液壓注塑機故障智能診斷系統設計及其應用效果

摘要：以注塑機液壓系統為研究對象，建立了基于數據驅動的智能診斷系統。該系統采用XGBoost診斷算法，通過60組訓練樣本和18組診斷樣本的驗證，結果顯示其訓練精度和診斷精度分別達到了100%和88.9%，在5種診斷算法模型中準確率均排在第一，表明該注塑機液壓故障診斷系統具有良好的故障診斷性能，克服了傳統診斷模型存在的自更新能力弱、泛化能力弱、診斷效率低等缺點。

關鍵詞：注塑機;診斷系統;XGBoost診斷算法;準確率

0 引言

注塑機是各類高分子材料加工所使用的主要機械設備之一，其性能優劣直接關系到企業生產效率和生產成本。傳統的注塑機故障維修仍采用事后維修方式，大大制約了注塑機工作性能的發揮[1]。液壓系統作為注塑機的重要組成部分之一，因其故障具有一定隱蔽性，往往給設備維修造成極大的不利影響，因此，有必要針對注塑機液壓系統的故障診斷展開專項研究。傳統的注塑機液壓系統故障診斷以專家診斷或者經驗診斷為主，缺乏自更我新能力和泛化能力，且故障診斷精度較低，難以滿足工程需要[2-5]。因此，本文針對注塑機液壓系統建立了智能故障診斷系統，以期能為注塑機的高效應用提供幫助。

1 注塑機簡介

傳統的液壓注塑機一般包括注射系統、鎖模系統、模具系統、液壓傳動系統以及電氣控制系統五大部分，其結構如圖1所示。其中，注射系統主要包括塑化、計量和驅動等裝置，鎖模系統主要包括支架、模板、高壓鎖模油缸等裝置，模具系統主要包括頂出、模腔、分流道等裝置，液壓傳動系統主要包括液壓油缸、馬達、過濾器、電池閥等裝置，電氣控制系統主要包括變頻器、繼電器、邏輯控制器等裝置。注塑機注塑成型工藝可分為5個流程：（1）注射前準備階段;（2）注射階段;（3）保壓階段;（4）冷卻塑化階段;（5）制品取出階段。

2 注塑機液壓系統的故障診斷系統

2.1? ? 液壓系統

液壓系統是注塑機最重要的結構之一，為注塑機的生產過程提供事先設定好的動力，并滿足不同生產階段的壓力與速度需求。液壓泵是主油路的主要動力源，壓力和流量分別由壓力電池閥和流量電池閥控制，液壓缸和液壓馬達是整個液壓系統的動作執行機構，通過程序控制，完成預先設定好的注塑工藝流程。注塑機液壓系統結構如圖2所示。

2.2? ? 液壓系統故障

根據對多家企業多種型號液壓系統故障維修記錄進行統計，對注塑機液壓系統故障進行了分類，如圖3所示。注塑機液壓系統故障主要集中于液壓泵、電磁閥和液壓缸3個位置，其中液壓泵故障包括油泵異響、油泵卡死以及泵泄漏3種，電池閥故障包括閥芯卡死、閥芯損壞以及閥泄漏3種，液壓缸故障包括油缸拉缸斷裂、油封磨損泄漏以及油缸接頭開裂3種。在以上故障類型中，油封磨損泄漏故障的占比最高，達到了53%，其次為油泵異響，占比為14.6%，再次為油缸拉缸斷裂，占比為10.3%。

2.3? ? 故障診斷系統模型

工業機械設備的故障診斷模型一般都是以專家診斷系統為主，即通過對知識庫的不斷豐富和完善，再利用推理機完成相應的邏輯推理最終得出診斷結論。傳統的專家診斷模型包括人機接口、數據庫、推理機、知識庫以及知識獲取和解釋模塊等六大模塊。另外一種則是基于經驗的診斷模型，該模型主要通過觀察經驗的積累來完善知識庫和數據庫，其主要包括數據采集與處理、人機接口、數據庫、推理機、知識庫、工作存儲器、專家經驗知識獲取、解釋模塊等八大模塊。

但是以上兩種診斷模型存在自我更新能力弱、泛化能力弱、診斷效率低等缺點，為此本文提出了基于數據驅動的注塑機液壓系統故障診斷模型，該診斷模型由數據庫、數據庫管理系統、模型庫、數據采集與處理、知識庫、推理機、工作存儲器、數據驅動知識獲取、解釋模塊、人機接口等十大模塊組成，借助機器自學習等優勢，克服了專家和經驗診斷的主觀化、片面化等缺點。系統通過安裝在設備上的傳感器，通過高速采集系統實現信號數據的采集，然后在數據空間進行特征向量的提取，提高關聯度，最后通過機器監督學習，將特征向量所反映的信息與故障模式分類空間進行一一映射，得到故障診斷結果。基于數據驅動的注塑機液壓系統故障診斷模型原理如圖4所示。

