基于驱动端电流检测的电磁阀故障诊断研究

刘志浩,高钦和,牛海龙,管文良,李璟玥

(第二炮兵工程大学兵器发射理论与技术国家重点学科实验室,陕西西安 710025)

基于驱动端电流检测的电磁阀故障诊断研究

刘志浩,高钦和,牛海龙,管文良,李璟玥

(第二炮兵工程大学兵器发射理论与技术国家重点学科实验室,陕西西安 710025)

提出基于驱动端电流检测的电磁阀故障诊断方法,研究了电磁阀驱动端电流特性及故障阀电流特征分析和识别方法。利用AMEsim软件搭建电磁阀的机、电、液模型,分析其驱动端电流与阀芯位移的关系;采集正常、弹簧断裂、阀芯轻微卡滞和阀芯完全卡死4种状态下的电流信号,分析不同状态的电流特征;针对驱动端电流为直流阶跃信号的特点,选取电流变化率为特征曲线,采用“能量-故障”的诊断方法,利用3层小波包分解对信号进行重构,并提取相应频带能量作为特征向量;利用前馈反向传播(BP)神经网络对提取的特征向量,对电磁换向阀模式识别和故障诊断。实验结果表明:基于“能量-故障”的诊断方法能较好地区分电磁阀的不同状态,并且经过训练的BP神经网络能够准确判别电磁阀的正常、弹簧断裂和阀芯卡死3种状态。

仪器仪表技术;电磁换向阀;电流检测;AMEsim;故障诊断;小波包分析;前馈反向传播神经网络

0 引言

电磁换向阀是液压系统的关键部件,其安全性和可靠性将直接决定整个液压系统的效率和性能。随着液压设备对安全性和可靠性需求的加大,研究人员对液压设备故障诊断研究也不断增多。

随着自动化程度的提高,故障诊断由利用简单的仪器和凭个人的感官及实践经验转变为传感器和智能诊断阶段,蔡伟等[1]、肖永超[2]、周颉等[3]利用磁场传感器和加速度传感器检测磁场信号和振动信号来对电磁阀进行故障诊断,谢芳[4]、郝圣桥等[5]分别对液压阀进出油口压力、流量变化进行检测,来判别电磁阀的故障。采用压力、流量、磁场和加速度传感器间接检测电磁阀状态的方法,不易于工程实现,且操作复杂,有的甚至需要改变原有的液压系统。

Li等[6]开展了基于电流传感器的电磁阀正常和阀芯卡滞状态分析。文献[7-9]利用电流检测的方法对电磁阀的缓变失效过程进行研究。基于电流检测的电磁阀状态监测与故障诊断方法具有操作简单,易于实现等优点,驱动端电流信息包含内容丰富,且可间接反映阀芯的运动状况。但Li等[6]只是从直观上分析电流曲线的拐点,并没有进行两种状态的智能识别研究,文献[7-9]也只是分析了电磁阀失效过程中的电流特性,并没有分析具体故障下的电流特性和故障诊断技术。

本文提出了通过检测电磁换向阀驱动端电流来分析故障的方法。提取电磁换向阀通电吸合过程中的电流值,针对提取的电磁阀故障电流值为直流信号的特点,取电流变化率作为特征曲线,采用3层小波包分解的方法来提取不同故障的特征值;然后利用前馈反向传播(BP)神经网络对故障特征值进行模式识别,经过训练、测试,BP神经网络可以满足故障诊断的要求。故障诊断流程如图1所示。

1 电磁阀电流特性分析

由于线圈的电磁特性和阀芯的机械特性,电磁换向阀整个工作过程分为:吸合触动阶段,吸合运动阶段,通电保持阶段,释放触动阶段,释放运动阶段5个阶段[10]。本文对电磁换向阀吸合触动和吸合运动阶段进行分析。将其通电吸合过程简化为3个数学方程,分别是电路方程、磁路方程和机械方程。

