基于SVM的双阀芯电液阀磨损故障诊断研究

陈俊翔, 蒋昕航, 杨晓东, 王 虎, 孔祥东, 艾 超

(1.燕山大学 机械工程学院, 河北 秦皇岛 066004; 2.华德液压工业集团有限责任公司, 北京 102600)

引言

故障诊断最早始于机械设备,随着科学技术和智能信息技术的高速发展,已成为提高系统可靠性不可缺少的工具[1-3]。在工程机械液压系统中,多路阀是核心控制元件,其可靠性和控制性能直接影响工程进度或造成大的经济损失[4-5]。据调研,阀磨损引起的故障占20%,磨损类型主要有刃边磨损、径向滤芯磨损和阀口冲蚀磨损[6]等,在磨损条件下导致配合间隙过大,进一步导致泄漏增加、系统压力下降等问题。因此,对工程机械用多路阀阀芯磨损进行智能故障诊断研究具有重要现实意义。

SVM在解决小样本、非线性及高维模式识别中表现出许多特有的优势[7-8],实际应用中, 故障样本难以获取, 所以该方法多用于液压元件故障诊断。故障诊断技术可分为三个阶段:传统故障诊断、现代故障诊断、智能故障诊断[9],在智能故障诊断发展中,SVM理论有望使制约故障诊断向智能化方向发展的问题得到解决[10]。

近年来,有不少学者使用此理论对液压元件进行了故障诊断分析,对于液压系统的故障诊断起源于20世纪70年代并且快速发展。JANSSENS O等[11]使用卷积神经网络对旋转机械中外圈滚道故障和润滑性能退化进行故障诊断并诊断成功。闻岩等[12]针对缓冲平衡阀故障诊断中故障类型复杂多变、早期微弱故障特征难以提取等问题,提出了一种基于全连接神经网络的故障诊断方法,实现对平衡阀的故障诊断。贾春玉等[13]构建了卷积神经网络和长短期记忆神经网络相结合的电液伺服阀故障预测模型,取代人工特征选择和提取,解决故障预测的时序问题,实现了电液伺服阀阀芯磨损和阻尼孔堵塞的故障诊断。师冲等[14]针对电液换向阀内泄漏故障的振动信号具有非平稳性、非线性等特点,利用经验模式分解和一维密集连接卷积网络对其进行故障诊断分析。

本研究针对双阀芯电液多路阀提出一种基于SVM的磨损故障识别方法。通过对阀芯在不同磨损情况下压力特性曲线的理论分析,并搭建AMESim仿真模型,在此基础上进行故障研究,并通过实验的方法进一步去验证结果正确性。

1 双阀芯电液阀结构原理分析

双阀芯阀口独立控制电液阀工作结构原理图如图1所示。

图1 双阀芯电液阀结构原理图Fig.1 Double spool electro-hydraulic valve structure schematic

由图1可知,工作联由两个三位四通高频响比例先导阀与两个三位三通主阀组成,可实现单双阀芯独立控制。泵口出油一部分经减压阀供给先导阀,其余油液全部供给主阀。先导阀与主阀控制腔相连,两根先导阀芯分别控制两根主阀芯,其中两根主阀芯分为高压阀芯与低压阀芯,高压阀芯用于进油控制,低压阀芯用于回油控制。主阀芯上安装位移传感器、负载口安装温度压力传感器,从而实现双阀芯电液阀的精确控制。

2 双阀芯电液主阀芯压力特性数学建模

双阀芯电液主阀芯U形阀口结构简图如图2所示。

图2 U形阀口结构简图Fig.2 Schematic diagram of U-shaped valve port structure

1) 当xk

(1)

2) 当xk≥R时,

(2)

式中,xk—— 阀口开度

R—— 节流槽加工半径

H—— 节流槽深度

A1—— 半圆槽面积

A2—— 等截面面积

阀芯与阀套间存在径向间隙r时,将阀芯磨损量定义为Δr,则在磨损下阀口过流面积A为:

(3)

在存在阀芯磨损情况下,小缝隙的流量公式为:

(4)

式中,W—— 主阀阀口面积梯度

μ—— 油液动力黏度

Δp—— 节流口两边压差

在层流状态下,零位泄漏流量为:

(5)

式中,qc—— 泄漏流量

qs—— 供油流量

ps—— 供油压力

恒压源下,可利用中位泄漏流量曲线来表示电液阀零位流量-压力系数,即:

