基于NARX网络模型的挖掘机液压系统故障检测.pdf

2 0 0 8 年 7 月 机械科学与技术J u l y 2 0 0 8 第2 7 卷第7 期 M e c h a n i e a lS c i e n c ea n dT e c h n o l o g yf o rA e r o s p a c eE n g i n e e r i n gV 0 1 ．2 7 N o ．7 贺湘宇 基于N A R X 网络模型的挖掘机液压系统故障检测 贺湘宇，何清华 中南大学机电工程学院，长沙4 1 0 0 8 3 摘要提出了一种针对挖掘机液压系统的非线性有源自回归 n o n l i n e a ra u t o r e g r e s s i v ew i t he x t r a i n p u t s 。N A R X 网络模型的故障检测方法。N A R X 网络模型是一种将有源自回归 a u t o - r e g r e s s i v e w i t he x t r ai n p u t s ，A R X 模型与神经网络相结合的系统建模方法，具有很强的非线性辨识能力。该 方法首先选取合理的网络模型结构，并根据A I C 准则确定最佳模型阶数；使用正常状态样本对 N A R X 网络进行训练。建立系统的辨识模型；然后运用序贯概率比检验 s e q u e n t i a lp r o b a b i l i t yr a t i o t e s t ，S P R T 对N A R X 辨识模型的残差进行假设检验，检测系统的故障状态。实验分析表明，基于 N A R X 网络模型的故障检测方法能够有效地应用于挖掘机液压系统。 关键词液压系统；挖掘机；故障诊断；非线性有源回归网络模型；序贯概率比检验 中图分类号T P 2 0 6 ．3文献标识码A文章编号1 0 0 3 - 8 7 2 8 2 0 0 8 0 7 - 0 9 3 7 - 0 4 F a u l tD e t e c t m no fE x c a v a t o rH y d r a u l i cS y s t e mB a s e do n． N o n l i n e a rA u t o ．r e g r e s s i o nv i t hE x t r aI n p u t sModelonfinearAw i t hE X t r aI n p u t s H eX i a n g y u ，H eQ i n g h u a C o l l e g eo fM e c h a n i c a la n dE l e c t r i c a lE n g i n e e r i n g 。C e n t r a lS o u t hU n i v e r s i t y ，C h a n g s h a4 1 0 0 8 3 A b s t r a c t Af a u l td e t e c t i o na p p r o a c ho fe x c a v a t o rh y d r a u l i cs y s t e mb a s e do nn o n l i n e a ra u t o - r e g r e s s i v ew i t he x t r ai n - p u t s N A R X n e t w o r km o d e li sp r o p o s e d ．A sac o m b i n a t i o no fa u t o r e g r e s s i v ew i t he x t r ai n p u t s A R X a n dn e u r a l n e t w o r k s ，N A R Xn e t w o r ki ss u i t a b l ef o ri d e n t i f y i n gn o n l i n e a rs y s t e m s ．F i r s t l y ，a na p p r o p r i a t en e t w o r ks t r u c t u r ei s c h o s e na n dt h eo p t i m a lo r d e r so ft h em o d e la r eo b t a i n e da c c o r d i n gt oA k a i k e ’8i n f o r m a t i o nc r i t e r i o n A I C ．T h e n 。 aN A R Xn e t w o r km o d e li st r a i n e dt od e v e l o pa ni d e n t i f i c a t i o nm o d e l ．