聞 巖， 徐 俊， 高 偉， 陳立娟， 常明明， 艾 超

(1.燕山大學(xué)機(jī)械工程學(xué)院, 河北秦皇島 066004; 2.南京工程學(xué)院機(jī)械工程學(xué)院， 江蘇南京 211167)

引言

旋挖鉆機(jī)是機(jī)電液集成程度很高的大型工程機(jī)械設(shè)備。其主要結(jié)構(gòu)包括行走系統(tǒng)、工作系統(tǒng)和回轉(zhuǎn)系統(tǒng)。緩沖平衡閥在旋挖鉆機(jī)的回轉(zhuǎn)系統(tǒng)中處于核心地位，緩沖平衡閥性能的好壞直接影響整機(jī)的工作平穩(wěn)性，回轉(zhuǎn)定位精度和鉆孔的質(zhì)量[1]。旋挖鉆機(jī)工作環(huán)境惡劣，油液中時(shí)常會(huì)有大顆粒污染物。帶有污染顆粒的高壓油液在液壓系統(tǒng)中流動(dòng)時(shí)會(huì)對(duì)各個(gè)部件造成嚴(yán)重?fù)p害。其中，緩沖平衡閥的閥芯在高壓油液沖擊下會(huì)快速磨損，導(dǎo)致閥芯和閥套的間隙增大，平衡閥的內(nèi)泄漏增大，對(duì)旋挖鉆機(jī)工作的平穩(wěn)性，可靠性和系統(tǒng)效率產(chǎn)生一定影響。此時(shí)，旋挖鉆機(jī)回轉(zhuǎn)系統(tǒng)旋轉(zhuǎn)時(shí)響應(yīng)會(huì)滯后，直接的表現(xiàn)是旋轉(zhuǎn)啟動(dòng)變慢和旋轉(zhuǎn)制動(dòng)變慢。平衡閥的故障信息通常比較微弱，故障特征難以提取。因此對(duì)緩沖平衡故障診斷進(jìn)行相關(guān)研究，對(duì)于旋挖鉆機(jī)提升安全性和工作效率具有重大意義。

國(guó)內(nèi)外學(xué)者針對(duì)液壓閥故障診斷進(jìn)行了大量研究。權(quán)凌霄等[2]采用“GA+LM”優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的方法，提升了網(wǎng)絡(luò)的學(xué)習(xí)速度和精確搜索能力，進(jìn)而大幅提高了基于BP神經(jīng)網(wǎng)絡(luò)的電液伺服閥故障診斷的效率和精度,實(shí)現(xiàn)了電液伺服閥閥芯一端限位、一側(cè)固定節(jié)流孔堵塞、閥芯磨損、閥芯零位不對(duì)中等故障的診斷。邱寒雨等[3]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和AdaBoost算法的故障診斷方法，對(duì)快速起豎裝置的液壓驅(qū)動(dòng)系統(tǒng)建立了故障模型，實(shí)現(xiàn)了其常用工況下的故障診斷。杜名喆等[4]針對(duì)液壓泵振動(dòng)信號(hào)的非平穩(wěn)性的特點(diǎn)，提出了一種基于小波變換和卷積神經(jīng)網(wǎng)絡(luò)的算法，實(shí)現(xiàn)了液壓泵的自動(dòng)故障診斷。王磊等[5]首先建立對(duì)應(yīng)的電液伺服閥的液壓仿真模型，再通過修改模型的參數(shù)，人為制造故障并提取了故障特征信息，最后應(yīng)用PCA-SVM的方法對(duì)伺服閥的一端限位、噴嘴堵塞和力矩馬達(dá)磁性減弱等故障進(jìn)行分類。賈春玉等[6]構(gòu)建了CNN+LSTM相結(jié)合的故障預(yù)測(cè)模型，取代了人工特征選取和提取，解決了故障預(yù)測(cè)的時(shí)序問題，實(shí)現(xiàn)了電液伺服閥閥芯磨損和阻尼孔堵塞的故障診斷。王巧云[7]提出了GA-BP網(wǎng)絡(luò)模型，該算法既具有較強(qiáng)的局部搜索能力和非線性映射能力，又具有全局搜索能力，解決了電液伺服閥的故障模式識(shí)別問題。沈晨暉等[8]針對(duì)電液伺服系統(tǒng)非線性程度高、狀態(tài)參數(shù)較多等特點(diǎn)，提出將SR-CKF應(yīng)用于電液伺服系統(tǒng)的狀態(tài)估計(jì)之中。楊東[9]以力反饋兩級(jí)電液伺服閥為研究對(duì)象，提出了基于測(cè)試信號(hào)的電液伺服閥智能故障診斷算法研究。LIU Chao等[10]提出了一種基于極限學(xué)習(xí)機(jī)的故障診斷模型來區(qū)分電液伺服閥的故障。SHI Jinchuan等[11]提出了一種兩階段多傳感器信息融合法，包括故障特征融合和決策信息融合，實(shí)現(xiàn)了對(duì)液壓閥的故障診斷。JI X等[12]針對(duì)液壓閥結(jié)構(gòu)封閉復(fù)雜的特點(diǎn)，提出了一種基于Dempster-Shafer理論的故障診斷方法，對(duì)液壓閥的幾種特定故障實(shí)現(xiàn)了檢測(cè)。上述方法對(duì)本研究解決緩沖平衡閥故障診斷問題提供了一定的方向性。

