基于模糊神经网络的液压动力机构故障诊断研究

第２１卷第３期　Ｖｏ１．２１，Ｎｏ．３　２００８年５月　机电产品开发与　新　Ｄｅｖｅｌｏｐｍｅｎｔ＆Ｉｎｎｏｖａｔｉｏｎ　ｏｆ　Ｍａｃｈｉｎｅｒｙ＆Ｅｌｅｃｔｒｉｃａｌ　Ｐｒｏｄｕｃｔｓ　Ｍａｙ．，２００８　基于模糊神经网络的液压动力机构故障诊断研究　蔡桂芳　．李君　（１．空军第一航空学院，河南信阳４６４０００；２．长沙理工大学桥梁与结构工程学院，湖南长沙４１００７６）　摘　要：介绍了模糊规则网络的原理及算法，并用该网络对一种由三通阀和差动液压缸构成的液压动力机　构的故障进行了趋势预测，实验证明：用模糊神经网络技术能够及时准确的预报机器故障，为机　器的尽快维修提供了可靠的依据。　关键词：模糊神经网络；液压动力机构；故障诊断　中图分类号：ＴＰ１８　文献标识码：Ａ　文章编号：１００２—６６７３（２００８）０３—０１７—０２　Ｏ引言　如下条件：　１１　Ｍ　１　１　（｜）　＝１，且（｜）ｂ≥０；　ｃｊｌ【＝１，且ｃｊｋ＞－０　模糊神经网络技术是吸收了模糊理论和神经网络技　ｉ＝１　Ｋ＝１　术的优点而发展出的一种新技术。它具有自学习、自组　该条故障诊断规则Ｒ∞可以用网络形式表示，如图１　织、自适应和容错性等一系列优点。在很多领域已有许　所示。　多成功的应用。用模糊神经网络技术处理故障诊断问　ｘ　—　题，不仅能进行复杂故障诊断模式的识别，还能进行故　，．、　，、Ｃ　Ｆ　障严重性评估和故障预测【ｌＪ。目前，国内外的许多学者　Ｉ　已经用该技术在机器运行故障预测和诊断中做了许多的　１　工作，并取得了大量的成果。　　Ｉ图１故障诊断模糊规则Ｒ∞网络　１模糊神经网络技术的模糊规则　Ｆｉｇ．１　Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｂｌｕｒｒｉｎｇ　ｒｕｌｅ　Ｒ∞ｎｅｔｗｏｒｋ　模糊神经网络技术应用模糊理论口】建立模糊规则，将　对于模糊诊断规则库中的　模糊规则用网络形式表示。进而构成完整的模糊规则网　所有Ｍ条规则．按照上图的　络。模糊规则网络是一种多层前馈网络，神经元的变换　连接方式．可以进一步构成完　函数采用Ｓ型，因此输出量是０—１之间的连续量，可以　整的故障诊断模糊规则网络．　实现从输入到输出的任意非线性映射。模糊规则网络在　如图２所示。　故障诊断中将当前的故障征兆与模糊规则库中的相关规　２模糊神经网络技术在　则进行匹配处理，得到相应的故障诊断结果。一般情况　下模糊规则可以表示成如下形式：　液压动力机构故障诊断　趋势预测中的应用　圈２多层前馈网络　Ｒ∞：Ｉｆ　Ｘｌ（（｜）Ｋ１），Ｘ２（（｜）ｌ　，…，ｘｎ（（｜）Ｋ　Ｆｉｇ．２　Ｍｕｌｔｉｌａｙｅｒ　Ｔｈｅｎ：Ｆｌ（Ｃｌｋ），Ｆ２（Ｃ２Ｋ），…，Ｆ　Ｃ　，　液压动力机构是动态元　ｆｅｅｄｆｏｒｗａｒｄ“　ｔｗ０ｒｋ　其中：ｘ。～ｘ　代表ｎ个故障征兆，Ｆ　～Ｆ　代表ｍ个相　件．其动态特性很大程度上决定着整个液压伺服系统的　互的故障．它们均已通过模糊化过程转化为模糊　性能，而三通阀控差动液压缸在机一液位置伺服系统中　量；（｜）　（ｉ＿１～ｎ）为权系数，表示各个故障征兆Ｘ　对本　应用十分广泛。因此在由三通阀和差动液压缸构成的　条规则Ｒ∞的重要性；ＣｊＫ（ｊ＝１～ｍ）为权系数，反映了本条　液压动力机构的故障诊断趋势预测中［３１，我们采用　规则Ｒ∞对各个故障　的重要性。