基于机器学习的水液压高速开关阀退化趋势预测

2022-11-16聂松林刘庆同洪睿东马仲海

液压与气动 2022年11期

聂松林, 刘庆同, 纪辉, 洪睿东, 马仲海

(北京工业大学材料与制造学部，北京 100124)

引言

高速开关阀是液压系统的关键控制部件，尤其是现代数字流体动力系统领域[1-3]。高速开关阀在水液压系统中的应用将促进水液压系统朝着高效率、高可靠性和高控制灵活性的方向发展。然而，水液压高速开关阀的工作环境比传统油压阀差，长期的磨损和高频的切换操作使水液压高速开关阀容易发生故障[4]。水液压高速开关阀性能退化趋势能反映其运行情况，因此对水液压高速开关阀进行性能退化趋势预测显得尤为重要。

物理模型法和数据驱动法是液压系统与液压元件退化性能预测常用方法。其中物理模型法是通过检测系统的实际运行状态与物理模型之间的偏差来确定系统的退化趋势，刘思远等[5]对液压泵滑靴磨损过程进行了研究，建立了滑靴磨损过程的数学模型，揭示了滑靴性能失稳失效机理，试验结果表明该模型具有较高的预测精度；马旭东等[6]提出了一种层次型模糊综合评价方法用于液压支架的健康状态评估和寿命预测，结果表明该方法可以提高设备利用率，降低维护成本；除此之外，物理模型方法还包括贝叶斯模型、随机过程模型等。然而，水液压高速开关阀在运行过程中存在机电液耦合工况，很难建立精确的物理模型，因此物理模型法很难实现高速开关阀的退化趋势预测。

相比较物理模型法，数据驱动法不依赖系统的物理模型，能够更加方便的对性能退化趋势进行预测。数据驱动法包括数值技术、机器学习算法以及模糊逻辑。其中，机器学习算法能够准确识别数据的特征，是性能退化预测的重要发展方向[7]，曹斌等[8]提出了一种基于支持向量机(SVM)的液压泵故障诊断方法，并验证了该方法的有效性；YAN等[9]提出了一种监测多变量数据的方法用于检测飞机液压系统的健康状态，并且验证了该方法的性能；刘志浩等[10]提出了一种基于BPNN的电磁阀故障诊断方法，结果表明该方法能够检测电磁阀的正常、弹簧断裂和阀芯卡死3种状态。

本研究将采用机器学习的方法对水液压高速开关阀的退化趋势进行预测，主要包括：

(1) 搭建水液压高速开关阀试验台并确定高速开关阀的退化状态；

(2) 提出一种基于BPNN的水液压高速开关阀退化状态检测方法；

(3) 建立基于PSO-LSTM的水液压高速开关阀退化趋势预测模型，并对水液压高速开关阀的退化趋势进行预测。

1 基本理论

1.1 特征提取

提取状态特征向量是高速开关阀退化状态识别的基础。小波包分解方法对信号分解的分辨率较高，本研究将采用小波包分解能量距的方法提取高速开关阀的性能退化特征向量。

小波包分解技术在多分辨率分析的基础上构造正交小波，对信号的低频部分和高频部分都进行进一步分解。如图1所示是3层小波包分解的结构图，原始信号S首先被分解为高频信号D1和低频信号A1。在第3层分解时对低频信号和高频信号进一步分解，提高了信号分解的分辨率，达到较好的信号特征提取效果。通过对各频带信号进行能量提取，形成对高速开关阀状态的映射，实现对高速开关阀状态的监测。

图1 小波包分解结构图Fig.1 Wavelet packet decomposition

(1)

(2)

式中,L—— 数据长度

k—— 小波包分解层次

xjm—— 离散点的幅值

1.2 BPNN

图2是单隐含层BPNN的结构图，X=(X1,X2,…,Xm)是BPNN的输入向量；Y=(Y1,Y2,…,Yn)是BPNN的输出向量；wij和wjk是连接权重系数。

