于喜金，于曉光，楊同光，竇金鑫，張景博

(遼寧科技大學機械工程與自動化學院,遼寧鞍山 114000)

0 前言

航空液壓管路是航空發(fā)動機液壓管路系統(tǒng)中重要的零件，嚴重的流體振動會導致管路出現(xiàn)強烈的振動，導致液壓管路頻繁失效，致使航空液壓系統(tǒng)在實際工作過程中發(fā)生故障造成事故。因此，管路的故障診斷具有重要的意義。

航空液壓管路振動信號是典型的非平穩(wěn)非線性多分量信號，多分量信號的有效分離成為解決問題的關(guān)鍵。經(jīng)驗模態(tài)分解(EMD)、短時傅里葉變換(STFT)、局部均值分解(LMD)等方法均有各自的局限性：經(jīng)驗模態(tài)分解存在端點效應、模態(tài)混疊和過包絡等問題；短時傅里葉變換處理信號時不能同時獲得較高的時頻分辨率；局部均值分解也會得到虛假的PF分量。針對上述問題，DRAGOMIRETSKIY和ZOSSO提出一種非遞歸式自適應信號處理方法變分模態(tài)分解(Variational Mode Decomposition，VMD)。VMD以求解變分問題最優(yōu)解的形式篩選IMF分量，因此，可有效避免分解過程中模態(tài)混疊問題的產(chǎn)生。

目前最為廣泛采用的神經(jīng)網(wǎng)絡之一就是BP神經(jīng)網(wǎng)絡(Back Propagation)，是按誤差反向傳播的一種多層前饋網(wǎng)絡。在解決相應問題時，靠著自身學習能力、泛化能力和非線性映射能力強，會經(jīng)常在實際工程中用到。本文作者提出一種優(yōu)化VMD與BP神經(jīng)網(wǎng)絡的智能故障診斷方法，并將該方法應用在航空液壓管路的故障診斷中，實現(xiàn)了液壓管路裂紋故障和凹坑故障的精準識別。

1 基礎(chǔ)理論

1.1 變分模態(tài)分解

VMD方法可假定尺度參數(shù),將信號分解成個中心頻率為的模態(tài)函數(shù)，則可得到可以進行分解的新約束變分問題：

(1)

對新的約束變分問題引入拉格朗日乘法算子()和二次懲罰因子進行構(gòu)造并求解該約束變分，分析出新的模態(tài)信號：

({},{},)=

(2)

(3)

(4)

1.2 VMD參數(shù)確定

用VMD方法分解信號時需要預先設定模態(tài)分量個數(shù)，模態(tài)分量個數(shù)設置不同，分解結(jié)果不同。有研究發(fā)現(xiàn)，VMD方法中二次懲罰因子對VMD分解結(jié)果也產(chǎn)生較大影響。由于人為設定的隨意性和不確定性勢必會對VMD分解結(jié)果的正確性帶來影響，本文作者利用具有良好全局性概率搜索能力的遺傳算法對VMD方法兩個輸入?yún)?shù)和進行參數(shù)優(yōu)化。

1.3 BP神經(jīng)網(wǎng)絡設計

神經(jīng)網(wǎng)絡是一種具有多層反饋的神經(jīng)網(wǎng)絡，由輸入層、隱含層、輸出層組成。

航空發(fā)動機液壓管路故障的振動信號是一維信號，正好符合 BP神經(jīng)網(wǎng)絡數(shù)據(jù)需要。優(yōu)化后，將信號進行VMD處理，建立樣本，選用Softmax分類器符合樣本情況。表1為BP神經(jīng)網(wǎng)絡模型主要結(jié)構(gòu)參數(shù)。

表1 BP神經(jīng)網(wǎng)絡模型主要結(jié)構(gòu)參數(shù)

2 管路故障診斷

2.1 診斷模型

管路的故障機制特征很難發(fā)現(xiàn)，影響因素包括管路故障信號受流固耦合特性影響和復雜的管路結(jié)構(gòu)影響等。本文作者提出的基于優(yōu)化變分模態(tài)分解與BP神經(jīng)網(wǎng)絡的液壓管路故障診斷方法，增加BP神經(jīng)網(wǎng)絡模型識別液壓管路信號特征，同時提高精度，可以有效應用于診斷航空發(fā)動機液壓管路系統(tǒng)中管路的健康狀態(tài)和不同故障狀態(tài)。圖1所示即為故障診斷流程。

圖1 液壓管路故障診斷的具體流程

2.2 實驗數(shù)據(jù)

為了了解航空發(fā)動機液壓管路實際工作時的工況，應用液壓管路實驗臺進行了實驗模擬，并且也進行了測試實驗。在液壓管路進油端、管路中間和出油端3個位置依據(jù)實驗方案，用加速度振動傳感器進行多次測試分析，從而得到液壓管路系統(tǒng)中液壓管路的健康狀態(tài)和故障狀態(tài)2種狀態(tài)下的振動信號以及2種狀態(tài)下的時域波形和頻譜，選用中部凹坑狀態(tài)和端部裂紋狀態(tài)采集的時域波形和頻譜，如圖2—圖3所示，VMD分解結(jié)果如圖4—圖5所示。

