基于改进ART神经网络的液压系统故障诊断研究

本资料包含pdf文件1个，下载需要1积分

液压系统因其独特的优点在日常生产中得到了广泛的应用。因为液压管路内油液流动状态、液压件内部的零件动作、以及密封件的损坏等情况-般看不见摸不着，所以给人们观察分析带来很多麻烦和困难l。目前的故障诊断专家系统大体分为两类：-类是运用模糊故障树理论 L2 J，该方法中人为因素对故障诊断结果影响太大；另-类是基于神经网络，主要有BP网络p 和RBF网络LbJ，但是大多数都存在 稳定性”和 适应性”两难状况，对于比较复杂、庞大的系统而言，事倍功半。Amesim能够较好地实时仿真液压系统工作情况，Amesim HCD库更能为使用者建立各种非标准元器件进行仿真 。基于自适应共振理论的神经网络I 1 (AR T网络)能克服该问题，且对于模式识别和分类具有良好的效果。

1)通过对各模式特征量的距离敏感因子，来调整输入模式的特征矢量，提高诊断的效率和精度。

2)建立-种改进的ART网络权值学习算法，能够使神经网络训练过程向输入模式方向加速收敛，以墨西哥草帽函数建立的邻域函数能够使距文献标志码：A敏感特征近的区域对模式分类的影响加强，较远的区域影响减弱。

3)运用 Amesim HCD库建立完整的液压泵、换向阀和液压缸Amesim模型，以及完成起重机液压系统Amesim仿真建模，并以此对起重机液压系统故障仿真，为工程问题的解决提供-条新的思路和指导方法。

4)用改进 AR T神经网络算法开发起重机液压系统故障诊断专家系统，验证该方法故障诊断可靠性，试验结果表明该专家系统故障诊断正确率达 92%。

1 ART神经网络ART-1结构 (见图 1)由2层神经元分别称为比较层和识别层组成。类别判决由在识别层中的 1个单-神经元来作出。该网络包括 3个附加拈：增益 1，增益 2和复位拈l引。子系统包括两层具有前劳后馈的神经元(比较层和识别层)。该系统决定输入模式是否与已存储的 1个模型相匹配。如果匹配，就会产生共振。定位子系统负责检测在识别层 自下而上和 自上而下模式之问的失配情况。

基金项目：中国博士后基金 (20070420714)，重庆市 企业科技特派员”科技资助项目 (CSTC，2009DA000 1-B)。

j 壶 奎 2Q 13： Q：垒 ·25·· 基于改进 ART神经网络的液压系统故障诊断研究 ·]图1 ART-I结构识别层作用是计算输入矢量与聚类中心之间距离测度，当低于预先设置的门限时，必须创建-个新的类别并且将输入矢量存于该类别中。如果通过了警戒门限，获胜神经元就会被训练，使其在特征空间中相应的聚类中心移向输入矢量。

识别层神经元 i输出可由下式表示：neti：ZwvxjjlOut， ( )l0'1，兵ne他ti> P ，对于所有的 ≠其中，Xi是比较层神经元输出；厂为 1阶梯函数；m是比较层神经元数目。

ART-2结构 (见图2)是在 ART思想 (具有2层结构和在 2个方向可修改权值，即前劳反馈权值)的基础上建立的。ART-2和 ART-1均包含 1个注意子系统和 1个定向子系统n钔。

· 26·图 2 ART.2基本结构相比ART-1，ART-2的比较层已经分成几层，增加了节点，所以ART-2的预处理比ART-1网络中预处理复杂得多。但是，取向子系统的修改可以处理实数值数据。ART-2还可以通过适当地更新类别原理，自适应地反映环境中最常见的模式类型，且允许噪音抑制。

2 特征样本的提取现有 Ⅳ个样本组成的含 ，个类的特征集 ，每个样本有 m个特征量，第 个样本的第 m特征量用 表示 。

计算所有Ⅳ个样本第 m特征量的标准方差和样本均值2 专 ( - ) 1 l，im 由属于第 i类的Ⅳj个样本计算第 m个特征量标准方差和样本均值： 善(厶- ) 1 Ni计算第m特征量的类中心加权标准方差 ∑ (g m-g ) - ∑ (哥m 2， ∑ ，g ∑ g式中， 1为平方类中心；/22为类中心； 为属于第 i类样本的第 m特征量中心；g 为所有样本的第 m特征量中心；P 为第 i类先验概率，且∑ 1。

计算第 个特征的距离敏感因子 ]，并正则化处理 - fla 1[ - ∑ 0- 2]O-2 百 ： 二 - jn式中， 为不同类之间第 m个特征量之间的I 塞 奎 2Q 1 ： 立：· 基于改进 ART神经网络的液压系统故障诊断研究 ·欧式距离； 为同类之间第 m个特征量之间的欧式距离；肋 控制 的影响因子，倡其设定为2。

