基于PSO-BP的变频液压系统故障检测算法研究

本资料包含pdf文件1个，下载需要1积分

液压系统作为特殊的伺服系统与驱动装置大量使用在工业生产、航空航天、电力生产与输送等领域。液压系统作为工程机械的最为关键的组成部分近些年不断出现新的技术使其运行工作性能越来越优良 J。目前变频液压系统故障检测的技术主要包括以下的几种 ，文献[1]中提到的经验判别法通过工程师的感觉与经验来进行故障诊断，这是最为原始的液压系统故障诊断方法；文献[2]中提到的参数测量法主要是使用测量工具对液压系统运行的压力、温度、流量、电动机转速等描述液压系统运行的主要性能参数进行采集后分析；文献[3]中提到的铁谱诊断法是将液压系统中的油样提取出来分析其颜色、微粒、成分对其进行分析与判断；文献[4]中提到的振动信号的测量可以帮助工程师通过振动信号的时域与频域的特性来进行分析检测液压系统的故障。现存的方法存在着-定的问题，文献[1]中的主观经验法主要是依靠有经验的工程师来进行故障分析，不能对故障进行全面定量的把握已经逐步被淘汰，文献[2]中的参数测量法仅仅停留在压力参数的测量上，没有考虑全面的检测参数常常造成故障的误诊与虚诊的现象；文献[3]中的铁谱诊断的方法设备成本较高，故障诊断同样存在着-定的片面性，文献[4]中的通过振动测量故障本身采集的信号就有严重的时延反应的液压系统状态也出现了明显的滞后 J。

针对以上的缺点本文提出了-种基于 PSO.BP的变频液压系统故障检测算法。先对液压系统故障相关因素的数据进行采集后对数据进行预处理。

运用神经网络强大的故障诊断与智能优化技术进行输入故障相关数据因素的判断。经过 PSO优化后的神经网络技术能够处理高度非线性的方程 回归问题，因为其强大的全局搜索能力，有效地解决了传统方法中，变频液压系统中故障参数 的串扰影响。实验结果证明本文提出的方法能够提高液压系统的故障准确率，对液压系统实际工作生产有很强的指导意义1 变频液压系统诊断原理2012年9月26 13收到，10月 31日修改作者简介：杨 霞(1979-)，女，苗族，贵州省贵阳市人，硕士，讲师。 1.1 液压系统数据采集与处理研究方向：计算机应用。 变频液压控制系统有较为精确的计算机控制科 学 技 术 与 工 程 l3卷频率程序，故障参数的选择也多涉及到液压系统的各个环节，这样能更为精确地把握液压系统的工作状态。在整个液压系统诊断系统中可以选择的参量种类较多，甚至同-故障可能是由于不同的因素导致的，比如液压的油温过高会引起液压泵的压力能力下降也会导致油管堵塞或者漏气。我们可以选择压力、油液的参数、污染度、流量等主因素与转速位移、扭矩等辅助参数来进行故障分析。数据预处理阶段是液压系统故障检测中主要的部分。数据预处理阶段主要数据的采集、清洗、类型转换、数据规约等部分。良好的数据预处理阶段可以提高数据的质量，也可以为后期的神经系统故障检测减少了计算的复杂度与计算量。如果-些相关因素的记录发生了缺失。这种空缺，例如对某型号液压系统的流量测试数据统计中标识号为 i的记录值发生空缺，设总共有 个流量数据值进行了统计。

广------ -- /y d. d 等 (1)将d值作为丢失的标号为 i的液压系统的流量测试值。液压系统的故障数据采集中可能由于实际情况某些参数有着不同的量纲和值域，如果直接将这些变量代入进行信息熵的计算可能无法获得满意的效果。本文使用 z分数对属性进行标准化，把数据标准化为-个均值为0，标准差为 1的-个分数。