由于平衡閥的可變節(jié)流邊是有倒角的，且閥芯閥套配合間隙較大，同時(shí)平衡閥結(jié)構(gòu)復(fù)雜，里面有多個(gè)阻尼孔，且旋挖鉆液壓系統(tǒng)油液污染度較大，因此旋挖鉆用平衡閥故障難以診斷。平衡閥的工況比較單一，故本研究以額定工況下的旋挖鉆用平衡閥為研究對(duì)象，揭示平衡閥故障機(jī)理，針對(duì)故障數(shù)據(jù)難以獲得的問題，進(jìn)行平衡閥加速退化實(shí)驗(yàn)，獲取故障數(shù)據(jù)，將采集的數(shù)據(jù)按一定比例分為測(cè)試集和訓(xùn)練集。然后，結(jié)合全連接神經(jīng)網(wǎng)絡(luò)方法，將訓(xùn)練集數(shù)據(jù)導(dǎo)入全連接神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練。最后，將測(cè)試集數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型中，對(duì)模型精度進(jìn)行驗(yàn)證。

1 緩沖平衡閥的故障機(jī)理分析及動(dòng)力學(xué)建模

本研究的緩沖平衡閥的液壓原理圖如圖1所示，V2，V1為進(jìn)出油口，C2，C1口外接負(fù)載。V2口進(jìn)油時(shí)，油液通過單向閥到達(dá)C2口，然后進(jìn)入外接負(fù)載，再流入C1口并通過右邊的平衡閥，并經(jīng)過單向閥，最后從V1口流出。右邊的平衡閥是由先導(dǎo)油路a和自身的先導(dǎo)共同作用打開的。

圖1 緩沖平衡閥液壓原理圖Fig.1 Hydraulic schematic diagram of buffer balance valve

緩沖平衡閥是具有對(duì)稱結(jié)構(gòu)的雙向平衡閥，在外接負(fù)載正轉(zhuǎn)、反轉(zhuǎn)和制動(dòng)時(shí)都能起到減小沖擊的作用[13]，該緩沖平衡閥的結(jié)構(gòu)原理圖如圖2所示。正轉(zhuǎn)時(shí)，當(dāng)壓力油從V2流入、V1流出時(shí)，對(duì)閥芯A進(jìn)行動(dòng)力學(xué)分析，其動(dòng)力學(xué)方程為：

(1)

(2)

制動(dòng)時(shí)，壓力油直接作用在閥芯A上，閥芯A的動(dòng)力學(xué)方程為：

(3)

