基于BP网络的减压阀故障诊断.pdf

2 0 1 2年 3月 第4 0卷 第 5期 机床与液压 MACHI NE T 00L HYDRAUL I CS Ma r ． 2 01 2 Vo 1 ． 4 0 No ． 5 D OI 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 1 3 8 8 1 ． 2 0 1 2 ． 0 5 ． 0 4 7 基于 B P网络的减压阀故障诊断 吴文兵 ，黄 宜坚 1 ．福州外语外贸学院，福建福州 3 5 0 0 1 8 ；2 ．厦门大学信 息科技学院，福建厦门 3 6 1 0 0 0 ； 3 ．华侨大学机电工程 学院，福建泉 州 3 6 2 0 2 1 摘要提出一种使用 B P 神经网络检测减压阀故障信号的方法。通过提取减压阀振动时的正常信号和故障信号的均值、 标准差、偏度和峰度，作为特征值对建立的 B P网络进行训练，再进行故障辨识 ，取得了令人满意的结果。实验结果证明， 利用 B P网络进行机械故障检测是可行的。 关键词故障检测；B P网络；减压阀 中图分类号T H1 6 1 文献标识码A 文章编号1 0 0 1 3 8 8 1 2 0 1 2 51 5 l一 3 Fa u l t Di a g n o s i s o f Re d uc i ng Va l v e wi t h BP Ne ur a l Ne t wo r k WU We n b i n g ．HUA NG Yi j i a n 1 ． F u z h o u C o l l e g e o f F o r e i g n S t u d i e s a n d T r a d e ， F u z h o u F u j i a n 3 5 0 0 1 8 ，C h i n a ； 2 ． X i a m e n U n i v e r s i t y ，X i a m e n F u j i a n 3 6 1 0 0 0 ，C h i n a ； 3 ． H u a q i a o U n i v e r s i t y ，Q u a n z h o u F u j i a n 3 6 2 0 2 1 ，C h i n a Ab s t r a c t A me t h o d o f r e d u c i n g v a l v e f a u l t d i a g n o s i s w a s p r o p o s e d b a s e d o n B P n e u r a l n e t w o r k ．T h e BP n e t wo r k w a s b u i l t a n d t r a i n e d t h r o u g h e i g e n v alu e s ， s u c h a s me a n，s t a n d a r d v a r i a n c e， s k e wn e s s a n d k u r t o s i s o f n o r ma l s i gn a l s a n d f a u l t s i g n als e x t r a c t e d f r o m r e d u c i n g v a l v e ’ s v i b r a t i o n ． T h e n f a u l t i d e n t i f i c a t i o n s we r e ma d e a n d t h e r e s u h s w e r e s a t i s f a c t o r y ． T h e e x p e r i me n t a l r e s u l t s i n d i c a t e i t i s f e a s i b l e t o c a r r y o u t f a u l t d i a g n o s i s u s i n g BP n e u r a l n e t wo r k ． Kc y wo r d s F a u l t d i a g n o s i s ；B P n e t w o r k； Re d u c i n g v a l v e 液压系统中的减压阀是液压系统中比较容易发生 故障的一种元件 ，对这种发生故障的元件进行诊断对 液压系统的维护有着重要意义。