基于CEEMD航空液压管路故障诊断方法研究

崔芷宁， 于晓光， 孙杰，于喜金， 冉子晴，张小龙

(辽宁科技大学机械工程与自动化学院，辽宁鞍山 114000)

0 前言

由于飞机轻量化和液压系统工作要求不断提高，振动造成的管路故障对飞行的安全性和可靠性造成了极大的影响[1]。统计发现，某飞行部液压系统故障约占飞机机械故障的40%[2]。因此，对航空液压管路进行早期故障预测，准确识别早期故障信号就显得十分重要且必要。

对于航空液压管路中的早期故障，其故障特征信号微弱难以提取，易被噪声淹没[3]。

经验模态分解(EMD)是HUANG等[4]提出的一种根据数据自身的时间尺度特征来进行序列分解的算法，可以从非线性、非稳态的时间序列中提取原始数据的特征集局部信息[5]。集成经验模态分解(EEMD)使用白噪声来改进EMD方法，克服IMF序列可能出现的模态混叠现象[6]。TORRES 等[7]提出基于自适应白噪声的完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)，是对EMD、EEMD、CEEMD的继承与发展，消除虚假IMF，重构误差接近于零，分解效率高且极其完整[8-9]。

针对航空液压管路复杂振动信号，使用神经网络学习方法卷积层数过多，模型训练的难度增加，在深层的卷积网络中会出现训练难以完成的问题，2016年，HE等[10-11]提出ResNet模型，即深度残差网络模型，用来解决卷积网络模型中深层网络难以完成训练的问题[12]。

本文作者使用自适应白噪声的完备总体经验模态分解方法，对航空发动机液压管路早期的故障信号进行预处理分解，然后将处理后的IMF分量导入到深度残差网络中，使得深度残差网络能够对早期航空液压管路的故障进行智能诊断并准确识别分类。

1 基本理论

1.1 CEEMDAN基本原理

M A COLOMINAS在每一次分解过程中都添加一个能够自适应原始振动信号的白噪声，但是并不是在初始振动信号中加入白噪声，而是加入经过EMD分解后的带有噪声的IMF分量。除此之外，CEEMDAN是在得到的每一阶IMF分量后都会进行平均计算，每进行一阶平均计算，就会得到此阶最终所需要的IMF分量，这样就能较好地解决CEEMD中存有的噪声容易从高频转移到低频的问题[13]。

设Fi(t为经过EMD分解后的第i个本征模态分量，Ci(t为CEEMDAN分解得到的第i个本征模态分量，ωj为满足标准正态分布的辅助白噪声信号，ε为噪声的标准差，X(t)为原始振动信号。分解步骤如下：

将成对的正负辅助白噪声加入到原始振动信号中，得到第一阶本征模态分量C1。

(1)

对产生的N个模态分量进行平均计算并加和；

(2)

计算去除掉第一个模态分量的残差：

(3)

在r1(t中再次加入步骤(1)中同样能够正负抵消的辅助白噪声，同时对加入辅助白噪声的新的管路振动信号进行普通的经验模态分解，重复公式(2)得到第二阶模态分量。

重复公式(3)，计算去除掉第二个模态分量的残差。

不断重复上述步骤，直到获得的残差信号单调，算法结束。则原始信号被分解为

(4)

式中：K表示分解结束所得到的本征模态分量的数量。

CEEMDAN分解流程如图1所示。

图1 CEEMDAN分解流程Fig.1 Decomposition process of CEEMDAN

1.2 残差网络模型

1.2.1 激活函数

选用激活函数为ReLU[14]。将ReLU函数应用到深度学习中，可以定义为

(5)

1.2.2 损失函数

深度神经网络中最常用的多分类目标函数为交叉熵损失函数[15]，其形式为

(6)

1.2.3 卷积层

残差网络中通过卷积层来实现恒等映射的连接，文中所用的ResNet网络模型中的卷积核的尺寸为3×3，如图2所示。相比于较大的卷积核，3×3的卷积核运算速度较快，并且如果两个3×3的卷积核进行叠加操作，感受野也会与5×5有相同的效果。

