基于優化VMD和BP神經網絡液壓管路故障診斷研究

于喜金，于曉光，楊同光，竇金鑫，張景博

(遼寧科技大學機械工程與自動化學院,遼寧鞍山 114000)

0 前言

航空液壓管路是航空發動機液壓管路系統中重要的零件，嚴重的流體振動會導致管路出現強烈的振動，導致液壓管路頻繁失效，致使航空液壓系統在實際工作過程中發生故障造成事故。因此，管路的故障診斷具有重要的意義。

航空液壓管路振動信號是典型的非平穩非線性多分量信號，多分量信號的有效分離成為解決問題的關鍵。經驗模態分解(EMD)、短時傅里葉變換(STFT)、局部均值分解(LMD)等方法均有各自的局限性：經驗模態分解存在端點效應、模態混疊和過包絡等問題；短時傅里葉變換處理信號時不能同時獲得較高的時頻分辨率；局部均值分解也會得到虛假的PF分量。針對上述問題，DRAGOMIRETSKIY和ZOSSO提出一種非遞歸式自適應信號處理方法變分模態分解(Variational Mode Decomposition，VMD)。VMD以求解變分問題最優解的形式篩選IMF分量，因此，可有效避免分解過程中模態混疊問題的產生。

目前最為廣泛采用的神經網絡之一就是BP神經網絡(Back Propagation)，是按誤差反向傳播的一種多層前饋網絡。在解決相應問題時，靠著自身學習能力、泛化能力和非線性映射能力強，會經常在實際工程中用到。本文作者提出一種優化VMD與BP神經網絡的智能故障診斷方法，并將該方法應用在航空液壓管路的故障診斷中，實現了液壓管路裂紋故障和凹坑故障的精準識別。

1 基礎理論

1.1 變分模態分解

VMD方法可假定尺度參數,將信號分解成個中心頻率為的模態函數，則可得到可以進行分解的新約束變分問題：

(1)

對新的約束變分問題引入拉格朗日乘法算子()和二次懲罰因子進行構造并求解該約束變分，分析出新的模態信號：

({},{},)=

(2)

(3)

(4)

1.2 VMD參數確定

用VMD方法分解信號時需要預先設定模態分量個數，模態分量個數設置不同，分解結果不同。有研究發現，VMD方法中二次懲罰因子對VMD分解結果也產生較大影響。由于人為設定的隨意性和不確定性勢必會對VMD分解結果的正確性帶來影響，本文作者利用具有良好全局性概率搜索能力的遺傳算法對VMD方法兩個輸入參數和進行參數優化。

1.3 BP神經網絡設計

神經網絡是一種具有多層反饋的神經網絡，由輸入層、隱含層、輸出層組成。

航空發動機液壓管路故障的振動信號是一維信號，正好符合 BP神經網絡數據需要。優化后，將信號進行VMD處理，建立樣本，選用Softmax分類器符合樣本情況。表1為BP神經網絡模型主要結構參數。

表1 BP神經網絡模型主要結構參數

2 管路故障診斷

2.1 診斷模型

管路的故障機制特征很難發現，影響因素包括管路故障信號受流固耦合特性影響和復雜的管路結構影響等。本文作者提出的基于優化變分模態分解與BP神經網絡的液壓管路故障診斷方法，增加BP神經網絡模型識別液壓管路信號特征，同時提高精度，可以有效應用于診斷航空發動機液壓管路系統中管路的健康狀態和不同故障狀態。圖1所示即為故障診斷流程。

圖1 液壓管路故障診斷的具體流程

2.2 實驗數據

為了了解航空發動機液壓管路實際工作時的工況，應用液壓管路實驗臺進行了實驗模擬，并且也進行了測試實驗。在液壓管路進油端、管路中間和出油端3個位置依據實驗方案，用加速度振動傳感器進行多次測試分析，從而得到液壓管路系統中液壓管路的健康狀態和故障狀態2種狀態下的振動信號以及2種狀態下的時域波形和頻譜，選用中部凹坑狀態和端部裂紋狀態采集的時域波形和頻譜，如圖2—圖3所示，VMD分解結果如圖4—圖5所示。

