资源描述：
液 压 气 动 与 密 封 ／ 2 0 1 3年 第 0 3期 基于 E l ma n神经网络的液压起竖 系统故障诊断研究 周 大星 ， 瞿 军 1 ． 海军航空工程学院 研究生管理大队， 山东 烟台2 6 4 0 0 1 ； 2 ． 海军航空工程学院 飞行器工程系 ， 山东 烟台2 6 4 0 0 1 摘要 液压起竖系统故 障机理复杂 、 故障现象 隐蔽 ， 依靠传统方法难 以及时准确地诊 断故 障。因此 ， 提 出采用 E l m a n神经网络来 对液 压起竖系统实施故 障诊断 。利用 E l m a n神经网络建 立了故 障诊断模型 ， 通过典型特征故障的学习训练后 ， 应用 于液压起 竖系统的故障 诊断。结果表 明该诊断方法运行速度快 、 诊断准确且容易实 现。 关键词 液压起竖系统 ； E l m a n神经网络 ； 故障诊断 中图分类号 T H1 3 7 文献标识码 A 文章编号 1 0 0 8 0 8 1 3 2 0 1 3 0 3 0 0 2 4 0 3 F a u l t s Di a g no s i s S t ud y o f Hy d r a u l i c Er e c t i o n S y s t e m Ba s e d o n El m a n Ne u r a l N e t w o r k Z HO U D a - x i n f， Q U J u n 1 ． N a v a l A e r o n a u t i c a l a n d A s t r o n a u t i c a l U n i v e r s i t y G r a d u a t e S t u d e n t s ’ B ri g a d e ， Y a n t a i 2 6 4 0 0 1 ， C h i n a ； 2 ． D e p a r t me n t o f A e r o e r a f t E n g i n e e ri n g ， Ya n t a i 2 6 4 0 0 1 ， C h i n a Ab s t r a c t T h e f a u l t s i n h y d r a u l i c e r e c t i o n s y s t e m，wh i c h me c h a n i s m i s c o mp l e x a n d p h e n o me n o n i s h i d d e n ，c a n n o t d i a g n o s e t i me l y a n d a c c u r a t e l y b y t r a d i t i o n a l me tho d ． C o n s e q u e n t l y ， t h e E l ma n n e u r a l n e t w o r k me t h o d w a s p u t f o r wa r d t o d i a g n o s e t h e f a u l t s i n h y d r a u l i c e r e c t i o n s y s t e m． F a u l t d i a g n s i s mo d e l wa s s e t u p b y u s i n g El ma n n e u r a l n e t wo r k ． Aft e r l e a r n i n g a n d tra i n i n g wi th f a u l t s o f t y p i c a l c h a r a c t e ri s t i c ，t h e me t h o d wa s a p p l i e d t o F a u l t d i a g n s i s i n h y d r an l i e e r e c t i o n s y s t e m． Th e r e s u l t i n d i c a t e d t h a t t h e E l ma n n e u r a l n e two r k me t h o d wa s r u n n i n g f a s t ， d i a gn o s