基于小波神经网络的挖掘机液压系统故障诊断研究.docx
《基于小波神经网络的挖掘机液压系统故障诊断研究.docx》由会员分享，可在线阅读，更多相关《基于小波神经网络的挖掘机液压系统故障诊断研究.docx（13页珍藏版）》请在冰豆网上搜索。
基于小波神经网络的挖掘机液压系统故障诊断研究
基于小波神经网络的挖掘机液压系统故障诊断研究
学号：
083711127姓名：
马昌训
摘要:
液压挖掘机液压系统一般较难直接判断出产生故障的主要原因。
因此，在分析液压故障之前必须弄清楚液压挖掘机整个液压系统的传动原理、结构特点，然后根据故障现象进行判断，逐步分析深入，采用跟踪追击的分析方法，有目的、有方向地逐步缩小可疑范围，确定区域、部位以至于某个元件。
本文分析了液压挖掘机的一些特点和液压系统，从原理上对液压挖掘机的液压系统故障的特征进行详细地分析，依据小波神经网络技术的各种优点,提出采用三层BP小波神经网络构造故障诊断模型,对挖掘机液压系统进行故障监测和诊断。
关键字:
小波分析、神经网络、挖掘机、液压系统、故障诊断
前言
挖掘机是用来开挖土方的一种施工机械，它是用铲斗上的斗齿切削土壤并装人斗内，装满土后提升铲斗并回转到卸土地点卸土，然后再使转台回转、铲斗下降到挖掘面，进行下一次挖掘。
挖掘机在建筑、筑路、水利、电力、采矿、石油、天然气管道铺设和军事工程中被广泛地使用。
挖掘机主要用于筑路工程中的堑壕开挖，建筑工程开挖基础，水利工程开挖沟渠、运河和疏浚河道，在采石场、露天开采等工程中剥离和矿石的挖掘等。
据统计，工程施工中约有60％左右的土石方量是靠挖掘机完成的。
此外，挖掘机更换工作装置后还可进行浇筑、起重、安装、打桩、夯土和拔桩、破碎等作业。
在现代化生产中，机械设备的故障诊断技术越来越受到重视，如果作业过程中挖掘机出现故障而又未能及时发现和排除，其结果不仅会导致机械本身损坏，甚至可能造成机毁人亡的严重后果[1]-[2]。
液压挖掘机是由机械结构、液压系统、电气系统以及仪器仪表等装置有机地组合成的统一体，系统的故障分析也是由多方面因素综合影响的一个复杂问题。
由于液压系统内部情况复杂并且难以观测，所测出的信号成分复杂，为典型的非平稳时变信号，一般较难直接判断出产生故障的主要原因[3]。
为提高对非平稳时变信号特征提取的有效性,不仅要考虑频域上的信息,同时还必须考虑时域上的信号。
小波分析是进行非平稳时变信号处理的新方法。
利用二进小波分解成小波包的分析思想,可把信号分解到不同频带内进行处理,其优于傅立叶分析的突出优点是能将信号时域和频域局部化，而人工神经网络是依据生物原理提出的人工智能算法,是对生物神经元的模拟和简化。
从液压系统的实际诊断过程可以看出,其实质是一个模式识别过程。
与传统的模式识别方法相比,人工神经网络能实现任意复杂的判别函数,具有更强的适应能力。
液压挖掘机系统功能分解
对于挖掘机这样复杂的系统来说，各个子系统（如液压系统、电气控制系统）以及组成这些子系统的零部件（如泵，先导阀等）之间往往存在着关联，甚至是有机的整体。
每一个故障现象，其发生是多源的。
同样一个零部件的损坏所表现出来的故障现象也不是单一的，故障症状与故障原因之间表现出错综复杂的网状结构。
这时如果逐个故障进行处理，除了效率低外，也会带来大量不必要的工作，无谓地增加工作量，很可能会把本来就是一体的故障支解，造成漏诊、误诊现象。
液压挖掘机作为一个整体，各个子系统之间的耦合关系不同，多种故障模式之间的依赖关系不同。
因此对挖掘机按功能结构进行分解，剖析挖掘机系统构成以及各系统之间的逻辑关系，可以大大降低故障的复杂性。
把挖掘机按功能进行分解以后，只要满足各子系统间的关系，就能排除各子系统间的组合故障，非常有利于故障定位，缩小故障的查找范围[4]-[6]。
为了更好地研究挖掘机故障机理，有必要对液压挖掘机的系统功能结构进行剖析，液压挖掘机的系统结构框图如图1所示，虚线表示的是控制信号，粗实线表示能量的传递或机械的驱动，液压泵由两个同排量的变量柱塞泵P1、P2和先导齿轮泵P3组成，由发动机驱动，来自液压泵P1的压力油经主控制阀块，通过右操纵杆操纵动臂和铲斗油缸。
