；ht-1為前一時(shí)刻的輸出；σ為sigmoid函數(shù)，取值為(0，1)[20]。

根據(jù)更新遞推的神經(jīng)網(wǎng)絡(luò)，本研究選取Softmax分類器，針對(duì)2種管路的2個(gè)測(cè)點(diǎn)的4種情況，選取迭代25輪，每輪100次迭代的方式進(jìn)行訓(xùn)練，其中LSTM網(wǎng)絡(luò)故障診斷模型主要結(jié)構(gòu)參數(shù)如表1所示。

表1 LSTM神經(jīng)網(wǎng)絡(luò)模型主要結(jié)構(gòu)參數(shù)

2.3 建立診斷模型

由于固定卡箍受到航空液壓管路中的流固耦合作用、發(fā)動(dòng)機(jī)自身振動(dòng)以及發(fā)動(dòng)機(jī)振動(dòng)產(chǎn)生的巨大的噪聲等因素影響，得到的卡箍故障信號(hào)難以提取。本研究建立了一種基于VMD和LSTM模型的航空液壓管路卡箍故障診斷模型，其具體流程圖如圖3所示。

圖3 液壓管路固定卡箍故障診斷模型

故障診斷模型具體步驟為：

(1)利用加速度振動(dòng)傳感器對(duì)航空發(fā)動(dòng)機(jī)液壓管路固定卡箍的振動(dòng)信號(hào)進(jìn)行采集，從而獲取樣本信號(hào)；

(2)選取優(yōu)化后的k值和α值，優(yōu)化后的VMD將卡箍故障振動(dòng)信號(hào)f(t)分解成一系列單一的具有不同特征的穩(wěn)定信號(hào)IMF(1)，IMF(2)，…,IMF(n)；

(3)提取出每一類故障中故障特征明顯的2個(gè)IMF分量進(jìn)行匯總，合并成1個(gè)多通道樣本數(shù)據(jù)集，將數(shù)據(jù)集劃分成為訓(xùn)練集與測(cè)試集兩部分；

(4)按照上一節(jié)所述原則設(shè)計(jì)LSTM神經(jīng)網(wǎng)絡(luò)模型，并通過(guò)調(diào)試參數(shù)，獲得性能較好的網(wǎng)絡(luò)訓(xùn)練模型；

(5)通過(guò)數(shù)據(jù)集，驗(yàn)證基于優(yōu)化VMD和LSTM神經(jīng)網(wǎng)絡(luò)模型的液壓管路固定卡箍故障診斷模型的有效性和準(zhǔn)確性，并與LSTM神經(jīng)網(wǎng)絡(luò)模型和BPNN模型的訓(xùn)練結(jié)果進(jìn)行對(duì)比分析。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)采集

在航空液壓管路實(shí)驗(yàn)臺(tái)上，利用加速度振動(dòng)傳感器分別對(duì)液壓彎管和直管系統(tǒng)中的固定卡箍進(jìn)行振動(dòng)信號(hào)的測(cè)量，獲得固定卡箍的實(shí)測(cè)數(shù)據(jù)。測(cè)點(diǎn)位置選取固定卡箍外壁和管路中間2個(gè)測(cè)點(diǎn)進(jìn)行同步采集，目的是獲得固定卡箍健康狀態(tài)及螺栓松動(dòng)狀態(tài)、根部斷裂狀態(tài)、襯墊磨損狀態(tài)4種固定卡箍狀態(tài)的振動(dòng)信號(hào)，傳感器分布位置如圖4所示。

選取在航空液壓管路直管的測(cè)點(diǎn)1位置上4種固定卡箍狀態(tài)，其VMD分解的時(shí)域分解波形圖如圖5所示。

圖5 固定卡箍信號(hào)分解波形圖

利用優(yōu)化后的VMD方法實(shí)現(xiàn)了航空液壓管路卡箍振動(dòng)信號(hào)中各模態(tài)函數(shù)的自適應(yīng)分解，解決了由于模態(tài)分量k值和拉格朗日分子α值選取不當(dāng)導(dǎo)致的過(guò)分解和欠分解等問(wèn)題，驗(yàn)證了基于改進(jìn)的遺傳算法對(duì)VMD的分解層數(shù)和懲罰因子優(yōu)化選取的可行性，減少了人為因素的主觀誤差。