X (X-X )/S；S (2)可以证明，经过式(2)的计算后大部分的因素参数都会落在 [ -3.s， 3.s]的范围内，像转向偏转、螺钉损坏的程度等液压系统故障的相关性能无法使用具体的数值来进行描述，本文使用数值聚类的方法将上述的-些相关因素进行数据分类，例如螺丝的损坏程度可以划分为良好、-般、差等三个等级。在液压系统的故障控制中有些因素的相关性很强，这些属性可以在故障诊断系统中选取-个或者几个代表来进行表示，比如描述叶片运动的灵活与叶片的松动情况的两个属性就可以进行归约化处理。本文将上述的属性进行量化 以后采用相关因素的分析方法来进行属性的规约与简化。

ll，- - ∑( - )( -Y)r - 二i二1二二二二二二二二二 (3) 厂 ----- ----/∑(置- )∑(ri-l，)求解每两个变量之问的相关系数，可以选用 I rI>0.8的变量之-作为该组变量的代表。0.5

经过长时间的实验分析出变频液压控制系统的故障现象主要包括排油不畅压力弱、流量不足、噪声严重、外部出现漏油等故障现象本文使用这些现象以及可能出现的故障原因进行神经网络的诊断模型构造。

1.2 神经网络的液压故障检测神经网络是-种模仿人体大脑的思维、推理、预测的高级功能的-种现代智能推断技术，由于人工神经网络中的神经元的个数与连接方式复杂多变，即使面对-些信息量异常庞大且信息参数模糊的情况，人工神经网络系统依然能进行有效的分析与预测。这种先天性的优势非常适合变频液压控制系统的庞大的故障检测数据。人工神经网络理论中最成熟的是 BP神经网络，这种网络具有很强的非线性的识别能力，采用最小二乘法与梯度搜索的技术，使网络的实际输出值与期望的输出值的误差均方值最校变频液压控制系统的神经网络的训练样本可以表示为：( ， )，其中K1，2 .，m， 是输入的样本，xT( ， ..， )，n为样本中的维度数，本文中涉及到的故障因素可以有振动故障信号、温度故障信号、噪声信号、油压故障信号、轴转故障信号等五组输人样本来进行测试。

图1中的各个数据传感器安装在现代液压系统的各个工作的部位在数据库中进行存储。使用 SQL技术将各类数据进行提取输入到神经网络的训练中。

假设 的期望输出为：E∑E (4)K18期 杨 霞：基于PSO.BP的变频液压系统故障检测算法研究数据采集仪图 1 变频液压输入数据采集系统式(4)中E 误差函数的局部变量，E ：主咖(eik)： 主( - )z： 主%z(5)人工神经网络的神经元之间的权值可以在整个样本输入完成后进行更改也可以伴随着输入样本的增多而自适应地进行调整。如果设计的某 BP网络共有 层隐层，第 个输出：fYik fro(Yik) (6)YikW

2 PSO粒子群优化神经网络故障检测算法的软件实现人工神经网络的最大缺点就是在局部优化搜索中常常陷入局部最小的困境，在液压系统故障检测中有些因素的种类较为复杂，比如在油液的检测中包括-些磨粒的识别，这些磨粒的轮廓、边缘、表面的纹理、厚度、长度的变化都将影响油温的检测进而影响液压系统的故障分析，这些情况应该根据专家的经验划分为不同的区间约束，但是不同的专家对这样的区间划分存在不同的看法，有些划分的交叉区间也会出现这些都要影响人工神经网络诊断的迭代与收敛。本文将 PSO粒子群优化的思想与神经网络结合构造-个液压控制系统的诊断模型。

PSO.BP神经网络的核心思想是采用 PSO粒子群强大的全局搜索能力结合神经网络局部的寻优能力进行结合，两种技术互相促进互相更新 ，BP神经网络能够实现很强的非线性映射，对局部强大的寻优能力使其曲线的拟合有非常高的准确率。

