基于经验模式分解和一维密集连接卷积网络的电液换向阀内泄漏故障诊断方法

师 冲，任 燕，汤何胜，向家伟, 孟 彬，阮 健

(1.温州大学 机械工程学院，浙江 温州 325035；2.浙江工业大学 机械工程学院，浙江 杭州 310014)

引言

电液换向阀因其作业环境恶劣常会引发内泄漏故障，从而导致工程机械的操作失稳、运转不可靠，严重影响液压系统的效率和液压元件的寿命[1]。因此，准确、可靠的识别电液换向阀内泄漏故障模式对电液换向阀、液压系统的正常工作极其重要。然而，由于液压系统部件故障的隐蔽性、复杂性、多样性[2]及液压信号具有强的非线性、非平稳、低信噪比、特征信息相近时难以正确辨识等特点[3]，使得无法快速有效定位、识别故障。因此，对原始振动信号通过预处理工作使信号特征增强显得格外重要。

经验模式分解(EMD)是故障诊断中广泛使用的时频信号分析方法，能根据信号本身的特点自适应的将信号分解为一系列IMF，非常适合于处理非线性、非平稳信号，且具有很高的信噪比[4]。其中，基于EMD方法在液压故障内泄漏诊断领域同样也取得了一定的成就[5-6]。然而，液压故障振动信号往往混有噪声及换向冲击等对特征信息有损的其他信号，使得诊断难度加大[7]。对信号的采集、处理技术与诊断经验较为依赖。

深度学习依据其强大的特征表达学习能力，可以自适应的完成故障特征的提取与健康状态的智能故障诊断，省去了信号处理中对特征的人为选择。因此基于深度学习的液压内泄漏故障诊断方法被国内外学者关注，并同样取得了一定的成果[8-9]。为了使网络的学习能力更强，往往会加深网络，但带来的问题是容易遭遇梯度弥散问题。为了解决深层网络存在的问题，何凯明等[10]提出了一种残差网络结构(Residual Networks, ResNets)，通过前后2层的残差连接使信息尽量不丢失，实现信息特征的流通，使得网络更容易训练。DenseNet[11]同样为了克服因网络层数深、参数规模大导致的网络模型训练困难问题，采用了一种将跳层连接发挥到极致的网络结构，即让每层都与该层之前的所有层都相连，加强信息间复用率，同时使得信息更容易流通更新。基于上述优势DenseNet在机械故障诊断中的到了广泛的应用。JIAO J[12]利用密集连接卷积网络实现行星齿轮箱故障的有效诊断。

本研究重点研究电液换向阀内泄漏故障的智能诊断。针对采集的振动信号具有强的噪声及非平稳性等特点，将EMD方法与DenseNet进行结合，并将该方法与普通一维CNN和普通一维DenseNet进行比较，结果表明所提出的方法比其他两种方法在电液换向阀内泄漏故障中有更好的性能。

1 经验模式分解(EMD)

EMD是黄锷博士于1998年提出一种自适应信号分析方法，非常适合非线性、非平稳时间序列的处理，在故障诊断领域得到了广泛的应用。分解过程在众多文献中有更详细解释说明，可以参考文献[4]。分解结果为：

(1)

式中，ci—— 第i阶本征模态分量(IMF)

rn—— 残差项,n为IMF的阶数

2 密集连接卷积网络

DenseNet与普通CNN的最大差异在于，CNN采用了一种跳层连接的网络结构。图1显示了CNN 特征提取的一般过程。输入数据通过多个特征提取单元结构前后交替的进行特征变换Hm(·)，直到将特征传递到包含分类器的全连接层实现故障分类任务。

图1 特征提取单元结构

而DenseNet则是一种将跳层连接发挥到极致的神经网络，即每一层网络的输入由前面所有层的输出并联堆叠构成。图2展示了一个具有3层密集连接块的结构。

图2 3层密集连接块的结构

从图2可以清晰看出密集连接块内的第m层接受了所有前续层输出的特征图x0,x1,…,xm-1的并联堆叠作为其输入，通过对特征图的极致利用达到更好的效果。

xm=Hm([x0,x1,…,xm-1])

(2)

式中，xm—— 第m层的输出特征

Hm(·)—— 对前m-1层并联堆栈特征的特征变换

虽然这样拼接前层的特征图加强了信息的传递和信息的复用，但是同样存在网络加深特征图信息过多，网络参数过多等问题。因此需要将网络层进行分离成多个密集连接卷积块，并将相邻2个密集连接卷积块通过过渡层进行连接。过渡层用于对特征图尺寸和和维度进行调整，其中主要由卷积层、池化层、批量归一化层和非线性激活层组成。对特征图维度的调整主要依靠过渡层1×1的卷积运算，使得大量的特征图维度减少下来，降低参数加快网络训练；对特征图的尺寸调整主要依靠尺寸为2×1步长为2的平均池化对其进行池化操作，使输出的特征图尺寸减半。一个完整的DenseNet的结构则通过密集连接块和过渡层前后顺次连接，直到连接到全局池化层和分类层实现故障识别。

3 故障诊断方法流程

利用EMD和一维DenseNet进行电液换向阀内泄漏故障状态识别。图3展示了故障诊断模型方法的流程图，主要包括：振动信号的采集与简单处理、振动信号进行EMD分解、数据集创建与划分、一维DenseNet训练与测试并对模型进行评估。

图3 所提方法电液换向阀内泄漏的故障诊断方法流程

(1)信号采集与简单处理：通过加速度传感器获取电液换向阀不同健康状态的振动信号，并对信号进行简单的截取、拼接;