3.2 數(shù)據(jù)分析

利用分解后的一系列單一的具有不同特征的穩(wěn)定信號(hào)IMF(1)，IMF(2)，…，IMF(n)，挑選出故障特征信號(hào)明顯的2個(gè)IMF分量合并成1個(gè)多通道樣本數(shù)據(jù)集，其中每段信號(hào)中包含3200個(gè)數(shù)據(jù)點(diǎn)。將整個(gè)液壓管路固定卡箍的數(shù)據(jù)集隨機(jī)劃分為樣本集與驗(yàn)證集兩部分，比例為8∶2；將樣本集導(dǎo)入LSTM網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，獲得性能較好的訓(xùn)練模型，并與LSTM神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果進(jìn)行對(duì)比分析。選取迭代 25 輪作為實(shí)驗(yàn)輸出結(jié)果，得到基于變分模態(tài)分解的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(VMD-LSTM)模型和LSTM診斷模型故障診斷方法的準(zhǔn)確率，其訓(xùn)練曲線如圖6所示。

由圖6可以得到，VMD-LSTM模型相對(duì)于LSTM神經(jīng)網(wǎng)絡(luò)診斷模型，在0～5輪收斂迭代時(shí)，收斂迅速；在進(jìn)行7輪收斂迭代以后，該方法訓(xùn)練的準(zhǔn)確率曲線無(wú)明顯波動(dòng)，整體趨于穩(wěn)定，且能夠達(dá)到較高準(zhǔn)確率。LSTM神經(jīng)網(wǎng)絡(luò)模型在前幾輪總體準(zhǔn)確率趨于上升趨勢(shì)，但迭代15輪左右時(shí)，LSTM神經(jīng)網(wǎng)絡(luò)模型在收斂時(shí)出現(xiàn)了不穩(wěn)定狀態(tài)，準(zhǔn)確率也出現(xiàn)較大的波動(dòng)，對(duì)結(jié)果造成了很大的影響，得不到正確的判斷。由此可以得到，VMD-LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)復(fù)雜的信號(hào)能夠達(dá)到較好的處理效果，得到較高的準(zhǔn)確率。同時(shí)得到上述2種方法的損失值訓(xùn)練曲線如圖7所示。

圖6 固定卡箍振動(dòng)數(shù)據(jù)集模型準(zhǔn)確率曲線圖

分析圖7中2種神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果發(fā)現(xiàn)：VMD-LSTM神經(jīng)網(wǎng)絡(luò)模型在進(jìn)行0～5輪迭代時(shí)，損失率大幅度降低；在迭代7輪后，損失值基本達(dá)到了0值，收斂結(jié)果非常穩(wěn)定，且收斂速度更快。反觀LSTM神經(jīng)網(wǎng)絡(luò)模型，在進(jìn)行0～5輪迭代時(shí)，總體趨于降低的狀態(tài)，但從圖中可以看出，損失值的波動(dòng)幅度明顯較大，而且在15輪迭代之后，LSTM網(wǎng)絡(luò)模型出現(xiàn)了嚴(yán)重的離散現(xiàn)象，損失值結(jié)果出現(xiàn)了極其不穩(wěn)定狀態(tài)，波動(dòng)幅度很大，導(dǎo)致結(jié)果的準(zhǔn)確性降低。VMD-LSTM神經(jīng)網(wǎng)絡(luò)模型的診斷方法無(wú)論是收斂速度還是收斂穩(wěn)定性，都明顯優(yōu)于LSTM神經(jīng)網(wǎng)絡(luò)模型?；煜仃嚹軌蚋娴胤从趁糠N故障狀態(tài)的診斷與識(shí)別情況。混淆矩陣中的數(shù)據(jù)集名稱如表2所示，混淆矩陣如圖8～圖10所示。

