基于BP神经网络的某型叉车液压系统故障诊断模型研究.pdf

基于 B P神经网络的某型叉车液压系统 故障诊断模型研究 朱洁 赵应生 闰育京 1军事交通学院研究生大队天津3 0 0 1 6 1 2 6 9 3 2 5部队喀什8 4 4 9 0 0 摘要阐述了液压系统故障诊断的特点和现状，对 B P神经网络的结构、训练方法和算法流程进行了说 明，并由此建立了某型叉车的故障诊断模型。将该型叉车液压系统的经验故障诊断特征库转化为可以被神经网 络模型利用的样本数据 ，并利用 Ma t l a b软件进行了仿真实验，验证其收敛性能达到相关要求。 关键词B P神经网络；叉车；液压系统；故障诊断 中图分类 号 T H 2 4 2 T P 2 7 7 文献标识 码 A 文章编号 1 0 0 1 0 7 8 5 2 0 1 4 0 2 0 0 9 7 0 4 Ab s t r a c t T h e p a p e r d e s c r i b e s t h e c h a r a c t e r i s t i c s o f f a u l t d i a g n o s i s f o r t h e h y d r a u l i c s y s t e m a n d i t s c u r r e n t s i t u a t i o n s ， a n d p r e s e n t s t h e s t r u c t u r e ，t r a i n i n g me t h o d，a n d a l g o r i t h m fl o w o f B P n e u r a l n e t wo r k ．T h e f a u l t d i a g n o s i s mo d e l f o r c e r t a i n f o r k l i f t i s b u i l t b a s e d o n t h i s ．T h e f a u l t d i a g n o s i s f e a t u r e l i b r a r y o f t h e f o r k l i ft h y d r a u l i c s y s t e m c a n b e c o n v e r t e d t o t h e s a m- p i e d a t a a v a i l a b l e for n e u r a l n e t w o r k mo d e l ，wi t h t h e s i mu l a t i o n t e s t b y Ma t l a b．I t ’ S v e r i fi e d t h a t t h e c o n v e r g e n c e p e r f o r m a n c e i s up t o r e l a t e d r e qu i r e me n t s ． Ke y wo r d s BP n e u r a l n e t wo r k ；f o r k l i ft；h y d r a u l i c s y s t e m ；f a u l t d i a g n o s i s 叉车是装卸搬运领域常见装 备之一 ，主要 用 于进行取货、上架、堆垛等作业。液压传动系统 由于功率大、响应快、精度高等优点，在叉车和 其他装运机械上得到 了广泛 应用。及时诊 断与排 除液压系统故 障，是保证 叉车作业安全与 高效 的 重要环节。 叉车液压 系统是 一个高度非线 性系统。各 回 路之间相互干涉 ，各 主要 组成元件 的失效形式 复 杂多样 ，故 障特征信 息提取 困难且故障征兆 与故 障原因之间存在着复杂 的非 线性 映射关系。这些 都使得常规 的信号处理和故 障诊 断方法难 以取得 较好 的成效。而神经 网络技术具有大规模 的信息 并行处理能力 ，特别适用于 复杂、多 因素 和不精 确诊断 问题 的处 理。