基于BP神经网络的液压挖掘机故障诊断的研究.pdf

2 0 1 1 年 1 2月 第 3 9卷 第 2 3期 机床与液压 MACHI NE T O0L HYDRAULI CS De c ． 2 0 11 Vo 1 ． 3 9 No ． 2 3 DO I 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 1 ． 2 3 ． 0 4 5 基于 B P神经网络的液压挖掘机故障诊断的研究 李国平 ，张庆伟 济南大学机械工程学院，山东济南2 5 0 0 2 2 摘要 为了实现液压挖掘机的整机故障诊断，提出基于 B P神经网络的故障诊断方法。将 B P神经网络应用于液压挖掘 机的故障诊断中，研究 B P神经网络的结构和算法。以液压挖掘机整机故障诊断为例，选择典型的故障样本训练神经网络， 使神经网络具有较好容错性和稳定性 ，经过训练的神经网络就可以实时、准确地诊断出挖掘机的故障。并使用 M a t l a b的神 经网络工具箱进行模拟仿真，仿真结果表明B P神经网络能够很好地应用于液压挖掘机的实际故障诊断，网络收敛速度 快 、学习记忆稳定 ，具有一定的工程实用价值。 关键词神经网络 ；故障诊断；液压挖掘机；仿真 中图分类号U 4 1 5 ． 5T P 1 8 3 文献标识码A 文章编号1 0 0 1 3 8 8 1 2 0 1 1 2 31 6 0 5 Re s e a r c h o n Fa ul t Di a g n o s i s f o r Hy dr a u l i c Ex c a v a t o r Ba s e d o n BP Ne ur a l Ne t wo r k L I G u o p i n g ，Z HA N G Q i n g w e i S c h o o l o f Me c h a n i c a l E n g i n e e r i n g ，U n i v e r s i t y o f J i n a n ，J i n a n S h a n d o n g 2 5 0 0 2 2，C h i n a Ab s t r a c t A me t h o d b a s e d o n B P n e u r a l n e t w o r k wa s p r o p o s e d i n o r d e r t o a c h i e v e t h e f a u l t d i a g n o s i s o f h y d r a u l i c e x c a v a t o r ．T h e s t r u c t u r e a n d a l g o r i t h m o f t h e B P n e u r a l n e t wo r k w e r e s t u d i e d ． T a k i n g t h e wh o l e f a u l t d i a g n o s i s o f h y d r a u l i c e x c a v a t o r a s a n e x a mp l e， t h e t y p i c a l f a u l t s a mp l e s w e r e s e l e c t e d t o t r a i n t h e n e u r a l n e t w o r k a n d t h e n e u r a l n e t wo r k h a d g o o d t o l e r a n c e a n d s t a b i l i t y ． Th e t r a i n e d n e u r a l n e t w o r k c o u l d b e u s e d t o r e a l t i me，a c c u r a t e l y d i a gn o s e t h e f a u l t o f h y d r a u l i c e x c a v a t o r ． Th e a p p l i c a t i o n e f f e c t W as v e r i fi e d b y u s i n g t h e n e u r al n e t wo r k t o o l b o x o f Ma t l ab ． Th e s i mu l a t i o n r e s u l t s s h o w t h e BP n e u r a l n e t w o r k c a n b e u s e d i n t h e p r a c t i c al f a u l t d i a g n o s i s o f h y d r a u l i c e x c a v a t o r ． I t h a s h i g h c o n v e r g e n c e r a t e a n d h i g h s t a b i l i t y o f l e a r n i n g a n d me mo ， S O i t h a s c e r t ain p r a c t i c a l e n g i n e e r i n g v a l u e ． Ke y wo r d s B P n e u r al n e t w o r k； F a ult d i a gn o s i s ； Hy d r a u l i c e x c a v a t o r ； S i mu l a t i o n 随着现代科学技术 的不断进步和发展，液压挖 掘机液 压系统 的结构越 来 越复 杂 ，这 就造 成 了挖 掘 机液压系统 的故 障维修愈发困难 ，一旦 出现故障， 在短时间内不能解决 ，给施工企业带来巨大的经济 损失 。 