PSO算法核心思想是模仿自然界中鸟类的觅食寻找过程演化而来的，构造-系列的粒子在-个空间维度中进行最优位置的寻找，最优位置就是 目标函数的最优解，粒子在空间中不断地进行速度与位置的更新，更新的依据主要是依靠目前位置的适应值。本文的空问维度包括振动故障信号、温度故障信号、噪声信号、油压故障信号、轴转故障信号这样的五组权重系数共 5个维度的适应值，每组权重系数得出后加入到神经网络模型构造中，如果优于先前值则使用这组值进行进-步的更新。在液压控制系统中本文选用了 5O个搜索粒子每-个粒子的空间维度坐标都是-个目标方程的未知解，假设第 i个粒子的位置为：X ( 订， ， ， ) ，粒子的空间寻优的飞行速度为： (tj tJ ) (11)P (P。1，P ， ，P )；G (G 1，G ， ，科 学 技 术 与 工 程 13卷G )分别代表整个粒子群在空问寻优的自己本身的最优位置与整个粒子群的空间群体最优位置，粒子群根据如下的公式进行位置的更新： 譬 W "4-C1r1(p6 - k )c2F2(gb：- k ) 譬 乞眩(12)式(12)中第-部分是粒子的速度更新公式，第二部分代表粒子本身的学习能力，这种能力帮组其跳出本身的位置进行下-步的更新，反应了速度对粒子的影响，第二个部分代表了粒子本身的认知能力，避免使该优化陷入局部最小，第三部分是整个粒子群的社会能力即互相学习能力，这种能力可以帮助粒子群进行全局的寻优，经过初始值设置的迭代次数更新后找到全局的最优解。这组解构造的权重系数值就是液压控制系统的故障因素诊断模型的构造系数。实验结果证明这个模型可以更加准确地进行变频液压控制系统的故障诊断，准确率大幅度提高。故障检测的核心算法的源代码如下所示。

KeyExpansion(bytekey[4 Nk]，word W[Nb (Nr1)，Nk])Begin：word tempi0while(i6 and i mod Nk：4)tempSubWord(temp)//H果当字的故障信息符合要求，同时满足条件时，那么在调用(SubWord)完成迭代寻优算法的过程endifW[i]：W[i-Nk]xor temp//当寻优过程的权重不符合要求时ii1//进行下-次的故障检测操作过程endwhile nd3 实验仿真分析本文在选取了某地钢铁公司冶炼车间的液压控制系统故障历史数据库中的数据进行模型的诊断与构造，故障数据包括振动故障信号、温度故障信号、噪声信号、油压故障信号、轴转故障信号。构造的人工神经网络模型可以由图2示意图表示。

9 ～～. ： ： ：o ”·o ”·o、 ： ： ： - o ·o ···o -/ 输入层 隐含层 输出层鎏翁毳故堕彘因图2 液压控制系统故障诊断模型图共选取了2O次液压故障数据库中的记录数据以检测训练的人工神经网络模型的准确度，部分数据如表 1所示。

表 1 故障数据样本集表1中表示的是不同故障的类型A 、A：、A。、A 、A 。表示故障数据包括：振动故障信号、温度故障信号、噪声信号、油压故障信号、轴转故障信号。B 、B 、 ，、B 表示的为数字信号类型。为了更好地定量分析分类 的准确度本文选用以下 的公式进行计算。

8期 杨 霞：基于 PSO-BP的变频液压系统故障检测算法研究 2225 m P i (13P1) -E 式(13)中P代表检测的准确度，P 代表第 i测试的准确度，对比结果经过Matlab数学软件进行分析。

懈慑O00OO 5 10 15 2O 25 3O测试记录编号图3 故障检测准确率对比图3可知经过人工神经网络优化以后对该冶金车间的液压系统诊断准确率有了明显地提高。实验与仿真证明这种方法能够有效地对生产中的液压故障进行指导。

4 总结本文针对变频液压系统控制信号组成复杂，故障检测采集的数据量庞大，常常出现故障检测数据串扰噪声加大而不清晰的问题抛开传统的变频液压系统的故障检测方法，提出-种 PSO-BP的变频液压系统故障检测方法，将变频液压控制系统的故障参数输入到经过优化后的神经网络进行故障诊断模型训练，克服故障数据串扰模糊不清晰的缺点。经过多次测试模型检验，证明这种方法可以有效地进行故障预测与实际生产中的液压系统维护与修理有很好的指导意义。