图1 故障诊断总流程图Fig.1 Flow chat of fault diagnosis

根据电路原理,不考虑温度对电阻的影响,电路方程[11]为

式中:U为线圈励磁电压;I为线圈电流;R为线圈电阻;RL为线圈回路附加电阻;L为线圈电感;L1为线圈回路附加电感。

电磁部分等效磁路方程[11]为

式中:L为线圈电感;μ0为真空磁导率;D为阀芯直径;N为线圈匝数;lv为阀芯衔铁部分长度;l0为工作气隙最大宽度;r为工作气隙最大宽度;x为阀芯位移。

利用AMESim软件中的电磁库(EM)构建电磁换向阀的电磁模型,如图2所示。

机械方程:

图2 电磁换向阀电磁模型Fig.2 Electromagnetic model of reversing valve

式中:Fe为电磁力;k为弹簧系数;Cv为阀芯与阀体之间的动摩擦系数;Cf为粘滞性阻尼系数;m为阀芯质量。

利用基本原件设计库(HCD)建立电磁换向阀的机、液动力学模型如图3所示。

图3 电磁换向阀机、液模型Fig.3 Mechanic-hydraulic model of reversing valve

综合电磁换向阀的电磁模型和机、液动力学模型,得出电磁换向阀动态模型,如图4所示。利用开关信号控制开关管的通断,从而控制电磁换向阀进/出油口油液的通断。

图4 电磁换向阀模型Fig.4 Model of reversing valve

仿真结果如图5所示。

电磁换向阀正常状态下开启时驱动端电流波形如图5(b)所示。

结果分析如下:

1)驱动端通电前,回路中电流为0 A,阀芯位移为0 m;

图5 电磁换向阀驱动端电流与阀芯位移对比图Fig.5 Driving current and spool displacement

2)通电后,回路中电流增大,线圈自感现象的原因,回路中电流不能瞬间增大到稳态值,回路中电流是一个渐变的过程,此时线圈中磁通量变化所产生的电磁力不足以克服静摩擦力和弹簧的预压缩力,阀芯处于静止状态,此时电磁阀处于吸合触动阶段;

3)当回路中电流增大到1.75 A时,电磁力克服静摩擦力和弹簧的压力,阀芯开始运动,此时电磁阀处于吸合运动阶段,x增大,L增大,dL/dt增大, dI/dt、I减小,阀芯挤压弹簧Δx,阀芯运动速度较慢,回路中电流持续加大;

4)当阀芯运动到最大位移处之前,阀芯速度不断增大,导致回路中感应电动势增大,电流变化率逐渐降低,运动到最大位移处即B点时,电流变化率降为最低,由于阀芯不运动,线圈自感系数不在变化,线圈电流单调递增。

由图5(c)可知该电磁换向阀的吸合触动延迟时间为59 ms,吸合运动时间为16 ms.

结果表明:分析电流曲线可以判断电磁换向阀的动态性能,验证了基于驱动端电流的电磁阀特性分析的可行性。

2 故障阀电流信号提取及分析

2.1 实验系统搭建

本文模拟了液压系统中常见的弹簧断裂和阀芯卡滞故障进行分析,选用4WE6E6X/EG24N9K4型电磁阀进行破坏性实验,通过改变正常阀的内部结构和零部件状态,来模拟液压阀典型故障,其中弹簧断裂故障是通过取出电磁阀一端弹簧来进行模拟,阀芯轻微卡滞是在阀芯一侧加入纸片来模拟,阀芯卡死故障是在阀芯一侧加入硬物来卡住阀芯来模拟。

确定故障阀后,分别搭建液压回路,如图6所示。

图6 实验液压原理图Fig.6 Experimental hydraulic scheme

利用美国NI公司的USB-6356的采集卡采集电磁阀驱动端电流,物理通道为AI1,采样率为1 kHz.电流传感器为绵阳维博电子有限公司的WBI342S01_0.2电量隔离传感器,实物图如图7所示。

2.2 故障信号提取及分析

针对正常阀,弹簧断裂、阀芯轻微卡滞和阀芯卡死4种情况进行实验,每种情况各采集50组数据, 4种状态的电流信号如图8所示。

结果如下:

图7 电流检测实验系统Fig.7 The experimental system for current detecting

图8 典型故障阀驱动端电流图Fig.8 Driving currents of typical faulted valves

1)电磁换向阀在通电后,阀芯并没有立即运动,而当电磁力大于摩擦力和油液动摩擦力时,阀芯开始运动。当弹簧断裂时,阀芯不需要克服弹簧力或是弹簧力降低时,相同的电磁力下,阀芯的加速度和速度都升高,电流曲线第1个拐点下降趋势明显。可从图8(a)中发现,弹簧断裂端电流比正常电流在第1个拐点有明显区别;