本文利用 神经 网络原理 ，在 对叉车液压系统常见故 障进行分析归类的基 础上 ， 建立 了一种高效准确 的诊 断模 型 ，为未来构 建液 压系统故障诊断专家系统奠定 了理论基础。 1 液压系统故障诊断概述 液压系统故障诊断实 际上是 一个 模式识别 问 题 ，其过程就是根据诊 断对 象出现的异常征兆查 明对象发生的故障类型以及产生故障的原因。可 起重运输机械 2 0 1 4 2 以将这个过程用如下数学形式来表示 D P ， ， ， ， E， X 式中X 1 ， 2 ， 3 ， 4 ⋯ ，为非空 的 所有故障征兆的集合 ；Y Y ，Y ，Y ， ，Y ⋯Y ， 为非空的所有故障类型的集合 ；E XY ，为定义 在 XY上的关 系子集 ，即故障征兆与故障类 型之 间因果对应 关 系的相关知识 ；X ∈X，表示 目前 已观测到的特定故障征兆。 在传统的诊断模型中，E可以是故障引起 的相 应征兆的概率 ，也可以是定义在 X X Y上的因果二 元有序模糊关 系的隶属 函数。在神经 网络诊断模 型中，E最终表现为神经网络输入层与输 出层之间 的连接权值和阈值 。 2 B P神经网络的结构及训练算法 2 ． 1 B P神经网络的结构 在故障诊断领域中被广泛应用的就是 B P神经 网络。这是一种按误差逆向传播算法训练的多层 前馈 网络 MF N N ，神经元 的变换 函数采用型 函 数。B P网络能学习和存贮大量的输入 一输 出模式 映射关系 ，因此输出量是 01之 间的连续量。它 的学习规则是使用最快下降法，通过反向传播来 一 97 不断调整网络的权值和阈值 ，使 网络 的误差 平方 和最 小 。 B P网络 可以包含不 同的隐含层 。理论证 明 ， 在不限制隐含层节点数的情况下 ，3层 输入层 、 隐含层 、输出层的 B P网络可以实现任意的非线 性映射。本文所讨论的故障诊断模 型如 图 1所示 ， 第 1层为输人层 ，第 3层为输 出层 ，中间层为隐含 层。每一层包含 了若干个节点 ，每个节点代 表一 个神经元。同一层上 的各节点之 间无耦合 连接关 系，信息从输入层 开始在各 层之 间单 向传播 ，依 次经过各隐含层节点 ，最后到达输 出层节点。 输入层i 隐含层／ 输出层k 图 1 B P神经 网络模 型 B P算法的学习过程 由正 向传播和反向学 习两 部分组成。在正 向传播过程 中，输入从输 入层经 隐含层神经元 的处理后传 向输 出层 ，每一层神经 元 的状态只影响下一层神经元 的状态 。如果在输 出层得不到期望 的输 出，则转 向反 向传播 ，直到 达到精度要求 。 B P算法实际上是求误差函数 的极小值 ，它通 过多个样本的反复训练 ，并采用最快下 降法 使得 权值沿着误差函数负梯度方 向改变 ，并 收敛 于最 小点。 B P神 经 网络各 层节 点输 入 、输 出推 导 过程 如下 1 输入层节点 i 的输出等于其输入 ，为 i 1 ，2 ，3 ⋯ ，n 2 隐含层节点 的输入、输 出分别为 f h ∑ 一 ∑W jiX I ‘ 0 O j-厂 h i 式中 1 ，2 ，3 ⋯，f ；w y o 一 ； 0 1 。 3 输出层节点 k的输入 、输 出分别为 一 9 8 一 一 ∑W kj O j J o 式中k1 ，2 ，3 ⋯，m；W 枷一 ；0 o 1 。 2 ． 2 B P神经 网络的训练 B P算法的主要思路是根据训练网络的误差 函 数对各个神经元 的偏 导数计算 出误差对所有连接 权值 的偏导数 ，从而利用非线性优化 问题 的梯度 下降法来修改各个连接权值。设 B P网络 的输入学 习样 本为 ， ⋯， ，目标样 本 为 t ． ，t ⋯ ，t ，学习算法的实质是用神经 网络的实 际输 出 Y 。 ，Y ⋯ ，y 与期 望输 出 t ，t ⋯，t 的误差来 修正 连接权 值，使 两者尽 可 能地接 近。 权值 的修正公式为 W j i n1 n 叩 1 n n 式中叼为步长 ，g为迭代次数。 