1、第 44 卷第 4 期兵 器 装 备 工 程 学 报2023 年 4月收稿日期:2022 06 24;修回日期:2022 07 18基金项目:广东省普通高校重大专项资助项目(2020ZDZX2032)作者简介:战欣(1979)，女，博士研究生，讲师，E-mail:xzhan0508163 comdoi:1011809/bqzbgcxb202304024基于 PSO-SES-BPNN 算法的液压系统故障诊断模型战欣，刘卓娅(珠海科技学院，广东 珠海519041)摘要:为提高液压系统的故障诊断准确率，分析了液压系统的数据特征，明确了液压系统的数据处理方式及故障类型;以反向传播神经网络(BPNN)算
2、法为基础，采用一次指数平滑法(SES)改进了 BPNN 算法的梯度优化过程;基于粒子群算法(PSO)对 BPNN 算法的主要超参数和 SES 的平滑系数进行了优化，获取了最优超参数模型;以 UCI 的公共数据对基于 PSO-SES-BPNN 算法的液压系统故障诊断模型进行了实验验证。实验结果表明，该模型对有 144 种故障状态的液压冷却过滤系统的故障诊断准确率为 98 06%，诊断性能远高于同类文献研究结果，有助于提高液压系统运行过程的故障诊断效率。关键词:液压系统;故障诊断;反向传播神经网络;一次指数平滑法;粒子群算法;超参数优化本文引用格式:战欣，刘卓娅 基于 PSO-SES-BPNN 算
3、法的液压系统故障诊断模型J 兵器装备工程学报，2023，44(4):172 178Citation format:ZHAN Xin，LIU Zhuoya The model for fault diagnosis of hydraulic systems based on the PSO-SES-BPNNalgorithm J Journal of Ordnance Equipment Engineering，2023，44(4):172 178中图分类号:TP2;TQ573+8文献标识码:A文章编号:2096 2304(2023)04 0172 07The model for fault d
4、iagnosis of hydraulic systemsbased on the PSO-SES-BPNN algorithmZHAN Xin，LIU Zhuoya(Zhuhai College of Science and Technology，Zhuhai 519041，China)Abstract:In order to improve fault diagnosis accuracy of a hydraulic system，this paper firstly analyzesdata characteristics of the system，and clarifies its
5、 data processing method and fault type Secondly，basedon the back-propagation neural network(BPNN)algorithm，the gradient optimization process of the BPNNalgorithm is improved by using the single exponential smoothing(SES)method In the third step，particleswarm optimization(PSO)is used to optimize the
6、main hyper-parameters of the BPNN algorithm and thesmoothing coefficients of the SES，and the optimal hyper-parameter model is obtainedLastly，thehydraulic system fault diagnosis model based on the PSO-SES-BPNN algorithm is experimentally verified byUCI public data The experimental results show that t
7、he model has a fault diagnosis accuracy of 98 06%for hydraulic cooling and filtering systems with 144 fault states，and the diagnostic performance is muchhigher than that of the similar literature studies，which is helpful in improving fault diagnosis efficiency ofhydraulic systems during operationKey
8、 words:hydraulic system;fault diagnosis;BPNN;SES;PSO;hyper-parameter optimization0引言一直以来液压系统的故障诊断问题都是工程技术人员的重点研究对象。液压系统包含许多回路，系统由许多元件组成，元件之间存在时空耦合关系。因此，液压系统在运行过程中发生故障的概率较高，故障模式具有隐蔽性、随机性和复合性等特点1。例如组件之间的泄漏，摩擦变化，流体特性变化，传感器问题和供应压力变化，这些都会导致系统性能下降。如果未及时检测到这些故障，将导致完全的系统故障2。这将造成人员生命和财产损失。于喜金等利用 BPNN 对 VMD 方