如何利用信号本身的 统计特性进行故障识别 ，是故障识别研究中的一个重 要分支。由于时间序列的偏度和峰度与信号的高阶谱 相关联 ，文中通过提取减压阀在正常状态和故障状态 下信号的均值 、标准差 、偏度和峰度，作为 B P神经 网络的输入 ，对该网络进行训练，之后利用该网络进 行 故障识别。 1 减压阀工作原理 实验使用的减压阀为先导式减压阀。油液经液压 泵至主油路，液压泵排出油液的最大压力由减压阀根 据主油路的需要来调节。当液压缸需要的压力比液压 泵的压力低时，可在油路中串上一减压阀来减压。减 压阀工作原理如 图1所示 ，一次压力油P 经主阀阀 口流至 出 口，得 到二 次压力 油P 。P 经通道 a 进入 主 阀芯下腔 ，然后经主 阀芯上 的阻尼孑 L 到主阀芯上腔和 先导阀的前腔。在负载较小、出口压力P ， 低于调压 弹簧所调定压力 时，先导阀关闭，主阀芯阻尼孔 无液流通过 ，主阀芯上、下两腔压力相等，主阀芯在 弹簧作用下处于最下端 ，阀口全开不起减压作用。当 出口压力P ， 随负载增大，大于或等于调压弹簧调定 压力 时，锥阀左移，先导阀阀 口开启，主阀出 口 的二次压力油 P ， 经 主 阀阻 尼孔 到主 阀芯上 腔 、先导 阀口，再经泄油 I I 回油箱。由于阻尼孔 的阻尼作用 ， 主阀上、下两腔出现压力差 P ，当P等于或大于主阀 弹簧力 F 时，主阀芯向上移动，主阀口减小起减压 作用。当出口压力 P 下降到调定值时，先导阀芯和 主阀芯同时处于受力平衡，出口压力稳定不变。调节 调压弹簧的预压缩量即可调节阀的出口压力 P 。当 减压阀进出油口有异物或出现漏油现象，压力偏高或 偏低都会影响到减压阀的正常运行。针对这类情况， 作者设置如下两种故障 1 减压阀进油口加 3 m m的铁芯； 2 将减压阀进油口和出油 口都加 4 , 3 m m的铁 芯 ，获得 2 6 组故障数据以及 1 3组正常数据。 收稿 日期 2 0 1 01 2 2 2 基金项目国家自然科学基金 5 0 9 7 5 0 9 8 ；2 0 0 8福建省重大专项课题 2 0 0 8 H Z 0 2 0 1 作者简介吴文兵 1 9 6 8 一 ，男，在读博士，讲师，主要研究方向为信号检测、故障诊断。E m a i l w w b y s w 1 6 3 ． c o rn。 1 5 2 机床与液压 第 4 0卷 由小孔 溢流 回 邮箱 图 1 减压阀结构图 2 数据采集与动态测试程序 振动信号的采集和处理使用的软件是 L a b V I E W。 实验动态测 试系统 的 L a b V I E W 程序如 图 2所示 ，利 用 L a b V I E W及 P C I - 6 0 1 4的数据采集卡和一个加速 度传感器 ，依次采集减压阀在正常和故障状态下的 振动信号。在测试过程中，采样频率设为 1 0 2 4 H z ， 读取频率 为 5 1 2 H z 。实验数 据采集程序 如图 2所 示 。 由于测试 过程 中系统外 部 和 内部 各种 因素 的影 响，必然在输出过程中夹杂着许多不需要的成分 ，这 样就需要对所获得的数据进行预处理，剔除混杂在信 号中的干扰噪声。作者采用中值法对采集的振动信号 进行预处理。在进行数据处理的时候，使用了2 0 4 8 个数据点。图3和 4 分别为采集到的原始数据图和中 值滤波后的数据图。 