图2 ResNet二维卷积运算示意Fig.2 Schematic diagram of ResNet two- dimensional convolution operation

卷积核在特征图上滑行过程中，为了保证输入和输出特征图尺寸一致，需要在特征图四周扩展，并添零代替。

1.2.4 恒等映射

如图3所示即为简单的基本残差模块，输入为x，输出为H(x。当F(x为0时，H(x)=x,即恒等映射[16]。加入恒等映射的ResNet模型学习的是目标值即输出与输入的差值，也就是残差F(x。在每一个残差模块当中都有恒等映射的存在，使得残差网络模型训练的目标就是要使得残差结果无限接近于零，在保证准确率不下降的同时不断增大残差网络的深度[17]。

图3 深度残差网络恒等映射示意Fig.3 Schematic diagram of identity mapping of deep residual networks

深度残差网络与普通卷积网络相比，引入了恒等映射的概念，一方面可以直接将本层的样本数据直接输出传到后面一层，另一方面能使得本层训练的结果误差返回到前一层网络中，增加网络深度，不会累加误差，提升训练准确率，为解决因为网络层数不断增加网络模型的精度逐渐下降的问题提供新的思路。

1.2.5 残差网络模型

根据航空液压管路振动信号的数据特点搭建的ResNet34故障识别及预测网络模型总体结构如图4所示。

图4 ResNet34网络结构Fig.4 ResNet34 network structure

在ResNet网络模型中，有64、128、256及512维度的卷积核分别进行3、4、6、3次卷积操作，另外每一层卷积层中都有两个相同卷积核，因此总层数为(3+4+6+3×2=32 ，再加上开始部分的最大池化层跟最后输出部分的全局平均池化层，一共34层网络结构。

2 振动信号测试分析

2.1 实验说明

针对液压管路进行故障模拟实验，以验证文中所提出的故障诊断方法。航空液压管路振动实验系统主要由液压站、电控系统、管路、管路连接头以及信号采集系统组成。液压动力系统如图5所示。实验参数如表1所示。此次实验采用304不锈钢钢管为实验对象，钢管直径为14 mm，管壁厚为2 mm，长度为500 mm。实验通过加速度传感器采集管路振动数据，分别在直管管路一端和中间及弯管两端安放加速度传感器，分别对不同故障的直、弯管采集振动信号，如图6—图7所示。

图5 液压动力系统示意Fig.5 Hydraulic power system

表1 实验参数设置Tab.1 Experimental parameters setting

图6 被测液压直管及管路实验台Fig.6 Tested hydraulic straight pipe and pipeline test bench

图7 被测液压弯管及管路实验台Fig.7 Tested hydraulic bending pipe and pipeline test bench

2.2 故障类型

实验之前对管路进行人工故障植入，植入完毕后管路类型分别为直管正常无故障、直管一端轴向轻微裂纹故障、直管中间轴向轻微裂纹一端轴向轻微裂纹故障、直管中间轴向轻微裂纹一端径向轻微裂纹故障、直管中间轴向轻微裂纹故障、直管中间轻微凹坑一端轻微轴向裂纹故障、弯管正常无故障、弯管一端轴向轻微裂纹故障、弯管一端轻微凹坑故障等。直管及弯管早期故障振动实验方案如表2所示(ZG:直管，WG:弯管)

表2 直、弯管早期故障振动测试方案

2.3 信号分解

分别对液压直管管路和液压弯管管路的振动数据以及有故障和正常无故障的振动数据进行了对比，结果发现有故障的管路振动幅值大于正常无故障的管路的振动幅值但差距不够明显，只通过时域图和频域图分析难以对航空液压管路早期故障进行准确识别。运用深度学习的方法进行管路振动数据的识别与分类，进而对管路的早期故障进行准确快速识别及预测。在航空液压管路振动原始信号中选取14组数据进行 CEEMDAN处理。每组数据通过分解得到3个不同本征模态分量。具体举ZG6：直管中间轴向轻微裂纹一端轴向轻微裂纹故障，WG4：弯管中间轴向轻微裂纹一端正常无故障，振动信号分解的本征分量信号如图8—图9所示。