9、法处理后的液压管路信号进行故障诊断，诊断准确率达 99 32%3。Zhao 等4 采用反向传播神经网络算法对液压系统进行故障诊断。Helwig等5 运用人工神经网络和支持向量机算法解决液压系统故障诊断问题，最好故障诊断准确率平均值为 82 6%。Peng等6 利用 DBA 最近质心和随机森林时间序列方法对与本文中液压系统相同的数据集进行故障诊断，故障诊断准确率最高为 95 11%。综合对比上述故障诊断算法，本研究中建立了基于PSO-SES-BPNN 的故障诊断优化算法，考虑 MBGD 对 BPNN算法性能影响机理，采用 SES 对 MBGD 进行改进;由于各种神经网络算法的超参数问题一直是困扰
10、研究人员的难题7，本文中利用 PSO 对 SES-BPNN 算法的主要超参数进行了优化，同时以故障诊断准确率为评价指标寻找最优超参数取值组，最终确定了最优液压系统故障诊断模型。1液压系统的数据特征1 1液压系统结构液压系统实验平台数据来源于 UCI 上的公共数据集。液压系统由 2 部分组成。图 1液压系统原理图Fig 1 Schematic diagram of hydraulic system图1(a)为主工作回路，图1(b)为辅助冷却 过滤回路。这 2 个部分通过油箱连接，系统有 14 个用于测量过程值的传感器:压力传感器 PS1 PS6，流量传感器 FS1 和 FS2，电机功率传感器 E
11、PS1，振动传感器 VS1，温度传感器 TS1 TS4。1 2数据处理本研究处理了 14 个传感器数据和 3 个人工参数数据:Efficiency factor、Virtual cooling efficiency、Virtual cooling pow-er，并将上述 17 个参数直接作为特征。1)同频处理这 17 个参数的采样频率有 3 种，分别是 100、10、1 Hz，具体取决于基础物理值的动态。为了方便数据分析，将 17个参数都转换成采样频率为 10 Hz 的数据集。转换方法为:100 Hz 转换成 10 Hz:从采样周期的第一个数据开始，每 10个数据求平均值构成新数据集;1 Hz
12、 转换成10 Hz:以 TS1 为例，TS1t为原数据集数据值，TS1ti为转换后新数据集数据值。TS1t0=TS1t(1)TS1ti=TS1t+i TS1t+1 TS1t()10(i=1，2，9)(2)2)归一化处理由于传感器类型和物理量不同，样品的大小处于不同的水平。众所周知，比较不同量级的数据是毫无意义的。该液压系统 17 个参数的类型和物理量不同，因此样本的大小处于不同的级别。因此，对 17 个参数做数值归一化处理。归一化区间为 0，1，归一化为x=x xminxmax xmin(3)式中:x 为原始数据;xmax为原始数据的最大值;xmin为原始数据的最小值;x为原始数据的归一化生成
13、值。1 3故障数据集液压系统的结构非常复杂，并具有多种类型的故障5。故障说明见表 1 所示。表1 中的液压系统有 4 种可能发生故障的元件，每种元件又有不同程度的故障状态，例如:泵有弱泄漏和严重泄漏 2种故障状态。液压系统也可能处于同时几个不同元件出现了不同程度的故障状态。为了验证各种液压系统故障诊断模型在不同复杂程度故障问题时的故障诊断性能，将数据集整理成单故障元件、双故障元件、3 个故障元件、4 个故障元件等 4大类15 个数据集。其中故障类型最简单的数据集中只有 2种故障和无故障共3 种状态，为三分类问题;其中故障类型最复杂的数据集共有各种故障和无故障状态共144 种。2算法优化2 1B
14、PNN 算法BPNN 算法信息处理分为前向传播和误差的反向传播 2个过程8，如图 2 所示。BPNN 算法的分类准确率取决于误差反向传播过程中，算法对权值和阈值的修正9。正是通过这个反向传播修正过程，使 BPNN 算法的分类结果与真值更接近10。371战欣，等:基于 PSO-SES-BPNN 算法的液压系统故障诊断模型表 1液压系统的故障元件、模拟故障条件和故障级别Table 1 Fault component，simulated fault condition and fault level of hydraulic system元件条件控制参数可能的范围故障等级冷却器 C1冷却功率降低C1
15、 的风扇占空比3%100%(0 62 2 kW)3:全效率20:效率降低100:几乎完全失效阀 V10开关特性退化V10 控制电流73%100%ofnominal current73:几乎完全失效80:严重滞后90:略微滞后100:最佳切换行为泵 MP1内部泄漏可切换旁通孔(V9)3 mm 0 2 mm3 mm 0 25 mm0:无泄漏1:弱泄漏2:严重泄漏蓄能器(A1 A4)气体泄漏具有不同预充压力的蓄能器 A1 A490，100，115，130 bar90:几乎完全失效100:压力严重下降115:压力略微降低130:最佳压力图 2BPNN 算法原理图Fig 2 Schematic diag
16、ram of BPNN algorithmBPNN 算法反向传播的常用算法是梯度下降法，感知机权重的改进公式如式(4)所示，但该算法经常遇到鞍点问题，这将会导致 BPNN 算法陷入局部最优，而无法跳出11。随机梯度下降法和 Mini 批量梯度下降法遇到鞍点时大多数情况都可以使 BPNN 算法跳出鞍点，但这 2 种方法又都会带来新问题:每次梯度的方向不确定，可能需要很长时间才接近最小值点，而且不会收敛。在梯度的方向不确定问题上，MBGD 法表现更好些。=cost(4)式中:为感知机的权重;为学习率;cost为目标函数关于权重的梯度。鞍点为 g=cost=0 的点。每个感知机的权重和阀值都不会被修正，因此，鞍点会使 BPNN 算法的分类性能将无法再提升。BPNN 算法与其他众多深度学习算法一样都有较多超参数，例如隐藏层有几层?每个隐藏层有多少个感知机?每个感知机的权重和阀值是多少?学习率是多少?选择哪种激活函数等。这些超参数的取值都对 BPNN 算法的分类准确性起着关键性的作用12 13。其中，感知机的权重和阀值可以由反向传播的算法解决。2 2一次指数平滑法SES 的原理是将本期观察值和本