VMD和LSTM模型的惩罚因子优化，对卡箍故障振动信号诊断有何优势

在阅读此文前，麻烦您点击一下“关注”，方便您进行讨论和分享，给您带来不一样的参与感，感谢您的支持。

文| 晓山青

编辑| 晓山青

●—≺ 大数据分析液压诊断技术 ≻—●

航空发动机液压管路-卡系统中卡箍振动信号具有非线性和非平稳性的特点，难以从卡箍故障信号中准确识别出其故障类型｡

针对该问题，提出了一种基于变分模态分解-长短时记忆神经网络模型的智能故障诊断方法｡

利用遗传算法对VMD的模态分量h值和惩罚因子进行参数优化，然后将优化后的VMD对卡箍故障振动信号进行分解处理。

最后将分解后的模态分量输入LSTM网络中进行特征学习，从而实现卡箍故障的识别｡

该方法是否能实现对卡箍螺栓松动状态、根部断裂状态、衬垫磨损等3种典型故障的精准识别？

●—≺ 液压管路卡箍故障诊断 ≻—●

航空发动机液压管路-卡系统，在复杂的航空发动机附属系统中为航空发动机液压系统提供动力，卡箍作为固定、支撑和连接管路的主要元件。

在液压管路受到强迫振动和自激振动时维护管路的正常工作，本研究提出的基于变分模态分解和LSTM模型的故障诊断方法，对航空发动机液压管路-卡出现的故障进行准确的识别和判定。

对航空发动机管路系统的稳定工作具有重要意义，近年来，国内外学者对于卡箍故障进行了广泛的研究。

针对卡箍断口进行分析诊断，从而确定卡箍断裂的原因，并提出对结构的优化处理以避免该类故障的发生。

提出一种基于多项式Chirplet变换和变分模态分解的轴承故障诊断方法，有效提取了轴承的故障特征。

提出了一种基于改进VMD算法的液压泵寿命状态检测方法，对VMD初始参数进行优化选取，得到了较高的识别准确率。

一种蛙跳优化VMD参数的方法，对轴承故障特征进行了有效提取。

针对卡箍松动的模态变化对卡箍进行诊断和定位，通过固有频率的变化，从而能够得出卡箍出现故障的准确位置。

通过试验获得飞机管路卡箍刚度并将飞机管路卡箍支撑用弹簧支撑简化代替，模态试验结果与试验数据得到稳定的吻合。

本研究以航空液压卡箍-管路系统中的固定卡箍为研究对象，对其故障难以识别的问题在时域和频域两方面，同时进行分析和研究。

首先基于传算法对变分模态分解的模态，分量个数值和惩罚因子a值2个参数进行优化。

选取利用优化后的变分模态，分解方法分析处理卡箍在各种状态下的振动信号，提取有效的故障特征分量。

其次，将分解处理后的信号分量输入LSTM神经网络模型中训练，从而为LSTM神经网络模型的识别提供一定的基础，实现了航空发动机液压管路卡箍故障的智能诊断｡

液压管路卡箍系统，是航空发动机液压管路系统中的重要组成部分，由卡、管路、管接头和液压泵等组成｡

卡箍作为航空发动机液压管路卡系统中的重要零件，主要作用是连接发动机与管路本体，是增强管路刚度、固持管路位置的重要部件｡

由于航空发动机空间布局复杂，管体之间空隙狭小，导致液压管路系统的工作环境较为恶劣，因而其内部零部件易出现磨损和损坏，尤其是在液压管路中容易出现卡箍故障问题管路中的卡分布如图1所示｡