对于输出层 ，6 n 为 ， n 与误差 信号 e 凡 之积 ，即 6 n e i n ， n 对于其他层 ， n 为 ， n 与后 面一 层 6的加权和之积 ，即 n n ∑6 n W n 当有 P个样本学 习时 ，其总误差满足如下要 求时 ，则停止迭代 ，连接权值和阀值的修正完毕 ， 神经网络学习结束 1 P E ∑∑E t； 一 ] P1 J E C 式中 为任意给定数 ，它取决于神经 网络 的 训练精度 。 2 ． 3 B P神经 网络算法流程 应用神经 网络进行故障诊断 的程序流程如 图 2 所示 ，这种前馈 B P网络通过学习存储知识的基本 思路可简述为把 网络学习时的输 出层与 “ 事实” 不符 的误差归结为连接层 中各节 点的连接权值 与 阀值 的 “ 过错” ，通过把输出层节点 的误差逐层 向 输人层逆 向传播 以 “ 分摊 ”给各节点 ，从而计算 出各连接节点的参数误差并据此对连接权值进行 相应 的调整 ，建立输入到输出映射的网络函数。 3 某型叉车神经网络故障诊断模型 3 ． 1 故障诊断模型 某型叉车 的液压 系统 由液压泵 、换 向阀、分 起重运输机械 2 0 1 4 2 0 ∑ 舢 ， ●●● ●f 1●【 图 2 故障诊断流程 流阀、起升液压 缸 、倾斜 液压缸 、转 向阀、转 向 液压缸 以及油箱 、管道等辅助元件 组成。当叉 车 处于正常工作状态下 ，从液 压泵 出来 的高压油 液 到达多路换 向阀后 ，一部分分流到起升液压 缸或 倾斜液压缸 ，另一部分 以恒定流量分流到液压 转 向器控制转向液压缸。 该叉车液压系统常见故障征兆集与故障原因 集如下 故障征兆集 { 起升无力或无法起升； ， 高压油管爆裂 ； 液压泵发热 ； 系统噪声过大 ； 货物无法到达最高位置 ； f - j 架 自动倾斜 ； 门架下降速度过快 ； 门架倾斜困难 } 。 故障原因集 】 ，{ Y 液压泵齿轮或泵体磨损严 重 ；Y 液压缸漏油过多；Y 液压缸两端油 口堵塞 ； Y 换 向阀漏油 ；Y 换向阀弹簧失效 ；Y 油温过高 ； Y 油液 中混 入空气 ；Y 安全 阀压力过 高或过 低 ； Y 分配器倾斜油路互通 ；Y 。 液压缸 出油 口节流 阀 失灵 } 。 即系统 的 B P神经网络故障诊断模 型结构为 8 个输入神经元 、1 O个输出神经元 。 3 ． 2 训练样本与仿真试验 对于故障原 因 Y 一 Y 。 ，其存在与否的隶属 度 为 Y [ 0 ． 7 ， 1 ． 0 Y 存在 [ 0 ． 5 ， 0 ． 7 Y 可能存在 [ 0 ． 4 ， 0 ． 5 Y 存在与否不确定 [ 0 ． 2 ， 0 ． 4 Y 存在的可能性很小 [ 0 ， 0 ． 2 Y 不存在 根据经验知识 ，结合该 型叉车 的工作特性 和 实际维修经验 ，并参考有关叉车液压 系统故 障诊 断的资料 ，得 出如表 1所示的常见故 障征兆 和原 因的对应关系规则库，该规则库就是神经网络的 训练样本。 表 1 常见故障征兆原因规则库 故障征兆 故障原因 隶属度 样本序号 1 2 X 3 X 4 5 6 7 8 Yl Y2 Y 4 y 5 y 6 Y s Y 9 yl 0 1 l 0 0 0 O 0 0 1 0． 8 0 ． 2 0 0 0 0 0 0 O 0 2 1 0 O 0 O 1 0 0 0 0 0．1 0 ．9 0 O O 0 O 0 3 0 0 1 1 0 O 0 O 0 0 O 0 0 0 1 O 0 0 4 0 0 0 l 0 0 0 0 0 0 0 0 0 0 0． 3 0． 7 0 0 5 O 1 0 O 0 O 0 0 0 0 O 0 O 0 0 1 0 0 6 0 O 0 0 1 0 0 0 O 0 0 0 O 0 0 1 O O 7 O 0 0 0 0 0 1 O 0 0 0 O ． 2 0 0 0 0 0 0 ． 8 8 0 0 1 1 1 0 0 O 0 0 O 0 O 0 l 0 0 O 起重运输机械 2 0 1 4 2 一9 9 续表 1 故障征兆 故障原因 隶属度 样本序号 I X 2 X 4 5 X6 5 C 7 8 y1 Y 2 Y 3 Y 4 y5 Y 6 Y7 Y s Y9 yl J 9 1 O 1 0 0 0 0 O 0 O 0 0 0 l 0 0 0 0 1 0 1 0 0 0 0 0 0 O 0 0 ．