近年来 ，随着可靠性理论 、信息论 、控制论和系 统论的发展，尤其是人工神经网络技术的理论逐渐成 熟，逐渐形成了一门新兴的学科故障诊断学 ，这 就为液压挖掘机的故障诊断提供了新的方法和途径。 故障诊断的方法从整体上可分为两类 1 基于非 模型的故障诊断理论和方法，如信号空间特征、模态 和信息处理方法的诊断理论与方法 ，基于知识推理、 人工智能、专家系统的诊断方法，基于模式识别和神 经网络的诊断方法； 2 基于系统数学模型和现代 控制理论、方法的故障诊断理论和方法，也包括相互 间的结合和集成 。 人工神经网络能够出色地解决传统专家系统难 以解决的知识获取瓶颈 问题和模式识别的问题，能 够根据设备运行参数的变化调整分类过程，能够根 据输入模式的数据对存储器和分类器的结构进行 自 适应调 节 ，所 以适合 于解 决 故 障诊 断 领 域 的 问 题 。 作者针对挖掘机的液压系统故障，采用 B P神经 神经网络模型进行故障诊断推理 ，提出一种用于液压 挖掘机故障诊断的新方法。 1 故障诊断问题的形式化表示 故障诊断过程就是根据诊断对象出现的异常征兆 查明对象发生了什么故障和引起这些故障的可能原因 的过程，一个诊断问题形式化为一个四元式 D P ， l ， ， E， 1 其中X ， ， ， ⋯， ，为非空征兆集合；Y Y ， Y ， ⋯， Y ’ ，为非空故障集合 ；X ∈ X为 的一 个子集，表示 目前已经观测到存在的征兆集合；E 收稿 日期 2 0 1 01 11 9 基金项目山东省优秀中青年科学家奖励基金项 目 B S 2 0 1 0 Z Z 0 0 1 作者简介李国平 1 9 7 1 一 ，男 ，博 士，副教授，主要研究方 向为机电一体化检测与控制技术。Em a i l me l i g p u j n ． e d u ． e n 。 第 2 3期 李国平 等基于 B P神经网络的液压挖掘机故障诊断的研究 1 6 1 XY ，为定义在XY 上的关系子集，即有关故障与 征兆间 因果关系方面的知识。 在传统的诊断专家系统中，E可以是故障引起的 征兆的概率 ，也可以是定义在 XY上的因果二元有 序模糊关系的隶属函数。在神经网络诊断系统中，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 阀值 。 2 B P神经网络的结构及训练算法 在故障诊断中，根据故障与征兆之间的拓扑结 构 ，利用样本训练收敛稳定的节点连接权值，向网络 输入样本征兆参数或故障参数 ，计算网络 的实际输 出，根据输出的值确定故障类别，达到故障诊断的目 的 。 2 ． 1 B P模 型 的神 经 网络 在故障诊断领域 中被广泛应用的就是 B P B a c k P r o p a g a t i o n 神经网络。B P模型是一种多层前向网 络 ，3 层 B P神经网络由输入层、隐含层和输出层组 成 ，其结构如图 1 所示 。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f 隐含层， 输出层 图 1 3层 B P神经网络结构图 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，输入模式从输入层经 过隐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 ，⋯，n 。 2 隐含层节点 的输入、输出分别为 f h j i_ _ l W i e i O J ⋯ 【 o j 厂 式中 1 ，2 ，3 ，⋯，z ； m一 ， ， 0 1 。 3 输出层节点 k的输入、输出分别为 f Z 。 o j - O k 磊 【 Y ， h 式 中k 1 ， 2 ，3 ，⋯ ，m；w 加～0 ，0 o 1 。 2 ． 2 神经网络的训练算法 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，从而可以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 ， ，⋯， 和 目标样本 为 t ，t ，⋯， t ，学习算法的实质是用神经网络的输 出 y ， ， ⋯ ，Y 与期望输出 t 。 ，t ，⋯，t 的误差来修 正连接权值，使神经网络的输出和期望输出尽可能地 接近。