无轨胶轮车全液压制动系统故障诊断研究.pdf

第 4 2卷 第 1 O期 2 0 1 6 年 1 O月 工矿 自 动化 I n dus t r y a nd Mi n e Aut o ma t i on Vo 1 ． 4 2 NO ． 1 0 Oc t ． 2 O1 6 文章编号 1 6 7 1 2 5 I X 2 O 1 6 1 0 0 0 3 0 0 5 刘志海， 杨凯迪 ， 张荣华 ， 等． 无轨 胶轮车 全液 3 0 3 4 ． DOI 1 0 ． 1 3 2 7 2 ／ j ． i s s n ． 1 6 7 1 2 5 1 x ． 2 0 1 6 ． 1 0 ． 0 0 7 压制动 系统 故障诊断研究 [ J ] ． 工矿 自动化 ， 2 0 1 6 ， 4 2 1 O 无轨胶轮车全液压制动系统故障诊断研究 刘志海 ， 杨凯迪 ， 张荣华。 ， 李祥千。 ， 李建忠 1 ． 山东科技大学 交通学院，山东 青岛2 6 6 5 9 0 ； 2 ． 山东科技大学 机械电子工程学院 ，山东 青岛 2 6 6 5 9 0 ； 3 ． 兖州煤业股份有限公司 兴隆庄煤矿 ，山东 济宁 2 7 2 1 0 2 ； 4 ． 陕西正通煤业有限责任公司，陕西 咸阳 7 1 3 6 0 0 摘 要 针对 无轨胶轮 车全液 压制动 系统 长期 工作在 煤矿 井下 恶劣 的环境 中而 易于发 生故 障 的 问题 ， 提 出 了基 于支持 向量机的故障诊断方法。应用支持向量机回归估计算法建立全液压制动 系统的故障预测辨识模 型 ， 将 支持向量机模式分类算法应用于故障分离， 并在 Ma t l a b环境下分别进行 了故障检测与故障分离试验。 试验结果表 明， 将支持向量机方法应用于无轨胶轮车全液压制动系统故障诊断 中是完全可行的， 可以有效提 高故 障检 测效 率和诊 断准确 率 。 关 键词 无轨 胶轮 车 ；全液 压制动 系统 ；支持 向量机 ；故 障诊 断 中图分类号 T D 5 2 5 文献标志码 A 网络出版时间 2 0 1 6 - 0 9 3 0 1 0 1 5 网络 出版地址 h t t p ／ ／ www． c n k i ． n e t ／ k c ms ／ d e t a i l ／ 3 2 ． 1 6 2 7 ． T P ． 2 0 1 6 0 9 3 0 ． 1 0 1 5 ． 0 1 5 ． h t ml Fa u l t d i a g n o s i s r e s e a r c h f o r f u l l hy d r a u l i c b r a k i n g s y s t e m o f t r a c k l e s s t y r e d v e hi c l e LI U Z h i h a i ， YANG Ka i d i ， ZHANG Ro n g h u a ， LI Xi a n g q i a n 。 ，LI J i a n z h o n g 1 ． Tr a n s p o r t a t i o n Co l l e g e ，S h a n d o n g Un i v e r s i t y o f S c i e n c e a n d Te c h n o l o g y ，Qi n g d a o 2 6 6 5 9 0，Ch i n a 2． Co l l e g e of M a c hi ne r y a n d El e c t r o ni c s En gi n e e r i ng，Sh a nd o ng Uni v e r s i t y o f Sc i e nc e a n d Te c h no l o gy Qi n g d a o 2 6 6 5 9 0，Ch i n a ；3 ． Xi l o n g z h u a n g Co a l Mi n e ，Ya n z h o u C o a l Mi n i n g Co ． ，L t d． ， J i n i n g 2 7 2 1 0 2 ，Ch i n a ；4 ． S h a a n x i Zh e n g t o n g Co a l Mi n i n g C o ． ，Lt d ． ，Xi a n