2)阀芯轻微卡滞和完全卡死则明显不同,阀芯不动或是阀芯运动摩擦力增大,导致电流曲线第1个拐点不明显乃至消失。由图8(b)分析可知,轻微卡滞阀在电流升至1.4 A时,有轻微下降,但对于完全卡死阀,电流由0增大到最大值,一直都没有下降。

提取电磁阀阀芯通电吸合过程电流值,针对提取的电磁阀故障电流值为直流信号的特点,特征值提取不明显,因此取电流变化率作为特征曲线,如图9～图10所示。

图9 电磁换向阀驱动端电流Fig.9 Driving currents of electromagnetic reversing valve

因为阀芯卡滞为电磁阀阀芯运动受阻造成的,是一个不能完全定量的状态,所以本文将只对电磁换向阀的正常、弹簧断裂和阀芯卡死3种状态进行处理和分类。

3 电磁阀故障特征提取

小波包分解技术,可以将包括正弦信号在内的任意信号无冗余、无疏漏且正交地分解到独立的、任意精细的频带上,利用能量-故障的特征值提取方法建立电流变化率各频带能量值与电磁阀各个故障状态间的映射关系[12]。这种在频带上作能量统计,形成特征向量的方法,更趋合理,因此可实现对电磁阀状态有效地检测。对驱动端电流变化率进行3层小波包分解,如图11所示。

提取第3层从低频到高频8个频率成分的信号特征,如图12所示。

提取各个频带信号的总能量,并针对电磁阀故障时,其电流变化率各频带能量会有较大变化的特点,对各频带的能量进行归一化处理,将归一化后的能量值作为该故障类型的特征值,如(6)式～(8)式所示。

式中:xjk(j=1∶7,k=1∶n)表示重构信号S3j离散点的幅值。

特征向量

图10 电磁换向阀驱动端电流变化率Fig.10 The current variation trend of the driving current

图11 小波包分解示意图Fig.11 Wavelet packet decomposition

图12 小波重构信号Fig.12 Wavelet-constructed signals

式中:各故障类型特征向量为T′=[E30/E,E31/E, E32/E,E33/E,E34/E,E35/E,E36/E,E37/E].

各故障类型特征向量如表1所示。

表1 3种故障状态特征向量Tab.1 Feature vectors of three fault states

4 基于神经网络的电磁阀故障识别

基于BP神经网络的故障识别过程分为两步[13]:1)训练阶段。通过传感器或专家知识等手段获取系统各种模式的状态信息,而后对获取的状态信息进行处理,从中提取相应特征信息,将特征信息与对应故障模式组成神经网络的训练样本对,通过建立训练样本与故障模式之间的关系,来对网络进行训练。2)诊断阶段。将待诊断的特征信息输入至已训练好的神经网络,神经网络的输出即为故障诊断的结果。

4.1 输入、输出层设计

输入层神经元个数一般等于样本中包含的特征值的个数,本文对电磁阀驱动端的电流变化率进行小波包分解,提取第3层各频带能量作为特征值,所以神经网络中输入层神经元的个数为8个。

本文对正常、弹簧断裂和阀芯卡死3种状态进行分类,输出层神经元的个数为log24=2,采用二进制码的方法来区分不同电磁阀故障(见表2)。

表2 故障状态与二进制码对应表Tab.2 Binary code of fault state

4.2 隐含层设计

单隐层的BP网络可以逼近闭区间内的任意1个连续函数,因而单隐层的3层BP网络就可以映射由任意的n维到m维。在本文的故障诊断中,只需采用1个隐含层的3层BP神经网络就可实现故障的分类。

隐含层神经元数目的选择,仍不能表示成1个理想的解析式,其确定的过程往往是设计者的经验和多次实验交叉进行的过程。本文利用对具有不同单元数的神经网络进行多次训练来确定隐含层数目,求取多次训练的误差,根据实验误差最小原则确定网络的隐单元数。通过训练和学习,找到网络误差最小的隐含层神经元数目为14(见图13)。

