基于观测器和神经网络的液压系统故障诊断方法研究.pdf

2 0 1 1年 1月 第 3 9卷 第 1 期 机床与液压 MACHI NE T OOL HYDRAUL I CS J a n ．2 01 1 V0 1 ． 3 9 No ． 1 D OI 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 1 ． O 1 ． 0 4 0 基于观测器和神经网络的液压系统故障诊断方法研究 谢建 ，何德虎 ，李良 第二炮兵工程学院，陕西西安 7 1 0 0 2 5 摘要针对液压系统特点，提出基于观测器和神经网络的故障诊断方法。该方法的原理是基于观测器实现故障的判 断，利用经观测器输出训练的神经网络实现故障定位。相对于故障树和专家系统等方法，该方法的优点是诊断速度更快、 不需要大样本。仿真结果证明该方法有效。 关键词观测器；神经网络；液压系统；故障诊断 中图分类号 T H 1 3 7 文献标识码 A 文章编号 1 0 0 1 3 8 8 1 2 0 1 1 1 1 3 5 3 Re s e a r c h o n Fa u l t Di a g no s i s Ap pr o a c h o f Hy d r a ul i c S y s t e m Ba s e d o n Ob s e r v e r a n d Ne u r a l Ne t wo r k XI E J i a n．HE De h u ． L I L i a n g T h e S e c o n d A r t i l l e r y E n g i n e e r i n g C o l l e g e ， X i ’ a n S h a a n x i 7 1 0 0 2 5 ，C h i n a Ab s t r a c t A f a u l t d i a g n o s i s a p p r o a c h o f h y d r a u l i c s y s t e m b a s e d o n o b s e r v e r a n d n e u r a l n e t w o r k wa s p u t f o r w a r d a i mi n g a t t h e c h a r a c t e r i s t i c s o f h y d r a u l i c s y s t e m． T h e p r i n c i p l e o f t h e a p p r o a c h w a s t h a t t h e f a u l t w a s j u d g e d b y t h e o b s e r v e r a n d t h e p o s i t i o n o f t h e f a u l t w a s c o n fi r me d b y n e u r a l n e t w o r k w h i c h wa s t r a i n e d b y t h e o u t p u t o f t h e o b s e r v e r ．T h e a p p r o a c h h a s a f a s t e r d i a g n o s i s s p e e d t h a n e x D e r t s v s t e m a n d f a u h t r e e e t c ． I t d o e s n ’ t n e e d a l o t o f s a mpl e s ．Th e s i mul a t i o n r e s ul t d e mo n s t r a t e s t ha t t he me t ho d i s e ffe c t i v e ． Ke ywor dsOb s e r v e r ； Ne u r a l ne t wo r k； Hy d r a u l i c s y s t e m ； F a u l t di a g n o s i s 由于液压系统具有功率大 、响应快 、精度高等特 点 ，在机械设备 的驱动 、传动和控制 中得到广泛的应 用 。当液压系统 出现故 障时 ，快速准确地对故 障进行 判断和定位 ，对 于及时修复液压系统 、保证主系统的 正常工作起 到至关 重要 的作 用 。近 年来针对 液压泵 、 换 向阀 、油缸等主要液压元件的故障诊断开展 了一些 研究 ，但针对整个液压系统 的研 究较少 。常用 于 液压系统故 障诊断 的方法有 1 主观诊 断法 ； 2 数学模 型 与信 息 处 理 诊 断法 ； 3 智 能 技 术 诊 断 法 。主观诊断法 中应用较多的是故障树诊 断法 ，其 不足是工作量大 ，可能漏 掉重 大的元 件或部 件故 障， 模型一旦建好就不 易更改 ，不 易接受 和处理新 信息 。 