基于SOM的電靜壓伺服機構油濾堵塞故障診斷

　　摘要：以電靜壓伺服機構(EHA)為研究對象，對該機構特有的油濾堵塞故障模式進行故障診斷.首先在AMESim系統中建立EHA的仿真模型，并根據油濾堵塞程度劃分故障狀態;然后以仿真中作動器的位移、電機轉速和電機電流(指非輸入電流)為特征值，建立基于自組織特征映射神經網絡的EHA故障診斷模型，并以神經元反饋分布作為故障標識，進行故障診斷;最后利用樣機的實測數據建立EHA的故障診斷模型，驗證所提出方法的可行性.研究結果可應用到其他故障模式中.

　　關鍵詞：電靜壓伺服機構;油濾堵塞;自組織映射神經網絡;AMESim系統

　　電液伺服機構因其良好的穩定性和高響應性，被廣泛應用于航空航天領域•其中，電靜壓伺服機構(EHA，Electro-HydraulicActuator)作為一種新型的電液伺服機構，既具有與電機伺服機構(EMA，Electro-MechanicalActuator)類似的電機驅動和控制功能，又具備高承載、易實現余度設計等突出優點，是當今伺服機構的主要發展趨勢之一⑴.但是，EHA是一個復雜的電、氣、液系統，其故障呈現多樣化和廣泛性特點•其中，油濾堵塞故障是EHA相比于EMA特有的故障類型，也是EHA機構的薄弱環節•機構中雙向油濾主要用來濾除系統油路中存在的固體雜質，降低油液的污染度，減少油腔內部的磨損，從而延長使用壽命•文獻[2]研究表明，油濾堵塞會直接導致通油面積減小，流阻和節流損失增大而顯著影響系統的響應速度•

　　堵塞嚴重時還會造成油溫升高，甚至導致液壓部件的損壞.目前，EHA的故障診斷技術尚處于起步階段.WLAMIR等考慮噴嘴堵塞有關的失效模式，提出了一種利用衰落擴展卡爾曼濾波器進行系統辨識的伺服閥退化估計的方法⑸;黃岳等基于執行器內部測點的數據變化，選用多元統計學方法對伺服機構執行器進行了故障診斷⑷.SONG等從數學上推導了電液伺服機構油路泄漏和受摩擦影響的兩種故障模型肖雪等建立了伺服機構健康工況的主元模型，并依據油濾堵塞工況的平方預測誤差統計量、Hotelling-T2統計量及其與健康閾值的對比狀況，進行了故障診斷⑷.這些研究主要針對的是伺服機構的液壓泵、伺服閥等單部件•

　　對于EHA的研究，目前還停留在性能分析與設計階段，且在系統層面利用統計數據分析進行故障診斷的研究很不深入.由于伺服機構本身的復雜性和實際工況的多變性，伺服機構的信號隨外負載而隨機變化，信號不具有典型的頻譜特征，導致特征提取十分困難，因此采用傳統的故障診斷方法無法準確地反饋伺服機構的當前狀態.自組織映射網絡，是一種無監督的學習方式，因此無需設置狀態標簽.它能夠根據輸入樣本的分布，通過神經元之間的競爭選擇獲勝神經元，對輸入模式進行分類，同時能夠識別輸入向量的拓撲結構，展現故障神經元之間的內部關聯性•若將人工神經網絡運用到EHA的故障診斷中，則可從數據處理層面進一步挖掘故障信息和特征，建立更為可靠、精確的故障診斷模型.

　　1自組織映射神經網絡

　　自組織特征映射網絡(Self-OrganizingFeatureMaps，SOFM)又稱自組織映射神經網絡(SOM)，最早由芬蘭赫爾辛基理工大學的神經網絡專家Kohonen于1981年提出⑺，是一種競爭性神經網絡，且具有自組織特性.

　　2仿真建模及數據分析

　　選取油濾堵塞類故障模式，并在AMESim系統中進行仿真建模.在AMESim系統中建立一個模擬飛控系統襟翼結構的電靜壓伺服機構仿真模型&訶.系統在實際運行時，通過飛行控制計算機確定一個特定位置.電機通過泵的液壓來推動作動器，從而移動襟翼來調整飛行姿態，完成指定動作•在仿真模型中，電機驅動液壓泵旋轉而提供系統流量，通過伺服驅動控制器調節電機轉速、方向來改變系統的流量和方向，實現對作動器活塞桿伸縮和速度的控制，同時通過集成位移傳感器，實現反饋閉環控制.在仿真模型中，設置阻尼孔并改變其通徑，以模擬不同程度的油濾堵塞故障工況•將阻尼孔(即油濾通油孔)的直徑分別設為5.0健康工況)、3.0mm、2.0mm、l.5mm，1.0mm、O.5mm.剩余通油面積百分比分別為100%、36%、16%、9%、4%、1%.系統仿真時間為20s，采樣頻率為1000Hz.考慮到現實中傳感器的布置特點及機構布置的合理性，選取作動器位移、電機電流和伸出腔油路壓力這3個量進行信號采集•