圖2 液壓彎管中部凹坑故障狀態時頻域波形圖 圖3 液壓彎管端部裂紋故障狀態時頻域波形圖

圖4 液壓管路中部凹坑故障狀態VMD分解時頻域波形圖

圖5 液壓管路端部裂紋故障狀態VMD分解時頻域波形圖

經過VMD分解后，模態分量的頻率都在一定的范圍里，可以明顯識別出單個模態分量中的虛假分量現象，規避了噪聲將特征信息淹沒的現象。因此處理實際航空液壓管路振動信號時，噪聲甚至不會淹沒掉微弱的故障特征信息，從而可以準確地提取管路振動信息。

3 試驗結果與分析

3.1 試驗結果

文中提出的VMD-BP神經網絡模型的故障診斷方法，為了防止丟失故障信息，按照頻率由小到大的順序，將明顯的管路故障特征疊成一個多通道樣本，每段樣本信號都有3 200個數據點，然后將全部的樣本信號都進行以上運算，建立數據集，使訓練樣本數、驗證樣本數和預測樣本數的占比為8∶1∶1。將數據集采取隨機抽樣的訓練方法來證明所優化的BP神經網絡模型的穩定性。分別得到3類診斷方法混淆矩陣如圖6—圖8。

圖6 基于10類樣本數據VMD-BP模型診斷的混淆矩陣 圖7 基于10類樣本數據EMD-BPNN模型的混淆矩陣

圖8 基于10樣本下反向傳播神經網絡模型的混淆矩陣

由圖6—圖8可知VMD-BP診斷方法的完全正確分類組數和每組準確率相較于其他方法都更具優越性。對液壓管路數據集的描述見表2。

表2 液壓管路數據集的描述

由圖6可看出:管路健康狀態及管路裂紋和管路凹坑兩種故障狀態組成的數據集通過遺傳算法優化變分模態分解和BP神經網絡故障診斷方法訓練結果的準確率為99.4%;在彎管系統中，94.4%的識別率僅出現在裂紋單一故障中;同時識別結果也表明文中所提出的方法可較精確判別卡箍輕度松動和卡箍根部輕微裂紋等早期故障。

3.2 結果分析

表3總結了基于同一數據集，VMD+BPNN故障診斷方法與其他幾種方法性能比較。針對每種方法各自進行10次實驗，評估指標為每種評估指標的平均值。由此可知：在診斷準確率方面，傳統的BP神經網絡故障診斷方法顯然不如文中所提出的基于優化變分模態分解和卷積神經網絡的故障診斷方法。與BP神經網絡故障診斷方法和SVM故障診斷方法相比，文中提出的故障診斷方法不僅各性能指標均達到99.32%以上，也明顯優于EMD-BP神經網絡故障診斷方法，而且能夠穩定地識別出液壓管路多種不同的健康狀態，尤其是對不同測點采集的數據也能實現精準分類和識別。其原因是通過優化變分模態分解方法對數據進行預處理以后信號信噪比提高，規避了神經網絡訓練過程中的過擬合現象，且所有的IMF特征分量構造均為CNN的多通道輸入，經過CNN進行信息融合，得到合適的各IMF特征分量對輸出的權重，從而實現了智能化的航空液壓管路凹坑和裂紋故障診斷。

表3 文中所提出的方法與DCNN和BPNN性能比較

4 結論

首先，本文作者提出利用遺傳算法對VMD模態分量和懲罰因子值兩個參數進行優化選取，使其能夠自適應地確定最優參數；對航空發動機液壓管路的振動信號采用VMD方法進行處理，分析液壓管路故障情況與健康情況，將液壓管路裂紋故障和凹坑故障的最佳分量提取出來，為BP神經網絡提供模式識別基礎。

其次，BP神經網絡的輸入量是利用VMD方法對液壓管路信號處理后得到的最佳分量，將最佳分量輸入BP神經網絡模型中進行訓練。實驗結果表明：本文作者提出的故障診斷方法各性能指標均達到99.32%以上，能對液壓管路多種健康狀態進行識別判斷，特別是能實現精準分類和識別于不同測點采集的數據。