基于距离区分技术的工程机械液压油缸泄漏故障特征提取方法研究

贾志奇 ，石俊杰 ，唐宏宾

(1.中铁广州工程局集团有限公司，广东广州 511459；2.长沙理工大学汽车与机械工程学院，湖南长沙 410114)

0 前言

由于功率大、响应快、精度高等优点，液压系统在工程机械上得到了广泛应用。液压油缸为工程机械液压系统的重要执行机构，但是由于其恶劣的工作环境，长时间的高负荷运行以及不完善的维护措施，都会导致它易出现泄漏。液压油缸一旦泄漏，会出现工作压力不足、工作不平稳等现象，从而影响工程的施工进度和施工质量，甚至会造成人员伤亡。

目前，通常利用压力信号对液压油缸的泄漏进行检测。但现场采集的压力信号常受到液压泵的供油脉动、负载波动和油缸换向冲击等因素的干扰。因此，如何从压力信号中提取故障特征就成为液压油缸泄漏检测的关键。杜文正提出通过检测小波变换在适当尺度上的极大值点，并采用提取压力突变信号特征的方法来实现液压缸内泄漏的故障诊断。TANG和WU将压力信号进行小波分解后得到的各频带信号能量作为特征向量，输入到BP网络分类器中进行泄漏故障的识别和分类。ZHAO等提取了压力信号的小波能量熵，实现了对液压油缸5种不同程度泄漏故障的检测。YAO等分别用时频分析和人工神经网络来检测液压油缸的泄漏故障。陈灏等人利用改进的EEMD方法提取液压系统外部的振动信号，再运用遗传算法对SVM进行参数优化以诊断液压系统泄漏故障。廖辉和乔东凯对液压缸的压力信号进行检测提取，然后利用LS-SVM分类器识别液压缸泄漏故障信号。张兆东等通过对比实时液压缸内部压力信号与提取的相关故障特征量方法，判断液压缸是否发生内泄漏。以上方法在一定程度上实现了对液压油缸泄漏故障的检测，但是对于特征参数的选择总是存在一定的盲目性和随机性，受个人经验和主观因素影响也较大，并且存在分类器计算量过大或分类精度不高等问题。因此，有必要针对液压油缸的泄漏故障特征提取方法开展进一步研究。

故障诊断实质上包括了故障特征提取和模式识别两个过程。其中特征提取是从初始特征参数中挑选出对故障检测最敏感和最有代表性的特征，以达到降低特征空间维数、减小分类器计算量、提高分类器分类精度的目的。当前，用于特征提取的常用方法包括遗传算法、条件熵、模拟退火算法、距离评估技术、距离区分技术等。基于距离区分技术的特征选择方法具有简单、可靠等特点，得到了广泛应用。

本文作者针对工程机械液压油缸泄漏故障检测中压力信号特征提取的难题，提出一种基于距离区分技术的故障特征提取方法。该方法首先采集工程机械液压油缸泄漏状态的压力信号，然后分别提取时域、频域、小波包能量特征、AR模型等初始特征参数，再利用距离区分技术对特征参数进行选择，最后将提取的故障特征输入SVM分类器中进行故障模式识别和分类。

1 信号采集

本文作者开展的液压油缸泄漏故障检测试验在某企业生产的混凝土泵车上进行，其简化液压原理如图1所示。液压泵1、溢流阀2、换向阀3和液压油缸4构成一个驱动负载5的直线往复式机构。试验时，用节流阀6和油管将液压油缸的无杆腔和有杆腔相连接来模拟液压油缸的内泄漏，通过调节节流阀开口大小模拟液压油缸不同程度的泄漏故障。通过压力传感器7采集来自液压油缸无杆腔的压力信号，然后再利用数据采集仪对其进行分析并储存。

图1 液压原理

现场试验场景如图2所示。试验中选用的相关元器件的型号及性能参数如下：压力传感器：MBS3050-060G1154，量程0～40 MPa，电源DC24V，输出电流4～20 mA；动态数据采集仪：德维创数据采集仪DEWE-2521。试验中设定的采样频率为1 000 Hz，采集时间为60 s。为实现变工况下液压油缸泄漏故障的检测，在试验中，分别设置20%、40%和50%排量等3种负载工况，每种负载工况下分别进行液压油缸正常、轻微泄漏、严重泄漏等3种不同故障模式下的试验。采集的样本数量如表1所示。

图2 试验场景

表1 不同故障模式样本数

采集得到的3种负载下液压油缸发生3种不同程度泄漏时的压力信号分别如图3—图5所示。可以看出：随着液压油缸的往复直线运动，压力信号也呈周期性变化，其高压、低压交替出现，分别与高压吸油、低压回油两种工作状态对应；当液压油缸出现内泄漏时，压力信号出现了明显的波动，尤其在高压吸油阶段的波动更为明显；随着泄漏量的不断增大，压力信号的波动也越显著。压力波动会导致液压油缸压力不足，从而无法驱动负载或发生运行不稳定的现象。

图3 20%排量工况下压力信号

图4 40%排量工况下压力信号

图5 50%排量工况下压力信号

由图3—图5中也可以看出；不同的排量对压力信号的变化也有一定影响，即负载变化也会使压力信号产生波动。但是，通常很难从压力信号的波动中判断哪些是由泄漏引起的，哪些是由负载变化引起。因此，如何从压力信号中准确提取泄漏的故障特征就成为一个非常关键的问题。

2 初始特征参数

不同特征域的特征参数对故障的表征不同，它直接决定各类故障模式在后续诊断过程中的难易程度。本文作者选取目前应用较广泛的初始特征参数，包括时域特征参数、频域特征参数、小波能量谱和AR模型参数等作为泄漏故障检测的初始特征参数。