(2)振动信号EMD分解：对拼接后的信号进行EMD分解，并选择前几个包含显著特征信息的IMF分量。本实验选择前5个IMF分量;

(3)数据集创建：将经过EMD分解的5个IMF分量和原始振动信号按照顺序在特征维度上进行并联堆叠，输入形成特征通道数为6的1个多通道特征样本;

(4)电液换向阀内泄漏故障诊断：通过测试数据集对提出的故障诊断网络模型进行评估，并实现故障模式的识别。

4 实验

4.1 实验说明

对电液换向阀内泄漏故障通过阀芯、阀体磨损进行故障植入，通过加速度传感器进行数据获取，并对获取的加速度信号进行预处理，最后再输送进密集连接卷积网络进行特征学习，实现故障诊断。

图4a所示为电液换向阀实验装置，主要由电液换向阀、油箱、液压泵、溢流阀、7个加速度传感器(主阀阀体4个外壁面、先导阀2个外壁面和1个顶部外壁面，如图4所示)、液压缸等组成。

图4 电液换向阀实验装置

图5为通过对液压阀芯和阀体人工植入磨损(内部配合间隙增大)来模拟内部泄漏故障模式结果。

a)轻微磨损 b)中度磨损 c)重度磨损 d)单边磨损 e)双边磨损

其中6类故障类型, 健康状态即为阀芯与阀体配合正常；轻微磨损5即阀芯磨损，均压槽未损坏；中度磨损5即阀芯磨损，均压槽损坏；重度磨损5即阀芯磨损严重，并伴有点蚀故障；单边磨损5即阀体只有单边磨损；双边磨损5即阀体双边均有磨损。

实验阀截面图如图6所示，实验阀为二位四通阀，在先导阀断电时，先导阀阀芯由弹簧控制在左室，高压油液从主阀P口进入，通过先导电磁阀和主阀内壁油路进入主阀右腔室，主阀阀芯在右侧腔室油压下被挤压至主阀左侧腔室，主阀B口打开与P口联通。随着先导电磁阀启动，先导阀阀芯由于电磁力的作用下移至先导阀右侧腔室，高压油液从主阀P口进入，通过先导阀和主阀内壁油路进入主阀左侧腔室，主阀阀芯在压力的作用下被推入主阀右侧腔室，主阀A口打开与P口联通，同时B口关闭，其中实验阀的每一个换向周期为8 s。当需要设计外控、外泄系统也可以通过X，Y控制先导油液进出。

1.先导阀芯 2.弹簧 3.线圈 4.主阀阀芯 5～8.主阀阀体上安装的加速度传感器 9～11.先导阀阀体的加速度传感器

4.2 数据说明

本次实验通过安装于实验阀外壁的7个加速度传感器收集加速度信号，除了布置于主阀阀体两侧的加速度传感器因为主阀两侧壁厚过大加速度信号信息较少外，其余5枚传感器在实验中的效果相似，本次实验以传感器6的数据作为展示并作为模型选用数据。在案例研究中，每种故障状态被重复模拟2次。数据采集的设置参数如表1所示。由于一整个换向周期采集的数据点数太多，所以对原始数据点进行分段截取并做拼接，截取原则按照整个周期液压动作进行截取，拼接后的数据为16904个点的振动信号，其中某一故障样本一个整周期信号和截取拼接后的信号如图7所示。将其进行EMD分解后，取其前5个IMF分量如图8所示。综合选择后每种状态类别的加速度信号样本为219个，并对样本进行划分为训练集和测试集，其他处理过程按照第3节所述方法进行。

表1 实验参数设置表

图7 原始信号和拼接后的信号图

图8 故障信号前5个IMF分量

4.3 DenseNet模型参数设置

通过对提出的网络模型反复调参实验，最终模型结构及其主要参数如表2所示。

表2 DenseNet网络模型主要结构参数

5 实验结果分析

为了验证所提出方法在电液换向阀内泄漏故障诊断中的有效性，将所提出的方法与普通的一维CNN和一维DenseNet进行对比，一维CNN与所提出的网络模型具有相同的网络深度，一维DenseNet不仅与所提出网络结构有同样的网络深度，且密集块、过渡块与卷积核的数量和大小都一致。

基于EMD和一维DenseNet、一维DenseNet与一维CNN的准确率与损失值分别如图9所示。

图9 3种网络的训练和测试准确率与损失

从3种网络结构的训练和测试结果可以看出，所提出的方法性能最优。首先从测试的准确率图和损失图中可以清晰的反映出相比于CNN，所提出的方法和一维DenseNet在电液换向阀内泄漏故障诊断中不仅整体准确率较高，损失值也较小。其次，从测试准确率图和损失图中还可以得出，一维DenseNet和一维CNN准确率曲线和损失值曲线波动较大，不稳定，而所提出的方法不仅测试准确率最高，而且准确率和损失值分别达到最高和最低后基本趋于稳定状态。可见基于EMD和一维DenseNet相结合能有效的诊断电液换向阀内泄漏故障。

6 结论

(1)在同等的网络层数条件下，DenseNet通过跳层连接对特征复用及传递效率提高的方式比普通CNN在电液换向阀内泄漏故障诊断中的精度更高。

(2)根据EMD在非线性、非平稳信号及噪声信号处理方面的优势，通过EMD对振动信号进行预处理，并将分解的IMF分量和原始信号在特征通道上并联堆叠作为CNN的特征输入，使得基于EMD和一维DenseNet在电液换向阀内泄漏故障诊断中比一维DenseNet的性能更优。