4.3 网络的训练和测试

采用S型正切函数tan sig作为隐含层神经元的传递函数,并采用S型对数函数log sig作为输出层神经元的传递函数。网络训练过程是一个不断修正的过程,将特征向量样本输入BP神经网络进行训练,设定全局误差为10-4,最大训练次数为1000,网络训练过程误差变化情况如图14所示。

网络训练后,另选取3种电磁阀故障的特征值,测试网络,结果如表3所示。

表3 BP网络测试结果表Tab.3 Test result of BP network

图13 不同隐含层网络训练误差Fig.13 Network training error of different hidden layer

图14 误差曲线Fig.14 Training error

将测试结果近似取整,(0,0)为正常阀,(0,1)为弹簧断裂故障,(1,1)为阀芯卡死故障,将每种状态的50组数据进行测试,测试结果表明,经训练后的BP神经网络能准确识别电磁换向阀故障状态。

5 结论

本文提出了基于驱动端电流检测的电磁阀故障诊断方法。利用AMEsim软件对电磁阀的通电吸合过程进行分析,研究驱动端电流与阀芯运动之间的关系。模拟电磁阀4种状态:正常、弹簧断裂、阀芯轻微卡滞和阀芯卡死,并分析不同状态下的电流特性。针对驱动端电流为直流阶跃的特点,选取驱动端电流变化率作为特征曲线,采用小波能量分解的方法,利用能量-故障的特征值提取方法将3层分解后的能量值作为故障特征值。采用BP神经网络对电磁阀的正常、弹簧断裂及阀芯卡死3种状态进行分类。

研究表明:1)电磁阀的驱动端电流可反映阀芯的运动状况,并可区分电磁阀的正常、弹簧断裂和阀芯卡死故障;2)基于电磁阀驱动端电流的故障诊断方法可实现对电磁阀的实时诊断,对电磁阀的正常、弹簧断裂和阀芯卡死3种状态可准确识别。

基于驱动端电流检测的电磁阀故障诊断研究为电磁阀的故障、维护和修理提供了依据,提高了生产效率和安全性,适用于工业现场,具有一定的应用前景。

References)

[1] 蔡伟,肖永超,黄先祥.基于无线传感器网络的大型武器装备液压系统状态监测研究[J].液压与气动,2009(9):14-19.

CAI Wei,XIAO Yong-chao,HUANG Xian-xiang.Research on WSN-based monitoring for hydraulic system of large weapon equipment[J].Chinese Hydraulics&Pneumatics,2009(9):14-19. (in Chinese)

[2] 肖永超.液压电磁阀的快速检测与故障诊断研究[D].西安:第二炮兵工程大学,2009.

XIAO Yong-chao.Rapid detection and fault diagnosis of hydraulic solenoid valves[D].Xi'an:the Second Artillery Engineering Univeisity,2009.(in Chinese)

[3] 周颉,蔡伟.应用时间序列双谱分析的电磁换向阀故障诊断法[J].机床与液压,2010,38(7):146-148.

ZHOU Jie,CAI Wei.Fault diagnosis of electromagnetic directional valves based on time series bi-spectrum analysis[J].Machine Tool&Hydraulics,2010,38(7):146-148.(in Chinese)

[4] 谢芳.支架液压阀测试系统的故障诊断与软件可靠性研究[D].成都:电子科技大学,2011.

XIE Fang.Research onfault diagnosis and software reliability of the hydraulic valve testing system[D].Chengdu:University of Electronic Science and Technology of China,2011.(in Chinese)

[5] 郝圣桥,许黎明,沈伟,等.电液伺服阀状态在线特征提取和异常检测方法[J].上海交通大学学报,2010,44(12):1747-1752.

HAO Sheng-qiao,XU Li-ming,SHEN Wei,et al.On-line fault feature extraction and abnormality detection of electro-hydraulic servo valve's condition[J].Journal of Shanghai Jiaotong University,2010,44(12):1747-1752.(in Chinese)

[6] LI Wei,LI Wei-bo,WANG Gen-mao,et al.Research on the methods of detecting and removing slide valve failure[J].Journal of Zhejiang University Science,2000,1(1):56-60.

