《Machines》:Mechanism-Guided Multi-Sensor Diagnosis of Return Oil Filter Blockage in Excavator Hydraulic Systems Based on a WOA-MLP-GRU Network
编辑推荐:
摘要:回油滤清器在挖掘机液压系统中对维持油液清洁度起着关键作用,其堵塞故障直接影响机器的热状态和运行可靠性。由于该故障具有渐进演变和隐蔽性强的特点,准确识别仍具挑战性。为解决这一问题,本研究提出了一种结合鲸鱼优化算法(WOA)、多层感知机(MLP)和门控循环单
摘要:回油滤清器在挖掘机液压系统中对维持油液清洁度起着关键作用,其堵塞故障直接影响机器的热状态和运行可靠性。由于该故障具有渐进演变和隐蔽性强的特点,准确识别仍具挑战性。为解决这一问题,本研究提出了一种结合鲸鱼优化算法(WOA)、多层感知机(MLP)和门控循环单元(GRU)的回油滤清器堵塞故障识别模型。首先,研究人员分析了液压系统配置、运行过程及回油滤清器的堵塞机理;然后,根据故障传播机理选取多源运行变量,并采用自相关函数(ACF)和快速傅里叶变换(FFT)分析来支持信号去噪;此外,引入变分模态分解(VMD)对代表性压力信号进行处理,为故障演变和变量选取的合理性提供补充证据。在此基础上,研究人员采用WOA优化混合模型的关键超参数。最后,对提出的方案进行了系统验证。实验结果表明,WOA-MLP-GRU在对比模型中取得了最佳综合性能,识别准确率达到98.3%。同时,该模型表现出更低的验证损失、更好的特征可分性和更集中的误差分布,展现出更优的训练稳定性、鲁棒性和泛化能力。
基于WOA-MLP-GRU网络的挖掘机液压系统回油滤清器堵塞诊断:一个机理引导的多传感器方法解读
1. 研究背景与问题
挖掘机在现代基础设施建设和应急抢险等苛刻场景中广泛应用,常承受高负载、强冲击和剧烈变化的工况。液压系统作为挖掘机动力传输与执行控制的核心子系统,其运行状态直接影响整机性能与可靠性。回油滤清器设置在液压系统回油支路中,负责维持液压油清洁度并保障回油顺畅。实际维护中,回油滤清器通常设定约1000小时的更换周期,但许多施工现场往往在未观察到明显异常症状时推迟更换,导致污染物在滤芯和液压回路中逐渐累积,油液清洁度下降,回油滤清器堵塞风险增加。一旦发生堵塞,液压系统可能出现油温升高、压力波动、回油背压增大和执行器响应延迟等异常现象。由于这些症状容易受负载变化、工况和人工判断的影响,仅依赖单参数监测或维护经验可能导致误诊或延迟检测。现有研究多集中于液压泵、阀等关键部件的故障诊断,而对污染引起的故障演化和回油滤清器堵塞关注相对有限。相关污染研究主要集中于油液状态监测,如基于电感耦合等离子体发射光谱法的油液污染实时监测和基于音叉传感器的在线诊断。针对回油滤清器,已有研究提出了实验室条件下的基于物理模型的堵塞预测框架和物理信息神经网络,但直接从实际挖掘机运行采集的常规车载信号识别回油滤清器堵塞的研究仍较少。深度学习具备非线性特征提取和时序依赖建模的强大能力,为复杂工况下回油滤清器堵塞故障识别提供了有前景的解决方案。
2. 研究目标与研究内容
针对上述问题,本研究提出了一种基于WOA-MLP-GRU的挖掘机回油滤清器堵塞故障识别框架。研究选用三一SY550挖掘机(三一重机,昆山,江苏,中国)为研究对象,其工作重量为55,000 kg,额定功率310 kW,额定转速1800 rpm。研究人员在液压系统关键测点布置了拉线式位移传感器、压力传感器和温度传感器,信号经BODAS RC28-14/30控制器采集后通过CAN总线和USBCAN-II Pro模块上传至EVI云平台。实验数据采集自江苏省昆山试验场的十台三一SY550挖掘机,根据历史维修和报警记录选取了存在反复回油滤清器堵塞事件的设备,连续采集了约64万组正常与故障样本。数据集按挖掘机序列号划分,其中七台用于模型开发,三台用于最终独立测试;开发数据中五台用于训练,两台用于验证与超参数调优。研究中,研究人员提出了机理驱动的变量选择策略,从压力、温度和运行工况信号中选取了七个代表性输入变量。通过对典型压力信号的VMD分析,验证了所选变量包含与堵塞演化相关的动态信息。同时,采用自相关函数(ACF)和快速傅里叶变换(FFT)分析信号噪声特性,并应用无迹卡尔曼滤波(UKF)进行信号去噪,随后进行归一化预处理。研究人员使用WOA对MLP-GRU混合模型的关键超参数进行自动优化,并通过基准函数对比和等预算优化实验验证了WOA的优势。最终,通过多种评估指标与多个对比模型的系统性实验,验证了所提方法的有效性。