圖2 液壓彎管中部凹坑故障狀態(tài)時頻域波形圖 圖3 液壓彎管端部裂紋故障狀態(tài)時頻域波形圖

圖4 液壓管路中部凹坑故障狀態(tài)VMD分解時頻域波形圖

圖5 液壓管路端部裂紋故障狀態(tài)VMD分解時頻域波形圖

經(jīng)過VMD分解后，模態(tài)分量的頻率都在一定的范圍里，可以明顯識別出單個模態(tài)分量中的虛假分量現(xiàn)象，規(guī)避了噪聲將特征信息淹沒的現(xiàn)象。因此處理實際航空液壓管路振動信號時，噪聲甚至不會淹沒掉微弱的故障特征信息，從而可以準確地提取管路振動信息。

3 試驗結(jié)果與分析

3.1 試驗結(jié)果

文中提出的VMD-BP神經(jīng)網(wǎng)絡模型的故障診斷方法，為了防止丟失故障信息，按照頻率由小到大的順序，將明顯的管路故障特征疊成一個多通道樣本，每段樣本信號都有3 200個數(shù)據(jù)點，然后將全部的樣本信號都進行以上運算，建立數(shù)據(jù)集，使訓練樣本數(shù)、驗證樣本數(shù)和預測樣本數(shù)的占比為8∶1∶1。將數(shù)據(jù)集采取隨機抽樣的訓練方法來證明所優(yōu)化的BP神經(jīng)網(wǎng)絡模型的穩(wěn)定性。分別得到3類診斷方法混淆矩陣如圖6—圖8。

圖6 基于10類樣本數(shù)據(jù)VMD-BP模型診斷的混淆矩陣 圖7 基于10類樣本數(shù)據(jù)EMD-BPNN模型的混淆矩陣

圖8 基于10樣本下反向傳播神經(jīng)網(wǎng)絡模型的混淆矩陣

由圖6—圖8可知VMD-BP診斷方法的完全正確分類組數(shù)和每組準確率相較于其他方法都更具優(yōu)越性。對液壓管路數(shù)據(jù)集的描述見表2。

表2 液壓管路數(shù)據(jù)集的描述

由圖6可看出:管路健康狀態(tài)及管路裂紋和管路凹坑兩種故障狀態(tài)組成的數(shù)據(jù)集通過遺傳算法優(yōu)化變分模態(tài)分解和BP神經(jīng)網(wǎng)絡故障診斷方法訓練結(jié)果的準確率為99.4%;在彎管系統(tǒng)中，94.4%的識別率僅出現(xiàn)在裂紋單一故障中;同時識別結(jié)果也表明文中所提出的方法可較精確判別卡箍輕度松動和卡箍根部輕微裂紋等早期故障。

3.2 結(jié)果分析

表3總結(jié)了基于同一數(shù)據(jù)集，VMD+BPNN故障診斷方法與其他幾種方法性能比較。針對每種方法各自進行10次實驗，評估指標為每種評估指標的平均值。由此可知：在診斷準確率方面，傳統(tǒng)的BP神經(jīng)網(wǎng)絡故障診斷方法顯然不如文中所提出的基于優(yōu)化變分模態(tài)分解和卷積神經(jīng)網(wǎng)絡的故障診斷方法。與BP神經(jīng)網(wǎng)絡故障診斷方法和SVM故障診斷方法相比，文中提出的故障診斷方法不僅各性能指標均達到99.32%以上，也明顯優(yōu)于EMD-BP神經(jīng)網(wǎng)絡故障診斷方法，而且能夠穩(wěn)定地識別出液壓管路多種不同的健康狀態(tài)，尤其是對不同測點采集的數(shù)據(jù)也能實現(xiàn)精準分類和識別。其原因是通過優(yōu)化變分模態(tài)分解方法對數(shù)據(jù)進行預處理以后信號信噪比提高，規(guī)避了神經(jīng)網(wǎng)絡訓練過程中的過擬合現(xiàn)象，且所有的IMF特征分量構(gòu)造均為CNN的多通道輸入，經(jīng)過CNN進行信息融合，得到合適的各IMF特征分量對輸出的權(quán)重，從而實現(xiàn)了智能化的航空液壓管路凹坑和裂紋故障診斷。

表3 文中所提出的方法與DCNN和BPNN性能比較

4 結(jié)論

首先，本文作者提出利用遺傳算法對VMD模態(tài)分量和懲罰因子值兩個參數(shù)進行優(yōu)化選取，使其能夠自適應地確定最優(yōu)參數(shù)；對航空發(fā)動機液壓管路的振動信號采用VMD方法進行處理，分析液壓管路故障情況與健康情況，將液壓管路裂紋故障和凹坑故障的最佳分量提取出來，為BP神經(jīng)網(wǎng)絡提供模式識別基礎(chǔ)。

其次，BP神經(jīng)網(wǎng)絡的輸入量是利用VMD方法對液壓管路信號處理后得到的最佳分量，將最佳分量輸入BP神經(jīng)網(wǎng)絡模型中進行訓練。實驗結(jié)果表明：本文作者提出的故障診斷方法各性能指標均達到99.32%以上，能對液壓管路多種健康狀態(tài)進行識別判斷，特別是能實現(xiàn)精準分類和識別于不同測點采集的數(shù)據(jù)。