来自液压泵P2的压力油经主控制阀块，通过左操纵杆操纵斗杆油缸和回转马达。
位于中间的两个操纵杆，独立地控制左右行走。
同时电脑控制器接收来自传感器和开关的信号，分析后把控制信号输送给执行机构。
液压挖掘机的液压系统介绍
1、液压挖掘机的工况特点和对系统的要求[7]-[8]
单斗液压挖掘机的作业过程包括以下几个间歇动作：
动臂升降、斗杆收放、铲斗装卸、转台回转、整机行走以及其他辅助动作。
除辅助动作不需全功率驱动以外，其它都是挖掘机的主要动作，要考虑全功率驱动。
由于挖掘机的工作对象和工作条件变化较大，主机的工作有两项特殊要求：
1）由于实现各种主要动作时，阻力与作业速度随时变化，因此，要求液压缸和液压马达的压力和流量也能相应变化；
2）为了充分利用发动机功率和缩短作业循环时间，工作过程中往往要求有两个主要动作（例如挖掘与提升、提升与回转）同时进行，即复合动作。
图2所示是单斗液压挖掘机一个作业循环的组成和动作的复合，包括：
1）挖掘通常以铲斗液压缸或斗杆液压缸进行挖掘，或两者配合进行挖掘，因此，在此过程中主要是铲斗和斗杆的复合动作，必要时，配以动臂动作。
2）满斗回转挖掘结束，动臂液压缸将动臂顶起，满斗提升，同时回转液压马达使转台转向卸土处，此时，主要是动臂和回转的复合动作。
3）卸载转到卸土点时，转台制动，用斗杆液压缸调节卸载半径，然后铲斗液压缸回缩，铲斗卸载，为了调整卸载位置，还要有动臂液压缸的配合，此时，是斗杆和铲斗的复合动作，间以动臂动作。
4）返回卸载结束，转台反向回转，动臂液压缸和斗杆液压缸配合，把空斗放到新的挖掘点，此时是回转和动臂或斗杆的复合动作。
实践证明，除个别情况以外，挖掘机工作时很少出现两种以上的复合动作。
单斗液压挖掘机的动作繁复，主要机构经常启动、制动，换向，外负荷变化很大，冲击和振动多，而且野外工作，温度和环境变化大，所以对液压系统的要求是多方面的。
根据挖掘机的工作特点，液压系统要满足主机正常工作要求，即：
1）要保证动臂、斗杆和铲斗可以各自单独动作，也可以互相配合实现复合动作；
2）主机工作过程中，要求工作装置的动作和转台的回转既能单独进行，又能作复合动作，以提高生产率；
3）履带式挖掘机的左、右履带要求分别驱动，使挖掘机行走方便，转向灵活，并且可以原地转弯；
4）挖掘机的一切动作都是可逆的，而且要求无级变速；
5）要求工作安全可靠，各种作业液压缸要有良好的过载保护，回转机构和行走装置要有可靠的制动和限速，要防止动臂因自重而快速下降和整机超速溜坡。
根据挖掘机的工作环境和条件，液压系统还应满足下列要求：
1）充分利用发动机功率，提高传动效率；
2）系统和元件应保证在外负荷变化大和急剧的振动冲击作用下，具有足够的可靠性；
3）力求减少系统总发热量，设置轻便耐振的冷却装置，使主机持续工作时，油温不超过85℃，或温升不大于45℃；
4）系统的密封性能要好。
由于工作场地尘土多，油液容易污染，要求所用元件对油液污染的敏感性低，整个系统要设置滤油器和防尘装置；
5）为了减轻司机操作强度，要考虑采用液压或电液伺服操纵装置。
液压系统故障特征分析[9]-[11]
（1）调试阶段挖掘机液压系统故障特征
设备调试阶段的故障率较高,存在问题较为复杂,其表征是设计、制造、安装（包括装配）以及管理等质量问题交织在一起。
除机械、电气问题外,一般液压系统常见故障有:
①接头或连接处外泄漏严重。
②速度不稳定。
③因有脏物或油污使阀芯卡死或运动不灵活,造成执行机构动作失灵。
④阻尼小孔被堵,造成系统压力不稳定或压力调不上。
⑤某些阀类元件漏装弹簧或密封件,甚至管道接错而动作混乱。
⑥设计不妥,液压件选择不当,使系统发热,或同步动作不协调,位置精度达不到要求等。
对此类故障应耐心、细致、慎重处理。
（2）定型设备调试阶段的故障特征