F i n a l l y ，s e q u e n t i a lp r o b a b i l i t yr a t i ot e s t S P R T i sp e r f o r m e df o rah y p o t h e s i st e s to ft h em o d e lr e s i d u a lf o rd e t e c t i n gt h es y s t e mf a u l t s ．E x p e r i m e n t a lr e s u l t s s h o wt h a tt h ep r o p o s e da p p r o a c hb a s e do nN A R Xn e t w o r km o d e li se f f e c t i v ef o rf a u l td e t e c t i o no fa ne x c a v a t o rh y - d r a u l i cs y s t e m ． K e yw o r d s h y d r a u l i cs y s t e m ；h y d r a u l i ce x c a v a t o r ；f a u l td i a g n o s i s ；n o n l i n e a ra u t o r e g r e s s i v ew i t he x t r ai n p u t s ； s e q u e n t i a lp r o b a b i l i t yr a t i ot e s t 液压系统是挖掘机的核心部件，其工作可靠性 的高低。直接影响着整个挖掘机的正常运行。近年 来，随着机电液一体化技术在挖掘机上的广泛应用， 液压系统的结构日趋复杂，对挖掘机快速高效的施 收稿日期2 0 0 7 0 8 1 3 基金项目国家。8 6 3 ”高技术研究发展计划项目 2 0 0 3 A A 4 3 0 2 0 0 资助 作者简介贺湘字 1 9 7 4 一 ．博士研究生．研究方向为工程机械智能 故障诊断及机器人路径规划，h e x i a n g y u h o t m a i l ．c o m 工提出了更高的要求。因此，故障诊断技术在挖掘 机液压系统上的采用具有十分重要的意义。 有源自回归 A R X 模型是一种“黑箱”辨识方 法，它无需知道系统的内部机理，通过系统的输入输 出信息即可以建立系统的辨识模型⋯。A R X 模型 结构简单，具有较好的预测推广能力，在化工。中央 空调等系统的故障检测和诊断中均取得了良好的效 果。但是，液压系统是一个典型的高度非线性系 统口1 ，利用线性A R X 模型建立液压系统的辨识模型 具有很大的困难。非线性有源自回归 N A R X 网络 万方数据 9 3 8机械科学与技术 第2 7 卷 模型是一种将A R X 模型与神经网络相结合的系统 辨识方法卜1 ，它利用神经网络良好的非线性映射能 力，并引入A R X 模型的时间序列概念，使得N A R X 模型具备良好的动态特性和较高的抗干扰能力。 N A R X 模型通常能够用来逼近任意的非线性动态系 统，非常适合于液压系统的动态辨识。N A R X 模型 已成功地应用于非线性工业过程的系统辨识1 。 基于模型的故障检测方法认为。系统的辨识模 型描述的是系统正常状态下的运行过程，当系统处 于故障状态时，辨识模型的输出残差则会偏离正常 水平№．7 】。基于这种思想，本文提出的故障检测方 法利用N A R X 网络模型建立系统的辨识模型，使用 序贯概率比检验 s e q u e n t i a lp r o b a b i l i t yr a t i ot e s t ， S P R T 对辨识模型的残差进行假设检验，从而实现 系统的故障检测。 1 非线性有源自回归网络模型 一个单输入单输出 S I S O 系统的N A R X 模型 可以表示为‘k 5 】 y t 以y ‘一1 ，⋯，y t n ， ， “ 1 1 ，⋯，“ t n 。 1 式中Ⅱ t 和Y t 分别表示I 时刻的系统输出和输 入；‰和n ，分别表示输入和输出的阶数以 表示 非线性函数。 当以 可以通过一个多层感知器 m u h i l a y e r p e r c e p t r o n 。M L P 进行逼近时。式 1 则变成了一个 递归的N A R X 网络模型，那么表达式 1 可以改 写为 y t 妒 ，， t 一1 ，⋯，Y 1 一n ， ， I t I 一1 ，⋯，I t I 一玷。 2 式中妒表示由M L P 刻画的非线性映射。 图1N A R X 网络模型结构图 图l 显示了一个单隐层的递归N A R X 网络模 型。模型的输入不仅包括M t 以u t 的2 个抽头 延迟记忆单元，还包括输出Y t 的2 个抽头延迟记 忆单元的反馈。将以上N A R X 模型进行自然推广， 可得到对应抽头的状态更新表达式为 p ‘ n 。 