资源描述：
混凝土泵车泵送系统多模式液压故障诊断方法 串 高 明， 黄罡 ， 刘海明， 谢 秀芬 三一重 工股份 有 限公 司 - _ ’ ． - ． - ． - ． ． J ⋯ _ ． ． r ． ． - ． ． ． ． 1 - - ． - ． ． - ． ． ⋯ - ． ． | ． ． - ． - _ ． ． ． t _ I ． ． ． ． - - ． r ． - - ． I ． ． J _ I _ ． ． _ - ． ． ⋯ ⋯ - I ． - ． ． 1 l _ ． ． _ ． - ． ． ． J I l _ ． ． ． _ l _ I - ． ⋯ ⋯ _ ． _ - ． - ⋯ 一 ． ． ． - ． _ _ ． _ _ - ． ． - - “ - ． ． j 摘要 混凝土泵车发生的故障半数以上与液压系统有关， 实现泵车液压系统的自诊断能 够提高服务工程师的工作效率和泵车的使用效率。提出适用于本地的诊断策略基于参数和 信号分析的故障诊断方法， 以及适用于远程后台的诊断策略智能诊断方法， 并通过试验验证 上述方法的有效性 。 二 ．． ．． ．． ‘ ’’’ ‘‘ ． ．1⋯ ． ．． _． ．． I． _ ．． ．1 ．． ．． 1 -．． _ I_ -． ．1 ．． ‘‘ ’。 ‘‘ ． ．1⋯ _ I_ ⋯ l -． ． ．． ．．． ． ．⋯ ⋯ ． ．． 。 。。 ‘． ． ” 1． ．。 。 。 ． - 1- ．． ．． ．⋯ ．t - ‘ -． ．⋯ ．． ’⋯ _． ． 。。 ’ 。 ．． ．” 1．． ‘ ‘’ 。‘ ． ． ．⋯ - ． ． ．t ． 关键词 混凝土泵车； 液压系统； 故障诊断 目前 ， 国内外工程机械 的传动和执行机构都普 遍采用 了液压技术 。统计表明 ， 设备发生的故障半 数以上与液压系统有关 ， 液压系统的状态直接影响 甚至决定设备的运行状况 ， 因此对液压系统 的故障 诊断越来越重要 。本文针对混凝土泵车泵送液压系 统所发生的故障进行分析 ， 提出了适用于本地和远 程后台的泵车液压系统故障 自诊断的 3 种方法。 1 基于参数的故障诊断方法 液压系统在正常工作时 ， 系统参数都处在设计 和设定值 附近 ， 如果这些参数偏离了预定值 ， 系统 就会 出现故障或可能出现故 障。在此基础上 ， 结合 逻辑分析法 ， 即可快速 、 准确地找出故障所在 。这种 方法所测取的信号主要有压力 、 温度和加速度 。 以主溢流阀故障为例 ， 当主溢流阀中的插装阀 卡死在下位时 ， 系统压力接近于零 ， 其他故障无法 使系统压力降为零。因此可以推导出下面的逻辑判 断关系式 I f 换向压力 7 MP a a n d 泵送系统压力 0 ． 5 MP a T h e n主溢流阀故障 图 1为据此判 断的主溢 流阀故障与正 常情 况 下的压力对 比图。 2 基于信号分析的故障诊断方法 液压系统中的很多故障是很难基于简单的参 图 1 主溢流 阀故 障与正常情况下的压力对 比图 数通过简单 的逻辑判断进行诊断的。所以 ， 需要对 采集的信号进行分析和处理 ， 提取 出对故障敏感的 特征。 以摆缸 内泄为例 ， 图 2为摆缸不同泄漏量下的 压力曲线 随时间变化逐渐调大内泄量 。直观上 看 ， 摆缸 系统压力下降 ， 但 导致 摆缸系统压力下降 有很多原因， 如齿轮泵内泄、 换向溢流阀故障等。利 用信号分析 的方法 ，提取左右摆缸的相关系数 ， 则 可得到摆缸 内泄 与相关系数变化之间的一一映射 关系。如图 3所示 ， 当相关系数小于 l 时， 则表示摆 缸发生了内泄。 } 基金项 目 国家“ 8 6 3 ” 计划高科技资助项 目 2 0 0 8 A A 0 4 2 8 0 2 作者简介 高明 1 9 8 2 一 ， 男， 山东滨州人， 硕土， 研究方向 工程机械中的运动控制及系统智能化。 一 5 0 学兔兔 w w w .x u e t u t u .c o m 图 2 摆缸不同泄漏量 下的压力 曲线图 | e 1 ； l鼬 ‰ ‘ __● D 尸 8 样本对 图 3 左右摆缸压力相关 系数 3 智 能诊 断方法 对液压系统一些复杂的故障进行诊断分析时 ， 运用上述方法 可能比较困难 ， 为此提出智能诊断方 法 。传统的神经网络方法进行分析时 ， 常需要 有足 够 的样本进行训 练 ， 当未训练的故障出现时 ， 则需 重新训练 网络模型 ， 这样既浪费时间又没有保存 以 前学 习的知识 。对此 ，提 出采用 基于 F A M F u z z y A R T MA P 的神经 网络模型进行故障诊断。 该模型的网路结构 图如图 4所示 ， 网络由两个 F u z z y A R T子模 块 A R T a 和 A R T b 及连接这两个模 块 的映射场 Ma p F i e l d 组成 ， 其 中模块 A R rr 日 实现 输入样本的模式聚类 ， A R T 模块实现输 出的模式聚 类 ， 且每一个模块均由正则化层 、 输 入层 和分 类层 组成 ， 而映射场实现输入聚类 与输出聚类 间 的映射关系。 