此类设备调试时故障率较低,其表征是由于管理不良或安装时不小心,或在运输中损坏而造成的故障:
①外部有泄漏。
②压力不稳定或动作不灵活。
③液压件及管道内部进入脏物。
④元件内部漏装,或错装弹簧或其他零件。
⑤液压件加工质量差或安装质量差,造成阀芯动作不灵活。
若在此过程中加强管理,在装配和安装过程中严格按设计图样和工艺文件保证质量,故障率将会下降,调试将会较为顺利。
表1挖掘机液压系统常见故障
序号
故障现象
故障原因
1
系统总流量不足
发动机功率不足，转速偏低
液压泵磨损，泵油不足或液压泵变量机构失灵
管路或滤油器堵塞，通油不畅
油箱缺油
2
系统工作压力低
液压泵磨损内泄漏，泵油压力偏低
溢流阀调整不当、阀芯脏，卡滞
多路换向阀磨损、间隙过大或卡滞
3
系统内泄漏
液压泵内泄漏
液压缸及液压马达内泄漏
控制阀内泄漏
4
系统外泄漏
液压附件漏油
液压泵、密封损坏漏油
控制阀密封损坏漏油
液压缸、液压马达漏油
液压马达漏油
5
振动或噪声
缺少液压油、液压油中进入空气、粗滤器堵塞
液压泵密封失灵进空气、轴承或旋转体损坏
溢流阀工作不良
液压马达内部旋转体损坏
控制阀失灵
硬管固定不良，系统回油不畅
（3）设备运行初期的液压故障
其主要特征是:
①管接头振动松脱。
②少数密封件质量差或装配不良,在短期内被损坏,造成漏油。
③工作油液因多次冲刷管道、液压件油道,使原来附在管壁上的毛刺、型砂、切屑等杂物随液体流动,从而出现油路堵塞,造成压力不稳定和工作速度变化。
④少数设备因负荷率高或环境散热条件差使油温升高,从而引起泄漏、工作压力和速度不稳定。
（4）设备运行中期的故障
设备运行到中期阶段时,各类液压元件因工作频率和负荷条件的差异,各易损件先后开始正常性的超差磨损。
因此,故障率逐渐上升,系统中内外泄漏量
增加,系统效率有明显降低。
此时,应该对液压系统和液压元件进行全面检查,对有严重缺陷的元件和已失效的元件进行修理或更换。
这说明液压设备要进入中修或大修了。
此时,维修部门必须进行全面修复,否则故障会越来越多,以致影响生产。
经过对以上故障特征的分析和对现有投入生产的挖掘机的维修经验的总结,得出了挖掘机液压系统的常见故障如表1所示。
小波神经网络及诊断机理[17]-[19]
小波神经网络是基于小波变换而构成的,即将非线性小波基代替传统的非线性Sigmoid函数,而得到的拓扑结构与BP网络相似的神经网络。
由于含有一个隐层的小波神经网络可逼近Hilbert空间紧支集上的任意连续函数,加之其良好的收敛性和鲁棒性,因此使得小波神经网络替代常规的BP网络对设备进行故障诊断成为可能。
对多变量输入-输出系统,基于小波空间的信号分类识别自适应小波神经网络模型为
（1）
自适应小波神经网络的拓扑结构见图3所示。
小波神经网络的参数Wij、aj和bj可通过最小均方误差函数E进行优化取得。
给小波神经网络提供多组输入样本
和对应的教师样本
通过基于LMS（最小均方）共轭梯度算法,实现均方误差函数E极小化,进行网络训练以求取Wij、aj和bj的修正量。
设定
，那么E对各参数的梯度为
（2）
（3）
（4）
在E最小化过程中,为使迭代过程加快收敛和防止振荡,一般要保证权值的变化比较平稳,根据BP网络的训练经验,在此引入适当的变步长因子η和动量因子α。
设g为迭代次数,则小波神经网络网络参数在迭代过程中的修正公式为
（5）
（6）
（7）
步长因子η应根据实际情况选定。
步长因子主要决定了每一训练迭代过程中所产生的权值变化,原则上说,当η无限小时,沿负梯度方向总能找到局部最优解,但步长过小将导致收敛速度过慢,而大的步长可能会导致算法不稳定,因此步长因子的调整最好能根据E的大小进行自适应调整。
基于这种情况,本文采用如下的步长因子调整策略:
先设置一个步长初值,若数值的修正值使误差减小E,则将步长乘以一个大于1的常数继续迭代,反之维持原步长不变或将步长乘以一个小于1的常数。
本文通过对样本数据的多次调试,得到了一组较好的因子调整方法,具体为