i n g c o r r e c t l y ， a n d r e a l i z i n g e a s i l y ． Ke y wo r d s h y d r a u l i c e r e c t i o n s y s t e m； e l ma n n e u r a l n e t w o r k； f a u l t d i a g n s i s O 引言 液压起竖系统是将导弹由水平运输状态起竖成倾 收稿 日期 2 0 1 2 0 8 0 6 作者简介 周 大星 1 9 8 5 一 ， 男 ， 河北灵 寿人 ， 硕士研究生 ， 研究方 向为兵 器发射 理论 与技术 。 - 一 一 一 斜发射状态的机构 ，其性能的好坏直接影响导弹的正 常发射。因此 。 进行液压起竖系统故障诊断研究 ， 尽早 发现故障部位和原因 ． 对于提高装备可靠性 、 建立科学 的维修机制具有重要意义。 近年 以来 ． 大量学者进行了故 障诊断方面的研究 ， 提出各种故障诊断方法 。其大体可以分为基于数学模 消耗大 ， 并伴有低压 区产生 ， 易于发生气穴。对 阀口结 构进行改进后 ， 使气蚀发生区远离阀口位置 ， 对提升性 能、 延长使用寿命具有积极的作用。本文所采用的分析 方法 ， 对 同类型的设计工作具有一定的借鉴意义。 参考 文 献 【 1 ] 李壮云． 液压元件 与系统 第二版 [ M 】 ． 北京 机 械工业 出版社， 2 0 o 5 ． [ 2 】 弓永军， 周华 ， 杨华勇 ． 阀芯结构对 纯水溢流 阀抗气 蚀特性 的 2 4 影 响研究[ J ] ． 农业机械学报， 2 0 0 5 ， 8 5 0 - 5 4 ． 【 3 】 弓永 军． 纯水液 压控制 阀关 键技 术研究[ D 】 ． 杭 州 浙江 大学， 2 0 0 5 ． [ 4 ] 弓永军， 王祖温， 徐杰， 等． 先导式纯水 溢流阀仿真与试验研究 [ J ] ． 机械工程学报， 2 0 1 0 ， 1 2 1 3 6 1 4 2 ． 【 5 】 弓永军， 王祖温， 徐杰， 等． 先导式纯水 溢流阀仿真与实验研 究 [ J ] ． 机械工程学报， 2 0 1 0 ， 1 2 1 3 6 1 4 2 ． 【 6 】 胡燕平， 彭佑多， 吴根茂 ． 液 阻网络系统学 【 M】 ． 北京 机械工业 出版社． 2 0 0 2 ． [ 7 J 王春行． 液压控制 系统[ M】 ． 北京 机械工业出版社， 1 9 9 5 ． Hy d r a u l i c s P n e u ma t i c s＆ S e a l s ， NO ． 0 3 ． 2 0 1 3 型的诊断方法 、基于信号处理 的诊断方法和基 于专家 系统的诊断方法[ 1 - 2 1 。 本文经过对各种方法的比较 ，并考虑故障诊断的 快速性 、准确性和易实现性等指标 ，提 出了一种基于 E l m a n神经网络的液压起竖系统故障诊断方法。 通过计 算与仿真表明 ， 该诊断方法运行速度快 、 诊断准确且容 易实现。 1 E l ma n神经 网络方 法 1 ． 1 E l ma n神经网络结构 E l m a n神经 网络是 由 J ． L ． E l m a n在 1 9 9 0年针对语 音处理问题提 出来 的。作为一种典型的局部回归网络 ， 其突出特点 就是具有联想记忆功能 ，易于硬件实现。 E l m a n神经网络的结构【 如图 1 所示。 y 图 1日ma n神 经 网 络 结构 图 E l m a n神经网络可 以看做是一个具有局部记忆单 元和局部反馈单元 的前 向神经网络。它的主要结构是 前馈连接 ， 包括输入层 、 隐含层 、 承接层和输出层。 其中输入层作用是传输信号 。 隐含层进行数据中转。 承接层 用来记忆 隐含层神 经元前 一时刻 的输 出 值 ，承接神经元的输 出，经延迟和存储再输入到隐含 层 ， 增强网络的动态数据处理能力 。 输 出层起线性加权作用 。 1 ． 2 E l ma n神经 网络 的学 习 E l ma n神经 网络的学习算法为 B P算法。 设 x k 为 r 维输入 向量 ， Y k 为 m维输 出向量 ， w 、 w 、 w 分别为 隐含层到输 出层 、 输 入层到隐含层 、 承接层 到隐含层 的 连接权值。