权值的修正公式为 n1 W i i 1 7 , 田 占 It 4 对于输 出层 ，6 ， n 为 n 与误差信 号 e i It 之积 ，即 6 ， n e i n ， f n 5 对于其他层 ， ， n 为 ， ， n 与后面一层的 占 的加 权和之 积 6 f n f n ．∑ n w 莳 n 6 式 4 中 为步长 ，n为迭代次数。当 P个样本 学习时，其总误差 E [ Pf 一 ] 7 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。其中占为任意给定的数，它取决于神 经网络的训练精度 。 2 ． 3 B P神经网络的训练过程 利用 3层 B P神经网络进行故障诊断，采用数据 驱动的正向推理策略，从初始状态 出发，向前推理 ， 到达 目标状态为止 。其故障推理的步骤如下 1 网络状态初始化。用 一11 之间的随机数 对网络权值、阀值赋初值。 2 从训练样本集中取出一样本，把输入信息 输入到网络中，即输入向量 。 和教师向量d p P1 ， 2 ，⋯，P ，其中 p { P 1 ， ， ⋯， } 8 d { d p ， d p 2 ， ⋯， d p } 9 3 学习开始。对每一个样本进行如下操作 ① 计算网络隐含层及输出层各神经元的输出； ② 计算训练误差 6 。 ， n 。 输出层 n e n n 1 O 隐含层 1 6 2 机床与液压 第 3 9卷 n n 1 7, w p kj n 1 1 ③ 权值更新 n 1 n n n O l ” n 一 ” n 一1 1 2 4 是 否满足 I ， ， n 1 一 y l n l 1 3 如满足则执行第 5 步，否则返回步骤 3 。 5 是否满足 I ， ， n1 一d n l 卢 1 4 如满足则执行第 6 步，否则返回步骤 1 。 6 诊断结束。 其程序流程如图2所示 ，以上这种前馈 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 时的输出层出现的与 “ 事实”不符 的误差归结为连 接层中各节点的连接权值及 阀值的 “ 过错” ，通过把 输出层节点的误差逐层向输入层逆向传播以 “ 分摊” 给各节点 ，从而可算出各连接节点的参数误差并据此 对个连接权进行相应的调整，从而建立输入到输出映 射 的网络函数 。 图 2 B P算法流程图 3 液压挖掘机整机故障诊 断 B P网络的建立 以小松 P C 2 0 0 - 7型液压挖掘机为例，针对其整机 故障应用 B P网络进行诊断。其整机系统常见的故障 如表 1 所示 。 表 1 液压挖掘机整机故障诊断表 针对液压挖掘机的整机故障原理，提取故障征兆 集 X{ 。 ， ， ， ， ⋯， } ，其中 。 表示功率下降， 表示回转压力不足 ， 表示回转制动失灵 ， 表 示行走力不足， 表示行走跑偏。 通过神经网络对故障原因进行诊断，输出应是各 种故障类型 D { d 。 ，d ，d ， ，⋯，d } ，其 中d ， 表示柴油机输 出功率不足，d 表示油泵磨损，d 表 法分配阀或主溢流阀调整不当，d 表示缓 冲阀调调 整压力下降，d 表示油马达性能下降，d 表示回转 轴承损坏， d ， 表示中央回转接头密封损坏。 3 ． 1 网络输入向量及参数的选取 针对每个故障原因，提取可能发生的故障征兆， 建立可能的征兆集 X ， ， 一， } ，并求出故 障征兆模糊向量 ，将其作为各个神经元的输入值 ； 然后分析所有可能的原因，建立相应的故障原因集 Y{ Y ， Y ， Y 一， Y }，用故障原因隶属度值来说明 故障 Y j发生 的可 能性 大小 ，其 变 化 范 围为[ 0 ， 1 ] 。故障等级分类如表 2所示。 表 2 故障等级分类 曩 意 义 等 级 度 值 致命0 ． 81 严重 0 ． 6 0 ． 8 轻微0 0 ． 3 危及人身安全，引起总成报废 ，造成重 大经济损失，对环境造成严重威胁 引起主要零部件、总成严重损坏，不能 用易损备件和随车工具在短时间内排除 不影响挖掘作业的非主要零部件损坏， 可用易损部件和随车工具在较短时间内 排除 对挖掘机的正常工作没有影响，不需要 更换零部件，可用随车工具较容易排除 第 2 3期 李国平 等基于 B P神经网络的液压挖掘机故障诊断的研究 1 6 3 3 ． 2 网络结构及训练样本的选取 表 3所示为液压挖掘机整机故障的 8 种典型故障 类型 ，共 l 6 个故障样本 其中带 的为验证样本 ， 每个故障样本都有 5个故障特征值，因而网络的输入 节点数为5 。 表3 典型故障样本设计 用 3 个神经网络的输 出节点表示 8种故障类型， 对 输 出 进 行 二 进 制 编 码 ，分 别 为[ 0 0 0] 、 [ 0 0 1 ] 、 [ 0 1 0 ] 、 [ 0 1 1 ] 、 [ 1 0 0 ] 、 [ 1 0 1 ] 、[ 1 1 0 ] 、 [ 1 1 1 ] ，并抽取一部分故 障样本 不带 的样本进行神经 网络的训练，训 练样本集如表 4 所 示。 表 4 神经 网络训练样本 序号 编码 1 2 3 ’ 在故障样本中，根据故障等级分类采用的数字化 原则为对于输入层故障征兆 ，致命故障0 ． 9 ，严重 故障0 ． 7 ，正常运行 0 ． 