式中，p1—— 負(fù)載端進(jìn)油口壓力

p2—— 負(fù)載端出油口壓力

SA—— 右側(cè)閥芯有效受力面積

SB—— 左側(cè)閥芯有效受力面積

F1—— 右側(cè)彈簧預(yù)緊力

F2—— 左側(cè)彈簧預(yù)緊力

m1—— 右側(cè)閥芯質(zhì)量

m2—— 左側(cè)閥芯質(zhì)量

BV—— 黏性阻尼

k1—— 右側(cè)彈簧剛度

k2—— 左側(cè)彈簧剛度

x1—— 右側(cè)彈簧位移

x2—— 左側(cè)彈簧位移

圖2 緩沖平衡閥結(jié)構(gòu)原理圖Fig.2 Structure schematic diagram of buffer balance valve

針對(duì)旋挖鉆機(jī)緩沖平衡閥，其主要機(jī)械故障形式有閥芯磨損、卡滯、密封件損壞和油污等[14]，其中閥芯磨損故障最為常見，本研究正是對(duì)緩沖平衡中的平衡閥閥芯的磨損故障展開研究，緩沖平衡閥的平衡閥閥芯如圖3所示。

圖3 平衡閥閥芯Fig.3 Balance valve spool

閥口流量壓差方程為：

(4)

式中，q—— 流量，L/min

Cd—— 流量系數(shù)

A—— 過流面積，m2

Δp—— 進(jìn)出口壓差，Pa

ρ—— 油液密度，kg/m3

系統(tǒng)的流量q為常數(shù)不變,由于閥芯的磨損，過流面積A變大，而流量系數(shù)Cd和油液密度ρ為常數(shù)不變，因此平衡閥進(jìn)出口B，T壓差Δp變小。因此，可以以進(jìn)出口壓差作為神經(jīng)網(wǎng)絡(luò)的輸入，以平衡閥的磨損故障特征標(biāo)簽作為輸出，來實(shí)現(xiàn)平衡閥磨損故障的在線診斷。

2 緩沖平衡閥加速退化實(shí)驗(yàn)及模型驗(yàn)證

2.1 實(shí)驗(yàn)方案設(shè)計(jì)

平衡閥長(zhǎng)時(shí)間工作在高壓油液中，受到高壓油液中的污染顆粒的不斷沖擊，對(duì)閥芯的工作棱邊產(chǎn)生沖蝕磨損;閥芯、閥套的徑向間隙會(huì)受到尺寸與徑向間隙尺寸相近的顆粒物的摩擦磨損。棱邊磨損與徑向間隙磨損，均會(huì)導(dǎo)致內(nèi)漏量增加與壓力增益的降低，且油液的污染磨損這兩個(gè)性能指標(biāo)影響較明顯。因此，選擇B，T口壓力差作為平衡閥污染磨損加速退化試驗(yàn)的性能退化參數(shù)。由于平衡閥的價(jià)格昂貴，試驗(yàn)樣本量有限，綜合考慮試驗(yàn)的可行性與效費(fèi)比，本試驗(yàn)選用加速退化試驗(yàn)方式。

緩沖平衡閥加速退化實(shí)驗(yàn)不同于伺服閥加速退化實(shí)驗(yàn)，伺服閥對(duì)油液污染度較為敏感，在油液中加入一定的污染物可以使伺服閥加速退化。但是，緩沖平衡閥閥芯有較強(qiáng)的抗污染能力，在一定的時(shí)間內(nèi)并不能達(dá)到理想的退化效果。由于時(shí)間有限，本實(shí)驗(yàn)將平衡閥閥芯取出進(jìn)行手工均勻磨損。