航空发动机正常工作时，由于受到外界机架的基础激励和泵源的流体脉动激励，而发生流固耦合作用导致强迫振动进而引起结构共振，出现强烈振动现象长期以来。

受到强烈振动影响，液压管路的卡箍出现积累性振动失效故障如固定卡箍螺栓松动、卡箍垫片损坏、卡箍衬垫破裂、卡磨损等问题。

对飞机的安全性和发动机的可靠性产生严重威胁，本研究选用的卡箍为304不锈钢连胶条卡，其中几种卡箍的典型故障如图2所示｡

VMD是基于维纳滤波、希尔伯特变换和频率混合所形成的一种将信号f(t)，分解成一系列的模态分量(IMF)的过程。

通过预先设定本征模态函数的分量个数、带宽参数构造约束变分问题，并采用迭代方式搜寻约束变分模型的最优解。

从而获得每个本征模态函数分量的中心频率和带宽，最终实现信号频带的自适应分解，遗传算法(GA)是效仿生物界生存的“物竞天择、适者生存”来进行演化｡

VMD方法分解信号时，由于要在分解之前设定模态分量个数无值，和惩罚因子a值但人为因素的参与和设置必然会导致参数的不确定性，包络熵值作为反应振动信号的一个参数标准。

能够反映概率分布的局部特性，因此以局部极小包络熵值为适应度函数对VMD的[k，a]参数组合进行了优化选取｡

根据更新递推的神经网络，本研究选取Softmax分类器，针对2种管路的2个测点的4情，取代25轮每轮100次代的方式进行训练其中LSTM网络故障诊断模型，主要结构参数如表1所示｡

由于固定卡箍受到航空液压管路中的流固耦合作用、发动机自身振动以及发动机振动产生的巨大的噪声等因素影响，得到的卡箍故障信号难以提取｡

基于VMD和LSTM模型的航空液压管路卡箍故障诊断模型，其具体流程图如图3所示｡

故障诊断模型具体步骤为，利用加度振动传感对航发机液管路固定卡箍的振动信号进行采集，从而获取样本信号。

选取优化后的值和a值优化后的VMD将卡故障振动信号f(t)分成一系列单一的具有不同特征的稳定信号IMF，IMF，IMF(n)。

提取出每一类故障中故障特征明显的2个IMF分量进行汇总，合并成1个多通道样本数据集，将数据集划分成为训练集与测试集两部分。

按照上节所原则设计LSTM神网络型，并通过调试参数获得性能较好的网络训练模型。

通过数据集验证与优化VMDLSTM神经网络模型，液压管路固定卡箍故障诊断模型的有效性和准确性，并与LSTM神经网络模型和BPNN模型的训练结果进行对比分析｡

●—≺ 实验结果与分析 ≻—●

在航空液压管路实验台上，利用加速度振动传感器，分别对液压弯管和直管系统中的固定卡箍进行振动信号的测量，获得固定卡箍的实测数据｡

测点位置选取固定卡箍外壁和管路中间2个测点进行同采集，目的是获得固定卡箍健康状态及螺检松动状态、根部断裂状态、村垫磨损状态4种固定卡状态的振动信号，传感器分布位置如图4所示｡

选取在航空液管路直管的测点1位置上，4定卡状态其VMD分解的时城分解波形图如图5所示｡

利用优化后的VMD方法，实现了航空液压管路卡箍振动信号中各模态函数的自适应分解，解决了由于模态分量h值和拉格朗日分子a值选取不当导致的过分解和欠分解等问题。

验证了基于改进的遗传算法对VMD的分解层数和因子优化选取的可行性减少了人为因素的主观误差｡

利用分解后的一系列单一的具有不同特征的稳定信号IMF(1)，IMF(2)，...IMF(n)挑选出故障特征信号明显的2个IMF分量，合并成1个多通道样本数据集，其中每信号中包含3200个数据点｡

将整个液压管固定卡箍的数据集随机划分为样本集与验证集两部分，比例为8：2，将样本集导人ISTM网络模型中进行训练获得性能较好的训模型，并与LSTM神经网络模型的训练结果进行对比分析｡