5 ；对于输出层，故障原因发 生 0 ． 91 ，不发生 0 ． 1 。 3 ． 3 网络 训练及 测 试 该网络的输入层用来接收故障信息，因此有 5个 输入单元 ，输出层用来输出故障类别 ，因此有 3个输 出单元。隐含层的单元数先按 1 0初选，在本着能使 训练快 、精度高的原则 ，由训练试验择优选择确定。 神经 网络 的网络结构如图 3所示 ，分为 3层结 构 输入层、隐含层和输出层。输入层包括 5个输 入 ，输出层 3个输出，中间层包括两层结构 的 L o g S i g m o i d ／ L o g S i g m o i d网络。L o g S i g m o i d函数的输出范 围 0～1 正好适合在学习后输出布尔值 。 。 。 输 入 层 隐含 层 输 出层 厂_ 、 工1 - 叶 J ⋯． 3 7 l 、 L 3 一 Z 1- L 2 厂 5 ’ I - ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． ． a l S i g mo i d J Ⅲ 6I a 2 S i g mo i d LWn k b 2 P _输入样本数L - 一神经网络输入层层数正 2 一神经网络隐含层层数 |L 广 神经网络输出层层数 一 输入层神经元数 一隐含层神经元数 n 一输出层神经元数朋 一输入层到隐含层的权值矩阵 工矸 一隐含层到输出层的权值矩阵6 l 、6 f _ 一 阀值 图3 神经网络结构图 为了确定 B P网络的结 构并取得 良好的诊断效 果，做了大量 的仿真试验，在设定允许误差的情况 下，针对三层 B P网络结构和学习样本，研究网络结 构参数和算法 对学 习速度的影 响，寻求参数 的优 化 。 1 固定学习率 叼 ，分析 B P网络的隐含层节点 数对网络学习的影响。结果表明隐含层的节点数对 网络学习的收敛性有很大的影响，针对故障问题，最 佳的隐含层节点数为 h 8 。 2 在对隐含层节点数优化的基础上 ，选择不 同的学习效率 训练网络。结果表明 较小时网络 收敛速度慢，而 过大则又会出现震荡而影响收敛， 最终确定了一个较为优化的学习效率 0 ． 7 5 。 M a t a l a b 7 ． 0的 B P神经网络工具箱提供了大量的 B P网络工作函数 ，作者采用 Ma t l a b实现仿真口 。具 体网络训练算法如下 1 初始化 ，建立一个两层的网络 S 1 1 0； ％ 隐含层 1 0个神经元 [ R Q] s i z e s o u r c e ； ％s o u r c e是输入样本矩阵。 [ s 2 Q] s i z e t a r g e t s ； ％t a r g e t s 是期望输出矩阵。 Pt arg e t s ； 1 6 4- 机床与液压 第3 9卷 n e t n e w ff m i n m a x P ， [ s 1 s 2 ] ， { ‘ S i g m o i d “S i g m o i d ’ } ， t r a i n g d x ； ％建立一个 B P神经网络。 2 神经网络训练。当网络的平方和误差小于 0 ． 0 0 1 或者训练 时间达 到 5 0 0 0个时间单位时停止 。 Ps o H r c e； T t a r g e t s ； n e t ． p e r f o r mFc n’ s s e’； n e t ． t r a i n P r a r a m． g o a l 0． 0 01 ％定义 网络 目标误差 0 ． 0 0 1 。 n e t ． t r a i n P r a r a m． s h o w 2 0； n e t ． t r a i n P r a r a m． e po c h s5 0 0 0 ％定义训练次数 5 0 0 0次。 n e t ． t r a i n P r a r a m． mc0． 9 5 [ n e t ， t r ] t r a i n n e t ， P ， T ； 3 实验结果 将 表 4所 示 的液l 0 压挖掘机故障训 练样⋯ ， 本输 入到 用 Ma t l a b编 遥 写的 B P神经 网络程 蕃l 0 - 序中进行训 练，训练l 0 的误 差 曲线 如 图 4所 示。误 差 曲线 的横 坐 标是网络的训练步数 ， 即训 练到 多 少 步 网络 训练完毕，网络 的性 O 1 0 2 0 30 40 50 6 0 70 训 练 步数， 步 图 4 神经 网络训练 误差曲线图 能函数值小于训练目标时，网络的训练停止。纵坐标 是网络的训练误差，即网络的实际输出与期望输出之 差。直线代表误差 目标值 1 1 0 ，曲线为训练 误差，当训练进行到7 9次时达到误差要求 ，训练结 束 。 当规定神经网络的的训练误差为 1 1 0 时，在 8 种故障类型中选取验证样本 带 的样本进行检 测 ，测试结果如表 5所示 。 表 5 样本测试结果 可 以看 出 仿 真 的输 出与实 际 的输 出基 本上 一 致，说明了网络 的合理性 ，可以用于实际的故 障诊 断 。 4结束语 在对 B P神经网络研究的基础上，提出了一种基 于 B P模型的神经 网络液压挖掘机故 障诊断的方法。 