g 为输出神经元的激活函数 ， 是隐含层输 出的线性 组合 ； 为隐含层神经元的激活 函数 ， 一般 取 S i g m o i d函数。 n e t 表示某层输入 ， o u t 表示某层 输 出 ， A 表示输入层 ， 表示 隐含层 ， C表示承接层 ， D 表示输 出层 。k表示迭代次序 ， 则 E l ma n神经网络的内 部运算如下 o u t B k w o u t c 七 x k - 1 o u t c o u t c 后 一 1 o u t B k - 1 Y k _ g o u t B k 其误差函数为 E ∑ 一 d 】 k l 式中y k 网络实际输出； d k 期望输 出。 E l ma n神经网络的学习算法的流程如图 2所示。 I 初 始 化各 层 权 值 I l 输 入 样 本 值 l I 计 算 输入 层 输出 I 广 一计 算 隐 含 层 输 出 计算承接层输出 I L一 计算输出层输出 I I计算 误 差函 数 I l 更 新 权值 图 2 E l ma n神 经 网络 流 程 图 2 E l m a n神经网络的故障诊断 2 ． 1 E l ma n神经 网络 设计 对于液压起竖系统的故障诊断 ，是利用压力信号 的 5个时域无量纲参数 峰值指标 C、 脉冲指标 ， 、 波形 指标 5 、 裕度指标 L和 峭度指标 K 作为故障特征量形 成标准故障训练样本 ，来识别起竖系统常见的液压缸 内泄漏 、减压 阀阻尼孔堵塞 、换 向阀卡死 3种故障模 式 。这些特征量和故障模式是根据起竖系统的实际故 障统计数据和液压系统领域工程师的经验总结而提出 来 的， 具有较强代表性。诊断过程如图 3所示 。 计 j 神 算 经 特 S 网 征 络 参 L 诊 数 K 断 正常状态 泄漏故障 堵塞故障 卡死故障 图 3 E l ma n神经网络诊 断过程 输入层神经元个数 的确定实际就是对故 障特征量 的提取 。根据液压起竖系统的压力测量数据 ， 计算其峰 值指标 C、 脉 冲指标 ， 、 波形指标 、 裕度指标 和峭度 液 压 气 动 与 密 封 ／ 2 0 1 3年 第 0 3期 指标 等 5个时域无量纲参数 ，作为 E l ma n神经 网络 的输入 。因此 ， 设计其输入层神经元个数为 5 。 输出层神经元个数的确定 由最终的诊断模式个数 决定。由于有正常状态 、 液压缸 内泄漏 、 减压阀阻尼孔 堵塞 、换 向阀卡死 4种故障模式 ，分别用 [ 0 ， 0 ] ， [ 1 , 0 】 ， f 0 ， 1 ] ， [ 1 ， 1 ] 表示 。因此将输 出神经元个数设计为 2 。 2 ． 2 E l ma n神 经 网络故 障诊 断 样本数据由于数量级的不 同而差异较大 ，不适合 直接作为 E l m a n神经网络 的输入量 ，因此利用下列归 一 化公式进行归一化处理 。 ／ H x 计算得到 l 0组样本数据 ， 其 中前 8组用来进行网 络训练 ，后 2组作为测试样本来检验训练好的神经网 络。如表 l 所示 。 表 1 E l ma n神 经 网 络 故 障诊 断样 本 数 据 样本 序号 液压起竖系统特征参数 1 0 ． O 1 3 9 0 ． 9 2 5 3 0 ． 0 0 9 2 0 ． 2 6 3 0 0 ． 5 8 1 2 2 0． 0 2 1 1 0 ． 9 0 9 8 0 ． 0 1 7 2 0 ． 2 9 3 2 0 ． 6 2 5 9 3 O ． O 6O 2 0 ． 8 6 31 0 ． 0 5 6 3 0 ． 3 3 7 0 0 ． 6 9 7 6 4 0 ． 2 4 3 7 0 ． 6 61 8 0 ． 2 3 9 0 0 ． 4 4 7 1 0 ． 7 1 9 9 5 0 ． 3 0 1 5 0 ． 6 0 0 5 0 ． 2 9 7 0 0 ． 4 7 7 6 0 ． 7 3 l 2 6 0． 9 2 6 6 0 ． 0 5 90 0 ． 9 2 4 2 0 ． 9 0 5 6 0 ． 8 7 9 0 7 0 ． 0 1 4 6 0 ． 9 9 5 9 0 ． 0 1 4 9 0 ． 0 0 01 0 ． 0 0 0 0 8 0 ． 0 2 8 4 0 ． 9 9 7 0 0 ． 0 3 01 0 ． 