2.4? ? 故障診斷系統結構

根據故障診斷模型原理，構建注塑機故障診斷系統結構和運行流程，如圖5所示。該系統包括用戶層、軟件層以及硬件層3層，用戶層為診斷用戶提供瀏覽查詢功能，通過瀏覽器將診斷數據輸入，然后獲得診斷結果;軟件層主要作用是提供數據預處理、數據挖掘、可視化數據運行等功能，其中最核心的是數據挖掘方法的選取，本文采用XGBoost診斷算法;硬件層主要作用是采集故障數據，并將其傳輸到軟件層。故障診斷系統的診斷流程為：（1）確定診斷對象;（2）獲取傳感器數據;（3）保存至設備運行數據;（4）數據預處理;（5）特征提取;（6）運行訓練診斷模型;（7）將訓練結果保存至模型數據庫;（8）判斷模型是否更新;（9）故障智能診斷;（10）輸出診斷結果。

3 系統應用效果

3.1? ? 數據采集

本文以液壓油缸泄漏故障作為案例進行分析說明。通過實驗，獲取不同程度油缸泄漏的數據特征，數據包括壓力、速度和流量等參數，注射和保壓階段的主油路壓力最大值分別為8 000 kPa和4 000 kPa，并將泄漏故障等級劃分為正常、輕微、一般和嚴重4個等級，每個故障等級均進行15次樣本數據的采集。

3.2? ? 故障特征提取

經數據采集和預處理，再通過編寫Python函數程序來提取故障的特征參數，故障特征參數主要包括均值、均方根、偏度、峭度、波形、波峰、脈沖、裕度等8個，初步提取到的不同故障等級下的典型代表參數如表1所示。

3.3? ? 故障診斷結果

將上文提取的60個樣本數據輸入數據庫中，然后另外選出18個樣本作為分析樣本，并帶入XGBoost診斷模型中，模型輸出的診斷樣本診斷結果如表2所示。從表2可以看出，在18組診斷樣本中，有16組診斷結果與實際狀態一致，有2組的診斷結果與實際狀態不一致，診斷正確率為88.9%，而出現診斷偏差的兩組數據中，第7組實際狀態為輕微泄漏，診斷結果為正常，第11組實際狀態為一般泄漏，診斷結果為嚴重泄漏，診斷結果偏差并不大，診斷故障等級與實際故障等級僅相差一級。

3.4? ? 故障診斷精度對比

為了對比不同診斷算法的訓練和診斷精度，將診斷系統中的診斷算法依次更換為k-近鄰（KNN）、隨機森林（Forest）、支持向量機（SVM）、樸素貝葉斯（Bayes）等4種算法，將4種算法的訓練和診斷精度與XGBoost診斷算法的結果相比較，如圖6所示。

從圖6可以看出，XGBoost診斷算法不管是在訓練精度，還是在診斷精度上，均優于其他算法，表明本文選擇的注塑機液壓系統故障診斷系統的診斷算法比較合理。

4 結語

本文針對注塑機液壓系統，設計了一種基于數據驅動的智能診斷系統，該系統采用XGBoost診斷算法，其訓練精度和診斷精度分別達到了100%和88.9%，準確率均高于其他算法，克服了傳統診斷模型存在的自更新能力弱、泛化能力弱、診斷效率低等缺點。

[參考文獻]

[1] 栗振.基于快速傅里葉變換的注射機軸承單一故障診斷[J].塑料科技，2020，48（4）：47-50.

[2] 王杰，朱彩波，李國堅，等.基于PID控制的注塑機液壓系統故障診斷方法[J].設備管理與維修，2018（5）：43-44.

[3] 胥航軍.注塑機液壓系統故障的五種診斷方法[J].液壓氣動與密封，2017，37（3）：70-73.

[4] 姜鑫.XS-ZY-250A型注塑機液壓系統故障診斷[J].機床與液壓，2016，44（16）：176-178.

[5] 劉冬冬，王建生，劉忠銀.注塑機液壓系統故障及建模方法研究[J].機械工程師，2016（8）：53-54.

收稿日期：2020-06-02

作者簡介：楊玲（1989—），女，江蘇如皋人，助理講師，研究方向：液壓與氣壓傳動技術。