(6)

式中,Kc—— 流量-压力系数

qL—— 负载流量

pL—— 负载压力

由式(5)、式(6)可得实际零位流量-压力系数为:

(7)

零位流量增益为:

(8)

式中,Cd—— 流量系数

ρ—— 油液密度

由式(7)、式(8)可求得零位压力增益为:

(9)

由式(9)可知,电液阀主阀口零位压力增益主要取决于电液阀径向间隙值,间隙越大,压力增益越小,压力特性曲线越平缓。

3 仿真分析

3.1 双阀芯电液阀仿真建模

结合双阀芯电液阀的结构原理搭建AMESim仿真模型如图3所示。该模型主要由液压源、减压阀、先导阀和主阀等部分组成。按实际的物理结构设置主要元件参数,如表1所示。

表1 双阀芯电液阀主要参数Tab.1 Main parameters of electro-hydraulic valve with double spool

图3 双阀芯电液阀仿真模型Fig.3 Simulation model of double spool electro-hydraulic valve

3.2 阀芯磨损仿真分析

阀芯磨损程度会受到工作环境和工作介质清洁度的影响,阀芯在长期污染的油液中运动,长时间径向半径变小,导致内泄漏增大,伴随着零偏现象, 压力增益出现非线性变化。

设置供油压力为20 MPa,给定阶跃输入信号,将压力变化曲线和电流变化曲线进行拟合,得到电流-压力特性曲线,如图4所示。

图4 电流-压力特性曲线Fig.4 Current-pressure characteristic curve

多路阀径向间隙一般为0.002～0.005 mm,根据磨损程度不同,在AMESim中分别设置径向间隙为0.03, 0.06, 0.10 mm下进行仿真, 得到磨损后的电流-压力曲线如图5、图6所示。

图5 磨损后的电流-压力特性曲线

图6 电流压力特性曲线局部放大图Fig.6 Partial magnification of current pressure characteristics

由图5、图6可知,三组曲线的压力值均在短时间内从2 MPa阶跃至20 MPa,当径向间隙从0.03 mm增大到0.1 mm时,压力变化速率越来越慢,随着径向间隙变大,内泄漏增加,压力变化速度变慢,压力特性曲线离正常值越来越远。

4 基于SVM的阀芯磨损故障诊断分析

4.1 支持向量机原理

目前,支持向量机主要应用于回归估计、模式识别等领域,其可以很好解决小样本、非线性和高维模式识别问题。SVM最优分类超平面原理[15]如图7所示。

图7 线性可分下的最优分类面Fig.7 Optimal classification surface under linear separability

其中,假设样本集(xi,yi),i=1,2,…,n,xi∈Rn,yi∈{+1,-1}能够正确的分开,B1和B2是样本边界,两者之间的距离称为分类间隔。假设某一超平面B:ω·x+b=0,为了使支持向量距离最优分类面之间距离最大,得到如下约束问题:

(10)

其中,惩罚因子C(C>0),松弛变量ξi≥0。

在训练样本可分时,无需引入惩罚因子和松弛变量。通过定义拉格朗日函数,最优分类超平面求解问题转化成求解二次规划寻优的对偶问题,如下所示:

(11)

其中,αi为拉格朗日乘子。

求得上述问题最终的决策函数为:

(12)

针对非线性问题的处理,通过核函数将非线性样本空间映射到线性高维空间,在高维空间中求解超平面。对于线性不可分的问题,引入核函数,核空间的原理如图8所示。

图8 核空间的基本原理Fig.8 Fundamentals of nuclear space

将非线性映射φ(x)称为核函数,其一般表示为K(x,y),其实是两个数据点的内积,即K(x,y)=[φ(x)·φ(y)],其是希尔伯特空间上的内积。

根据满足Mercer条件不同的核函数,目前应用较多的四种核函数为线性核函数、多项式核函数、高斯径向基函数和Sigmoid核函数,其中多项式核函数和高斯径向基函数应用的最多,因其从低维到高维的映射能力更好。如果对样本分布不清楚时,可以选择高斯径向基函数,在软件里通常会把其当作默认项。那么超平面最优化问题将变成:

(13)

决策函数变成:

(14)

因此,SVM故障诊断步骤如下:

(1) 根据数据训练样本集;

(2) 选择合适的核函数以及相关参数;