专家系统和神经 网络诊断法作为一种智能诊 断法 ，是 当今故 障诊 断 方法 发展 的趋 势 ，但 是存 在诊 断速 度 低 、需要大样本的缺点。观测器作为一种故障诊断方 法 ，已经 在 液 压 元 件 的 故 障 诊 断 中得 到很 好 的 应 用 ，其优点是实现简 单 、故障检 测 和诊 断速度 快 。 作者结合上述分析 ，提 出了基 于观测器 和神经 网络的 诊断方法 ，该方法通过观测器实现故障判断 ，利用经 观测器输出训练的神经网络实现故障定位，具有诊断 速度快 、不需要大样本等优点 。 1 观测器和神经网络基本原理 1 ． 1观 测器基 本原理 由于系统中存在建模误差和噪声等未知干扰因素 ， 为提高模型对系统检测精度 ，数学模型描述为 E d x A x 曰 “[ A A A B a c3 [ Ⅱ I ， ] 1 Y CA C X ， n 式中 X∈ R 、 Y∈R ～ 、U∈ R 分别表示系统的状 态变量 、输 出观测变量和控制 变量 ，X为状 态变量 一 阶微分，’ ， 为干扰。A、曰、c为合适维矩阵。A A、 A B、A C表示建模误差 ， 为执行机 构或控制组件故 障的向量或矩 阵 ， ， n 表示传感 器故 障的向量或矩阵 。 式 1 的现时观测器为 今 s 和残 j ， 一 ． ， 2 一 Y ，H W C，则 系统的误差 {． A 一 ， s 一 矾 3 【 eH 一 收稿 日期 2 0 0 91 2 2 4 作者简介谢建 1 9 6 7 一 ，博士，教授，主要从事兵器发射理论与技术学科的发射系统仿真与自动检测方面的教学、科研 工作。通信作者何德虎，电话1 3 9 9 1 1 7 3 2 5 3 ，Em a i l 1 3 5 2 7 4 8 6 4 2 9 1 3 9 ． c o m。 ， 比 e 1 3 6 机床与液压 第 3 9卷 式 中 E [ A A A B A C ] ， d [ M ] ， K为反馈 增益矩阵 。 根据求得的残差和简单的决策逻辑就可以判断故 障是否发生。 ； f 』 0 当e f 0 表示系 统故障 4 一 【 1 当 e t 0 表示系统正常 、 1 ． 2 3层神经网络的结构及数学描述 在众多神经网络结构 中 ，3层 B P神经 网络是一 种最为成熟的网络结构分析工具。神经网络理论指 出 ， 3层具有 S i g m o i d神经 元 的非线性 网络 可 以以任 意精度逼近任何连续函数 ] ，其结构图如图 1 所示。 图 1 3层 B P神经 网络结构图 图中圆圈代表神经元 ，圆圈之间具有 加 权值的 连线表示神经元之间的相互作用强度。彬 表示神经 元的阈值。 。 i O～ n 表示神经元的输入， i 0～ n 表示神经元的输出。 表示第 k 层第 i 个神经 元与第 k一1 层第 个神经元的连接权值。 Y ∑ _ l 1， 5W kij X k _ 1 ]J L 式中Y k i 表示第 k 层第 i 个神经元与第 k一1 层的神经 元输出的加权和。 表示第 k 层第 i 个神经元的输出， 它是 ， ， 经作用函数作用之后的输出 “ 厂 Y 6 常用的作用函数是 S i g m o i d函数，有以下两种常 用形式 If x - f7 1 I 其中 。 是一可变参数 ，以改变 s型曲线 的梯度 。 2 基于观测器和神经网络的液压系统故障诊断原理 2 ． 1液压 系统模 型设计 为方 便 建 立 液 压 系 统 故 障 诊 断 模 型 ， 综合考 虑 多种 液 压 系 统和在 实 际 中导 致 系 统故 障 的主要 液 压 元 件 ，设 计 的液 压 系 统 如 图 2所 示 。系统 由 电动机 、泵 、溢流 阀、 电液 比例 阀 、液 压 缸 图 2 液压系统原理图 组成 。 2 ． 2 基于观测器和神经 网络的液压 系统故障诊 断 原理 液压系统故障诊断包括 3 个阶段产生残差；故 障检测；故障分离定位。原理图如图3所示。 L _ - 图 3故障诊 断原理 图 故障诊断的第一步 产生残差是利用液压系 统各元件之 间的流量特性 、动力特性 以及控制特性 建 立式 2 所示的元件观测器模 型 ，通 过建立反馈增 益阵 ，判断液压元件是否发生故障。模 型中的变量 由 电流 、压力 、振动位 移 、振动加 速度 、温度 、流量 、 噪声等组成，包含的变量越多，对元件故障诊断精度 越高 。 故障诊断的第二步 故障检测是通过观测器 输 出残差和观测器决策逻辑实现 。常用的决 策逻辑方 法有 1 多重模型假设检验； 2 序贯概率法； 3 广义似然 比法 ； 4 比较法 ； 5 滤波法 。 故 障 诊 断 过 程 中 的困难 在 于 故 障 的分 离 定 位。与 早 期 的模 式识 别 、多 重 模 型 假 设 检 验 、统 计 决 策 、 图4 系统故障逻辑图 专家系统等方法相比，神经网络具有自学习、自适应 能力 、能逼近任意复杂非线性函数 或映射 ，更适 合 于做故障分类器。