2.2 故障數(shù)據(jù)獲取

本實(shí)驗(yàn)采用的液壓試驗(yàn)臺(tái)如圖4所示，可完成小流量伺服閥、平衡閥等液壓閥類元件的靜動(dòng)態(tài)性能測(cè)試，根據(jù)平衡閥加速性能退化實(shí)驗(yàn)的要求，本次實(shí)驗(yàn)在測(cè)試車的基礎(chǔ)上，設(shè)計(jì)適合做退化實(shí)驗(yàn)的液壓油路、測(cè)試流程和測(cè)控系統(tǒng)。測(cè)試系統(tǒng)的泵為力士樂恒壓定量泵，測(cè)試所用壓力傳感器量程均為0～25 MPa，系統(tǒng)壓力由安全溢流閥和負(fù)載溢流閥控制，系統(tǒng)流量為固定值。

圖4 試驗(yàn)臺(tái)Fig.4 Test stand

回轉(zhuǎn)緩沖閥加速退化實(shí)驗(yàn)的測(cè)試原理圖如圖5所示，測(cè)試所用實(shí)驗(yàn)臺(tái)壓力為20 MPa，流量為40 L/min。V2口連接P口，V1口連接T口，C2口連接A口，C1口連接B口，并在4個(gè)油口連接壓力傳感器。閥芯磨損實(shí)驗(yàn)：將閥芯取出用砂紙均勻磨損，然后測(cè)試B，T口壓差，并采集相應(yīng)數(shù)據(jù)，此過程重復(fù)多次。

圖5 液壓原理圖Fig.5 Hydraulic schematic

平衡閥閥芯正常和磨損的對(duì)比圖如圖6所示。

采集到的B，T口壓差數(shù)據(jù)需要打上對(duì)應(yīng)的標(biāo)簽，設(shè)置的標(biāo)簽如表1所示。

圖6 對(duì)比圖Fig.6 Contrast chart

表1 狀態(tài)標(biāo)簽Tab.1 Status label

采集到的部分?jǐn)?shù)據(jù)如表2所示，B口壓力有一個(gè)逐步減小的趨勢(shì)，而T口壓力基本不變，Δp有逐漸減小的趨勢(shì)，故障標(biāo)簽由卡滯故障到正常然后到磨損故障的一個(gè)過渡。由式(4)可知，過流面積A變大，Δp則變小，而數(shù)據(jù)1到數(shù)據(jù)10過流面積在逐步增大，因此Δp有逐步減小的趨勢(shì)。

表2 實(shí)驗(yàn)數(shù)據(jù)Tab.2 Experimental data

3 基于全連接神經(jīng)網(wǎng)絡(luò)模型的故障診斷

3.1 全連接神經(jīng)網(wǎng)絡(luò)模型

全連接神經(jīng)網(wǎng)絡(luò)是最基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，一般包括輸入層、隱含層和輸出層，1個(gè)全連接網(wǎng)絡(luò)中只有1個(gè)輸入層和1個(gè)輸出層，但可以包含多個(gè)隱含層，層與層之間的神經(jīng)元都相互連結(jié)。全連接神經(jīng)網(wǎng)絡(luò)理論上可以擬合任何函數(shù)，同時(shí)對(duì)非線性的函數(shù)擬合效果很好，隱藏層數(shù)越多，其網(wǎng)絡(luò)表達(dá)能力越強(qiáng)。圖7是1個(gè)2層的全連接神經(jīng)網(wǎng)絡(luò)，上一層為下一層的輸入層，其計(jì)算過程的本質(zhì)是矩陣運(yùn)算，主要由前向傳播運(yùn)算和反向傳播運(yùn)算組成。

圖7 全連接神經(jīng)網(wǎng)絡(luò)Fig.7 Fully connected neural network

1) 前向傳播

如圖7所示，前向傳播即輸入數(shù)據(jù)經(jīng)過輸入層、隱藏層最后到輸出層的傳播過程。其中，神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的向量表達(dá)式如式(5)所示：

(5)

輸出向量表達(dá)式如式(6)所示：

(6)

設(shè)第l層神經(jīng)元的輸出如式(7)所示：

j=1,2,…,sl

(7)