茹‘ t 1 { Y t i n 。 n ， 3 L 菇“．1 t 1 ≤f 托。，n 。 i 1 7 , w n ， 、则t 时刻抽头对应的状态向量为 茹 t [ “ t - n 。 ，⋯，u t - 1 ，Y t - n ， ，⋯，Y t - 1 ] 设M L P 为单隐层结构，可以得到 J l v 气 t 咖 ∑口。办 ‘ 地 t c ； i 1 ，2 ，⋯，日；_ 『 1 ，2 ，⋯，Ⅳ 4 式中口；，和b ；表示权重；c ；表示偏差；日表示隐含层 的节点数目；Ⅳ表示抽头状态向量的维数；咖表示非 线性的激活函数。 输出节点是一个线性节点，对应的输出式为 磨 ，， t ∑d t ．J i 毛 t 0 5 式中∞。表示权重；口表示偏差。 同理，可以将S I S O 形式的N A R X 模型推广到多 输入单输出 M I S O 或多输入多输入 M I M O 的系 统当中。 2 序贯概率比检验 序贯概率比检验由W a l d 于1 9 4 7 年提出的一种 序列检验方法，在动态系统的故障检测中得到了较 为广泛的应用。定义系统的残差序列向量为 r t [ r 1 ，r 2 ，⋯，r t 】 则r I | } 的联合概率密度函数为 p ，[ r 1 】 p [ r 1 ，r 2 ，⋯，r 1 ]i 0 ，1 式中p o 和p 。分别表示系统正常状态 H o 和故障 状态 日。 的概率密度函数。 可定义似然比为 巾 - l n 揣 6 由于残差序列相互独立，可将上式改写为似然 比的递推关系式 m _ A 1 - 1 I n 揣 7 假设将矾判定为日。的概率 称为误报警率 为0 t ；将日．判定为风的概率 称为漏报警率 为卢。 则可以得到序贯概率比检测的阈值 r 口一1 n 垡 j 卢 8 【6 - 一n 南 万方数据 第7 期贺湘宇等基于N A R X 网络模型的挖掘机液压系统故障检测 9 3 9 可得序贯概率比检验的判定规则如下 I A t ≤口，接受t ／o ； 2 A I ≥b ，接受日l ； 3 口 A t O 表示故障状态下残差的均值；矿2 表 示残差序列的方差。 上面的检验是双边假设检验。需要同时检验 H o ／H 。 和H o ／H 。一。那么，对于风／H 。 l r t 一舡l 舡 A ‘ A t 一1 二手二 1 3 盯 对千H q ／H t ． h 缸1 舡 A ． t A I 一1 一二争二 1 4 盯 可得故障检测的判定规则如下 1 A t ≤口并且A t ≤a ，接受风，系统 处于正常状态； 2 A t ≥b 或者A 1 ≤b ，接受日l ／H I 一， 系统处于故障状态； 3 口 A t b 并且a A t b ，无法判 别系统状态，需要继续检验。 鏊巷委lr J 先导比例阀 掣i 罕 ●；● 传感器信号山变量泵 ．L { ，．L 铲斗油缸 推土铲油缸 回转机构 行走马达 图3 液压系统的基本结构图 4 实验分析 4 ．1 系统描述 实验平台为湖南山河智能机械股份有限公司的 s w E 5 0 型挖掘机。液压系统采用了带负载敏感 1 0 a d ．s e n s i n g ，L S 系统的变量泵；主阀采用了带先 导控制的多路液压比例阀；安装了压力，流量等传感 万方数据 9 4 0 塾堡型兰皇茎查 一．兰堕●_ _ _ _ l ●- - - _ - - _ - _ _ - _ - ●●_ _ _ _ _ - ●_ _ _ _ _ _ _ ●_ _ _ - 一一 器，通过能够对挖掘机的系统变量信号进行实时采 集。液压系统的基本结构如图3 所示。 实验分析中，故障检测只针对挖掘机工作装置 如动臂，斗杆，铲斗等 部分的液压系统，其他部分 液压系统的故障检测可以采用相同的分析方法。 4 ．2 故障检测 实验分析中，定义了4 个信号变量，作为系统的 状态信号，在对采集的信号样本进行预处理后，即可 以作为建立N A R X 模型和故障检测的数据样本，变 量的具体说明如表1 。 表1 液压系统的信号变量 信号描述 单位 P ，泵的出口压力 b a r P l 油缸人口压力 b a r B油缸出口压力 b a r Q I油缸人口流量 L ／r a i n 实验中，液压系统故障主要包括油缸内泄，阀芯 弹簧失效，阀芯磨损，变量泵滑靴磨损。配流盘磨损 等5 类故障。故障的设置主要通过部件的更换实 现。表2 列出了故障实现的具体方法。 表2 故障的具体设置方法 故障实现方式 在活塞表面，沿轴向方向加工一条宽 油缸内泄 1m m ，深0 ．1m m 的小槽，替换原油缸 内正常活塞 阀芯弹簧失效取一失效阀芯弹簧，替换原正常弹簧 取一正常阀芯，使用数控磨床磨去阀 阀芯磨损 芯主体部分的直径0 ．0 1m m 变量泵滑靴磨损取一严重磨损滑靴，替换原正常滑靴 取一严重磨损配流盘，替换原正常配 配流盘磨损 流盘 液压系统的信号变化速度较快，考虑到控制器 的处理速度，选择采样时间闾隔为5m s 。