选取迭代25作为实验输出结果，得到基于变分模态分解的长短时记忆神经网络模型，和LSTM诊断模型故障诊断方法的准确率，其训练曲线如图6所示｡

由图6可以得到，VMD-LSTM模型相对于LSTM神经网络诊断模型，在0~5代时，在进行7轮收敛选代以后，该方法训练的准确率曲线无明显波动，整体趋于稳定。

且能够达到较高准确率，LSTM神经网络模型在前几轮总体准确率于升势，但代15轮时，LSTM网络型在时出现了不稳定状态，准确率也出现较大的波动。

对结果造成了很大的影响，得不到正确的判断，由此可以得到，VMD-ISTM神经网络模型对复杂的信能够达到较好的处理效果，得到较高的准确率｡

同时得到上述2种方法的损失值训练曲线如图7所示，分析图7中2种神经网络型的训练结果发现：VMD-LSTM神经网络模型在进行05代时，率大幅度降低。

在迭代7轮后损失值基本达到了0值，收敛结果非常稳定，且收敛速度更快｡

反观LSTM神经网络模型，在进行0~5轮代时总体于降低的状态，但从图中可以看出，损失值的波动幅度明显较大，而且在15轮选代之后。

LSTM网络模型出现了严重的离散现象，损失值结果出现了极其不稳定状态，波动幅度很大导致结果的准确性降低｡

VMDLSTM神经网络模型的诊断方法，无论是收敛速度还是收敛稳定性，都明显优于LSTM神经网络模型｡

混矩阵能够更全面地反映每种故障状态的诊断与识别情况，混淆矩阵中的数据集名称如表2所示混阵如图8~图10所示｡

由图8可看出，样本数据的组成分别是航空液压管路卡箍在直管和弯管2种结构情况下，分别在测点1、2采集的4种管路卡状态组成的数据集，利用VMD-LSTM模型训练结果的总体准确率为985%。

由图9可以看出通过LSTM神经网络模型故障诊断方法，基于同一数据集进行训练的结果的总体准确率为93.8%｡

从结果来看，该方法在直管和弯管故障都有不同程度的不完全识别，效果略差于VMD-LSTM神经网络模型｡

由图10可以看出，通过BP神经网络故障诊断模型训练结果的总体准确率为86%｡

从结果来看，该方法在弯管处的识别结果较LSTM模型更差，F1-sore最低为0.01，对测点固定在卡外壁上的直管卡衬垫磨损故障已经不能起到识别作用｡

从3个混淆矩阵图中能够得到，本研究所提出的方法对固定卡箍的诊断准确率有了大幅度的提高，具有更好的故障诊断和识别性能｡

表3总结了基于同一固定卡振动数据集，利用VDM-LSTM故障诊断方法与LSTM故障诊断方法， 以及BP神经网络故障诊断方法对固定卡箍振动故障数据训练结果作对比分析。

可以清晰地看出，VDM-LSTM故障诊断方法不仅性能指标均达到985%以上，明显优于LSTM网络模型BP神网络方法，而且能够稳定的识别出液压管路卡多种不同的故障状态。

同时该方法也实现了固定卡箍螺栓松动故障、裂纹故障和磨损故障信号的智能分类｡

●—≺ 结论 ≻—●

针对航空液压管路固定卡箍振动信号的特点，提出了一种基于变分模态分解和长短时记忆神经网络的卡箍智能故障诊断方法。

实验结果表明，该方法能够准确地识别出固定卡箍螺栓松动、卡衬垫磨损和卡根部断裂等3种卡故障型，并总体准确能够达到98.5%以上｡

基于同一固定卡箍振动数据集，分别利用VMDLSTM故障诊断方法与LSTM故障诊断方法和BPNN故障诊断方法对卡箍数据进行训练。

结果表明：VMIDLSTM故障诊断方法在诊断精度上要优于LSTM故障诊断方法，其总体识别率提高了4.7%。

与传统的BPNN智能故障诊断方法相比，综合准确率提升了12.5%，验证了该方法的有效性｡

根据平台规则，您关注+点赞评论会保持铁粉身份，更好为您推荐优质内容

---END---