式中,各参数初值为ηw
（1）=0.5,ηa
（1）=ηb
（1）=0.04,α=0.6。
本小波神经网络中的小波基采用Morlet小波,Morlet小波为余弦调制的高斯小波,具有时频域同时分辩率高的优点,其母小波表达式为
（8）
网络训练的目的是找出蕴含在数据样本中的输入/出关系并将这个关系转化到多层网络节点间的权值上,从而可使未经过训练的输入数据给出正确的输出,即称所设计的网络具有泛化能力。
基于神经网络的输油泵故障诊断
在液压挖掘机中，液压系统是整机的核心部分，是保证挖掘机完成挖掘和行走动作的关键。
开展挖掘机液压系统的故障诊断工作可以较早的发现挖掘机的故障征兆，避免突发性事故的发生，保证挖掘机安全运行，延长其使用寿命，减少设备维修量，提高挖掘机工作时的效率。
人工神经网络是一种新的故障模式识别方法,可以实现征兆和故障之间复杂的非线性映射。
在故障诊断中使用神经网络,比基于知识专家系统更便于建模以及在工程实际中推广应用。
但神经网络故障识别的准确性依赖于特征参数的有效性和网络结构参数的合理选择。
如果将小波包分析的特征提取与神经网络模式识别有机地结合起来,将提高往复泵状态识别的准确性。
对满足训练精度要求的网络在输入节点输入小波包分析后得到的特征向量,
可通过对大量反映不同状态（故障）的实测数据（样本）的训练而建立。
另
外,为提高网络的自适应性,进一步完善诊断模型,还可在原有训练过的网络基础上,对神经网络模型进行再学习。
信号经过小波分析后,提取特征向量,输入到前向神经网络模型,经学习处理后,诊断并识别出故障,这就是基于小波神经网络系统的故障诊断过程,诊断系统模型图如图4所示。
图4中,根据小波包分析和神经网络理论,还需编制小波包的特征提取软件程序及神经网络识别软件程序,开发基于小波的神经网络故障诊断软件系统。
液压系统神经网络训练
表2液压系统常见故障现象
序号
故障现象
X1
系统总流量不足
X2
系统工作压力低
X3
系统内泄漏
X4
系统外泄漏
X5
振动或噪声
在诊断过程中,系统不断采集特征参数,并将其送入网络模型中,进行分析运算,输出诊断结果。
当出现故障时,模型会给出液压系统的故障原因、故障部位,并提出维修建议。
当现场故障确实发生但模型并未检测到时,由于液压系统的故障机理（即故障现象与故障原因之间的关系）往往隐含于故障实例之中,建立液压系统的故障诊断模型,通过故障实例对神经网络模型的学习而检测出液压系统的故障。
网络的输入节点根据诊断特征参数确定,输出
表3挖掘机液压系统故障原因
序号
故障原因
Y1
发动机功率不足，转速偏低
Y2
液压泵磨损，泵油不足或液压泵变量机构失灵
Y3
管路或滤油器堵塞，通油不畅
Y4
油箱缺油
Y5
液压泵磨损内泄漏，泵油压力偏低
Y6
溢流阀调整不当、阀芯脏，卡滞
Y7
多路换向阀磨损、间隙过大或卡滞
Y8
液压泵内泄漏
Y9
液压缸及液压马达内泄漏
Y10
控制阀内泄漏
Y11
液压附件漏油
Y12
液压泵、密封损坏漏油
Y13
控制阀密封损坏漏油
Y14
液压缸、液压马达漏油
Y15
液压马达漏油
Y16
缺少液压油、液压油中进入空气、粗滤器堵塞
Y17
液压泵密封失灵进空气、轴承或旋转体损坏
Y18
溢流阀工作不良
Y19
液压马达内部旋转体损坏
Y20
控制阀失灵
Y21
硬管固定不良，系统回油不畅
节点根据故障原因确定。
从前面的分析（表1）可知挖掘机的常见故障，因此挖掘机液压系统故障诊断模型初始建立时采用了5个常见故障现象作为诊断特征参数,它们构成了神经网络的输入节点,见表2;采用21个主要故障原因作为网络的输出,见表3。
根据实际情况和经验总结,建立了如表3所示的输油泵的故障诊断样本集。
本文选取液压系统的5种故障现象进行故障特征提取,将这5种运行状态的各组振动信号时域波形,用小波包方法进行分解。
神经网络模型的结构为:
输入节点（神经元）为5,输出节点为21，并分别对应表2和表3中的数据。