图2 BPNN结构图Fig.2 Structure diagram of BPNN

BPNN的训练过程如下所示[11]：

(1) 网格初始化，确定输入层节点数m、隐含层节点数、输出层节点数n以及各连接权重系数，并分别给隐含层阈值a、输出层阈值b赋予(-1,1)之间的一个随机数，同时确定训练次数、计算精度等；

(2) 计算隐含层输出，根据式(3)计算隐含层输出向量H：

(3)

式中，f—— 隐含层的激励函数

(3) 计算输出层输出，根据式(4)计算输出向量O：

(4)

(4) 计算误差，根据BPNN实际输出向量O和预期输出向量Y，计算误差e：

ek=Yk-Ok

(5)

(5) 更新连接权重系数，由网络误差e逐层更新每个连接权重系数：

(6)

ωjk=ωjk+ηHjek

(7)

式中，η—— 学习率

(6) 更新阈值，按网络误差e逐层更新每个阈值：

(8)

(7) 迭代计算，当计算误差或训练次数满足预期时结束迭代，否则返回步骤(2)。

1.3 PSO-LSTM

针对高速开关阀性能退化趋势的预测需要对较长周期的数据进行训练，从而找到其中的映射关系。传统神经网络算法拟合度较差，很难精确预测高速开关阀的性能退化趋势。LSTM是循环神经网络的特殊类型，具有较强的趋势预测能力，结构如图3所示，A表示3个“细胞”具有相同的结构。在t时刻，神经元的输入包括：t-1时刻隐含层的状态变量ht-1，t-1时刻记忆单元的状态变量ct-1和t时刻的输入变量xt。之后经过3门结构的模型单元的输出包括：t时刻的输出变量xt和t时刻记忆单元状态变量ct。

图3 LSTM单元结构Fig.3 Structure diagram of LSTM cell

LSTM模型使用式(9)～式(13)构造从输入序列到输出序列的映射[12]：

it=σ(wi[ht-1,xt]+bi)

(9)

ot=σ(wo[ht-1,xt]+bo)

(10)

ft=σ(wf[ht-1,xt]+bf)

(11)

ct=ft⊙ct-1+it⊙tanh(wc[ht-1,xt]+bc)

(12)

ht=ot⊙tanh(ct)

(13)

式中,it，ot，ft—— 输入门、输出门和遗忘门

ωi，ωo，ωf—— 输入门、输出门和遗忘门的权重矩阵

bi，bo，bf—— 输入门、输出门和遗忘门的偏置项

bc—— 输入节点的偏置项

σ—— Sigmoid激活函数

LSTM模型结构对于高速开关阀性能退化预测有较大影响，采用PSO-LSTM模型优化LSTM参数，实现LSTM网络与高速开关阀性能退化数据更加匹配，从而提高LSTM的预测精度。PSO-LSTM模型算法的整体流程如下：

(1) 数据归一化，如式(14)所示：

(14)

式中,x—— 原始数据

xmax，xmin—— 原始数据的最大值和最小值

(2) 对种群数量、最大迭代次数、学习因子和粒子位置等PSO参数进行初始化；

(3) 建立LSTM模型，对模型进行训练，根据网络测试结果计算适应度值，用平均误差代表适应度值；

(4) PSO-LSTM模型迭代计算，直到满足终止条件，将最优参数值赋予PSO-LSTM模型；

(5) 由最优参数值构建的PSO-LSTM预测模型得到测试集的预测结果，依据评价指标进行分析总结，采用均方误差(RMSE)作为整体预测能力的度量指标：

(15)

式中,yt，ft—— 真实值和模型预测值

N—— 数据点个数

2 试验设计与数据采集

2.1 水液压高速开关阀原理图

图4为水液压高速开关阀结构原理图，阀芯采用锥阀结构，具有较好的密封性能，其工作原理是：当正向通电时，电机带动阀芯向下运动，阀口关闭；当反向通电时，电机带动阀芯向上运动，阀口开启。