2 0 0 0． 8 0 0 0 0 0 1l 0 O 0 O 1 0 l O 0 0 0 0 0 0 0 0 l 0 l 2 0 0 O 0 1 O 0 1 0． 4 0 ．5 0 O 0 0 0 0．1 0 0 对表 1所 示的训 练样 本 ，利用 Ma t l a b建立 3 层 B P神经网络进行训练 ，输入层有 8个节点 ，分 别对应故障征兆 ～ ；输出层有 1 0个节点 ，分 别对应 故 障原 因 Y 1～Y 】 o 。采 用 L e v e n b e r gMa r ． q u a r d t 算法对 网络进行训练 ，设定训练的 目标误差 平方和指标为 0 ． 0 0 1 ，最大循 环次数为 2 0 0 0次 ， 学习速率为 0 ． 1 。考虑到网络的收敛性 、仿真精度 和速度 的要求 ，经过多次尝试最终选取 隐含层节 点数为 1 7 。B P神经网络训练过程 中误差与训练次 数的关系如图 3所示 ，可 以看出 ，经过 1 6次训练 网络即达到收敛 目标 误差小于 目标值 。 1 0 1 0 栅 1 O 1 0 3 l 0 4 ＼ ＼ ＼ ＼ 目标值 ＼ 1 ． I l l l I l 诊断相结合 ，初步建立 了故 障诊断模型 ，并通过 Ma t l a b 仿真实验验证 了该模 型的可行性 ，为未来 开展该型叉车液压系统故 障诊 断专家系统 的开发 研究提供了依据 。 该模型尚待改进之处 1 基本 的 B P算 法收 敛速度慢 、目标 函数存在局部极小点 ；2 需进一 步优化学习样本 ，使诊断的准确率更高 。 参 考文献 [ 1 ] 王海 兰 ．物 流机 械 液压 系 统结 构 原 理 与 使 用 维 { ， 1 [ M] ． 北京机械工业出版社，2 0 1 0 ． [ 2 ]刘延俊 ．液压系统使用与维护[ M] ． 北京化学T业l叶 J 版社 ， 2 0 0 7 ． [ 3 ]胡良谋 ．某型四余度舵机的神经网络故障诊断模 型 [ J ] ．机床与液压，2 0 0 7 1 0 2 0 7 2 0 9 ． [ 4 ]张绪锦，谭剑波 ．基于 B P神经网络的故障诊断方法 [ J ] ． 系统工程理论与实践， 2 0 0 6 6 6 1 6 6 ． 堋 练 次 数 作 者朱洁 图3 B P神经网络的训练误差曲线 地 址天津军事交通学院研究生大队 4结 语 蓑 稿 日 翥 00 16堋1 本文将 B P神经网络理论 与叉车液压系统故障 l ～～ ⋯～～⋯⋯一～一～⋯～～⋯一一一～⋯～一⋯一一～⋯⋯～一⋯一’⋯⋯一⋯⋯1 2 全球制造业强劲复苏使经济复苏加速 据英国 金融时报1 月2日 报道，英国世界各地工厂2 0 1 3 年底恢复了勃勃生机， 制造业出现了近3 年来最 大幅度的增长，令人期待全球经济复苏将在今年加速。 j 从亚洲到欧洲和美国， 对工厂的 调查发现1 2 月 制造 业和就 业双双强劲 增长， 未 来几个月经营环境将保持景气， 显示 2 0 1 4年有望成为全球经济在金融危机过后恢复健康的一年。 ； 由摩根大通和 M a r k i t 编制的全球采购经理人指数 P M I 表明，一场可持续复苏的基础已形成。新订单分类指 ； ； 数显示制造业活动上行趋势将会一直强劲 ， 市场需求上扬。 ； 作为全球最大经济体美国，制造业继续快速扩张。美国供应管理协会编制的采购经理人指数达到 5 7 。这⋯结 果虽然略低于1 1 月的5 7 ． 3 ，但与经济学家们的预期相符， 而且仍处于盛衰分界线上方。更令人鼓舞的是， 美国制 造商正以2 0 1 1 年 6月以来最快的速度聘用工人 ，且新订单水平飙升，这些数据表明制造业将更趋强劲。同时，欧 元区也显示出复苏迹象 ，制造业以2 0 1 1年以来最快速度上升。 一。～～⋯⋯～一⋯一一，⋯一一一一一一⋯一⋯一～一 ⋯⋯一一⋯，一⋯⋯⋯一～～， ； 起重运输机械 2 0 1 4 2