3. 关键技术方法
本研究采用了以下主要技术方法:多源传感信号采集与云平台数据获取(利用EVI云平台采集20 Hz多源运行数据);基于ACF和FFT的噪声特性分析与UKF滤波去噪;变分模态分解(VMD)用于代表性压力信号的模态级分析;鲸鱼优化算法(WOA)用于超参数自动优化;多层感知机(MLP)用于多源特征非线性映射与融合;门控循环单元(GRU)用于时序依赖与故障演化建模。数据集来源于十台三一SY550挖掘机,按机器编号划分训练、验证和测试集。
4. 研究结果
4.1 模型性能分析
研究人员将MLP、GRU、MLP-GRU、CNN和LSTM作为对比模型,与提出的WOA-MLP-GRU模型进行了性能比较。结果显示,CNN和LSTM的分类准确率低于0.90;MLP和GRU的准确率接近0.90;MLP-GRU将准确率、精确率、召回率和F1分数分别提升至0.9525、0.9618、0.9611和0.9614,分类错误率比MLP和GRU分别降低48.3%和51.9%。经过WOA优化后,四项指标进一步增至0.9836、0.9847、0.9811和0.9828,分类错误率从MLP-GRU的4.75%降至1.64%,降幅约65.5%,表明混合架构与WOA优化共同提升了诊断准确性和可靠性。
4.2 模型训练收敛性分析
研究人员统一设定训练轮数为100轮,比较了六种模型的训练损失和验证损失曲线。单结构模型的训练损失波动较大,混合模型的优化过程相对稳定。CNN在后期训练损失较低但验证损失在约40-50轮后明显上升,出现过拟合倾向。MLP-GRU和WOA-MLP-GRU的验证损失快速下降并保持在较低水平,其中WOA优化模型保持了更小的训练-验证损失差距,表明优化后的参数配置在拟合和泛化之间取得了更好平衡。
4.3 特征可分性可视化分析
研究人员采用t-SNE可视化方法,选取GRU、MLP-GRU和WOA-MLP-GRU三个代表性模型进行渐进式比较。三种模型的PCA累计解释方差均超过99%。t-SNE结果显示,GRU模型的两类特征存在明显重叠,表明仅凭时序特征可能不足以充分捕捉滤清器堵塞的非线性特征;MLP-GRU通过结合非线性特征提取与时序建模获得了更有组织的特征分布;WOA-MLP-GRU表现出更为清晰的类别分布,这可能得益于优化的超参数选择。
4.4 WOA优化策略消融分析
研究人员通过重复实验的误差分布小提琴图比较了六种模型的误差特性。单模型(CNN、LSTM、MLP、GRU)误差较高且分布范围较宽,稳定性有限。MLP-GRU的误差分布明显下移,表明混合架构能有效降低识别误差。WOA-MLP-GRU在所有模型中实现了最低误差分布,且小提琴形状更加紧凑,表明引入优化策略后模型不仅平均误差更低,且在重复实验中表现出更好的稳定性和鲁棒性。
5. 讨论与结论
讨论部分指出,回油滤清器堵塞并非瞬时异常事件,而是污染物逐渐累积引起压力、流量和温度等多个变量耦合变化的过程,具有强耦合性、渐进演化性和时序依赖性。单一网络难以同时捕捉多源特征间的复杂非线性关系和故障演化中的时序依赖。MLP-GRU模型结合了MLP的非线性特征映射能力和GRU的时序建模能力,能够有效提取与堵塞故障相关的判别性信息。WOA优化策略对关键超参数进行自适应调整,使模型在复杂度、特征表示能力和泛化性能之间实现更合理平衡,进一步增强了模型捕捉内在故障特征的能力和训练稳定性。结论部分表明,本研究提出的机理引导WOA-MLP-GRU框架实现了回油滤清器堵塞识别,主要贡献在于将堵塞演化机理与多源运行变量相结合,使模型能够联合表征非线性特征交互和时序故障发展。基于实际运行数据的实验结果表明,所提方法在对比模型中取得了最佳综合诊断性能,准确率达98.3%。多源变量与时序信息的结合减少了将冷启动或工况变化引起的瞬态压力升高与渐进式滤清器堵塞相混淆的可能性。该方法为回油滤清器状态监测提供了比传统基于经验或阈值诊断更可靠的依据。工程上,该方法利用现有车载压力、温度和运行状态信号,无需额外专用传感设备,为集成到挖掘机控制器或云监测平台提供了潜在可行性。但当前研究主要侧重于离线堵塞识别性能,长期在线部署、误报警特性、维护有效性和实际应用中的经济效益仍需进一步研究。未来工作将扩展框架至更多挖掘机型号、工况和不同故障严重程度,并结合剩余使用寿命预测与现场验证,推动从故障识别向预测性维护的转变。