基于高斯模糊和BP神經(jīng)網(wǎng)絡(luò)的汽車(chē)液壓轉(zhuǎn)向系統(tǒng)故障診斷

郭 媛, 汪 勝, 李世超, 曾良才

(1.冶金裝備及其控制教育部重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430081;2.機(jī)械傳動(dòng)與制造工程湖北省重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430081; 3.武漢科技大學(xué) 精密制造研究院, 湖北 武漢 430081)

引言

液壓轉(zhuǎn)向系統(tǒng)是汽車(chē)中至關(guān)重要的組成部分。該系統(tǒng)的故障不僅會(huì)影響車(chē)輛的行駛穩(wěn)定性和安全性,還會(huì)降低整車(chē)的可靠性和經(jīng)濟(jì)性。因此,對(duì)液壓轉(zhuǎn)向系統(tǒng)的故障進(jìn)行快速、準(zhǔn)確的診斷至關(guān)重要。

在汽車(chē)液壓轉(zhuǎn)向系統(tǒng)的故障診斷方面,國(guó)內(nèi)外的學(xué)者提出了很多切實(shí)可行的診斷方法,常用的方法包括BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹(shù)等,其中,BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的一種方法。但直接使用BP神經(jīng)網(wǎng)絡(luò)對(duì)故障數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè),存在欠擬合或過(guò)擬合的風(fēng)險(xiǎn),而且診斷的正確率較低,診斷精度的穩(wěn)定性和可靠性也無(wú)法保證。基于高斯模糊和BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法,能保證故障診斷的精度,具有較高的泛化能力,還能解決過(guò)擬合的問(wèn)題。

該診斷方法可以有效地處理汽車(chē)液壓轉(zhuǎn)向系統(tǒng)中的信號(hào),提高故障診斷的準(zhǔn)確性和效率[1-2]。隨著車(chē)輛電子化、智能化的發(fā)展,汽車(chē)液壓轉(zhuǎn)向系統(tǒng)采集的數(shù)據(jù)量越來(lái)越大,需要更快、更準(zhǔn)確的方式來(lái)進(jìn)行故障診斷。傳統(tǒng)的經(jīng)驗(yàn)式的故障診斷方法需要專(zhuān)業(yè)知識(shí)和經(jīng)驗(yàn)豐富的技術(shù)人員進(jìn)行判斷,而基于人工智能技術(shù)的故障診斷方法可以通過(guò)對(duì)數(shù)據(jù)的分析和處理,自動(dòng)化地進(jìn)行故障診斷,不需要人為干預(yù),因此在實(shí)際應(yīng)用中具有廣闊的發(fā)展前景。

汽車(chē)液壓轉(zhuǎn)向系統(tǒng)中的信號(hào)包括壓力、流量、溫度、噪聲、泄漏量等多種類(lèi)型,這些信號(hào)包含了系統(tǒng)的各種狀態(tài)信息,可以用于故障診斷。然而,由于這些信號(hào)的復(fù)雜性和多樣性,傳統(tǒng)的診斷方法很難準(zhǔn)確地分析和處理這些信號(hào)。因此,需要采用模糊化的方法對(duì)這些信號(hào)進(jìn)行處理,將其轉(zhuǎn)化為易于處理的模糊量,再使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷[1-2]。

該診斷方法主要工作包括:首先,采用高斯模糊化處理的方式對(duì)汽車(chē)液壓轉(zhuǎn)向系統(tǒng)的信號(hào)進(jìn)行處理,將其映射為一組多元模糊集合,有效地描述了系統(tǒng)的狀態(tài);其次,使用BP神經(jīng)網(wǎng)絡(luò)對(duì)故障進(jìn)行分類(lèi)和回歸預(yù)測(cè),提高了預(yù)測(cè)準(zhǔn)確性和泛化能力;最后,通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的有效性和優(yōu)越性,可以為汽車(chē)液壓轉(zhuǎn)向系統(tǒng)的故障診斷提供一種高效、準(zhǔn)確的解決方案。