[7] 张东来.基于驱动端电流变化的电磁控制元件故障诊断方法及装置:中国,200810216015.6[P].2008-09-09.

ZHANG Dong-lai.Fault diagnostic method and device for electromagnetic control element based on drive end current changes:China,200810216015.6[P].2008-09-09.(in Chinese)

[8] 张东来,马鑫.基于驱动端电流的矿用液压电磁阀缓变失效预测方法[J].电子学报,2010,38(12):2805-2809.

ZHANG Dong-lai,MA Xin.Prediction method for mining hydraulic electromagnetic valve degradation failure based on driving current[J].Acta Electronica Sinica,2010,38(12):2805-2809. (in Chinese)

[9] Ma X,Zhang D L,Xu D.Degradation failure prediction from coil current signals of electromagnetic valves in coal mining based on neural network[C]∥Fifth International Conference on Natural Computation.Tianjin:IEEE,2009:208-213.

[10] 李丕茂,张幽彤,倪成群,等.共轨喷油电磁阀动态特性仿真与实验[J].农业机械学报,2013,44(5):7-12.

LI Pi-mao,ZHANG You-tong,NI Cheng-qun,et al.Simulation and experiment of dynamic characteristics of common-rail injector solenoid valve[J].Transactions of the Chinese Society of Agricultural Machinery,2013,44(5):7-12.(in Chinese)

[11] 蔡伟,郑贤林,张志利,等.液压电磁阀故障机理分析与瞬态特性仿真[J].仪器仪表学报,2011,32(12):2726-2733.

CAI Wei,ZHENG Xian-lin,ZHANG Zhi-li,et al.Failure mechanism analysis and transient characteristic s simulation of hydraulic solenoid valve[J].Chinese Journal of Scientific Instrument, 2011,32(12):2726-2733.(in Chinese)

[12] 李洪儒,许葆华.某型导弹发射装置液压泵故障预测研究[J].兵工学报,2009,30(7):900-906.

LI Hong-ru,XU Bao-hua.Faultprognosis of hydraulic pump in the missile launcher[J].Acta Armamentarii,2009,30(7):900-906.(in Chinese)

[13] 贾跃,赵学涛,林贤杰,等.基于BP神经网络的鱼雷作战效能模糊综合评估模型及其仿真[J].兵工学报,2009,30(9): 1232-1235.

JIA Yue,ZHAO Xue-tao,LIN Xian-jie,et al.Fuzzy multifactorial evaluation model of torpedo operational effectiveness based on BP neural network and its simulation[J].Acta Armamentarii, 2009,30(9):1232-1235.(in Chinese)

The Fault Diagnosis of Electromagnetic Valves Based on Driving Current Detection

LIU Zhi-hao,GAO Qin-he,NIU Hai-long,GUAN Wen-liang,LI Jing-yue
(National Key Discipline Laboratory of Armament Launch Theory&Technology,the Second Artillery Engineering University,Xi'an 710025,Shaanxi,China)

The fault diagnosis of electromagnetic valves based on driving end current detection is proposed.The current characteristics of the faulted electromagnetic valves and the failure signal are analyzed.The four conditions of the valve are detected,including normal state,spring break state,spool seizure and un-resetting state.Variation trend is the character signal on terms of the direct-current characteristic.For the trait of the current signal,the wavelet packet decomposition is used to distill the corresponding frequent band energy as feature vector.The feature database is combined with the each frequent band energy which is produced after reconfiguration.The feedforward-back propagation network is used to identify the fault type of the electromagnetic valves.The result shows that the diagnosis method of energyfault can distinguish the different conditions of the electromagnetic valves,and the feedforward-back propagation network after training can identify the 3 fault conditions.The method is an effective assistant method for the maintenance of the electromagnetic valves,which can be widely used for the fault diagnosis of other electromagnetic valves.

apparatus and instruments technology;electromagnetic reversing valve;current detection;AMEsim;fault diagnosis;wavelet packet analysis;feedforward-back propagation network

TH137.52+3

A

1000-1093(2014)07-1083-08

10.3969/j.issn.1000-1093.2014.07.023

2013-09-16

刘志浩(1989—),男,博士研究生。E-mail:liuzhihaoainana@126.com;

高钦和(1967—),男,教授,博士生导师。E-mail:gao202@189.com