图8 ZG6振动信号及模态分量Fig.8 ZG6 vibration signal and modal component

图9 WG4振动信号及模态分量Fig.9 WG4 vibration signal and modal component

在信号分解开始，先加入相位相反但幅值相同的能够自适应管路振动信号的白噪声，分解过程中将分解出的模态分量与原始振动信号进行对比，一直到分量与原始振动信号的相似度非常高即白噪声的剩余量非常非常小时，停止分解过程，所得到的几个分量就是所需求的分量。

3 结果及分析

3.1 实验结果

液压管路振动信号网络训练的流程为：首先将振动信号进行统一化标准化，经过CEEMDAN算法分解的信号同样可以作为网络的输入；然后将振动的原始数据转化为图像格式以便于网络进行分类识别；对数据进行划分，其中随机选取每组数据的80%训练，剩余20%进行预测，对所搭建的残差网络模型进行训练；最后在训练完成后，通过混淆矩阵等方式将训练结果可视化，如图10—图13所示。

图10 ResNet模型的混淆矩阵Fig.10 Confusion matrix of the ResNet model

图11 CEEMDAN-ResNet模型的混淆矩阵Fig.11 Confusion matrix for the CEEMDAN-ResNet model

图12 CEEMDAN-CNN模型的混淆矩阵Fig.12 Confusion matrix for CEEMDAN-CNN models

图13 CNN模型的混淆矩阵Fig.13 Confusion matrix of CNN model

为了比较CEEMDAN对信号分解后进行训练和直接对数据进行训练的效果，并且能够及时对早期是否有故障进行预测，故将两种方式处理的数据再次导入到ResNet网络模型中进行训练，得到的准确率、损失率与迭代次数关系如图14—图15所示。

图14 两种方式下准确率P与迭代次数n曲线

图15 两种方式下损失率L与迭代次数n曲线

3.2 结果分析

通过对4种网络结构混淆矩阵的观察和计算可以得出不同模型总体识别率如表3所示，普通的CNN卷积神经网络结构在分类识别效果上不如ResNet网络结构，即使在训练之前将样本数据全部进行CEEMDAN分解，剔除掉杂乱的干扰信号再进行CNN卷积网络的训练识别，其效果仅仅与普通的ResNet网络结构大致相同；而如果将样本数据在导入ResNet网络前进行同样的CEEMDAN信号分解处理，则ResNet的训练效果将达到最高。

表3 不同模型总体识别率Tab.3 Overall recognition rate of different models

通过对训练后得到的准确率、损失率与迭代次数的关系进行比较得出最终的结果。图14中可以看出在迭代大约200次左右，两种网络模型的准确率以几乎相同的梯度急剧上升，预测的准确率不断提高，迭代到800次左右时，CEEMDAN-ResNet的准确率上升更快且不断趋于稳定，迭代到1 000次左右时，ResNet才刚刚趋于稳定，当迭代到1 200次时，CEEMDAN-ResNet网络模型的准确率达到99.5%，比ResNet网络模型的98.6%更高。

4 结论

针对管路复杂的工作环境导致管路振动信号的混乱、难以提取故障特征的特性，选择深度残差网络对航空液压管路早期故障进行识别预测，结合设计的实验方案，搭建了用于航空液压管路早期故障识别预测的ResNet34网络模型。

通过前面所选取的自适应白噪声完备总体经验模态分解对采集到的管路振动信号进行分解，并且导入深度残差网络中进行训练。通过得到的混淆矩阵发现，建立的CEEMDAN-ResNet网络模型对航空液压管路早期故障的总体识别率可达99.78%，比CEEMDAN-CNN网络模型的识别率高1.2%，比单一的ResNet网络模型高1.1%。且当迭代到1 200次时，CEEMDAN-ResNet网络模型的预测准确率达到99.5%，比ResNet网络模型的98.6%更高，证明了文中所建立的CEEMDAN-ResNet网络模型对航空液压管路早期故障识别与预测的准确性、可行性及有效性。