越大，表示第 m个特征量变化越敏感，越易用来对 ，个类区分。设定-个门槛值 ∈[0，1]。

若 ≥，则表示相应的特征量敏感，否则所对应的特 征值 去 除 。设 经过 处理 后 的样 本 矢量 ( ，x2，， )， f∈[0，1。为了避免ART网络中出现类繁殖问题，需对输入样本进行补编码处理"1。

X ( X )( ， ，， ，(1-X1)，(1-x2)，，(1-xn)这样经过处理后，就得到了神经网络的输入样本 。

障的影响减弱。同时采用非线性函数的形式，使得其收敛速度更快。

神经网络识别层输出∑伽 ：L > '1I 1 0，其他式中， 为神经网络的门限值， ∈[0，1]，在训练初期数值设定为 0.6，在神经网络训练后期和应用阶段设置为 0.8，提高诊断精度。也可使 在 0到 1范围内以 0.05增量变化，观察分类情况，以确定各个时期 取值。最后，得出神经网络输出矢量 D 。

3 ART神经网络学习算法改进 4 改进 ART神经网络的建立神经网络的学习率和邻域采任种递减方式，对学习的收敛速度和聚类精度都很关键。幂函数递减，聚类结果最好，收敛也快18]。所采用的递减方式为7 1)r/o(al/r/o)式中，a1为常数，-般取 0.05。

根据神经生物学观点，侧反馈的强度应与邻域内神经元 f同获胜神经元的距离有关。墨西哥草帽函数适合作为邻域函数胁 ( z(式中，8(0为邻域的有效宽度； 为竞争层神经元间的距离。

并且采用幂函数递减：8(t1)ao(以2/ )式中，参数 a2为常数，-般取 0.5。由此得出用邻域函数调整神经网络权值的学习算法：)在不断的迭代过程中，该学习算法使得属于敏感区域近邻域范围内的特征对该类区分的影响逐渐加强，而邻域范围之外的区域对区分该类故j 奎 2Q 1 ： Q：4.1 学习阶段-1)计算属于各训练类别的原始输入矢量的m个特征量，并归-化后得矢量 。取，0.5，计算距离敏感因子 ，简化得到输入矢量 。

豇高 怯2)初始化 ART网络权值 Wf，输入新样本矢量 IX。(f)，x2( ).， (f) 。其中， (，)为 t时刻对应 的第 m 个特征量。总的学习次数为r//m TI 。

3)当输入某-类样本时，竞争层对应的神经元 i被激活，此时y 最大，并计算神经元 i与其他竞争神经元之间的欧氏距离 。

25)调整权系数。 50，r/o0.4，8o3//2，0.6。其中， 为竞争层神经元数。权值的调整为· 27·-· 基于改进 ART神经网络的液压系统故障诊断研究 ·1) ；6)学习率和邻域宽度递减。

r/(t1)r/o( /r/0)川a(t1)8o(a2/80)7)步骤 3)，直至所有学习样本全部学习-遍。

4.2 学习阶段二T2200，7o0.04，5o1， O.8，并重复2)～6)，邻域宽度和学习率按照下式递减r/(t)7o(1-t/ )o-(t1)o-0(1-f/ )选取另-组样本矢量提供网络输入，返回，直到样本输入结束或增益项的值减小至0，即兴奋神经元与输入样本稳定对应为止。

t-tl；当 时，学习阶段结束。存储并输出所有输出神经元的连接权系数，ART神经网络训练完毕〃立改进 ART神经网络液压系统故障诊断系统流程如图3。

理数据的效率高，且信息量的分析比较全面，极大地提高了诊断的可靠性。运用 VB6.0开发起重机液压系统故障诊断专家系统，以Access为工具建立专家系统数据库。如图4所示，启动专家系统。

图4 起重液压系统故障诊断专家系统根据起重机液压系统的各部件特征，运用Amesim HCD库建立液压泵、换向阀、液压缸模型，并建立如图5所示的Amesim起重机液压系统模型。

图 3 建立改进 ART故障诊断系统流程 图 5 起重机液压系统故障Amesim仿真模型5 基于改进Al 神经网络的故障诊断专家系统液压系统故障多种多样，改进ART神经网络对于故障的多样性诊断具有很大的优势，神经网络处· 28·分别对液压系统的三位四通换向阀参数、泉参数、缸参数设定，并根据工程实际选择所拖动的负载质量为 8 000kg，液压缸行程 l m▲入仿真拈，设置仿真的步长为0.1 S，仿真时长为60 S。

· 基于改进ART神经网络的液压系统故障诊断研究 ·影响减弱，加速了神经网络训练时的收敛过程。

3)运用 Amesim HCD 库建立液压泵、换向阀和 液压缸 结构模型 ，完成起重机液压系统Amesim仿真建模，并以此对起重机液压系统故障仿真，为工程问题的解决提供了-条新的思路和指导方法。

4)用改进 ART神经网络算法开发起重机液压系统故障诊断专家系统，并验证其可靠性，故障诊断准确率达 92%。