y a n g 7 1 3 6 0 0 ，Ch i n a Ab s t r a c t To s o l v e p r o b l e m t h a t f u l l h y d r a u l i c b r a k i n g s y s t e m o f t r a c k l e s s t y r e d v e h i c l e wa s p r o n e t o f a i l ur e i n h a r s h e nv i r o nme n t of c o a l mi ne ， a f a u l t d i a gn os i s me t ho d ba s e d o n s u pp o r t v e c t o r ma c hi ne wa s p r op o s e d． Th e s u pp o r t v e c t o r m a c h i ne r e g r e s s i on e s t i m a t e a l g o r i t hm wa s a pp l i e d t o e s t a bl i s h f a u l t p r e d i c t i o n m o d e l o f t he f ul l hy d r a ul i c br a k i ng s y s t e m ，whi l e pa t t e r n c l a s s i f i c a t i o n a l go r i t h m wa s u s e d t o i s o l a t e f a u l t ，a n d f a u l t d i a g n o s i s t e s t s a n d i s o l a t i o n e x p e r i me n t s we r e c a r r i e d o u t i n Ma t l a b e n v i r o n me n t ． The e xp e r i me n t r e s ul t s s ho w t ha t i t i s e nt i r e l y f e a s i bl e t o u s e f a ul t d i a g no s i s me t h od b a s e d o n s u pp or t v e c t o r ma c h i n e t o d i a g n o s e f a u l t o f f u l l h y d r a u l i c b r a k i n g s y s t e m o f t r a c k l e s s t y r e d v e h i c l e ，wh i c h c a n i mpr o v e f a u l t d e t e c t i o n e f f i c i e n c y a nd d i a gno s t i c a c c ur a c y． Ke y wo r d st r a c k l e s s t yr e d ve hi c l e； f ul l hy dr a u l i c br a k i ng s ys t e m ； s u pp o r t v e c t o r ma c hi n e； f a ul t d i a g no s i s 收稿 日期 2 0 1 6 - 0 4 1 5 ； 修 回日期 2 0 1 6 0 6 1 6 ； 责任编辑 张强 。 基金项 目 国家 自然科学基金项 目 5 1 3 7 5 2 8 2 ； 山东省科技发展计划课题 2 0 1 4 GGX1 0 3 0 4 3 ； 山东省科技重大专项项 目 2 0 1 5 Z D XX 0 6 0 1 C 0 1 山东省研究生教育创新计划项 目 S DYYI 4 0 8 4 。 作者简介 刘志海 1 9 7 2 一 ， 男 ， 山东新泰人 ， 副教授 ， 主要研究方 向为故障诊断、 专家系统 、 信息技术等 ， E ma i l z h i h l i u s d u s t ． e d u ． c n 。 