结论
液压挖掘机作为工程机械里比较复杂且使用最为广泛的机械之一，不仅需要工作在不可预料的恶劣环境里，并且工作强度较大，因此较为容易出现不可预料的故障。
由于液压系统内部情况复杂并且难以观测，一般较难直接判断出产生故障的主要原因。
本文从液压挖掘机的系统功能分解开始分析，比较详细的分析了液压挖掘机的工况特点和对系统系统的要求，并在此基础上列举了液压挖掘机的常见故障特征。
综合利用小波分析的方法对非平稳信号进行特征提取，用神经网络的方法对液压挖掘机的液压系统的故障诊断进行详细分析。
本文把基于小波分析的神经网络故障诊断方法应用于液压挖掘机的故障诊断中，很好地实现了结构性知识和智能性、启发性知识的结合，克服了仅依靠经验知识进行故障诊断的缺点。
综合分析过程，可以得出以下几点结论：
（1）有效提取挖掘机液压系统非平稳时变信号故障诊断特征是判断其故障的关键,信号的小波分析为液压系统故障的特征提取提供了一种较好的方法。
（2）运用小波分析技术,将液压系统非平稳时变振动信号分解到不同层次和不同频带上,可有效地提取出反映液压系统不同故障的特征向量,在保持较为突出的故障特征情况下,具有特征向量少等优点;同时将小波变换技术的特征提取和状态识别的神经网络技术有机结合起来应用于油泵的故障诊断,使诊断更简单。
（3）基于小波神经网络的故障诊断系统不仅具有特征自动提取、操作、维护和使用简便等优点及很能强的自学习和自适应功能，为挖掘机液压系统的状态监测与故障诊断提供了新方法。
参考文献：
[1]赵青仕.油压机的液压冲击及其排除浅论[J].锻压装备与制造技术，2004，39（5）：
48-49
[2]龚明.机床液压工作台爬行故障分析与对策[J].机械工人（冷加工），2000，5
[3]余之泳.机床液压及润滑设备维修手册[M].北京：
机械工业出版社，1998-07
[4]王峰，仲米生.提高液压系统工作可靠性的方法[J].锻压装备与制造技术，2004,39
（1）：
22-25
[5]五蕴馥，等.浅谈机床液压系统的常见故障及检查方法[J].机床与液压，2006,（6）
[6]彭二宝，王宏颖.机床液压设备故障诊断及维修方法[J].锻压装备与制造技术，2008,（4）
[7]张健成，周恩涛.大型液压系统的在线检测和故障诊断[J].液压与气动，1997（4）
[8]黄宗益，叶伟，李星华.液压挖掘机液压系统概述[J].建筑机械化.2003（9）:
12-15
[9]WattonJ.ConditionMonitoringandFaultDiagnosisinPowerSystem.Ellis
HorwoodLimited,1992:
47-49
[10]王庆海.液压挖掘机故障诊断系统的方案设计和推理方法研究[D].浙江大学硕士学位
论文，2002
[11]龚向东，王华，冯培恩等.液压挖掘机工况检测与故障查找装置[J].工程机械，
1995（4）:
32-33
[12]戴树和.液压系统的噪声分析与排除[J].工程机械与维修，1998（4）
[13]湛从昌,蔡倩.液压元件及系统计算机辅助检测与故障诊断[J].机床与液压，1997（6）
[14]杨国平.工程机械液压系统故障诊断与排除措施[M].湖南科学技术出版社,2003
（1）
[15]颜荣庆.现代工程机械液压系统基本原理故障分析与排除[M].人民交通出版社，
2001
（1）
[16]杜鹏.面向对象的液压挖掘机故障诊断系统研究[D].吉林大学硕士学位论文，2008
[17]赵鹏程、朱焕勤等.基于小波神经网络的油泵故障诊断[J].西南石油大学学报（自然科
学版）.2008年8月，30（4）：
177-180
[18]叶银忠、周小勇.小波分析技术在故障诊断中的应用[J].上海海运学院学报.
2001（3）:
12-16
[19]陈哲、冯天瑾.小波分析与神经网络结合的研究进展[J].电子科学学刊.
2000，22（3）：
13-15
完成日期：
2009-05-18
升级会员 