图4 高速开关阀结构原理Fig.4 Structure of HSV

2.2 退化信号选择及试验设计

性能退化指标是代表高速开关阀状况的数学指标，在实践中应易于监测。电流信号可以使用电流传感器监测，并且电流信号曲线包含大量有关阀健康状况的信息，因此可通过对电流信号进行处理并用于确定高速开关阀的退化性能。图5为高速开关阀电流采集系统图，水压柱塞泵为系统提供压力和流量，采用ACS712-05B型霍尔电流传感器监测高速开关阀动作时的电流波形。不同工况会影响高速开关阀的工作状态[13]，不同工作状态下高速开关阀的电流波形会有不同。在本研究中，系统压力为8 MPa，高速开关阀的驱动电压为24 V，开关切换频率为10 Hz。

图5 试验系统原理图Fig.5 Schematic diagram of test system

定义一个模板动态电流波形，用Itemp表示：

Itemp=[i1,i2,i3,i4,…,in]

(16)

式中,in—— 模板动态电流波形的第n个样本

第k个工作循环的电流波形定义为：

Ik=[ik1,ik2,ik3,ik4,…,ikn]

(17)

式中,ikn—— 第k个工作循环中电流波形的第n个样本

性能退化指标g用于表示第k个运行周期高速开关阀电流曲线的畸变：

(18)

3 结果分析

3.1 退化趋势

水液压高速开关阀的g值变化趋势如图6所示，其发展历程被划分为3个阶段：g值较小，且总体趋势比较平缓的阶段为正常期，这一过程为9000次；g值有明显上升趋势的阶段为退化期，当g值超过1.5时HSV开始退化，此后，g值随着退化程度的加深而持续增大；当g值超过2.7时，此时高速开关阀的开关次数约为14000次，高速开关阀已经不能可靠工作，如果未能采取有效维护措施，最终将导致失效，将该阶段定义为严重退化期。

图6 高速开关阀性能退化趋势Fig.6 HSV performance degradation trend

3.2 基于BPNN的状态检测

针对高速开关阀正常期、退化期和严重退化期3种状态，每种状态随机选取100组数据作为神经网络的训练数据，随机选取20组数据作为测试数据。采用Daubechies小波包基函数对HSV电流信号进行3层小波包分解。经过小波包分解及能量提取，每个特征向量有8个值，每个特征状态对应的网络输出如表1所示。采用单隐含层神经网络，输入层神经元个数为8，输出层神经元个数为3，隐含层神经元个数为10。该BPNN模型隐含层激活函数为Tansig函数，输出层激活函数为Logsig函数。BPNN的训练次数为2000，预期误差值为0.001，学习率η为0.001。

表1 BPNN输出规则

对BPNN模型进行训练后，采用测试集数据对网络的有效性进行检验，并且[0 0 1]，[0 1 0]，[1 0 0]分别被计为1，2和3。统计测试样本数据的输出结果，并绘制相应的散点图，如图7所示，可以看出其正确率为86.67%，基本满足高速开关阀性能退化状态的识别要求。

图7 测试集的分类结果Fig.7 Classification results of test set

需要说明的是，BPNN的状态识别准确率为86.67%，可以进一步提高。在后续研究中，将采用如SVM的传统机器学习算法或者卷积神经网络(CNN)等深度学习网络，进一步提高高速开关阀状态识别的准确率。

3.3 退化趋势预测

PSO-LSTM模型结构由输入层、隐含层、链接层、遗忘层、输出层组成，将模型的隐含层单元个数，链接层单元个数、批处理大小和遗忘率设置为LSTM模型待优化参数。对待优化参数的取值范围设置如下：隐含层单元个数取值范围为[10，200]，链接层单元个数取值范围为[10，200]，批处理大小取值范围为[10，200]，遗忘率取值范围为[0.02，0.98]。同时设置粒子群粒子个数为30，最大迭代次数为100，训练次数为60。对PSO-LSTM模型进行迭代训练，模型的适应度曲线如图8所示。