0 0 0 2 0 ． 0 0 01 9 0 ． 2 5 7 8 0 ． 6 4 6 5 0 ． 2 5 31 0 ． 4 8 2 2 0 ． 7 7 7 4 1 0 0 ． 9 4 6 5 0 ． 0 4 4 3 0 ． 9 4 4 4 0 ． 9 0 5 2 0 ． 8 7 6 8 备注 。 ‘ 为保 削 、 数之后 经过训练和测试 。建立好液压起竖 系统 的 E l m a n 神经网络模型。 从图 4可知 ，经过 4 2 5步的训练 ， E l m a n神经网络 的误差下降到 1 O 的数量级 ， 为 0 ． 1 2 5 0 0 1 。 尽管没有达 到 目标误差 ． 但是仍然可以用来进行测试与诊断。 图 4 E l ma n神经网络性 能图 据 网络测试与诊断结果 ， 绘制表 2 。 表 2 E lma n神经网络故障诊 断结果 样本 实际 序号 状态 预测 状态 诊断 结果 1 [ q O ] [ O ． 0 0 0 2 ， 0 ． 0 0 0 0 ] 正确 2 [ q O ] [ 0 ． 0 0 2 2 ， 0 ． 0 0 0 O ] 正确 3 [ 1 ， O ] [ O ． 9 9 8 0 ， 0 ． 0 0 0 0 ] 正确 4 [ 1 ， O ] [ 0 ． 9 9 8 7 ， 0 ． 0 0 1 6 3 正确 5 [ o ， 1 ] [ O ． 0 0 1 6 ， 0 ． 9 9 8 4 ] 正确 6 [ 0 ， 1 ] [ 0 ． 0 0 0 0 ， 1 ． 0 0 0 O ] 正确 7 [ 1 ， 1 ] [ O ． 9 9 9 1 ， 0 ． 0 0 0 O ] 正确 8 [ 1 ， 1 3 [ O ． 9 9 91 ， 0 ． 0 0 0 O ] 正确 9 [ 1 ， O ] [ O ． 9 1 3 4 ， 0 ． 0 9 7 4 ] 正确 1 [ q1 ] [ O ． 0 0 0 0 ， 1 ． 0 0 0 O ] 正确 9 、 1 0 为测试数据。 0 ． 0 0 0 0 、 1 ． 0 0 0 0 ～ 为保留 4为小数之后的数据。 2 ． 3仿真 结果 分析 由表 2可 以看 出．对于文中计算所得的训练样本 和检验样本 ，利用 E l m a n神经网络 的诊断识别准确率 达到了 1 0 0 ％。由此表明 ， 基于 E l ma n神经 网络的液压 起竖系统的故障诊断方法在模型建立和实际应用方面 都具有 良好的性质 ， 可以用作实际的故障诊断。 3结 论 本文针对液压起竖系统 ．提 出了基于 E l m a n神经 网络的故障诊断方法。E l m a n神经网络学习规则简单 ， 模型建立容易 ， 训练速度较快 ， 具有较强的实用性 。从 实际数据的测试效果上看 ，训练样本和检验样本 的诊 断识别准确率达到了 1 0 0 ％。这表明利用 E l m a n神经 网 络解决液压起竖 系统的故 障诊 断问题具有 可行性 ， 并 且易于应用和推广。 参 考 文 献 [ 1 】 葛 晓宁 ， 林 义忠． 液压 系统故障诊断 的研究概 况与发展趋势 『 J ] ． 液压 与气动， 2 0 0 8 ， 7 ． 【 2 】 藏 大进 ， 曹 云峰． 故 障诊 断技 术的研究现状及展望 [ J ] ． 西安 文 理学院学报 自然科学版 ， 2 O l 1 ， 1 ． 【 3 ] 张德 丰． MA T L A B神经 网络应 用设计 【 M] ． 北 京 机械 工业 出 版社． 2 0 0 9 ． [ 4 ] 薛 小兰． 人工神经 网络在机械故障诊断中的应用f J ] ． 晋中学院 学报． 2 0 1 1 28 3 ． 【 5 ] 葛宏伟 ， 梁艳春． 进 化 E l ma n神经 网络模 型与非线性识 l ll [ J ] ． 吉林大学学报 ， 2 0 0 5 ， 5 ． [ 6 】 龚唤 春 ， 徐胜 云 ， 吴 义虎 ． 基 于 E l m a n神经 网络 的齿 轮箱 故 障诊断研究[ J ] ． 起 重运输机械 ， 2 0 0 9 ， 5 ． [ 7 ] 杨开垧 ． 一 种基 于 E l ma n神 经网络 的锅炉故 障诊断方 法[ J J ． 装备制造 ， 2 0 0 9 ， 8 2 7 7 2 7 8 ．
展开阅读全文
