本发明属于电液伺服阀技术，具体涉及电液伺服阀故障诊断方法。
背景技术：
电液伺服阀是液压伺服系统的核心元件，同时也是液压系统中故障率最高的部位，其使用情况决定系统的工作性能。电液伺服阀的故障通常表现为机械故障、电气故障、液压故障交织在一起，致使故障现象与故障原因不是简单的线性对应关系，而是表现为严重的非线性映射关系，其发生故障时，通常能导致系统控制精度和稳定性变差，严重时将会使系统失效。
特别是对于飞机机载电液伺服阀，在工作中，处在高温、高压、强振动、高动态等极端环境下，因此其采集的信号会受到较大干扰，容易导致有效的信息淹没在噪声之中，使得电液伺服阀的信号采集和分析处理产生极大的困难。
随着飞机液压系统的复杂程度越来越高，为保障飞机液压系统的安全和可靠性，电液伺服阀等关键部件所需监测传感器数量相应增加，从而使飞机重量增加，产生飞机的性能下降、油耗增加等一系列问题。
技术实现要素：
本发明的目的：针对上述问题，提出了一种能够不增加监测传感器情况下，仍能够实现对电液伺服阀故障准确诊断的方法。
本发明的技术方案是：
一种电液伺服阀故障诊断方法，具体步骤如下：
步骤1：采集电液伺服阀参数；
步骤2数据处理：对采集到的伺服阀参数进行去噪处理，然后采用余弦分析法进行伺服阀参数降维；
步骤3故障诊断：将经过降维处理的伺服阀参数进行训练得到故障网络模型，并将实时采集的电液伺服阀参数数据作为故障分类的准备数据，基于该故障网络模型进行故障诊断；
步骤4结果输出和处理，对该故障网络模型输出数据并拟合诊断结果。
所述步骤1中采集的电液伺服阀参数包括：阀左腔压力、阀右腔压力、阀进口流量、阀出口流量、阀壳体温度和阀电流。
所述步骤2对采集的伺服阀参数数据进行去噪处理过程如下：
将采集的伺服阀参数数据组成m行n列的矩阵A，进行奇异值分解，分解如下：
其中U代表各维度数据之间的相似方向，V则显示了每条数据之间的相似程度，Σ是对角矩阵，对角线上的值为奇异值，非零奇异值的个数为矩阵的秩，T为转置符号，m、n为大于1的整数；
当选择的各维度数据之间是相关的，则奇异值就会有零值；如不相关，则奇异值均是非零值；选择的各维度数据不相关，且奇异值之间差距较大，则认为有噪声，通过设定数据阈值，将小于该数据阈值的奇异值归零，重新合成矩阵即可消除噪声数据。
所述步骤2中采用余弦分析法，对重新合成矩阵的各列向量之间的余弦值分析进行向量相似性判断，将相似向量合并成复合向量，所对应的坐标值定义为复合参数，实现对合成矩阵内的伺服阀参数数据的降维处理。
两个向量之间的余弦值在批量数据下趋于稳定且在[0.707，1]区间内，该两个向量互为相似向量。
若向量P和向量Q互为相似向量，复合向量Z由相似向量的某一个向量计算获得，达到降维的效果，复合向量的计算公式如下：
λ、η分别为P向量和向量Q向量变化单位模长度相应的Z方向变化的比例，相应的计算公式如下：
θ为向量P和向量Z的夹角，Rrot(θ)为向量P和向量Z的旋转矩阵，为向量Q和Z的夹角，为向量Q和向量Z的旋转矩阵，在二维坐标下相应的旋转矩阵公式如下：
所述步骤3用故障网络模型进行诊断故障，其中，故障网络模型选用调节参数比较少的广义回归神经网络，具体过程如下：
Step3.1：数据归一化：
其中，Xmin为输入向量X的最小值，Xmax为输入向量X的最大值，Xi'为输入向量X第i个神经元归一化后的值。
Step3.2：训练故障网络模型：将复合参数输入广义回归神经网络，模式层神经元传递函数Fi为：