2 0 1 6年第 1 0期 刘志海等 无轨胶轮车全液压制动 系统故障诊断研究 3 1 0 引言 随着现代化矿井的建设和高产高效工作面生产 设备的采用， 无轨胶轮车因其 较高的运输效率得到 广泛应用 。为 了满足煤矿井下特殊 的使用条件 ， 无 轨胶轮车大多采用全液压双回路制动系统_ 1 ] 。由于 全液 压制 动 系统 长 期 在井 下 恶 劣 的环 境 中工 作 ， 系 统中的蓄能器、 充液阀、 制动器及液压管路等难免会 发生一些故障， 导致车辆失去稳定性 ， 造成矿井人员 伤亡 。因此 ， 研究无轨胶轮车全液压制动系统的故 障诊断对煤矿高效、 安全生产具有重要意义 。 无轨胶轮车全液压制动系统是一种典型的液压 系统， 其故障诊断可通过分析系统失效形式和故障 机理 ， 对状态检测信号进行模式识别或分类来实现。 现有 的液压系统故障智能诊断方法[ 2 ] 主要有故 障树 F TA [ 3 方 法 、 B P神 经 网络[ 4 ] 方 法、 专 家 系 统 E S [ 5 方法等 。F T A方法是将 系统故障形成 的原 因由总体至局部按树状进行逐步细化的分析方法 ， 应用 F T A原理无法快速将故障定位到真正发生 问 题 的底事件 ， 因此 ， 将 F TA方法应用 于故 障诊断尤 其是在线诊断还存在很大 限制。B P神经 网络方法 能学习和存储大量 的输入与输 出模式映射关系 ， 但 是训练速度较低、 容易隐入局部最小值 ， 并且对样本 的数量和质量要求较 高。E S是一种基于知识 的应 用系统软件 ， 可用来解决只有专家才能解决 的困难 问题 ， 但对于诊断知识不完备的诊断对象 ， 在实际应 用 中很难 获 得理 想效 果 。 基于以上方法存在的问题 ， 为了更好地适 应小 样本情况 ， 得到现有信息条件下的最优解 ， 提出将支 持向量机 S u p p o r t Ve c t o r Ma c h i n e ， S VM 方法[ 6 应用于无轨胶轮车全液压制动系统故障诊断中。从 理论 上讲 ， S VM 方法得到的是全局最优解 ， 克服 了 其他方法易陷入局部极值 的问题 。同时 ， S VM 方法 可以保证较高的故障诊断准确率和诊断效率 ， 为无 轨胶轮车全液压制动系统的故障诊断提供 了一种智 能 有效 的方 法 。 1 S VM 方法 1 ． 1 S VM 非线性 回 归估计 算 法 样本训练集 D一{ ， Y I i 一1 ， 2 ， ⋯ ， N ， ∈ ， y ∈R， N 为样本数 。对于非线性 回归 S VM， 用 于估计训练集的非线性 回归函数为 厂 t o t p x b 1 式 中 to 为 超 平 面 法 线 ； X 为 非 线 性 映 射 ； b为 截 距 。 训 练集 D 中的 N 个 样本 ， Y 均 满足 以下 约 束条件 f to b Y f ≤ e 邑 s ． t ． Y 一 t o 一b≤ e 2 l 8≥ 0 ， ≥ 0 式中 ￡， 为松弛变量； ￡ 为不敏感度。 优化 目标 为 ∞ Il。 C N 8 3 式中 C为规则化参数 。 构造拉格 朗日函数为 L 一 1 II to ll c E 8 一∑ y 基 y 一 ∑a [ e Y to tp x 6 ] 一 ∑O Q [ 8 ￡ Y 一 to 9 工 6 ] 4 式中 ， ， ， a ， a 均为拉格朗 日乘子 。 根据 KKTE 条件 ， 转化为对偶问题求解 m a 【 ∑Y a 一 O ti 一 ￡ ∑ a a 一 告∑∑ 口 一 a a 一 a 置 f ∑ a 一a 一0 s t 5 【 0≤ 0 t i*， a ≤ C 式中[ ]可 由核函数 K x ， 替代 。 得 到 非 线 性 支 持 向 量 回 归 S u p p o r t Ve c t o r R e g r e s s i o n ，S VR 的回归函数为 一∑ a 一 O ti K ， b 6 采用不 同的核 函数 K x ， X j 可 以构造实 现输 入 空 间不 同类 型的非 线性 决策 面 的学 习机器 r 8 ] 。核 函数的形式有 K x ， 一x T x 线性核 、 K x ， 一 e x p { 一 ll X 一 II ／ 2 a R B F核 、 K ， X j 一 x T x 1 阶多项式核 等。 1 ． 