圖7 固定卡箍振動(dòng)數(shù)據(jù)集模型損失率訓(xùn)練曲線圖

表2 液壓管路直管和彎管卡箍數(shù)據(jù)集

由圖8可看出，樣本數(shù)據(jù)的組成分別是航空液壓管路卡箍在直管和彎管2種結(jié)構(gòu)情況下，分別在測(cè)點(diǎn)1，2采集的4種管路卡箍狀態(tài)組成的數(shù)據(jù)集，利用VMD-LSTM模型訓(xùn)練結(jié)果的總體準(zhǔn)確率為98.5%。

圖8 基于16類樣本數(shù)據(jù)VMD-LSTM神經(jīng)網(wǎng)絡(luò)模型診斷的混淆矩陣

由圖9可以看出，通過(guò)LSTM神經(jīng)網(wǎng)絡(luò)模型故障診斷方法，基于同一數(shù)據(jù)集進(jìn)行訓(xùn)練的結(jié)果的總體準(zhǔn)確率為93.8%。從結(jié)果來(lái)看，該方法在直管和彎管故障都有不同程度的不完全識(shí)別，效果略差于VMD-LSTM神經(jīng)網(wǎng)絡(luò)模型。

圖9 基于16類樣本數(shù)據(jù)LSTM神經(jīng)網(wǎng)絡(luò)模型的混淆矩陣

由圖10可以看出，通過(guò)BP神經(jīng)網(wǎng)絡(luò)故障診斷模型訓(xùn)練結(jié)果的總體準(zhǔn)確率為86%。從結(jié)果來(lái)看，該方法在彎管處的識(shí)別結(jié)果較LSTM模型更差，F(xiàn)1-sore最低為0.01，對(duì)測(cè)點(diǎn)固定在卡箍外壁上的直管卡箍襯墊磨損故障已經(jīng)不能起到識(shí)別作用。

從3個(gè)混淆矩陣圖中能夠得到，本研究所提出的方法對(duì)固定卡箍的診斷準(zhǔn)確率有了大幅度的提高，具有更好的故障診斷和識(shí)別性能。

3.3 不同模型對(duì)比

表3總結(jié)了基于同一固定卡箍振動(dòng)數(shù)據(jù)集，利用VDM-LSTM故障診斷方法與LSTM故障診斷方法和BP神經(jīng)網(wǎng)絡(luò)故障診斷方法對(duì)固定卡箍振動(dòng)故障數(shù)據(jù)訓(xùn)練結(jié)果作對(duì)比分析，可以清晰地看出，VDM-LSTM故障診斷方法不僅各性能指標(biāo)均達(dá)到98.5%以上，明顯優(yōu)于LSTM網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)故障診斷方法，而且能夠穩(wěn)定的識(shí)別出液壓管路卡箍多種不同的故障狀態(tài)；同時(shí)該方法也實(shí)現(xiàn)了固定卡箍螺栓松動(dòng)故障、裂紋故障和磨損故障信號(hào)的智能分類。

表3 不同故障診斷模型對(duì)比

4 結(jié)論

針對(duì)航空液壓管路固定卡箍振動(dòng)信號(hào)的特點(diǎn)，提出了一種基于變分模態(tài)分解和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的卡箍智能故障診斷方法，實(shí)驗(yàn)結(jié)果表明，該方法能夠準(zhǔn)確地識(shí)別出固定卡箍螺栓松動(dòng)、卡箍襯墊磨損和卡箍根部斷裂等 3 種卡箍故障類型，并且總體準(zhǔn)確率能夠達(dá)到98.5%以上。

基于同一固定卡箍振動(dòng)數(shù)據(jù)集，分別利用VMD-LSTM故障診斷方法與LSTM故障診斷方法和BPNN故障診斷方法對(duì)卡箍數(shù)據(jù)進(jìn)行訓(xùn)練，結(jié)果表明：VMD-LSTM故障診斷方法在診斷精度上要優(yōu)于LSTM故障診斷方法，其總體識(shí)別率提高了4.7%；與傳統(tǒng)的BPNN智能故障診斷方法相比，綜合準(zhǔn)確率提升了12.5%，驗(yàn)證了該方法的有效性。