基于优化VMD和BP神经网络液压管路故障诊断研究

2022-09-20于喜金于晓光杨同光窦金鑫张景博

机床与液压 2022年9期

于喜金，于晓光，杨同光，窦金鑫，张景博

(辽宁科技大学机械工程与自动化学院,辽宁鞍山 114000)

0 前言

航空液压管路是航空发动机液压管路系统中重要的零件，严重的流体振动会导致管路出现强烈的振动，导致液压管路频繁失效，致使航空液压系统在实际工作过程中发生故障造成事故。因此，管路的故障诊断具有重要的意义。

航空液压管路振动信号是典型的非平稳非线性多分量信号，多分量信号的有效分离成为解决问题的关键。经验模态分解(EMD)、短时傅里叶变换(STFT)、局部均值分解(LMD)等方法均有各自的局限性：经验模态分解存在端点效应、模态混叠和过包络等问题；短时傅里叶变换处理信号时不能同时获得较高的时频分辨率；局部均值分解也会得到虚假的PF分量。针对上述问题，DRAGOMIRETSKIY和ZOSSO提出一种非递归式自适应信号处理方法变分模态分解(Variational Mode Decomposition，VMD)。VMD以求解变分问题最优解的形式筛选IMF分量，因此，可有效避免分解过程中模态混叠问题的产生。

目前最为广泛采用的神经网络之一就是BP神经网络(Back Propagation)，是按误差反向传播的一种多层前馈网络。在解决相应问题时，靠着自身学习能力、泛化能力和非线性映射能力强，会经常在实际工程中用到。本文作者提出一种优化VMD与BP神经网络的智能故障诊断方法，并将该方法应用在航空液压管路的故障诊断中，实现了液压管路裂纹故障和凹坑故障的精准识别。

1 基础理论

1.1 变分模态分解

VMD方法可假定尺度参数,将信号分解成个中心频率为的模态函数，则可得到可以进行分解的新约束变分问题：

(1)

对新的约束变分问题引入拉格朗日乘法算子()和二次惩罚因子进行构造并求解该约束变分，分析出新的模态信号：

({},{},)=

(2)

(3)

(4)

1.2 VMD参数确定

用VMD方法分解信号时需要预先设定模态分量个数，模态分量个数设置不同，分解结果不同。有研究发现，VMD方法中二次惩罚因子对VMD分解结果也产生较大影响。由于人为设定的随意性和不确定性势必会对VMD分解结果的正确性带来影响，本文作者利用具有良好全局性概率搜索能力的遗传算法对VMD方法两个输入参数和进行参数优化。

1.3 BP神经网络设计

神经网络是一种具有多层反馈的神经网络，由输入层、隐含层、输出层组成。

航空发动机液压管路故障的振动信号是一维信号，正好符合 BP神经网络数据需要。优化后，将信号进行VMD处理，建立样本，选用Softmax分类器符合样本情况。表1为BP神经网络模型主要结构参数。

表1 BP神经网络模型主要结构参数

2 管路故障诊断

2.1 诊断模型

管路的故障机制特征很难发现，影响因素包括管路故障信号受流固耦合特性影响和复杂的管路结构影响等。本文作者提出的基于优化变分模态分解与BP神经网络的液压管路故障诊断方法，增加BP神经网络模型识别液压管路信号特征，同时提高精度，可以有效应用于诊断航空发动机液压管路系统中管路的健康状态和不同故障状态。图1所示即为故障诊断流程。

图1 液压管路故障诊断的具体流程

2.2 实验数据

为了了解航空发动机液压管路实际工作时的工况，应用液压管路实验台进行了实验模拟，并且也进行了测试实验。在液压管路进油端、管路中间和出油端3个位置依据实验方案，用加速度振动传感器进行多次测试分析，从而得到液压管路系统中液压管路的健康状态和故障状态2种状态下的振动信号以及2种状态下的时域波形和频谱，选用中部凹坑状态和端部裂纹状态采集的时域波形和频谱，如图2—图3所示，VMD分解结果如图4—图5所示。

图2 液压弯管中部凹坑故障状态时频域波形图图3 液压弯管端部裂纹故障状态时频域波形图

图4 液压管路中部凹坑故障状态VMD分解时频域波形图

图5 液压管路端部裂纹故障状态VMD分解时频域波形图

经过VMD分解后，模态分量的频率都在一定的范围里，可以明显识别出单个模态分量中的虚假分量现象，规避了噪声将特征信息淹没的现象。因此处理实际航空液压管路振动信号时，噪声甚至不会淹没掉微弱的故障特征信息，从而可以准确地提取管路振动信息。

3 试验结果与分析

3.1 试验结果

文中提出的VMD-BP神经网络模型的故障诊断方法，为了防止丢失故障信息，按照频率由小到大的顺序，将明显的管路故障特征叠成一个多通道样本，每段样本信号都有3 200个数据点，然后将全部的样本信号都进行以上运算，建立数据集，使训练样本数、验证样本数和预测样本数的占比为8∶1∶1。将数据集采取随机抽样的训练方法来证明所优化的BP神经网络模型的稳定性。分别得到3类诊断方法混淆矩阵如图6—图8。

图6 基于10类样本数据VMD-BP模型诊断的混淆矩阵图7 基于10类样本数据EMD-BPNN模型的混淆矩阵

图8 基于10样本下反向传播神经网络模型的混淆矩阵

由图6—图8可知VMD-BP诊断方法的完全正确分类组数和每组准确率相较于其他方法都更具优越性。对液压管路数据集的描述见表2。

表2 液压管路数据集的描述

由图6可看出:管路健康状态及管路裂纹和管路凹坑两种故障状态组成的数据集通过遗传算法优化变分模态分解和BP神经网络故障诊断方法训练结果的准确率为99.4%;在弯管系统中，94.4%的识别率仅出现在裂纹单一故障中;同时识别结果也表明文中所提出的方法可较精确判别卡箍轻度松动和卡箍根部轻微裂纹等早期故障。

3.2 结果分析

表3总结了基于同一数据集，VMD+BPNN故障诊断方法与其他几种方法性能比较。针对每种方法各自进行10次实验，评估指标为每种评估指标的平均值。由此可知：在诊断准确率方面，传统的BP神经网络故障诊断方法显然不如文中所提出的基于优化变分模态分解和卷积神经网络的故障诊断方法。与BP神经网络故障诊断方法和SVM故障诊断方法相比，文中提出的故障诊断方法不仅各性能指标均达到99.32%以上，也明显优于EMD-BP神经网络故障诊断方法，而且能够稳定地识别出液压管路多种不同的健康状态，尤其是对不同测点采集的数据也能实现精准分类和识别。其原因是通过优化变分模态分解方法对数据进行预处理以后信号信噪比提高，规避了神经网络训练过程中的过拟合现象，且所有的IMF特征分量构造均为CNN的多通道输入，经过CNN进行信息融合，得到合适的各IMF特征分量对输出的权重，从而实现了智能化的航空液压管路凹坑和裂纹故障诊断。