若用这个网络监测液压挖掘机的运行状态，就可对液 压挖掘机 的整机故 障进行准确 的判别 。 液压挖掘机整机故障诊断实验测试的结果表明 只要选择典型的故障样本训练神经网络 ，使神经网络 具有较好的容错性和稳定性，经过训练的神经网络就 可以实时、准确地诊断出挖掘机的故障，具有一定的 工程实用价值。 参考文献 【 1 】石红， 王科俊， 李国斌． 液压设备故障诊断技术的研究与 发展[ J ] ． 中国机械工程 ， 2 0 0 1 ， 1 2 1 1 1 3 2 31 3 2 6 ． 【 2 】虞和济． 基于神经网络的故障诊断[ M] ． 北京 冶金工业 出版社 ， 2 0 0 2 ． 4 ． 【 3 】张定会 ， 邵惠鹤． 基于神经网络的故障诊断推理方法 [ J ] ． 上海交通大学报 ， 1 9 9 9， 3 3 5 6 1 96 2 1 ． 【 4 】王贤琳， 张华， 宋佳佳． 基于 B P 神经网络的制造过程环 境影响评价模型[ J ] ． 中国机械工程 ， 2 0 0 9 ， 2 0 1 6 1 94 31 9 46． 【 5 】G A N E S H S ． A n E v a l u a t i o n o f B a c kp r o p a g a t i o n N e u r a l Ne t wo r k s f o r t h e Op t i ma l De s i g n o f S t r u c t u r a l S y s t e ms P a r t I． T r a i n i n g P r o c e d u r e s [ J ] ． C o m p u t e r M e t h o d s i n A p p l i e d Me c h a n i c s ， 2 0 0 2， 1 9 1 2 8 7 32 8 8 6． 【 6 】Y A N G J i e ， Q U H o n g j i a n ， Z H O U L i a n g ． R e s e a r c h o n t h e E v a l u a t i o n Me t h o d s o f B i d o f C o n s t r u c t i o n P r o j e e t B a s e d o n I m p r o v e d B P N e u r a l N e t w o r k 『 J ] ． Ws e a s T r a n s a c t i o n s o n C o m p u t e r s ， 2 0 1 0 ， 9 2 9 31 0 2 ． 【 7 】 Y A N G H u a n c h u n ． R i s k E v a l u a t i o n M o d e l o n E n t e r p r i s e s ’ Co mp l e x I n f o r ma t i o n S y s t e m A S t u d y B a s e d o n t h e B P N e u r a l N e t w o r k [ J ] ． J o u r n a l o f S o f t w a r e ， 2 0 0 9 ， 5 1 9 9 1 06． 【 8 】 张凤山， 张春华． 小松挖掘机维修 [ M] ． 北京 机械工业 出版社 ， 2 0 1 0 ． 6 ． 【 9 】张臣， 周儒荣 ， 庄海军， 等． 基于 B P神经网络的球头铣 刀铣削力建模 与仿真 [ J ] ． 中国机械工 程， 2 0 0 5 ， 1 6 2 O 1 7 9 1 1 7 9 4 ． 【 1 O 】 I J I x X ， H U A N G H， L I U C - H ． T h e A p p l i c a t i o n o f a n A N F I S a n d B P Ne u r al N e t w o r k Me t h o d i n Ve h i c l e S h i f t De c i s i o n [ C] ／ ／ 1 2 t h I F T o MM Wo r d C o n g r e s s ， B e s a n e o n ， Fr a n c e， 2 00 7． 6． 【 1 1 】 吴烨． 液压挖掘机状态监测与故障诊断系统的研究 [ D ] ． 长沙 中南大学， 2 0 0 4 ． 6 ． 【 1 2 】 G U O Y i ， Y A N G T a o ． T r a i n i n g C o m p u t a t i o n a l V e r b N e u r a l N e t w o r k s w i t h C o m p u t a t i o n a l V e r b R u l e B a s e s [ J ] ． I n t e r n a t i o n a l o f C o m p u t a t i o n a l C o g n i t i o n ， 2 0 0 8 ， 6 4 1 22 3 ．