　　在高負載情況下，當系統通油面積在16%及以上時，各測量曲線基本重合，無法直接判斷系統狀況;當通油面積下降到4%時，系統各參數的幅值隨著通油面積的下降，出現劇烈變化，相比于正常工況差異較大，作動器出現明顯的沖擊、動作信號出現黏連，無法達到預定運行要求•對此進一步分析研究發現，在無負載下，系統的故障信息差別不大，但作動器位移信號隨著通油孔徑(即通孔直徑)改變而發生變化的趨勢更為明顯.

　　3基于SOM模型的油濾堵塞故障診斷

　　3.1仿真數據訓練及測試

　　(1)在AMESim系統中，選取7類以時間序列為故障樣本的數據集(它包含正常狀態1組，輕微堵塞和嚴重堵塞狀態各3組).每個故障樣本集中含有4組特征，分別是電機電流、電機轉速、輸出位移和輸出速度.(2)選取通孔直徑0.5mm、l.0mm、2.0mm、3.0mm、5.0mm這5類狀態作為訓練樣本，以通孔直徑0.6mm、2.5mm，即通油面積1.44%、25%為測試樣本，并設置神經元個數為10X10，till練步數為1000.那么，應用SOM建立油濾堵塞故障模型的步驟如下：①選取故障樣本;②對每種標準故障樣本進行學習，學習后將具有最大輸出的神經元作為該故障的標記;③將待檢測樣本輸入SOM模型;④若輸出神經元在輸出層的位置與某標準故障樣本的位置相同，則說明待檢測樣本發生了相應的故障;若輸出神經元在輸出層的位置介于很多標準故障之間，則說明這幾種標準故障樣本都有可能發生，且各故障發生的程度可根據該位置與相應標準故障樣本位置的歐式距離來確定.

　　3.2實測數據訓練及測試

　　搭建EHA試驗平臺，在空載荷下進行測試與分析EHA樣機的基本參數如表2所示.以通孔直徑14mm(BP健康工況)作為參考，模擬油濾堵塞導致節流損失增大的故障工況，使通孔直徑下降到6.3mm，通油面積下降到7&29%，進行連續的位置指令階躍信號測試•測試時間為0.5s，采樣頻率為500Hz，同時選取3個直接量(即作動器位移、電機轉速和電機電流)對位移進行微分，得到作動器速度(這里稱作間接量).

　　以兩種工況的3個直接量和1個間接量作為SOM模型的基本參數，完成實測數據的訓練.4結束語通過仿真和試驗數據的SOM模型搭建發現，SOM對于電靜壓伺服機構油濾堵塞故障診斷有良好的適用性，以神經元反饋分布作為故障程度判斷的依據，比傳統上依靠單個神經元來判斷故障狀態更為準確，在缺乏訓練數據的情況下也可反饋當前狀態.盡管本文模型訓練使用的數據點較少，且存在不可預測的測量噪聲，使健康工況也有故障率，最后的反饋分布存在部分異常點，但這些異常點可通過后續加大訓練樣本量或者進一步優化訓練模型得到消除•此外，基于SOM在電靜壓伺服機構油濾堵塞故障診斷方面的研究成果可應用于其他故障模式.

　　參考文獻：

　　「1]GARRISONM，STEFFANS.Two-faulttolerantelectricactuationsystemsforspaceapplications[C^//42ndAIAA/ASME/SAE/ASEEJointPropulsionConference&Exhibit.California，USA：AmericanInstituteofAeronauticsandAstronautics，2006.

　　【2】劉文浚，祁增軻.裝載機液壓油不清潔對液壓系統的影響分析口].酒鋼科技，2018(2):63-66，51.

　　【3】WLAMIROLV，LUIZGDSR，YONEYAMAT.ElectrohydraulicservovalvehealthmonitoringusingfadingextendedKalmanfilter[C^//Prognostics&HealthManagementConference.Beijing，China:IEEE，2015.

　　【4】黃岳，劉丙杰，唐震.基于數據驅動的伺服機構執行器故障診斷「J1科學技術與工程，2009，9(13):3854-3856，3863.

　　相關論文投稿刊物：《科學技術與工程》及時報道我國自然科學各學科基礎理論和應用研究方面具有創新性的最新研究結果，優先登載自然科學基金資助課題及國家、省、部的重大科研項目的研究論文。除發表學術論文、研究簡報等一次文獻外，還有自然科學各領域專家、學者對各專業、各學科的國內外動向和發展前景發表綜述評論。

轉載請注明來自發表學術論文網：http://www.zpfmc.com/dzlw/22144.html