2 S VM 非 线性 分类 算法 对于 支持 向量机 模 式 分类 S u p p o r t Ve c t o r Ma c h i n e C l a s s i f i c a t i o n ， S VC 问题 ， 取 训 练 集 D一 { 毛， Y l i 一1 ， 2 ， ⋯， N ， X ∈R ， Y ∈{ 1 。非线 性映射将输入向量 从原空间 R 映射到一个 高维 空间z， 在高维空间中构造最优线性分类超平面 一 to 。 6 ， 空间中的分类约束条件为 3 2 工矿 自动化 2 0 1 6年 第 4 2卷 f Y ∞ 6 ]一1 8≥ 0 S ．t ． I 毫≥ 0 N m i ⋯n E t o T t o c ∑ i 1 ] 7 定 义拉格 朗 日函数 为 ， N N N L 一告 ∞ ∞ c 2 8 一∑ 一∑ { Y [ ∞ 6 ]81 8 式 中 ， 为拉格朗 E l 乘子 。 对 ∞， b和 求偏导数 ， 然后 根据 Me r c e r _ 9 条 件 ， 用 核 函数 K x ， 代 替 内积 [ 置 ] ， 转化为拉格朗 日对偶问题 m ax∑ 一 ∑ ∑ ， K x ， X i i 1 i 一 1 1 N f ∑蛐 一0 S ． t ． 0 。 9 3 全 液压制 动 系统 故 障诊 断试 验 ， 一s g n [- ∑a iy K x ， X j 6 ] 1 o i 一 1 2 全液 压制 动系统 故障诊 断原 理 基于 S VM 的全液压制动系统故障诊断过程主 要分为辨识建模 、 故障检测及故障分离 3个阶段 ， 故 障诊断原理如图 1 所示。 全液压 制动系统 y k n 1 冀 辨 识 模 型 图 1 基于 S V M 的全液压制动 系统故障诊断原理 图 1中， 全液压制动系统在每 k个采样时刻 的 实际输 入为 M 忌 ， 实 际输 出为 忌 ， k 一1 ， 2 ， ⋯ ， N， m、 ， z 分 别 为输 入 ／ 输 出 的延 迟 ， T DL表示 多 分 头 时 延系统 ， 故障预测辨识模型为 Y 愚 一f s v M [ 愚 一1 ， y k 一2 ， ⋯ ， y k 一， z ， “ 是 一1 ， U 是 一2 ， ⋯ ， U 是 一ml 1 1 故 障预测 辨识建模 就 是对 S VM 进 行 训练 的过 程 ， 针对样本对 { 忌 ， 忌 } 构造训练集 D一{ E X k ， Y 忌 一 ] ， k m1 ， ⋯， N 1 2 X km 一 { y k 一 1 ， y k 一 2 ， ⋯ ， y k ， U 志～ 1 ， U 足一2 ， ⋯ ， 一 1 3 3 ． 1构造训 练集 全液压制动系统的典型故障为车辆制动距离 长 ， 制动力不够 。产生此类故 障的主要原 因是蓄能 器充气压力过低 、 制动阀输出压力过低等 。因此 ， 制 动过 程 中蓄能器 充液压 力及制 动 阀出 口压 力 的动态 特性对分析系统故 障具有重要意 义。以 WC J 1 2 E 型多 功能 防爆无 轨胶 轮 车 为研 究 对 象 ， 分别 在 前 后 桥蓄能器出口、 制动阀出口处安装压力传感器 ， 在制 动踏板处 安装踏板 力传感器 ， 建 立的测 试系统 如 图 2所 示 。 工控机 基于 L a b Wi n d o w s ／ C V l 的测控软件 感器 感器 图 2测 试 系统 初始化测试 系统的采样时间为 t 一0 ． 0 1 S ， 样 本数 N一2 0 0 ， 然 后 给 制 动踏 板 施 加 时 间 t t s N 一 2 S的紧急制动力 ， 得到每一采样时刻 k的 4个样本 对 { 忌 ，Y - 愚 、 { 忌 ， Y z 忌 } 、 { U k ， Y 。 k } 、 { “ 忌 ， Y 愚 ， k 一1 ， 2 ， ⋯ ， 2 0 0 。其 中， z ￡ 尼 为 踏 板 2 0 1 6年 第 1 0期 刘志海等 无轨胶轮车全液压制动 系统故障诊 断研究 3 3 力传感器信号 ； Y 忌 、 Y 愚 分别为前 、 后桥蓄能器 压力 ； Y 。 忌 、 Y 是 分别为前 、 后桥制动器 出口压力 。 取输入／ 输 出延 迟 m 一2 ， 分 别按 照 式 1 2 一 式 1 4 构造 S VM 训练集 前桥蓄能器训练集 D 一 { x k 一2 ， Y k 一2 、后桥蓄能器训 练集 D。 