权系数（｜）　和Ｃ，Ｋ满足　了技术相对成熟的三层前馈模糊神经网络作为故障诊断　收稿日期：２００８—０３—０３　模糊规则网络的拓扑结构，它包括一个输入层、一个规　作者简介：蔡桂芳（１９７１－），男，湖南省岳阳人，讲师，硕　则层、一个输出层。如图３所示。　士研究生。主要研究方向：系统检测与故障诊断。　该系统输入层有ｎ个模糊神经元，接受网络的ｎ个　１７　维普资讯 http://www.cqvip.com ・开发与创新・　Ｃ　３　４　５　６　ｃ　０吣　Ｘ—　Ｆｌ　条故障诊断模糊规则。例如，考虑Ｗ的第７行和Ｃ的　¨　川叫　叫　¨　第７列．与之对应的模糊诊断规则如下：　Ｘ．　Ｒ　：Ｉｆ　Ｘ。（０．３）ａｎｄ　Ｘｚ（０．０２）Ｘ３（０．６）ａｎｄ）（４（０．０８）　Ｔｈｅｎ　Ｆ４（０．２），Ｆ５（０．０５），Ｆ６（０．０３）　０其余各条模糊诊断规则可以按照类似方式产生。　ＣＪ　，ｌ　３　３　吣㈣吣吣　８　７　８Ｘ　Ｆ　进行故障诊断趋势预测可分为三步：第一步对诊断　图３三层前馈模糊神经网络结构　吣哪叫吣¨　卯参数模糊化。使用正态型隶属函数：　Ａ（ｘ）＝ｅｘｐ（一ｋ（ｘ—ａ）２），　叭　Ｈｇ．３　Ｔｈｅｒｅ－ｌａｙｅｒｓ　ｆｅｅｄｆｏｒｗａｒｄ　ｂｌｕｒｒｉｎｇ　ｎｅｒｖｅ　ｎｅｔｗｏｒｋ　其中ｋ为大于零的参数。第二步依据当前的故障征兆Ｘ　输入信号ＸｒＸ　；输出层有ｍ个模糊神经元，产生ｍ个　¨　（ｉ＝ｌ～ｎ）计算出各条规则Ｒ∞的激活度Ａ　（ｋ＝ｌ～Ｍ）。故障　蚴　Ｊ　输出信号Ｆ　～Ｆ　，规则层有Ｍ个模糊神经元Ｒ。～ＲＭ，分　规则的激活度由ｒａｉｎ算子产生：Ａ　＝ｍｉｎ｛￣ｏⅪＸ　｝（ｉ＝１～ｎ）。第　０　０　０　别与该系统中的Ｍ条模糊规则相对应。对于网络中某　三步按照ｍａｘ算子计算各个测试点在当前征兆下的可信　个单独的规则节点．实际上就是一条网络化的模糊规　度，预报结果。　则。在模糊诊断规则库中。一个故障Ｆ．可能同时与多条　表１为对特征数据按照上述步骤进行处理后的４组　嘶吣嘶　规则相关联，而某个故障征兆ｘｉ也可能同时作为多条　０　０　０　表１液压动力机构故障预报数据及结果　规则的模糊条件。征兆与故障之间的复杂关系体现在由　Ｔａｂ．１　Ｄａｔａ　ａｎｄ　ｆａｕｌｔ　ｐｒｅｄｉｃｔｉｏｎ　ｒｅｓｕｌｔ　ｏｆ　ｔｈｅ　ｂｅｌｔ　ｃｏｎｖｅｙｏｒ　多条规则组成的完整规则网络之中　样本　点１　点２　点３　点４　预测结果　采用压电加速度传感器获取各测点的振动信号，经数　ｌ　０．７４　０．９２　０．６８　０．８８　重度故障　据采集系统、数据处理系统对震动状态进行监测，就其振　２　０．６６　０．２８　０．５９　０．４５　故障　幅大小作为装置故障与否的判据，共选取４个测试点作为　３　０．４９　０－３４　０＿４２　０．３６　轻度故障　检测对象。采用模糊规则神经网络，具体结构为：４个输　４　０．２０　０．１２．　０．２６　０．１８　正常　入节点，９个规则层节点，４个输出节点。权重矩阵为：　样本。用训练好的神经网络对装置状况进行预报，结果　０．１　０．１　０Ｉ２５　０．５５　与实际情况基本吻合。　０．０４　０．５　０．０３　０．４３　０．０６　０．０３　０．９　０．０１　３结束语　０．５７　０．０３　０　０．４　０．１　０．６　０．１　０Ｉ２　本文结合模糊神经网络的原理．利用模糊规则网络　０．５　０．０９　０．４　０．