结合图2所示液压系统模型和液压 系统工作原理，可得液压系统故障逻辑图如图4所示。 图 4中A、B、C 、D、E为经过处理 产生残差 和决策后 得 到 的故 障特 征量 ，这 些量 为 1时表示 正常，为 0时表示故障，对故障进行编码，得故障编 码表 如表 1 所示 。 表 1 液压系统 故障编码表 对应 1 号故障，所有特征量都为 1 ，系统所有部件 正常，系统处于无故障状态。对应 2号故障，c1 表 示溢流 阀工作正常 ， A 、曰及后续环节为零 ，认 为这种 情况是电动机或者电动机与泵之间结构发生故障。对 应 3 号故障，AC1 表示溢流阀与电动机正常工作， B及后续环节为零 ，认为泵发生故障。4号故 障表示溢 阀 阗 机 泵阀 比缸 动 压流 液 压 电 液溢 电液 二二一 第 1 期 谢建 等基于观测器和神经网络的液压系统故障诊断方法研究 1 3 7 流阀发生故障。5号故障表示电液比例阀或者溢流阀 与电液 比例 阀之 问管路发生故 障。6号故 障表 示油缸 或者油缸与电液比例阀之间管路发生故障。 3 仿 真实 验 利用 M a t l a b进行仿 真 实验 ，神 经 网络 结构 选用 图 1 所示 B P神经 网络 ，以表 1中的特征量作为输入 ， 故障编码作为输 出，对 神经 网络进行训 练 ，输入层 、 输出层节点数均取为5 ，传递函数和学习函数采用默 认 函数 ，训 练参数如表 2所示 。 表 2 训练参数表 神经网络 隐层神 经元数对 网络 的性 能影 响较大 ， 节点数 少 ，网络不能充 分表达输 入与输 出 间的关系 ， 难于收敛 ；节点数多 ，网络的非线性度较高 ，也不能 正确地反应输入与输出的关系，易于出现振荡、局部 极小等现象，因此选择合理的节点数非常重要。通过 进行多次试验 ，得到隐层 神经元数与收敛步数 的关系 如表 3所示。 表 3 隐层神 经元数 与收敛步数 关系表 神经元数 目 1 0 1 1 1 2 1 3 1 4 1 5 收敛 步数 l 8 4 5 1 1 4 1 6 1 5 从表 3可知 ，隐层神经 元数为 l 3时，网络以最 小的步数到达训练 目标 ，训练误差如图 5所示 。 图 5 训练误差 图 将训练好 的网络用于 回想 ，以特征 量作 为输 入 ， 网络的输 出结果如表 4所示 。 表 4 回想结果 网络预报误差曲线如图 6所示 。分析图 6中各曲 线可知 ，神经 网络的输出误差较 小 ，效果较好 。 图 6 训练误差 4结论 作者综合观测器和神经网络各 自的优点，提出基 于观测器和神经网络的液压 系统故 障诊断方法 。利用 M a t l a b进行仿真实验 ，仿真结果证 明该方法对液压 系 统故障的诊 断和定 位效果 较好 。结 合实 际液压 系统 ， 还有 以下工 作值得开展 1 整 个系统 的模 型选用 的是 主要液压元件 ，在实际应用时还需考虑 系统 中的 其他 元件 ； 2 利用神经 网络进行 仿真时选 用的是 M a t l a b默认的训练函数和学习函数，为提高精度和运 算速度，可以采用改进 B P算法。 参考文献 【 1 】李庆文， 赵建民， 张学伐 ， 等． 基于粗糙集理论的液压泵 故障诊断研究[ J ] ． 流体传动与控制， 2 0 0 8 3 2 1 2 3 ． 【 2 】杜京义， 赵团民， 巍维岗． 轧机液压伺服系统的双线性模 型[ J ] ． 机床与液压， 2 0 0 5 7 1 0 61 0 7 ， 9 4 ． 【 3 】A n L ， S e p e h fi N ． H y d r a u l i c a c t u a t o r l e a k a g e f a u l t d e t e c t i o n u s i n g e x t e n d e d K a l m a n[ J ] ． I n t e r n a t i o n J o u r n a l o f P o w e r ， 2 0 0 5 6 4 1 5 1 ． 【 4 】 范士娟， 杨超． 液压系统故障诊断方法综述[ J ] ． 机床与 液压 ， 2 0 0 9 ， 3 7 5 1 8 81 9 2 ， 1 9 5 ． 【 5 】明廷涛， 张永祥， 张西勇， 等． 基于非线性观测器的液压 伺服系统故障诊断方法研究[ J ] ． 中国机械工程， 2 0 0 8 ， 1 9 1 3 1 5 2 71 5 3 0 ． 【 6 】 胡昌华 ， 许化龙． 控制系统故障诊断与容错控制的分析 和设计[ M] ． 北京 国防工业出版社， 2 0 0 8 ． 【 7 】付海龙， 吴广宇， 王颢， 等． 青藏铁路接地网设计中的遗传 优化神经网络[ J ] ． 高电压技术， 2 0 0 6 ， 3 2 5 9 0 9 2 ．