基于神经网络的电液系统故障诊断方法研究

作者:王真真;刘相新;韦学中;邓耀初;吴雪; 刊名:液压气动与密封 上传者:周殊梅

【摘要】特种车辆电液系统液压元件及工作介质具有封闭性特点,其故障不直观、诊断困难、排查不易,针对这一问题,该文提出了一种基于RBF神经网络故障诊断方法,对仿真数据建立学习样本进行学习,并使用测试样本对其进行实验,仿真结果表明,系统可以快速、准确的对故障进行定位.

全文阅读

0前言科学的故障检测和诊断策略是提高装备完好率的重要保障,是装备实战应用的核心环节。通过实时检测系统的运行状态,预测设备的可靠性,及时发现故障,识别和评价故障原因、部位、危险程度,是装备故障诊断重要的研究内容。特种车辆电液系统是机、电、液耦合的高复杂系统,其故障也是复杂的问题。其中液压举升系统具有元件和介质封闭性的特点,当发生故障时,常常不易立即找出故障部位和根源。本文提出了一种基于RBF神经网络的故障诊断方法,通过AMESim和MATLAB软件构建故障诊断仿真系统,对电液系统典型故障进行模拟分析,能够实现故障的快速、准确定位,解决了传统检测方法对人员、时间的要求,提高了系统的任务可靠性。1RBF神经网络及学习方法1.1RBF神经网络原理分析RBF神经网络全称为基于误差反向传播算法的人工神经网络。它是一种三层前向网络:第一层为输入层,由信号源节点组成。第二层为隐含层,隐单元的变换函数是一种局部分布的非负非线性函数,它对中心 点径向对称且衰减。隐含层的单元数由所描述问题的需要确定。第三层为输出层,网络的输出是隐单元输出的线性加权。其基本结构如图1所示。当网络输入训练样本Xn时,网络的实际输出为:Y(Xn)=wi(Xn)i=1,ti图1RBF神经网络结构图1.2RBF网络学习算法RBF网络具有最佳的逼近特性,具有较强的输入和输出映射功能,学习过程收敛速度快速,在前向网络中RBF网络是完成映射功能的最优网络。其算法步骤如下:(1)选初始中心值CK;(2)计算方差值=dmax,其中:d为CKmax为最大的距离,KK的数量;(3)计算yi(n) y位移传感器(记为测点)。i(n)=WK?[x(n)K]K=1,CK,通过对故障进行仿真,观察到各个测试点差别比(4)更新网络参数较大的阶段,如图W(n3所示。对测点进行数据选择:+1)=W(n)+We(n)?(n)测点C1流量在0~15s阶段差别较大,测点2角位移K(n+1)=在50~70s阶段差别较大,各测点均取期间的数据平均e(n)WC值。测点数据子样采集时,首先在无故障情况下仿真K(n)+K(n)C2K(n)K(n)?[x(n),C,K][x(n)-CK(n)]获取各测点数据,然后模拟换向阀内泄故障,得到数据K(n+1)=子样,并进行算法处理。K(n)+e(n)WK(n)2K(n)?[x(n),CK(n),K]x(n)-CK(n)2式中:?(n)={?[x(n),C1(n),1],?[x(n),C2(n),2],...,?[x(n),C(n)N,N]}Te(n)=ya)换向阀内泄故障-测点1流量b)换向阀内泄故障-测点2角位移i(n)-yd(n)图3测点参数变化曲线yd(n)为网络期望输出;N,C,为3个参数的2.3算法处理学习步长。将测点采集的信号归一化在0~1。(5)如网络收敛,则计算停止,否则转到步骤(4)。采用如下的归一化公式:2基于RBF神经网络的液压系统故障y=(x-MinValue)/(MaxValue-MinValue)诊断设计式中x、y分别为转换前、后的值;2.1液压举升回路仿真模型建立MaxValue、MinValue分别为样本的最大值和最小值。建立如图2所示举升回路的仿真模型,进行基于神得到数据归一化结果,表经网络算法的故障模拟、注入和诊断过程的演示验证。1为换向阀内泄故障下数据样本归一结果。2.2测点设计及样本采集针对换向阀内泄故障,通过单一信号不容易进行3RBF神经网络学习及测试故障诊断,所以通过多信号数据进行RBF神经网络故引进置信度的概念对RBF网络的模式识别算法进障诊断,能够

参考文献

引证文献

问答

我要提问