總之,汽車(chē)液壓轉(zhuǎn)向系統(tǒng)故障診斷研究具有重要的理論和應(yīng)用價(jià)值,人工智能技術(shù)的應(yīng)用可以提高診斷準(zhǔn)確度和效率,高斯模糊化處理可以將復(fù)雜多變的信號(hào)轉(zhuǎn)化為易于處理的模糊量,為進(jìn)一步提高故障診斷的精度和可靠性奠定了基礎(chǔ)。該方法可以為汽車(chē)液壓轉(zhuǎn)向系統(tǒng)的故障診斷提供一種有效的解決方案[3-4]。

1 液壓轉(zhuǎn)向系統(tǒng)數(shù)據(jù)采集

液壓轉(zhuǎn)向系統(tǒng)的故障可以用多種信號(hào)來(lái)衡量,比如壓力[5]、噪聲、溫度、流速、轉(zhuǎn)速、泄漏量[6]、關(guān)鍵位置的運(yùn)動(dòng)、振動(dòng)、液位等。但是在實(shí)際監(jiān)測(cè)過(guò)程中,還需考慮采集信號(hào)的靈敏度、采集設(shè)備的成本、故障和信號(hào)的關(guān)聯(lián)度等,綜合來(lái)看,把監(jiān)測(cè)壓力、溫度、噪聲、流量和泄漏量這5個(gè)信號(hào)相結(jié)合符合預(yù)期需求[7]。

如圖1所示,該液壓轉(zhuǎn)向系統(tǒng)的工作原理是方向盤(pán)連接到轉(zhuǎn)閥式全液壓轉(zhuǎn)向器6的操縱機(jī)構(gòu)上,通過(guò)方向盤(pán)使全液壓轉(zhuǎn)向器6的閥芯轉(zhuǎn)動(dòng),控制壓力油(p1)以小流量q通往流量放大器2的閥芯左側(cè)a或右側(cè)b,從而使流量放大器2的閥芯向右移動(dòng)或向左移動(dòng),則p2壓力油以大流量Q通往轉(zhuǎn)向缸1的A腔或B腔,實(shí)現(xiàn)裝載機(jī)左右轉(zhuǎn)向[8]。主要液壓元器件有過(guò)濾器、液壓泵、壓力控制閥、換向閥、液壓缸和油箱等,如圖2壓力異常故障樹(shù)所示,液壓轉(zhuǎn)向系統(tǒng)一般會(huì)出現(xiàn)以下幾個(gè)常見(jiàn)的故障:液壓泵泄漏、液壓缸無(wú)動(dòng)作、液壓缸爬行、溢流閥故障、管道泄漏和管道堵塞等[9-11]。

1.轉(zhuǎn)向缸 2.流量放大閥 3.濾油器 4.轉(zhuǎn)向泵 5.減壓閥 6.全液壓轉(zhuǎn)向器圖1 汽車(chē)液壓轉(zhuǎn)向示意圖Fig.1 Schematic diagram of vehicle hydraulic steering

圖2 壓力異常故障樹(shù)Fig.2 Pressure abnormal fault tree

以壓力異常為例,該汽車(chē)轉(zhuǎn)向系統(tǒng)的正常壓力為20 MPa,根據(jù)故障數(shù)據(jù)集可把20 MPa設(shè)置為壓力正常均值,25 MPa設(shè)置為壓力偏高均值,12 MPa設(shè)置為壓力偏低均值[12-13]。

2 高斯模糊化處理的方法

在液壓系統(tǒng)的故障數(shù)據(jù)采集過(guò)程中,可以明顯發(fā)現(xiàn)故障類(lèi)型和故障數(shù)據(jù)并不是一一對(duì)應(yīng)的關(guān)系,而是在一定的范圍波動(dòng),因此,在對(duì)定性和定量分析,需要用高斯隸屬函數(shù)作為橋梁,高斯隸屬函數(shù)能把輸入的信號(hào)按照給定的均值和方差,映射到0～1之間。以壓力信號(hào)為例,該液壓轉(zhuǎn)向系統(tǒng)正常工作壓力在18～24 MPa 之間,規(guī)定20 MPa為壓力正常的高斯隸屬函數(shù)的均值,12 MPa為壓力偏低的均值,25 MPa為壓力偏高的均值。結(jié)合現(xiàn)場(chǎng)維修的實(shí)際數(shù)據(jù), 劃定方差為7 MPa,以此類(lèi)推, 可得溫度、噪聲、流量和泄漏量的均值和方差[14],如表1所示。