图2 数据采集程序图 茎 ． 4 5 ； i 5 0 0 1 0 0 0 1 5 0 0 2 0 0 0 2 5 00 数据 点数 个 图 3 原始数据信号图 0 5 0 0 1 0 0 0 1 5 0 0 2 0 00 2 5 0 0 数据 点数／ 个 图4 中值滤波后数据信号图 3 偏度与峰度 标准差定 义为 s [ 】 偏 度 g 和峰度 g 分别定 义为 g 茎 gz 至 S 1 偏度是描述数据分布形态的统计量，其描述的是 某总体取值分布的对称性。这个统计量与正态分布相 比较 ，偏度为0表示其数据分布形态与正态分布的偏 斜程度相同；偏度大于0表示其数据分布形态与正态 分布相比为正偏或右偏；偏度小于0表示其数据分布 形态与正态分布相比为负偏或左偏。偏度的绝对值数 值越大，表示其分布形态的偏斜程度越大。峰度也是 描述总体中所有取值分布形态陡缓程度的统计量。这 个统计量也 需要 与正态分布相 比较 ，峰度为0表示该 总体数据分布与正态分布的陡缓程度相同；峰度大于 0表示该总体数据分布与正态分布相 比较为陡峭，为 尖顶峰；峰度小于0表示该总体数据分布与正态分布 相比较为平坦 ，为平顶峰。峰度的绝对值数值越大， 表示其分布形态的陡缓程度与正态分布的差异程度越 大。文中提取所测量信号的均值、标准差、偏度和峰 度作为特征值输入 B P网络进行故障识别。 4 B P神经网络原理 在 多层感知器 的基础 上增加误 差 反向传播 信号 ， 第 5期 吴文兵 等基于 B P网络的减压阀故障诊断 1 5 3 就可 以处理非线性信息 ，把这种 网络称 之为误 差反向 传播 B a c k P r o p a g a t i o n ，B P 的前向网络。B P网络 可 以用在 系统模 型辨识 、预测或 控制 中。设三 层 B P 网络 如图 3所 示 ，输 入层 有 个 节点 ，输 出层 有 ， J 个节点 ，而且隐层 只有一层 ，具有 Ⅳ个节点。一般 情况下 N M L 。设输入层神经节点的输出为 Ⅱ i 1 ， 2 ， ⋯ ， M ，隐层 节 点 的输 出为 n 1 ， 2 ， ⋯ ， Ⅳ ， 输出层神经节点的输出为 Y k1 ， 2 ， ⋯， ；神经网 络 的输 出向量为 Y ；期望 的网络输 出向量 为 Y 。 B P网络用可微函数如 S i g m o i d来代替阈值 函数 ， 然后采用梯度算法来修正权值。B P模型把一组样本 的 I ／ O问题变成了一个非线性的优化问题，使用了优 化中最普通的梯度下降法 ，用迭代运算求解权系数 ， 相应 于学 习记忆 问题。加 入隐节 点使优化问题的可调 参数 s D ii ，从而可得到更精确的解 。如把这种神经 网 络看做从输人到输出的映射，则这种映射是一个高度 非线性的映射。如输入节点个数为 m，输出节点个数 为 L ，则 网 络是 从 R 一 尺 ．的映射，即 F 尺 一尺 y F X ，其中， 、y 分别为样本集合和输出集合。 B P网络结构如 图 5示 。 图 5 B P l碉络结构 图 作者为 了对所获得 的实验数据进行故 障判 别 ，特 构造了一个 B P网络，该网络有一个 1 2个节点的隐含 层 、1 个节点 的输 出层 ，激发 函数采 用．厂 1 ／ 1 e x p 一 ，最大循环次数设为 1 0 0 0 ，误差最小值 设为 0 ． 0 0 1 ，学习率设为0 ． 0 1 ，网络输入为所获得信 号 的均值 、标准差 、偏度 和峰度 。 5实验 结果分 析 首先对测量得 到的数据进行 中值 滤波 ，再 分别把 正常状态和故 障状态下测量 到的异常数据剔 除 ，如图 6所示 ，这种异常数据有可能是由于测量装置的工作 状态调整不 当所致 。经过上述处 理后 ，正常状 态数据 留有 1 0组 ，故障状态数据 留有 2 3组 。构造 向量 T [ s I ／ s ，s ／ s ，s ， ／ s ，Js ／ s ] ，其中 s 。 