(3) 对样本进行归一化;

(4) 求解优化方程,找到支持向量,求解分类超平面系数b;

(5) 根据决策函数,得到类别输出值。

4.2 阀芯磨损故障诊断

磨损故障诊断是模式识别分类问题,利用SVM解决该类问题关键的是训练分类器。通过AMESim软件仿真可以得到电流-压力特性曲线,对三种不同磨损程度的特征曲线进行分析,得到3组数据,去伪存真处理后,每组数据由150个点的压力值组成,然后在MATLAB里面利用Libsvm工具箱来训练模型以解决分类问题,主要有三个函数svmscale.exe,svmtrain.exe,svmpredict.exe,这里只简述第一个函数。svmscale.exe用来对数据集进行缩放,防止一些特征值范围过大或过小,避免计算内积时数值计算的困难。因此,通常将数据缩放到[-1,1]或者是[0,1]之间。

设置状态标号1表示磨损率0.03 mm,状态标号2表示磨损率0.06 mm,状态标号3表示0.1 mm,特征值是压力特性曲线中提取的压力值,归一化后训练样本数据如表2所示。

表2 训练样本数据Tab.2 Data of training samples

两两配对,一共得到三个分类器,选择高斯径向基函数,把数据放入训练函数,最后训练完成。将磨损率为0.058 mm和0.062 mm的数据当作测试集,测试样本数据如表3所示。

表3 测试样本数据Tab.3 Data of testing samples

根据训练模型和测试函数,对测试样本进行测试,最终输出的结果均为类别2,这说明SVM判定其磨损率是0.06 mm,如图9所示。

图9 SVM预测结果Fig.9 SVM prediction result

通过诊断结果分析可看出,从磨损故障仿真中提取压力特征参数的时域特征值作为支持向量机故障诊断的训练样本和测试样本,在训练样本很少的情况下就能得到满意的诊断效果。

5 实验验证

利用多路阀综合试验台获取双阀芯电液阀压力特性曲线,如图10所示。

图10 双阀芯电液阀实验测试Fig.10 Experimental test of electro-hydraulic valve with double spool

本次实验选用的是同一阀芯的两种状态,即新阀芯和人为磨损阀芯,新阀芯的直径为16 mm,人为磨损阀芯的磨损量为0.08 mm,如图11所示。

图11 实验测试不同阀芯Fig.11 Experimental test of different spool

如图12是两种情况下测得的压力特性曲线图。

图12 阀芯磨损前后压力特性曲线Fig.12 Pressure characteristic curves of spool before and after wear

由图12可以看出,压力特性曲线随阀芯磨损程度变化而变化,磨损程度越高,压力特性曲线斜率越小。

设置状态编号1表示新阀芯,设置状态标号2表示人为磨损的阀芯,根据实验所测的压力特性曲线,去伪存真,每组选取500个压力值,一共2组。训练样本如表4所示。

表4 实验训练样本数据Tab.4 Experimental training sample data

通过交叉验证,得出惩罚因子C为0.000977,核函数取高斯径向基函数,使用训练函数进行训练。测试样本数据与训练样本数据选取原则相同,分别在两个状态下,根据压力特性曲线,选择其中的压力值作为测试数据,每组同样是500个,共2组。测试样本如表5所示。

表5 实验测试样本数据Tab.5 Experimental testing sample data

类别1代表新阀芯,类别2代表人为磨损的阀芯,SVM诊断结果如图13所示。

图13 SVM诊断结果Fig.13 SVM diagnosis result

通过图13诊断结果可以看出,从正确率角度分析可以达到预期效果。结合实验和仿真的结果可知,少量的训练样本也可得到很好的诊断效果,为阀芯磨损故障诊断领域提供了一种新的智能诊断方法。

6 结论

针对工程机械用多路阀磨损故障频率高,故障类型不易诊断的问题,理论分析双阀芯电液阀不同磨损下对零位压力增益的影响,在AMESim中搭建仿真模型并模拟不同磨损情况下的压力特性进行仿真分析,基于SVM进行故障诊断,对不同磨损情况的仿真数据进行故障特征提取,将归一化后的数据代入SVM模型进行训练和测试,完成对各磨损阀芯的故障诊断。通过仿真和实验可知,双阀芯电液阀的压力增益随着磨损程度增加而减小,支持向量机具有较好的诊断效果。