表1 隸屬集合設(shè)置Tab.1 Membership setsetting

在高斯模糊化處理中,一般用模糊集合理論對(duì)不確定和具有模糊性質(zhì)的對(duì)象進(jìn)行數(shù)學(xué)表達(dá),將對(duì)象的隸屬度映射到一個(gè)范圍內(nèi)的模糊值上。在對(duì)液壓轉(zhuǎn)向系統(tǒng)的故障數(shù)據(jù)處理方面,可以將采集到的原始數(shù)據(jù)轉(zhuǎn)化為一個(gè)個(gè)的模糊子集,其中,每個(gè)元素在每一個(gè)子集中都有一定的隸屬度,代表該元素屬于該子集的貼近程度。

具體來(lái)說(shuō),液壓轉(zhuǎn)向系統(tǒng)的采集信號(hào)包括壓力、流量、溫度、噪聲、泄漏量等,對(duì)于每個(gè)信號(hào),可以分別將其高斯模糊化處理。以壓力信號(hào)為例,可以將其劃分到多個(gè)模糊子集,例如壓力偏高、壓力正常、壓力偏低等,并給出每個(gè)子集的隸屬度。這樣,每個(gè)壓力采集值就可以被映射為一個(gè)包含多個(gè)模糊子集的模糊集合,其中每個(gè)子集都代表了該采集值在不同子集中的隸屬程度。

在將多個(gè)采集信號(hào)都進(jìn)行高斯模糊化處理之后,就可以組合成一個(gè)多元模糊集合,用于對(duì)液壓轉(zhuǎn)向系統(tǒng)的狀態(tài)進(jìn)行描述。高斯隸屬函數(shù)的具體公式表達(dá)如下:

(1)

式中,μ—— 隸屬度函數(shù)

x—— 輸入值

c—— 高斯函數(shù)的中心

σ—— 高斯函數(shù)的標(biāo)準(zhǔn)差

將表1的數(shù)據(jù)代入,各個(gè)故障數(shù)據(jù)的隸屬集合圖像如圖3所示。

圖3 集合隸屬曲線(xiàn)Fig.3 Set membership curve

結(jié)合液壓轉(zhuǎn)向系統(tǒng)故障樹(shù)和實(shí)際的故障數(shù)據(jù),可得到原始故障數(shù)據(jù)作為訓(xùn)練集,如表2所示。

表2 訓(xùn)練集原始數(shù)據(jù)Tab.2 Raw data of training set

高斯模糊化后的訓(xùn)練集數(shù)據(jù),如表3所示。從原始故障數(shù)據(jù)中取部分?jǐn)?shù)據(jù)作為測(cè)試集,如表4所示。高斯模糊化后的測(cè)試集如表5所示。

表3 訓(xùn)練集高斯模糊化后的數(shù)據(jù)Tab.3 Data after gaussian blurring in training set

表4 測(cè)試集原始數(shù)據(jù)Tab.4 Raw data of test set

表5 測(cè)試集高斯模糊化后的數(shù)據(jù)Tab.5 Data after gaussian blur of test set

3 BP神經(jīng)網(wǎng)絡(luò)的原理和訓(xùn)練方法

3.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般包含輸入層、隱藏層和輸出層。理論上,作為非線(xiàn)性系統(tǒng),3層的BP神經(jīng)網(wǎng)絡(luò)能把輸入的參數(shù)映射到任意目標(biāo)輸出[15],其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.4 BP neural network topology

輸入層接受來(lái)自外部的信息輸入,隱藏層對(duì)輸入信號(hào)進(jìn)行加權(quán)處理和非線(xiàn)性變化,再通過(guò)輸出層把信號(hào)作分類(lèi)或者回歸輸出[16]。設(shè)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的輸入層有M個(gè)節(jié)點(diǎn)、隱藏層有N個(gè)節(jié)點(diǎn)、輸出層有P個(gè)節(jié)點(diǎn),訓(xùn)練集的樣本數(shù)量為K,那么隱藏層第j個(gè)節(jié)點(diǎn)的輸出yj為:

(2)

其中,xi表示輸入層第i個(gè)節(jié)點(diǎn)的輸入值,表示隱藏層第j個(gè)節(jié)點(diǎn)的閾值,wij表示輸入層到隱藏層路徑節(jié)點(diǎn)的權(quán)值。同理,可得到輸出層的節(jié)點(diǎn)輸出zk為:

(3)

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)的精度可以通過(guò)CrossEntropyLoss來(lái)呈現(xiàn)為式(4):

(4)

上述是BP神經(jīng)網(wǎng)絡(luò)的正向傳播過(guò)程,其目的就是得到期望輸出和實(shí)際輸出的差值,也就是誤差,接下來(lái)是反向傳播的過(guò)程。通過(guò)正向傳播得到的誤差,不斷調(diào)整輸入層、隱藏層和輸出層之間的權(quán)值和閾值,權(quán)重的具體更新公式為:

(5)

式中,E—— 誤差

η—— 學(xué)習(xí)率

zk—— 隱藏層到輸出層的實(shí)際輸出值

而從隱藏層到輸入層權(quán)重更新公式為:

(6)

其中,yj表示輸入層到隱藏層的實(shí)際輸出值。

同理,閾值Δθj和Δθk的更新方式也和權(quán)重的更新方式一致。

3.2 BP神經(jīng)網(wǎng)絡(luò)參數(shù)選擇

在搭建的BP神經(jīng)網(wǎng)絡(luò),輸入層的節(jié)點(diǎn)數(shù)是由待分析數(shù)據(jù)樣本的寬度確定的,原始數(shù)據(jù)經(jīng)過(guò)高斯模糊化之后,得到輸入的節(jié)點(diǎn)數(shù)為13。輸出層的節(jié)點(diǎn)數(shù)是由最終需確定的狀態(tài)數(shù)決定的,由故障種類(lèi)得知,一共需確定7個(gè)故障狀態(tài),因此輸出節(jié)點(diǎn)數(shù)為7。而隱藏層的節(jié)點(diǎn)數(shù)一般可依據(jù)下面的經(jīng)驗(yàn)公式:

(7)

其中,mi,mh和mo分別表示輸入層、隱藏層和輸出層的節(jié)點(diǎn)數(shù),而x的值可依據(jù)具體情況調(diào)整。經(jīng)過(guò)多次嘗試,最終隱藏層的節(jié)點(diǎn)數(shù)確定為20。

4 實(shí)驗(yàn)

以某汽車(chē)的液壓轉(zhuǎn)向系統(tǒng)為實(shí)驗(yàn)對(duì)象,對(duì)其系統(tǒng)常見(jiàn)的故障進(jìn)行模擬實(shí)驗(yàn)。通過(guò)實(shí)際的修理數(shù)據(jù)結(jié)合故障樹(shù)建立故障訓(xùn)練測(cè)試集和測(cè)試數(shù)據(jù)集,如表3和表5所示,故障編碼如表6所示。

表6 故障編碼表Tab.6 Fault code list

實(shí)驗(yàn)流程如圖5所示。

圖5 實(shí)驗(yàn)流程圖Fig.5 Experimental flow chart

使用python語(yǔ)言搭建故障診斷神經(jīng)網(wǎng)絡(luò)模型,將高斯模糊化之后的壓力、溫度、噪聲、流量和泄漏量作為BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn),故障標(biāo)簽作為輸出節(jié)點(diǎn),輸入層和隱藏層使用sigmoid作為激活函數(shù),使用CrossEntropyLoss作為誤差判定,為防止過(guò)擬合,經(jīng)過(guò)多次測(cè)試,學(xué)習(xí)率取0.01較為合適。優(yōu)化器選用Adam算法優(yōu)化器。

4.1 高斯模糊化故障數(shù)據(jù)實(shí)驗(yàn)