一 { X k 一2 ， Y k 一 2 、 前 桥 制 动 器 训 练 集 D。 一 { X k 一2 ， Y。 k 一 2 、 后 桥 制 动 器 训 练 集 D 一 { X k 一2 ，Y4 忌 一2 ， k 一3 ， 4， ⋯ ， 2 0 0。 3 ． 2辨识 建模 分别选取 d阶多项式核 函数和 R B F核函数 ， 在 Ma t l a b环境下应用 S VR算法建立故障预测辨识模 型 ， 通 过 构造 的 4个 训 练集 分 别 对 各 个 辨 识 模 型 进 行训练， 得到如下模型参数 不敏感度 e 一1 0 _ ， 规 则化参数 C一5 0 0 ， R B F核函数宽度 一4 ， d阶多项 式核函数宽度 d 一4 。在上述参数状态下 ， 各故障预 测辨识模型的残差变化曲线如图 3所示。 0 ．0 4 O ．O 2 O O 0 2 一O． 04 a 前桥蓄能器压力预测模型残差值 b 后桥蓄能器压力预测模型残差值 O ． 1 0 趔O 0 5 0 一O ．O 5 -0 ． 1 0 c 前桥 制动器压 力预测 模型残差值 0 ．0 5 趔 0 一 0 ．0 5 锻 一0 l O -0 ． 1 5 d 后 桥 制 动 器 压 力 预 测 模 型 残 差 值 图 3 故障预测辨识模 型的残差值 从图 3可看 出， 核函数不 同， 建模残差也会有很 大变化 ， 但总体来看各个模型 的残差值精度均比较 高 ， 表明用 S VR算法所建立的预测辨识模型具有较 好 的推广 能 力 。 为 了更好 地 对 比 2类 不 同核 函数 的 S VR 预测 辨识模型的性能， 选取均方根误差 R MS E 来衡量 建模效果 ， 均方根误差定义 R M S E∑ N ／ Y k -- y p k z． 1 6 2类 S VR预测辨识模型的均方根误差和运算 耗 时见 表 1 。 表 1 2类 S VR预测辨识模型性能分析 从表 1明显看 出 ， 基 于 d阶多 项式 核 函 数 的预 测辨识模型在预测精度和运算速度方面均明显优于 R B F核函数模型 ， 因此 ， 在 全液压制动系统 的故 障 诊断中具有更好的推广能力和诊断效率。 3 ． 3 故 障检 测试 验 由于样本的采集是在无故障的情况下获取 的， 且全液压制动系统故障的发生具有一定的突发性 ， 一 般不可重复或模拟 ， 因此 ， 故障输出和残差检测阈 值的选取均需要通过计算机仿真实现。依次设定制 动系统 的输 出 压 力 Y 足 、 y 2 愚 、 。 k 、 Y k 在 一0 ． 6 S 和 ￡ 一1 ． 8 s 即采样时刻 k t ／ t 。 时降低到 正常情 况 的 0 ． 1 ～0 ． 3倍 。选 取 建立 的基 于 d 阶多 项式核函数的 S VR预测辨识模 型对上述 4处压力 进行故 障 检测 ， 检测 效果 如 图 4所示 。 从 图 4可看出， 当系统发生故障时 ， 基于 d阶多 项式核函数的 S VR预测辨识模型产生的残差值发 生 突变 ， 故能 够根 据 残差 阈值 及 时检 测 出故 障 ， 4个 基于 d阶多项式核函数的 S VR预测辨识模型的诊断 耗时见表 2 。经对比发现 各个预测辨识模型运行耗 时均在 1 0 ～一1 O 数量级， 具有较高的诊断效率 。 表 2 S VR 预测 辨识 模 型 故 障 诊 断 耗 时 故障预测模型 诊 断耗时／ s 前桥蓄能器 后 桥蓄能器 前桥制动器 后 桥制动器 2 ． 3 0 5 9 1 0 1 ． 21 4 4 1 0 6 3 ． 9 1 0 0 8 ． 3 1 0 3 3 ． 4故障 分 离试 验 利用预测辨识模 型检测出故 障后 ， 还需要进一 步对各类故障进行分离。给正常样本和故障样本数 鼷 3 4 工矿 自动 化 2 0 1 6年 第 4 2卷 l 5 l 0 趔 5 jl1】j 0 馔一 5 1 0 一 l 5 j }I】j 镁 一 一 a 前桥蓄能器残差曲线 一一一一一一一一一一一一一 一一 L fI _ ■I 一 十 一f r 0 0 ．2 0 ．4 0 ． 6 0 ． 8 1 ．0 1 ．2 1 ．4 1 ． 6 1 ． 8 2 ．