基于VMD和LSTM模型的航空液压管路卡箍故障诊断

张小龙, 汪 曦, 于晓光, 薛政坤, 崔芷宁, 吕佳文

(1.辽宁科技大学 机械工程与自动化学院, 辽宁 鞍山 114000；2.东北大学 机械工程与自动化学院, 辽宁 沈阳 110819)

引言

航空发动机液压管路-卡箍系统在复杂的航空发动机附属系统中为航空发动机液压系统提供动力，卡箍作为固定、支撑和连接管路的主要元件[1]，在液压管路受到强迫振动和自激振动时维护管路的正常工作[2]。本研究提出的基于变分模态分解和LSTM模型的故障诊断方法对航空发动机液压管路-卡箍出现的故障进行准确的识别和判定，对航空发动机管路系统的稳定工作具有重要意义。

近年来，国内外学者对于卡箍故障进行了广泛的研究，刘中华等[3]针对卡箍断口进行分析诊断，从而确定卡箍断裂的原因，并提出对结构的优化处理以避免该类故障的发生；吴主金等[4]提出一种基于多项式Chirplet变换和变分模态分解的轴承故障诊断方法，有效提取了轴承的故障特征；宣元等[5]提出了一种基于改进VMD算法的液压泵寿命状态检测方法，对VMD初始参数进行优化选取，得到了较高的识别准确率；马洪斌等[6]提出了一种蛙跳优化VMD参数的方法，对轴承故障特征进行了有效提取；谭跃刚等[7]提出一种针对卡箍松动的模态变化对卡箍进行诊断和定位，通过固有频率的变化，从而能够得出卡箍出现故障的准确位置；GAO等[8-10]通过试验获得飞机管路卡箍刚度并将飞机管路卡箍支撑用弹簧支撑简化代替，模态试验结果与试验数据得到稳定的吻合；贾春玉等[11]构建了一种卷积神经网络(Convolutional Neural Networks,CNN)和LSTM神经网络相结合的故障诊断模型，从而得到更高的识别准确度；范宇雪等[12]提出一种基于双向长短时记忆网络(Bi-directional Long Short-Term Memory，BI-LSTM)的小样本滚动轴承故障诊断方法，提高了故障识别的准确率。从国内外学者对卡箍故障的研究能够得出，在航空发动机实际工作中，由于液压管路受到流固耦合、温度和压力等其他因素的影响，易导致卡箍出现固定卡箍螺栓松动、卡箍根部断裂、卡箍衬垫磨损等问题。

本研究以航空液压卡箍-管路系统中的固定卡箍为研究对象，对其故障难以识别的问题在时域和频域两方面同时进行分析和研究[13]。首先，基于遗传算法对变分模态分解的模态分量个数k值和惩罚因子α值2个参数进行优化选取，利用优化后的变分模态分解方法分析处理卡箍在各种状态下的振动信号，提取有效的故障特征分量；其次，将分解处理后的信号分量输入LSTM神经网络模型中训练，从而为LSTM神经网络模型的识别提供一定的基础，实现了航空发动机液压管路卡箍故障的智能诊断。

1 卡箍故障

1.1 航空液压系统

液压管路卡箍系统是航空发动机液压管路系统中的重要组成部分，由卡箍、管路、管接头和液压泵等组成。卡箍作为航空发动机液压管路卡箍系统中的重要零件，主要作用是连接发动机与管路本体,是增强管路刚度、固持管路位置的重要部件。由于航空发动机空间布局复杂，管体之间空隙狭小，导致液压管路系统的工作环境较为恶劣，因而其内部零部件易出现磨损和损坏，尤其是在液压管路中容易出现卡箍故障问题，管路中的卡箍分布如图1所示。

图1 管路卡箍位置示意图

1.2 卡箍故障描述

航空发动机正常工作时，由于受到外界机架的基础激励和泵源的流体脉动激励而发生流固耦合作用，导致强迫振动进而引起结构共振，出现强烈振动现象。长期以来，受到强烈振动影响，液压管路的卡箍出现积累性振动失效故障，如固定卡箍螺栓松动、卡箍垫片损坏、卡箍衬垫破裂、卡箍磨损等问题，对飞机的安全性和发动机的可靠性产生严重威胁。本研究选用的卡箍为304不锈钢连胶条卡箍，其中几种卡箍的典型故障如图2所示。

图2 常见卡箍故障

2 故障诊断模型

2.1 优化变分模态分解

VMD是基于维纳滤波、希尔伯特变换和频率混合所形成的一种将信号f(t)分解成一系列的模态分量(Intrinsic Mode Function，IMF)的过程[14]，通过预先设定本征模态函数的分量个数、带宽参数，构造约束变分问题，并采用迭代方式搜寻约束变分模型的最优解，从而获得每个本征模态函数分量的中心频率和带宽，最终实现信号频带的自适应分解[15]。