搭建BP神經(jīng)網(wǎng)絡(luò)完畢后,把高斯模糊化后的訓(xùn)練集(表3)作為訓(xùn)練樣本,高斯模糊化后的測(cè)試集(表5)作為測(cè)試樣本,經(jīng)過(guò)測(cè)試發(fā)現(xiàn),當(dāng)隱藏層的節(jié)點(diǎn)數(shù)取20時(shí),訓(xùn)練的效果最佳。每一個(gè)樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)會(huì)得到7個(gè)數(shù)據(jù),用argmax函數(shù)取其中最大值所在的位置作為預(yù)測(cè)的標(biāo)簽,測(cè)試結(jié)果如表7所示。

表7 高斯模糊化測(cè)試結(jié)果Tab.7 Gaussian fuzzing test results

實(shí)驗(yàn)過(guò)程中的誤差E和訓(xùn)練輪次n的關(guān)系如圖6所示,該圖顯示,訓(xùn)練輪次在70次附近,誤差已接近最小值,在0.03左右,部分?jǐn)?shù)據(jù)如表8所示。

表8 高斯模糊化誤差-輪次數(shù)據(jù)(部分)Tab.8 Gaussian blurring loss-epoch data (partial)

4.2 未高斯模糊化故障數(shù)據(jù)實(shí)驗(yàn)

在相同的條件下, 直接使用未高斯模糊化的數(shù)據(jù)進(jìn)行實(shí)驗(yàn),即,使用表2和表4的數(shù)據(jù),根據(jù)輸入的維度,調(diào)整神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),使得其能輸出合適的數(shù)據(jù),其他的參數(shù)維持不變,得到的實(shí)驗(yàn)預(yù)測(cè)結(jié)果如表9所示,誤差曲線(xiàn)如圖7所示。

圖7 未高斯模糊化數(shù)據(jù)的誤差-輪次曲線(xiàn)Fig.7 Loss-epoch curve of non-gaussian blurred data

從表9中可以看出,故障標(biāo)簽3的預(yù)測(cè)值和目標(biāo)值不匹配,正確率只有85.7%,并不能達(dá)到100%的正確率。

從高斯模糊化的結(jié)果和未高斯模糊化的結(jié)果來(lái)看,結(jié)合圖6和圖7以及表8和表10的對(duì)比,可以分析出,高斯模糊化的結(jié)果有顯著的優(yōu)越性,主要體現(xiàn)在以下幾點(diǎn):(1)從準(zhǔn)確率來(lái)看,高斯模糊化后的預(yù)測(cè)結(jié)果可以保證100%的準(zhǔn)確性;(2)從訓(xùn)練輪次來(lái)看,高斯模糊化后的數(shù)據(jù)僅需70輪的訓(xùn)練即可保證結(jié)果收斂,并能維持較低的誤差,而未高斯模糊化需要訓(xùn)練超過(guò)500輪,才能使誤差接近高斯模糊化后的水平;(3)從誤差圖像來(lái)看,高斯模糊化的曲線(xiàn)表現(xiàn)更加平穩(wěn),而未高斯模糊化的曲線(xiàn)比較容易陷入局部最小值,導(dǎo)致預(yù)測(cè)失誤。

表10 未高斯模糊化誤差-輪次數(shù)據(jù)(部分)Tab.10 Non-gaussian blurring loss-epoch data (partial)

5 結(jié)論

綜上所述,提出了一種基于高斯模糊化和BP神經(jīng)網(wǎng)絡(luò)的汽車(chē)液壓轉(zhuǎn)向系統(tǒng)故障診斷方法,該方法結(jié)合了高斯模糊化處理和神經(jīng)網(wǎng)絡(luò)算法,能夠有效地提高故障診斷的準(zhǔn)確性和泛化能力。通過(guò)對(duì)照實(shí)驗(yàn)的比較,證明了高斯模糊化處理的優(yōu)越性,其能夠減小過(guò)擬合的可能性,同時(shí)還能減少訓(xùn)練時(shí)間和計(jì)算量。因此,該方法具有重要的實(shí)用價(jià)值和推廣意義。未來(lái)的研究可以進(jìn)一步優(yōu)化該方法,提高其準(zhǔn)確性和穩(wěn)定性,以滿(mǎn)足實(shí)際應(yīng)用中的需求。