采集信号 的样本可分为两类第一类样本为系统正常工作状 态下的信号，该类样本一部分作为建立N A R X 模 型，另一部分作为故障检测测试样本；第二类为系统 故障状态下的样本，作为故障检测测试样本。实验 中，采集第一类样本5 组 样本号为S 。，S 。s ，，S ．。 s ， ，采集第二类样本1 0 组 样本号为s 。，s ，。s 。，s ，。 S l o ，S I l S 1 2 S 1 3 ’S 。．。S 1 5 ，每组样本长度为1 08 ，每 类故障采样两组。 定义模型的输入为P ．，P 。，P ，输出为Q 。。由式 1 2 可得N A R X 网络方程 Q 。 f 妒 Q I t 一1 ⋯ 口- t 一，n ’P ． t 一1 ⋯ P ， t n I P l t 一1 ⋯ P I t n 2 P 2 t 一1 ⋯ P 2 t n 3 1 5 式中m 表示输出Q 。的阶数；，l 。，1 7 , 2 ，n 3 ，K ，％分别 表示输入P ，，P 。，X l ，P 2 ，X 2 的阶数。 在M a t l a b6 ．5 下，取样本S 。，．s ，S 3 对N A R X 模 型进行训练。首先，确定M L P 为双隐层结构，隐层 的神经元数目分别取H 。 2 0 ，／／2 2 0 。设定训练次 数n 。喇。 5 0 。然后，利用式 9 ，得到N A R X 模型的 最佳阶数为m 4 ，n l 1 ，n 2 4 ，砧3 4 ，对应的 A I C 曲 - 2 ．3 4 9 1 。将样本S ．代入训练后的N A R X 模型，输出口。为归一化数据，范围为[ 一1 ，1 ] o 利用样本S 4 得到序贯概率比假设检验中的0 ．2 o ．0 0 3 8 ，舢 3 口 0 ．1 8 3 7 ；分别取误报警率仅 0 ．0 1 和漏 报警率口 o ．0 1 ，由式 8 可得o - 4 ．5 9 5 1 ，b 4 ．5 9 5 1 。 将样本S 5 ，S 6 ，I s 7 ，s B ，S 9 ，S l o ，s l l ’S 1 2 ，S 1 3 ，S ⋯S 1 5 代入 N A R X 辨识模型中，分别得到模型残差。取检验样 本的平均长度为l O ，由式 1 3 和式 1 4 得到A ． t 和A 一 1 ，利用故障检测的判定规则进行分析。当 1 0 个样本无法得到检验结果时，则继续增加样本数 进行检验，直至得到检验结果。故障检测结果如表 3 所示。故障检测结果表明。序贯概率比检验对于 残差序列较为敏感，9 0 ％以上的实验故障能够得到 准确地检测。 表3 故障检测结果 样本号风风．日I ．检测结果 S ， 、／X 正常 瓯 、／ 故障 S ．X、／X 故障 S 。 、／ 故障 S ， X、／ 故障 S I o X 、／ 故障 S I 、／ 故障 S l z X、／X 故障 S 1 3 、／X 正常 S 1 ． X、／ 故障 S ” X 、／ 故障 下转第9 4 4 页 万方数据 机械科学与技术 第2 7 卷 图5偏心率为0 ．2 时的压力等压线分布 a 承载面几何示意图 b 压力等压线分布 图6推力轴承的承载面及压力等压线分布 在图1 所示的主轴上，左端推力轴承的结构尺 寸为R 8 0m m ，R o 3 0m m ，R l 5 0m m ，记为轴承 A ；右端推力轴承的结构尺寸为R 8 0I n m ，R o 3 0 m m 。R ． 4 0m m ，记为轴承B 。主轴工作时，左端间 隙C 。与右端间隙C 之和为常数，并且推力轴承动 圈的两端受力平衡。同样采用迭代法求解轴承面上 的压力分布状态，图6 b 给出了轴承B 的间隙为 1 6 ／t m 的压力分布的流场模拟。 得到承载间隙的压力分布后，对压力分布进行 数值积分就可以得到轴承的承载能力，并可以继续 进行其他力学性能分析。 4 结论 根据质量守恒原理，制定出的每个供气孔出口压 力边界条件逐轮修正的迭代方法，成功地进行了有多 个供气孔的复杂流场的径向和轴向空气静压轴承压 力场的数值分析。分析结果与实验结果基本一致o 。 采用本方法进行了轴系支承的精确设计，并制 造出了样机，说明本方法可行和实用。由于本方法 采用动、静压气体润滑的雷诺方程作为基本物理模 型，所以本文进行的工作对高速回转空气静压轴承 的动态性能的分析提供了基础】。 【参考文献】 [ 1 ] N o g n e h iS 。M i y a g u e h iK ．A ne v a l u a t i o nm e t h o do fr a d i a la c c u r a c y f o rh y d r o s t a t i ca i rs p i n d l e sc o n s i d e r i n gr a d i a lm o v e m e n to ft h er o t s - r i n gc e n t e r [ J ] ．