遗传算法(Genetic Algorithms，GA)[16]是效仿生物界生存的“物竞天择、适者生存”来进行演化。VMD方法分解信号时，由于要在分解之前设定模态分量个数k值和惩罚因子α值，但人为因素的参与和设置必然会导致参数的不确定性，包络熵值[17]作为反应振动信号的一个参数标准，能够反映概率分布的局部特性，因此以局部极小包络熵值为适应度函数对VMD的[k，α]参数组合进行了优化选取[18]。

2.2 LSTM网络

LSTM网络具有相对复杂的内部结构，由遗忘门、输入门和输出门3个特殊的结构门组成[19]。这3个门通过1个特定的tanh的网络层来实现信息的传递，细胞状态在遗忘门和输入门的共同作用下完成更新并作用于输出门，实现输入信息较长时间的记忆，更新递推的计算步骤如下：

(1)

(2)将当前数据信息通过输入门存储到记忆单元中，得到输入门的值it：

it=σ(Wxixt+Whiht-1+bi)

(2)

(3)通过权值以及传递函数的线性计算得出遗忘门的值ft：

ft=σ(Wxfxt+Whfht-1+bf)

(3)

(4)计算当前时刻记忆单元状态值ct：

(4)

(5)得到输出门的关系表达式：

ot=(Wxoxt+Whoht-1+bo)

(5)

(6)得到LSTM单元记忆输出式ht：

ht=ottanh(ct)

(6)

其中,Wxc，Wxi，Wxf，Wxo分别为在t时刻的输入层xt和隐藏层ht间的连接权值；Whc，Whi，Whf，Who分别是在t-1时刻与t时刻之间的隐藏层连接权值；bc，bi，bf，bo分别为输入节点、输入门、遗忘门、输出门的偏置；ht-1为前一时刻的输出；σ为sigmoid函数，取值为(0，1)[20]。

根据更新递推的神经网络，本研究选取Softmax分类器，针对2种管路的2个测点的4种情况，选取迭代25轮，每轮100次迭代的方式进行训练，其中LSTM网络故障诊断模型主要结构参数如表1所示。

表1 LSTM神经网络模型主要结构参数

2.3 建立诊断模型

由于固定卡箍受到航空液压管路中的流固耦合作用、发动机自身振动以及发动机振动产生的巨大的噪声等因素影响，得到的卡箍故障信号难以提取。本研究建立了一种基于VMD和LSTM模型的航空液压管路卡箍故障诊断模型，其具体流程图如图3所示。

图3 液压管路固定卡箍故障诊断模型

故障诊断模型具体步骤为：

(1)利用加速度振动传感器对航空发动机液压管路固定卡箍的振动信号进行采集，从而获取样本信号；

(2)选取优化后的k值和α值，优化后的VMD将卡箍故障振动信号f(t)分解成一系列单一的具有不同特征的稳定信号IMF(1)，IMF(2)，…,IMF(n)；

(3)提取出每一类故障中故障特征明显的2个IMF分量进行汇总，合并成1个多通道样本数据集，将数据集划分成为训练集与测试集两部分；

(4)按照上一节所述原则设计LSTM神经网络模型，并通过调试参数，获得性能较好的网络训练模型；

(5)通过数据集，验证基于优化VMD和LSTM神经网络模型的液压管路固定卡箍故障诊断模型的有效性和准确性，并与LSTM神经网络模型和BPNN模型的训练结果进行对比分析。

3 实验结果与分析

3.1 数据采集

在航空液压管路实验台上，利用加速度振动传感器分别对液压弯管和直管系统中的固定卡箍进行振动信号的测量，获得固定卡箍的实测数据。测点位置选取固定卡箍外壁和管路中间2个测点进行同步采集，目的是获得固定卡箍健康状态及螺栓松动状态、根部断裂状态、衬垫磨损状态4种固定卡箍状态的振动信号，传感器分布位置如图4所示。

选取在航空液压管路直管的测点1位置上4种固定卡箍状态，其VMD分解的时域分解波形图如图5所示。

图5 固定卡箍信号分解波形图

利用优化后的VMD方法实现了航空液压管路卡箍振动信号中各模态函数的自适应分解，解决了由于模态分量k值和拉格朗日分子α值选取不当导致的过分解和欠分解等问题，验证了基于改进的遗传算法对VMD的分解层数和惩罚因子优化选取的可行性，减少了人为因素的主观误差。