其中，X为故障网络输入向量，Xi为第i个神经元对应的学习样本，T为向量转置，光滑因子σ为唯一变量，将其从0.01到1之间进行调节，通过迭代训练故障网络模型，选择故障网络模型输出和实际值的均方根误差达到设定值时，所对应的光滑因子σ为最佳参数，得到适合本数据特征的故障网络模型。
所述步骤4故障网络模型输出数据进行反归一化，并转化为相应故障类别，拟合离散点得到连续故障模式趋势。
本发明具有的优点和有益效果是：
1、针对飞机机载电液伺服阀所处环境恶劣，对采集信号造成较大干扰的问题，本发明基于奇异值分解(Singular Value Decomposition；SVD)消除信号中的噪声，改善微弱信号的信噪比，提高信号的有效性。
2、航空领域提倡“为减轻飞机每一克重量而奋斗”，重量是飞机在设计过程中必须考虑的重要方面。为此，本发明余弦分析(Cosine Analysis；CA)，利用相似向量成复合参数，进行参数降维，从而在采集相同信息量的前提下，减少液压系统传感器的个数，减轻飞机重量。
3、本发明提出一种学习能力强、结构简单的广义回归神经网络(Generalized Regression Neural Network；GRNN)故障诊断模型。相比其他神经网络模型，该模型训练参数少、训练速度快，提高了电液伺服阀故障诊断效率和精度。
本发明不仅可以用于航空领域，同样可转化应用于其他自动化程度较高便于信息采集的工业领域，具有较大的实际应用价值。
附图说明
图1为本发明的电液伺服阀故障诊断流程图；
图2为相似向量合并示意图；
图3为神经网络训练模型流程图；
图4为广义回归神经网络结构图；
图5为模型诊断流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
本飞机电液伺服阀的故障诊断方法具体包括以下步骤：
图1示意了本发明电液伺服阀故障诊断方法的主要步骤。包括：第一步在电液伺服阀的相应位置安装传感器采集六个参数：包括伺服阀的阀左腔压力、阀右腔压力、阀进口流量、阀出口流量、阀壳体温度和阀电流。第二步，采集到的特征数据组成矩阵，进而分析采集的数据关系，运用奇异值分解对数据进行去噪，去除因为测量方式，电流电压信号不稳定状态的噪声，然后采用余弦分析法，判定各向量之间的相似程度，从而确定相似向量。合并相似向量，形成复合向量。第三步，将复合向量的坐标数据输入到训练完成的诊断模型中，将正常和故障状态模式数据化，根据网络输出值和实际值的均方根误差，来判断训练是否结束。第四步，将实时采集的数据输入训练好的模型中，输出诊断结果，并归类到某故障模式，将结果拟合成故障曲线，得到故障整体趋势。
进一步，所述第一步数据采集的具体步骤如下：
电液伺服阀左腔压力和右腔压力的采集：将压力传感器安装在阀的两个出口处，压力信号综合反映了阀的工作状态，通过对阀的两个出口处的压力监测，可以对节流孔堵塞、滤芯堵塞等与压力相关的故障进行监视。
电液伺服阀进口流量和出口流量的采集：将流量传感器安装在阀的两个出口处，主要是为了获得阀出口流量值，该值能在一定程度上反映阀的工作性能。通过对阀出口流量进行监测，可以对阀流量失常、流量波动、泄漏严重等状态进行监控。
电液伺服阀壳体温度的采集：将红外温度传感器安装在阀壳体附近，正常阀体的工作温度变化范围是有限的，一定时间间隔下的异常升温往往意味着阀内出现故障，通过监测阀温度变化可以实现对温度变化有密切联系的故障监测。