图 5为基于该 网路 的诊断流程 图， 其 中的训练 样本包括的信号主要是振动信号和压力信号， 而进 行信号处理 的方法主要是时间序列模型方法 、 小波 分析方法 、 时域和频域分析方法等。 图 4 F u z z y AR T MA P网络结构 圉 圉 悃 圜 囡 图 5 智能诊 断流程 图 在这个模 型中， 对时域信号进行 F 丌 运算后可 以得到频域内的各个参数 ，直接建立 AR模型可以 得到时序模型参数 ， 统计计算后 可以得到时域 内的 均值方差等参数 ，这些特征量对 F A M神经 网络不 一 定都是敏感的 ， 可能有个别的特征值会产生干扰 作用 ， 这就需要对这些特征进行筛选 ， 方法是基 于 距离区分技术的特征评估和选择 ， 该选择方法的流 程图如图 6所示。 具体步骤如下 利用所有样本计算第 m个特征参数的标准方 1 差 和均值 厂； 根据属于第 类的样本数计算第 m个特征参数 1 的标准方差 o r m 和均值 ‘ ； 一 51一 l 9 8 7 6 5 4 3 2 O n O n 0 a O n 裁 罂 ． 学兔兔 w w w .x u e t u t u .c o m 学兔兔 w w w .x u e t u t u .c o m 进行有效识别。因此在把 3 种工况整合在一起诊断 后 ， 就需要 引入其他特征域 的参数 ， 包 括小波灰度 矩 、 频域和小波包能量谱 。此外对以上 的 9种时域 压力信号建立 A R模型，利用 A I C准则计算最佳模 型阶数 ， 得 出的最佳阶数基本都在 8 0左右。不同于 预测建模 ， 以 A R模型系数作 为特征参数使用时 ， 数 据处理 的效率 比建模精度更加重要 ， 因此统一利用 4 8阶的模型系数作为特征参数。 表 1 所示为所有 的 特征参数数量。 表 1 各特征域的特征 参数数量 】 特征域 参数个数 时域 9 频域 7 A R模型 4 8 小 波灰度矩 1 6 小波包能量谱 1 6 对全部 9 6个特征参数利用基于改进的距离 区 分因子进行敏感度 的评判 ， 图 8是对所有特征参数 进行运算后得到的敏感度 的比较结果。 图 8 特征参数对主液压缸泄漏的敏 感度对 比图 图 8中 0 ． 7 5这条线就是阈值 ， 超过此 阈值 的 认为是对此类故障敏感的特征参数。 经过筛选 ， 1 个 小波灰度矩、 1 个小波包能量谱和 6 个 A R模型的 特征参数被选中。 接下来 ， 将各个工况下不 同故障类型 的这 8个 特征参数作为样本 ，对 F u z z y A R T MA P神经 网络进 行训练。训练样本数量仍是 3 7个 ， 另外的 2 6个作 为测试精确度的样本 。 定义在不 同工况下正常样本映射 结果 为 1 ， 中 等泄漏样本 映射结果为 2 ，严重泄漏样本映射结果 为 3 ， 最后所得测试结果如表 2所示 。 由表 2可见 ， 在 2 6个测试样本 中 ， 有一个测试 样本发生 了诊断错误 ，将中等泄漏诊 断为严重泄 漏 ， 诊断准确率在 9 0 ％以上。 表 2 测试 结果对 比 序号 映射集 期望映射集 序号 映射集 期望映射集 1 1 l 1 4 2 2 2 1 1 1 5 2 2 3 1 1 l 6 2 2 4 1 1 1 7 3 2 5 1 l 1 8 3 3 6 1 1 1 9 3 3 7 1 1 20 3 3 8 1 1 21 3 3 9 1 1 2 2 3 3 1 0 1 1 23 3 3 1 1 2 2 2 4 3 3 1 2 2 2 2 5 3 3 1 3 2 2 2 6 3 3 4 结论 上述几个事例验证 了 3种故障诊断方法 的有 效性 ， 基于本文 中的 3种方法 的 自诊断功能可以诊 断出混凝土泵车泵送液压系统中的大部分故障 ， 能 够大大降低泵车排除故障的难度， 提高泵车的使用 效率。 参考文献 [ 1 】刘忠， 杨国平． 工程机械液压传动原理、 故障诊断与排 除[ M 】 ． 北京 机械工业 出版社 ， 2 0 0 5 ． 【 2 ]于志伟， 苏宝库， 曾鸣． 基于多智能体的监控与故障诊 断技术及其应用f J 1 ． 计算机工程 ， 2 0 0 6 1 3 2 2 2 2 2 4 ． [ 3 ]徐克林 ，徐克勇． 智能型液压故 障诊断专家 系统 探讨 『 J 1 ． 机电设备 ， 2 0 0 1 5 1 0 一 l 3 ． 通信 地址 湖南省长沙市经济 开发 区三 一工业城 智能本院 4 1 0 1 0 0 收稿 日期 2 0 1 0 ～ 1 1 - 1 7 ～ 5 3 学兔兔 w w w .x u e t u t u .c o m
展开阅读全文