3.2 数据分析

利用分解后的一系列单一的具有不同特征的稳定信号IMF(1)，IMF(2)，…，IMF(n)，挑选出故障特征信号明显的2个IMF分量合并成1个多通道样本数据集，其中每段信号中包含3200个数据点。将整个液压管路固定卡箍的数据集随机划分为样本集与验证集两部分，比例为8∶2；将样本集导入LSTM网络模型中进行训练，获得性能较好的训练模型，并与LSTM神经网络模型的训练结果进行对比分析。选取迭代 25 轮作为实验输出结果，得到基于变分模态分解的长短时记忆神经网络(VMD-LSTM)模型和LSTM诊断模型故障诊断方法的准确率，其训练曲线如图6所示。

由图6可以得到，VMD-LSTM模型相对于LSTM神经网络诊断模型，在0～5轮收敛迭代时，收敛迅速；在进行7轮收敛迭代以后，该方法训练的准确率曲线无明显波动，整体趋于稳定，且能够达到较高准确率。LSTM神经网络模型在前几轮总体准确率趋于上升趋势，但迭代15轮左右时，LSTM神经网络模型在收敛时出现了不稳定状态，准确率也出现较大的波动，对结果造成了很大的影响，得不到正确的判断。由此可以得到，VMD-LSTM神经网络模型对复杂的信号能够达到较好的处理效果，得到较高的准确率。同时得到上述2种方法的损失值训练曲线如图7所示。

图6 固定卡箍振动数据集模型准确率曲线图

分析图7中2种神经网络模型的训练结果发现：VMD-LSTM神经网络模型在进行0～5轮迭代时，损失率大幅度降低；在迭代7轮后，损失值基本达到了0值，收敛结果非常稳定，且收敛速度更快。反观LSTM神经网络模型，在进行0～5轮迭代时，总体趋于降低的状态，但从图中可以看出，损失值的波动幅度明显较大，而且在15轮迭代之后，LSTM网络模型出现了严重的离散现象，损失值结果出现了极其不稳定状态，波动幅度很大，导致结果的准确性降低。VMD-LSTM神经网络模型的诊断方法无论是收敛速度还是收敛稳定性，都明显优于LSTM神经网络模型。混淆矩阵能够更全面地反映每种故障状态的诊断与识别情况。混淆矩阵中的数据集名称如表2所示，混淆矩阵如图8～图10所示。

图7 固定卡箍振动数据集模型损失率训练曲线图

表2 液压管路直管和弯管卡箍数据集

由图8可看出，样本数据的组成分别是航空液压管路卡箍在直管和弯管2种结构情况下，分别在测点1，2采集的4种管路卡箍状态组成的数据集，利用VMD-LSTM模型训练结果的总体准确率为98.5%。

图8 基于16类样本数据VMD-LSTM神经网络模型诊断的混淆矩阵

由图9可以看出，通过LSTM神经网络模型故障诊断方法，基于同一数据集进行训练的结果的总体准确率为93.8%。从结果来看，该方法在直管和弯管故障都有不同程度的不完全识别，效果略差于VMD-LSTM神经网络模型。

图9 基于16类样本数据LSTM神经网络模型的混淆矩阵

由图10可以看出，通过BP神经网络故障诊断模型训练结果的总体准确率为86%。从结果来看，该方法在弯管处的识别结果较LSTM模型更差，F1-sore最低为0.01，对测点固定在卡箍外壁上的直管卡箍衬垫磨损故障已经不能起到识别作用。

从3个混淆矩阵图中能够得到，本研究所提出的方法对固定卡箍的诊断准确率有了大幅度的提高，具有更好的故障诊断和识别性能。

3.3 不同模型对比

表3总结了基于同一固定卡箍振动数据集，利用VDM-LSTM故障诊断方法与LSTM故障诊断方法和BP神经网络故障诊断方法对固定卡箍振动故障数据训练结果作对比分析，可以清晰地看出，VDM-LSTM故障诊断方法不仅各性能指标均达到98.5%以上，明显优于LSTM网络模型和BP神经网络故障诊断方法，而且能够稳定的识别出液压管路卡箍多种不同的故障状态；同时该方法也实现了固定卡箍螺栓松动故障、裂纹故障和磨损故障信号的智能分类。

表3 不同故障诊断模型对比

4 结论

针对航空液压管路固定卡箍振动信号的特点，提出了一种基于变分模态分解和长短时记忆神经网络的卡箍智能故障诊断方法，实验结果表明，该方法能够准确地识别出固定卡箍螺栓松动、卡箍衬垫磨损和卡箍根部断裂等 3 种卡箍故障类型，并且总体准确率能够达到98.5%以上。

基于同一固定卡箍振动数据集，分别利用VMD-LSTM故障诊断方法与LSTM故障诊断方法和BPNN故障诊断方法对卡箍数据进行训练，结果表明：VMD-LSTM故障诊断方法在诊断精度上要优于LSTM故障诊断方法，其总体识别率提高了4.7%；与传统的BPNN智能故障诊断方法相比，综合准确率提升了12.5%，验证了该方法的有效性。