0 时间／ s b 后桥蓄能器残差 曲线 3 0 2 0 l 0 j Il】j 0 一 l O - 2 0 - 3 0 c 前桥制动器残差 曲线 L ． 0 0 ．2 04 0 ． 6 0 ． 8 1 0 l -2 I ． 4 1 ． 6 1 8 2 ．0 时间／ s d 后 桥 制 动 器 残 差 曲 线 图 4 故障检测效果 据 标 定 分 类 标 签口 ， 标 签 “ 1 ” 代 表 无 故 障 情 况 ， 标 签“ 2 ” 、 “ 3 ” 、 “ 4 ” 、 “ 5 ” 分别代表前桥蓄能器、 前桥制动 器 、 后桥蓄能器 、 后桥制动器故障。基于 S VC算法， 采用“ l i b s v m” 工具箱[ 1 中相关分类模 型进 行故障 分离试验 ， 故障分离效果如图 5 所示。结果表明， 故 障诊断准确率高达 9 6 ． 6 3 3 7 ％。 0 2 0 0 4 0 0 6 0 0 8 0 0 l 0 0 0 t 2 0 0 测试集样本 图 5 故障分离效 果 4 结语 利 用 S VM 方法在 解决 小样 本 问题 中所 具 有 的 独特优势， 提 出将 S VM 方法应用于无轨胶轮车全 液压制动系统的故障诊断中。应用 s V R算法建立 故障预测辨识模型 ， 将 S VC算法应用于故 障分离 ， 然后分别进行了故障检测与故障分离仿真试验 。试 验结果表明， 基于 S VM 的全液压制动系统故障诊 断方法具有较高的预测精度和诊断准确率 ， 同时可 以有效提高诊断效率。 参考文献 [ 1] 陈永峰 ， 刘杰 ， 王 彦清 ， 等． WC 5 E 型防爆胶 轮车 全液 压制动系统设计研究 [ J ] ． 煤矿 机械 ， 2 0 1 0 ， 3 1 3 2 6 2 8． [2 ] 黄志坚． 液压系统故障智能诊 断与监测[ M] ． 北京 电 子工业 出版 社 ， 2 0 1 3 ． [3 ] 唐宏宾 ， 吴运新． 基于 T s模糊故障树的混凝土泵车 泵送液压系统 故障诊 断[ J ] ． 计算机 应用研 究 ， 2 0 1 2 ， 2 9 2 5 6 1 - 5 6 8 ． [ 4] 曹凤才， 岳凤英． 基于 B P神经网络的液压系统故障 诊断研究 [ J ] ． 中北 大 学 学 报 自然科 学 版 ， 2 0 1 0 ， 3 1 6 5 9 6 ～ 5 9 9 ． [ 5] 刘治国， 蔡增杰， 穆志韬， 等． 基于 C L I P S的飞机液压 系统故障诊断专 家系统 构建研 究[ J ] ． 海军 航空工 程 学院学报， 2 0 1 1 ， 2 6 1 4 5 4 8 ． [6 ] 乔志刚． 基于网格搜索和支持向量机的矿用风机故障 诊 断研究 [ J ] ． 中州煤炭 ， 2 0 1 5 2 8 1 8 3 ． [7 ] B O YD S ， VAN DE NB E R GHE L ． C o n v e x o p t i mi z a t i o n [ M] ． C a mb r i d g e C a mb r i d g e Un i v e r s i t y P r e s s ， 2 0 0 4 ． [ 8] F L AC H P ． Ma c h i n e l e a r n i n g t h e a r t a n d s c i e n c e o f a l g o r i t h ms t h a t ma k e s e n s e o f d a t a f i r s t e d i t i o n [ M] ． 段菲 ， 译． 北京 人 民邮电 出版社 ， 2 0 1 6 ． [ 9] VAP NI K V N．Th e n a t u r e o f s t a t i s t i c a l l e a r n i n g t h e o r y[ M] ． 张 学 工 ， 译． 北 京 清 华 大 学 出 版 社 ， 2 00 0． [ 1 o ] 李萌． 基于支持向量机的汽车 E S P系统故 障诊断 [ D] ． 长春 吉林 大学 ， 2 0 1 1 ． [ 1 1 ] 王小川， 史峰， 郁磊， 等． Ma t l a b神经网络 4 3个案例 分析 [ M] ． 北京 北京航空航天大学出版社 ， 2 0 1 1 ． 4 3 2 l