０１　０Ｉ３　０．０２　０．６　０．０８　对由三通阀和差动液压缸构成的液压动力机构的故障进　０．５　０．４　０．０３　０．０７　行了预测。经实验验证，用模糊神经网络技术可较好地　０．０５　０．５　０．０５　０．４　预报机器故障，变被动维修为视情维修。可以为合理安　排生产计划和机器维修提供可靠的证据。采用该诊断技　术对机器进行故障诊断，不仅准确度高、效率高，而且　为机器的尽快维修提供了依据。　参考文献：　［１】王立新．模糊系统与模糊控制教程　】．北京：清华大学出版社，２００３．　［２】周东华，王桂增．故障诊断技术综述Ⅲ．化工自动化及仪表，１９９８，１．　在上面的两个权矩阵中，Ｗ的每一行和Ｃ的对应　［３】卢长耿，李金良．液压控制系统的分析与设计［Ｍ】．北京煤炭工业　列与一条模糊诊断规则相对应，因此。它们共包含了９　出版社．２００１．　Ｆａｕｌｔ　Ｄｉａｇｎｏｓｉｓ　ｏｆ　Ｈｙｄｒｏ　Ｄｙｎａｍｉｃａｌ　Ｏｕｔｆｉｔ　Ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｂｌｕｒｒｉｎｇ　Ｎｅｒｖｅ　Ｎｅｔｗｏｒｋ　Ｔｅｃｈｎｉｑｕｅ　ＣＡＩ　Ｇｕｉ－ＦａｎｇＪ，ＬＩ　Ｊｕｎ　（１．Ｔｈｅ　Ｆｉｒｓｔ　Ａｅｒｏｎａｕｔｉｃｓ　ＣｏＨｅｇｅ　ｏｆ　Ａｉｒ　Ｆｏｒｃｅ，Ｘｉｎｙａｎｇ　Ｈｅｎａｎ　４６４０００，Ｃｈｉｎａ；　２．Ｃｈａｎｇｓｈａ　Ｕｍｖｅｒｓｉｗ　ｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ　Ｓｃｈｏｏｌ　ｏｆＢｒｉｄｇｅ　ａｎｄ　Ｓｔｒｕｃｔｕｒｅ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈａｎｇｓｈａ　Ｈｕｎａｎ　４１００７６，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｔｈｅｏｒｙ　ａｎｄ　ａｌｇｏｒｉｔｈｍ　ｏｆ　ｂｌｕｒｒｉｎｇ　ｒｕｌｅ　ｎｅｔｗｏｒｋ　ｉｓ　ｉｎｔｒｏｄｕｃｅｄ，ａｎｄ　ｉｔ　ｈａｓ　ｂｅｅｎ　ｕｓｅｄ　ｉｎ　ｔｈｅ　ｆａｕｌｔ　ｔｒｅｎｄ　ｐｒｅｄｉｃｔｉｏｎ　ｆｏｒ　ｈｙｄｒｏ　ａｙ—　ｎａｍｉｃａｌ　ｏｕｔｉｆｔ　ｍａｄｅ　ｕｐ　ｏｆ　ｄｉｆｅｒｅｎｔｉｌａ　ｈｙｄｒｏ　ｃｙｌｉｎｄｅｒ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔｓ　ｐｒｏｖｅｄ　ｔｈａｔ　ｂｌｕｒｒｉｎｇ　ｒｕｌｅ　ｎｅｔｗｏｒｋ　ｉｓ　ａ　ｅｆｆｅｃｔｉｖｅ　ｍｅｔｈｏｄ　ｉｎ　ｆａｕｌｔ　ｐｒｅｄｉｃ—　ｔｉｏｎ，ａｎｄ　ｉｔ　ｃａｎ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｆａｕｌｓｔ　ｏｆ　ｄｅｖｉｃｅ　ｑｕｉｃｋｌｙ　ａｎｄ　ａｃｃｕｒａｃｙ，ａｔ　ｔｈｅ　ｓａｍｅ　ｔｉｍｅ，ｉｔ　ｃａｎ　ｐｒｏｖｉｄｅ　ｒｅｈａｂｌｅ　ｂａｓｉｓ　ｆｏｒ　ｄｅｖｉｃｅ　ｏｖｅｒｈａｕ１．　Ｋｅｙ　ｗｏｒｄｓ：ｂｌｕｒｒｉｎｇ　ｎｅｒｖｅ　ｎｅｔｗｏｒｋ；ｈｙｄｒｏ　ｄｙｎａｍｉｃａｌ　ｏｕｔｉｆｔ；ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　１８　（０　０）　０