2.1 时域特征参数

离散信号序列可假设为=(,,…,,…,)，其中为信号长度。文中所选用的时域特征包括均值、均方根值、标准方差、偏度、峭度、波峰因子、裕度因子、波形因子、冲击因子，其表达式如表2所示。

表2 时域特征参数表达式

2.2 频域特征参数

设()为原始信号序列=(,,…,,…,)通过Welch法估计得到功率谱密度。为谱线个数，且：

(1)

(2)

文中选择的频域特征包括平均频率、平均频度、波形稳定因子、变化系数、频域偏度、频域峭度、平方根比率，其表达式如表3所示。

表3 频域特征参数表达式

2.3 小波包能量特征

小波包分解可以在全频带对信号进行多层次的频带划分，这些分解在不同频带的信号都具有一定的能量，可以作为表征设备运行状态的特征参数。

对待分析信号进行层小波包的分解及重构，假设分为2个节点，即将待分析信号分解在了2个细分的频带上。将各频带信号的平方和定义为小波包能量，则第个频带的能量为

(3)

则全部2个小波包能量构成了小波包能量特征:

=[,,…,2]

(4)

对采集的压力信号进行4层小波包分解，共得到16个小波包能量特征参数。各频段对应的频带范围如图6所示。

图6 小波包能量特征对应的频带范围

2.4 AR模型参数

对于原始信号序=(,,…,,…,)，可用如下的线性回归模型来描述:

=-1+-2+…+-+

(5)

式(5)表示一个阶自回归模型，即AR()模型。

确定AR模型的阶次是一个关键问题，目前使用最广泛的是AIC (An Information Criterion)准则：

(6)

AR()模型中的自回归参数(=1,2,…,)可以将系统的固有特性体现出来，因此可将它作为反映系统运行状态的特征参数。

在文中，对3种负载下3组模式的压力信号都建立了AR模型，利用AIC 准则计算得到的各AR模型最佳阶次互不相同。为统一，每个压力信号都取前48阶AR模型参数作为特征参数进行分析。

综上所述，文中共选择了80个初始特征参数进行分析，如表4所示。

表4 所选择的初始特征参数统计

3 基于距离区分技术的特征选择方法

若将第2节中提取的全部80个特征参数直接输入故障分类器，则会因为不同特征参数相互之间有冗余性和相关性，使诊断准确性得不到保障，还会增加计算量，影响诊断速度。因此，应找出对故障模式比较敏感的特征参数以筛选特征参数。为此，采用一种基于距离区分技术对敏感特征进行选择的方法。

假定有个样本集，包括个不同的类别，其中第类有(=1,2,…,)个样本，每个样本由个特征参数表示，第个样本的第个特征用表示。则该特征选择方法如下：

(1)计算所有样本第个特征参数的均值和标准方差：

(7)

(8)

(2)计算第类样本的第个特征参数的均值和标准方差：

(9)

(10)

(3)计算第个特征的类中心的加权标准方差:

(11)

(12)

(4)计算第个特征的距离区分因子：

(13)

式中:b为不同类间的第个特征之间的距离;为控制w影响的参数;w为同类间第个特征之间的距离。

(5)先将变化的距离区分因子按照降序排列，再将其正则化处理，即：

(14)

(6)设为阈值，如果≥，则将从个特征中选出相对应的特征参数，否则就去掉相应的特征参数。在设定阈值的时候必须遵循一个原则，即通过逐渐提高的取值来筛选特征参数的个数，再将通过筛选的特征参数导入到分类器中，以进行训练和测试，当分类的准确率到达设定的阈值时，停止对特征参数的进一步选择。

该特征选择方法的基本原理如图7所示。假定3种不同类别(=3)的样本，每种类别包含的样本个数均为10(===10)，分别用2个特征参数(=2)、对它们进行区分，表示特征在类1和类2间的距离，表示特征在类1的类内距离，其他符号的意义依次类推。

图7 特征选择方法示意

4 液压油缸泄漏故障特征提取

利用第3节中介绍的特征选择方法对第2节中提取的80个特征参数进行敏感度评判，各特征参数的敏感度大小如图8所示。可知：当阈值取0.8时，共有3个时域特征、1个小波能量谱、7个AR模型参数共11个特征参数被选中。这些特征参数被认为是对油缸泄漏敏感的故障特征参数，可以一起构成特征向量，输入故障分类器中进行状态识别和分类。

图8 特征参数敏感度大小(阈值为0.8)

图9 阈值与敏感特征参数的关系 图10 阈值对分类准确率的影响

表5列出了几种不同阈值时敏感特征参数的个数和分类器的分类准确率。可以看出：当阈值为0.75～0.77时，SVM的分类准确率达到了90%以上，最高分类精度为93.3%，BP网络的最高分类精度也达到了86.7%。因此，利用文中提出的方法，可以有效提取液压油缸泄漏的故障特征，实现对液压油缸泄漏的故障检测。

表5 不同阈值时敏感特征参数的个数和分类器的分类准确率

5 小结

(1)针对进行工程机械液压油缸泄漏故障诊断时特征提取的难题，提出了一种基于距离区分技术的故障特征提取方法。首先采集液压油缸的压力信号，然后提取压力信号的时域、频域、小波包能量特征、AR模型等初始特征参数，再通过距离区分技术选取敏感特征参数，最后输入SVM和BP网络等分类器进行故障检测。

(2)通过试验验证了文中所提出的故障特征提取方法的有效性。结果表明：利用该方法，选用SVM做故障分类器时准确率达到了93.3%，选用BP网络做故障分类器时准确率达到了86.7%。该方法可有效实现对工程机械液压油缸泄漏的故障检测。