P r e c i s i o nE n g i n e e r i n g ，2 0 0 3 ，2 7 3 9 5 4 0 0 [ 2 】S t o u tKJ ，B a r r a u sSM ．T h ed e s i g no fa e r o s t a t i cb e a t i n gf o ra p p l i c a t i o nt on a n o m e t e rr e s o l u t i o nm a n u f a c t u r i n gm a c h i n es y s t e m s [ J ] ．J o u r n a lo f T r i b o l o g y ．2 0 0 0 。3 3 1 2 8 0 3 8 0 7 [ 3 ]李东升。沈海峰。李群霞．气体静压主轴旋转振动分析[ J ] ．润 滑与密封．2 0 0 2 。 5 7 9 [ 4 ] 潘晋，徐丰仁。沈钊．精密工作台气体静压轴承的有限元分析 [ J ] ．机床与液压，1 9 8 9 。 6 2 4 2 7 [ 5 ] 张静文，张君安．空气静压止推轴承性能的数值分析[ J 】．西安 工业学院学报，2 0 0 2 ．2 2 5 7 6 l [ 6 ] T i a nY ．S t a t i cs t u d yo ft h ep o r o u sb e a r i n g sb yt h es i m p l i f i e df i n i t e e l e m e n ta n a l y s i s [ J ] ．W e a r ，1 9 9 8 ，2 1 8 2 0 3 2 0 9 [ 7 ]张君安等．气体动静压径向轴承试验台研制[ J ] ．西安理工大 学学报，2 0 0 6 ，2 2 4 4 1 5 4 1 8 上接第9 4 0 页 5 结论 本文提出了基于N A R X 网络模型的挖掘机液 压系统的故障检测方法。该方法首先建立系统正常 状态下的N A R X 辨识模型，通过辨识模型获取系统 故障状态样本的模型残差；然后运用序贯概率比检 验对残差进行假设检验，以检测系统的故障状态。 实验分析中建立了系统的N A R X 网络模型，利 用序贯概率比检验对测试样本的模型残差进行检 验。通过采集5 种典型液压系统故障，对故障检测 方法进行了验证。实验结果表明，提出的故障检测 方法适用于挖掘机液压系统，能有效地进行故障 检测。 【参考文献】 [ 1 】L j u n 8L ．S y s t e mI d e n t i f i c a t i o n T h e o r yf o r t h eU 辩r 2 n dE d i t i o n [ M 】．T 8 i n g h u aU n i v e r s i t yP r e s s ，P r e n t i c eH a l lP T R ，2 0 0 2 [ 2 】蒋浩天，E ．L ．拉塞尔。R ．D ．布拉茨 美 ．段建明译．工业系统 的故障检测与诊断[ M 】．北京机械工业出版社．2 0 0 3 [ 3 ]周曲珠，芮延年．模糊理论在液压系统故障诊断中的应用[ J 】． 机械科学与技术．2 0 0 6 ，2 5 1 2 1 5 1 5 1 5 1 8 【4 ] S i m o nH a y k i n 美 ．叶世伟，史忠植译．神经网络原理[ M 】．北 京机械工业出版社．2 0 0 4 [ 5 ]W o n gCX 。W o r d e nK ．G e n e r a l i s e dN A R Xs h u n t i n gn e u r a ln e t - w o r km o d e l l i n go ff r i c t i o n [ J 】．M e c h a n i c a lS y s t e m sa n dS i g n a l P r o c e s s i n g ，2 0 0 7 。2 1 1 5 5 3 5 7 2 [ 6 】苏浩秦．宋述杰．邓建华．基于限制最小二乘估计的飞机舵面 故障诊断方法[ J 】．机械科学与技术，2 0 0 5 。2 4 9 1 0 3 3 1 0 3 5 【7 】S k o u n d r i e m o sEN ，T z a f e s t a sSG ．F i n d i n gf a u l t - - f a u l td i a g n o s i s o nt h ew h e e l so fam o b i l er o b o tu s i n gl o c a lm o d e ln e u r a ln e t w o r k s [ J 】．I E E ER o b o t i c s A u t o m a t i o nM a g a z i n e 。2 0 0 4 。9 8 3 - 9 0 万方数据