則第l層的輸出表達(dá)式如式(8)所示：

(8)

由上述可得每層神經(jīng)元的輸出可以表示為該層神經(jīng)元的輸入乘以1個(gè)權(quán)重再加上1個(gè)偏置項(xiàng)，如式(9)所示：

h(l)=f(WH+B)

(9)

式中，f() —— 激活函數(shù)

B—— 每層網(wǎng)絡(luò)的偏置矩陣

W—— 每層網(wǎng)絡(luò)的權(quán)重矩陣

H—— 神經(jīng)網(wǎng)絡(luò)的輸入

神經(jīng)網(wǎng)絡(luò)模型往往要加入一定的非線性因素(即激活函數(shù))，以解決模型非線性擬合能力的不足，引入激活函數(shù)后單個(gè)神經(jīng)元的計(jì)算過程如圖8所示。

圖8 單個(gè)神經(jīng)元計(jì)算過程Fig.8 Single neuron computing process

圖9 Sigmoid函數(shù)圖像Fig.9 Sigmoid function image

目前常用的非線性激活函數(shù)有Sigmoid函數(shù)、Tanh函數(shù)和ReLU函數(shù)[15]，函數(shù)圖像及其對(duì)應(yīng)公式如下所示：

Sigmoid(x)=1/(1+e-x)

(10)

Tanh(x)=(1-e-2x)/(1+e-2x)

(11)

ReLU=max(0,x)

(12)

2) 反向傳播

神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)分為模型參數(shù)和模型超參數(shù)，模型參數(shù)需要訓(xùn)練，模型超參數(shù)由人為指定。網(wǎng)絡(luò)模型的訓(xùn)練過程其實(shí)是對(duì)模型參數(shù)進(jìn)行訓(xùn)練，從而使模型誤差達(dá)到一個(gè)滿意的范圍。

圖10 Tanh函數(shù)圖像Fig.10 Tanh function image

圖11 ReLU函數(shù)圖像Fig.11 ReLU function image

在全神經(jīng)網(wǎng)絡(luò)的計(jì)算中，輸入層經(jīng)過隱含層計(jì)算再到輸出層輸出結(jié)果， 這一過程稱為前向傳播。前向傳播過程模型參數(shù)并未得到訓(xùn)練， 所以必須得通過反向傳播過程來訓(xùn)練模型參數(shù)，使模型的誤差達(dá)到可接受的范圍。輸出層的輸出結(jié)果和實(shí)際值有一定偏差，利用損失函數(shù)估算誤差值，再由損失函數(shù)得到代價(jià)函數(shù)，最后用迭代公式更新訓(xùn)練模型的模型參數(shù)-權(quán)重參數(shù)w和偏置參數(shù)b。損失函數(shù)、代價(jià)函數(shù)、迭代公式如式(13)～式(16)所示：

(13)

(14)

(15)

(16)

式中，L—— 損失函數(shù)

J—— 代價(jià)函數(shù)

y—— 實(shí)際值

w—— 權(quán)重

b—— 偏差

m—— 樣本個(gè)數(shù)

α—— 學(xué)習(xí)率

3.2 模型的搭建

該故障診斷模型是在PyCharm中利用Python語言基于Tensorflow深度學(xué)習(xí)框架編寫的。具體實(shí)現(xiàn)步驟如下：

(1) 導(dǎo)入實(shí)驗(yàn)獲取的故障數(shù)據(jù)；

(2) 隨機(jī)打亂數(shù)據(jù)，將數(shù)據(jù)以2 ∶1的比例分為訓(xùn)練集和測(cè)試集；

(3) 將數(shù)據(jù)類型轉(zhuǎn)換為統(tǒng)一的浮點(diǎn)型，保證矩陣運(yùn)算不會(huì)出錯(cuò)；

(4) 利用Sequential來設(shè)置神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；拉直層：變換張量的尺寸，把輸入特征拉直為一維數(shù)組；中間層(全連接層)：設(shè)置中間層神經(jīng)元數(shù)目為128，激活函數(shù)選擇ReLU函數(shù)；輸出層(全連接層)：設(shè)置輸出層神經(jīng)元數(shù)目為5，激活函數(shù)選擇softmax函數(shù)；