电液伺服阀电流的采集：阀电流是在伺服控制系统中进行监测，电气故障及性能故障会引起阀电流的异常，通过监测阀电流变化可实现对电气有密切联系的故障监测。
进一步，所述第二步数据处理的具体步骤如下：
Step2.1：将采集的数据组成m行n列的矩阵A，进行奇异值分解。分解如下：
其中U代表各维度数据之间的相似方向，V则显示了每条数据之间的相似程度。Σ是对角矩阵，对角线上的值为奇异值，非零奇异值的个数为矩阵的秩。当我们选择的数据之间是相关的，则奇异值就会有零值；如不相关，则奇异值均是非零值。选择的数据不相关，且奇异值之间差距较大(奇异值一般是由大到小顺序排列)，则认为有噪声，重新合成矩阵即可消除噪声数据。例如矩阵A的奇异值如下排列：
当σk+1远小于σk，即σk+1/σk<0.1，认为σk+1及以后奇异值是造成噪声数据的因素，将矩阵A近似为矩阵A’(A’为重新合成矩阵)，即可消除数据采集过程中出现的各种环境、机器磨损、信号不稳定出现的噪声。近似过程如下所示：
Step2.2：采用余弦分析法，对近似矩阵A’的各列向量进行相似性分析。具体步骤如下：
根据余弦函数的性质可知，两个向量之间的夹角越小，余弦值越接近于1，两个向量之间的变化趋势越相似。
为了叙述方便在此给出一个相似向量的定义。向量之间的余弦值在批量数据下趋于稳定且在[0.707，1]区间内，两个向量即互为相似向量。
相似矩阵A’形成了m个n维空间的向量，两两比较列向量之间的余弦值判断是否为相似向量。
余弦函数的数学表达式如下：
n维空间下，设P＝(P1,P2,…Pn)，Q＝(Q1,Q2,…Qn)，余弦值计算如下：
Step2.3：如图2所示，合并相似向量。
为了叙述方便，将两个相似向量合并后的向量定义为复合向量，所对应的坐标值定义为复合参数。若向量P和Q为相似向量，复合向量可由相似向量的某一个向量计算获得，达到降维的效果，复合向量的计算公式如下：
λ为P向量变化单位模长度相应的Z方向变化的比例：
θ为向量P和Z的夹角，Rrot(θ)为向量P和Z的旋转矩阵。在二维坐标下的旋转矩阵公式如下：
进一步，所述第三步故障诊断的具体步骤如下：
如图3所示，示意了模型的训练过程。如图4所示为广义回归神经网络具体结构，分为四层：输入层、模式层、求和层和输出层。
首先将复合参数的数据归一化处理，作为神经网络输入的标准数据，然后训练模型。归一化公式如下：
其中，Xmin为输入向量X的最小值，Xmax为输入向量X的最大值，Xi'为输入向量X第i个神经元归一化后的值。
模式层传递函数Fi如下：
其中，X为故障网络输入向量，Xi为第i个神经元对应的学习样本，T为向量的转置，光滑因子σ是广义回归神经网络的唯一变量，将其从0.01到1之间进行调节，通过故障网络模型迭代训练，根据网络输出值和实际值之间的均方根误差值(RMSE)来判断光滑因子σ是否最佳。当RMSE小于设定的正数ε，即得到最佳光滑因子σ，结束训练，形成最佳网络模型。RMSE的公式如下所示，其中Xout，i、Xreal，i分别为网络输出值和实际值。
如图5所示，采用训练完成的模型诊断故障，网络输出故障诊断结果。将实时采集的数据输入训练完成的网络模型中进行故障诊断，输出诊断故障结果，将诊断结果的数据反归一化处理，然后进行故障分类，拟合分类结果，形成故障趋势曲线图，以便在故障发生前期做出对策。
本领域的技术人员可对本发明的上述方法做出各种修改、变型、以及替换，但其均落入如所附权利要求限定的本发明的保护范围。