(5) 利用Compile來配置神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，設(shè)置訓(xùn)練時(shí)使用的優(yōu)化器為adam，損失函數(shù)選擇計(jì)算交叉熵?fù)p失函數(shù)，準(zhǔn)確率評(píng)測(cè)標(biāo)準(zhǔn)選擇sparse_ categorical_accuracy,以數(shù)值形式給出標(biāo)簽，以概率分布形式表示輸出。

(6) 使用fit來執(zhí)行訓(xùn)練過程。將測(cè)試集數(shù)據(jù)和對(duì)應(yīng)的標(biāo)簽，每次喂入模型4組數(shù)據(jù)，迭代計(jì)算100次，每迭代一次輸出一次準(zhǔn)確率；

(7) 設(shè)置文件保存路徑，保存模型參數(shù)，保留最優(yōu)結(jié)果；

(8) 繪制訓(xùn)練準(zhǔn)確率、測(cè)試準(zhǔn)確率、訓(xùn)練損失和測(cè)試損失曲線。

模型各層參數(shù)設(shè)置如表3所示。

表3 模型參數(shù)Tab.3 Model parameter

3.3 故障診斷的實(shí)現(xiàn)

基于全連接神經(jīng)網(wǎng)絡(luò)的故障診斷實(shí)現(xiàn)過程如圖12所示。首先，將原始數(shù)據(jù)通過實(shí)驗(yàn)采集回來之后進(jìn)行預(yù)處理導(dǎo)入Excel表格中；然后將數(shù)據(jù)隨機(jī)打亂，將訓(xùn)練集和測(cè)試集的數(shù)據(jù)量按照2∶1劃分，并將數(shù)據(jù)打上故障標(biāo)簽；最后，編寫全連接神經(jīng)網(wǎng)絡(luò)的代碼，將打好標(biāo)簽的訓(xùn)練數(shù)據(jù)導(dǎo)入模型中進(jìn)行訓(xùn)練，模型訓(xùn)練好之后用測(cè)試集來驗(yàn)證模型的準(zhǔn)確度。

圖12 故障診斷實(shí)現(xiàn)流程圖Fig.12 Flow chart of fault diagnosis implementation

3.4 模型訓(xùn)練及驗(yàn)證

將采集到的數(shù)據(jù)進(jìn)行上圖12所示處理，數(shù)據(jù)導(dǎo)入模型中進(jìn)行訓(xùn)練后，將該神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集準(zhǔn)確率曲線、loss曲線和測(cè)試集準(zhǔn)確率曲線、loss曲線進(jìn)行輸出，如圖13所示。橫坐標(biāo)是迭代次數(shù)N，縱坐標(biāo)分別是準(zhǔn)確率η和損失值L。準(zhǔn)確率可以衡量模型精度，損失值衡量模型預(yù)測(cè)值和真實(shí)值的差距?？梢钥闯鲈撃Ｐ偷臏?zhǔn)確率隨著迭代次數(shù)的增高逐漸增大，損失值隨著迭代次數(shù)的增高逐漸減小，該模型最終的準(zhǔn)確率為92%。

4 結(jié)論

以緩沖平衡閥為研究對(duì)象，構(gòu)建了基于全連接神經(jīng)網(wǎng)絡(luò)的緩沖平衡閥的故障診斷模型，取代人工特征選擇和提取，在特定工況下對(duì)平衡閥故障的識(shí)別與診斷具有較高的準(zhǔn)確性。使用加速退化實(shí)驗(yàn)所得的B，T口壓差故障數(shù)據(jù)集驗(yàn)證該模型的有效性。結(jié)果表明，該模型取得了較好的診斷效果，準(zhǔn)確率高達(dá)92%。