、s 、s ， 、s 分 别代表所获得信号 的均值、标准差 、偏度 和峰度 ， S S s S s ，即 为由均值 、标准差 、偏度 和峰度组成 的归一 化 向量 ，一共 由 3 3组 4维 向量构 成，例如 0 ． 0 0 0 1 ，0 ． 9 8 6 0 ，0 ． 0 ，0 ． 0 1 4 0 ，等 等。由前述构造的 B P网络，首先在正常状态、故障 一 状态和故 障二状 态下各任 取 3对 对 网络进行 训练 ， 对正常状态和故障状态分别编码为 0和 1 ，网络训练 误差 曲线如 图 7所示 。利用训练好 的该 网络 ，对所获 取的 3 3 组故障信号进行仿真判别，所得结果如表 1 所示 。结果表 明在 3 3 组数据 中 ，正常状态有 1 组 、 故障状态有 2组没能正确识别 ，总体正确识别率超过 9 0 ％，表明所建立的 B P网络泛化能力良好 ，也表明 文中所提出的故障识别方法是切实可行的。 10 三 5 0 ．5 0 200 400 60 0 8O0 1 00 0 l 2 00 1 400 1 600 数据点数／ 个 图6 测量异常数据 冀 ,if T,-ai．i．, ,or 2O3 ,,ohs 霹 百 25 0 迭代次数， 次 r 0 ． 一一 ． 2 8 } ／ 50 l 00 l 5O 200 迭 代 次数／ 次 图7 网络训练误差曲线 表 1 模 拟结果表 正常信号 故障信号 正常信号 故障信号 0 ． 0 0 8 9 0 ． 9 6 0 8 0 ． 0 0 4 9 0 ． 9 9 9 4 0 ． 0 0 2 4 0 ． 0 1 5 9 0 ． 0 9 2 3 0 ． 9 9 6 9 0． 0 00 7 0． 9 8 9 5 0 ． 00 8 6 0 ．9 9 5 5 0 ． 0 1 5 9 0 ． 9 9 9 9 0 ． 0 1 3 7 0 ． 9 8 4 1 0． 9 80 6 0 ．9 9 9 6 0 ． 0 0 2 6 0 ． 9 9 9 1 6 总结 对于非高斯信号 ，高阶统计量反映了信号偏离高 斯分布 的程度 。归一化 的二 阶零滞后 累积量是信号 的 方差 ，归一化的三阶零滞后累积量是信号的偏度 ，归 一 化 的 四阶零 滞后累积量是信号的峰度。功率谱 相当 于信号方差在频域的分解，双谱则是信号偏度在频域 的分解，三谱是信号峭度在频域上的分解。鉴于方 差 、偏度和峰度与信号功率谱和高阶谱之间的关联， 通过提取减压阀振动时的正常信号和故障信号的均 值 、标准差 、偏度和峰度，作为B P网络的输入值进 行故障辨识 ，取得 了令人满意 的结果 。 参考文献 【 1 】刘君华， 贾惠芹， 丁晖． 虚拟仪器图形化编程语言 L a b V I E W教程[ M] ． 西安 西安电子科大学出版社， 2 0 0 1 34． 下转第 1 5 9页 第 5 期 林秀娟 等 基于灰色系统的深水采油树腐蚀可靠性设计 1 5 9 由分析可知，数据均是可信数据 ，则第一个测试 点 2 0年后的壁厚为 2 0 2 6 ． 6 m m，从而得到第一 个点的腐蚀量为 3 0 2 6 ． 6 3 ． 4 m m。用同样的方法 求出其 他 3个测 试点 的腐蚀 量分 别 为 3 ． 2 、2 ． 9 、 3 ． 1 mm。 对各点腐蚀量数据进行分析均为可信数据 ，则其 均值和标准差分别为 ll I_ 3 ． 4 3 ． 2 2 ． 9 3 ． 1 3 ． 1 5 m m o r l l [ 乏 一 】 0 ． 1 2 m m 对各点最初壁厚数据进行统计 ，得其均值和标准 差分别为 1 23 0 mm l 20 mm 由 。 。 、o r 。 。 、 、o r 。 可 得工作 2 0年 时壁 厚 的均 值与标准差分别为 1 2一 l 12 6 ． 7 5 mm o r √ 12 一 O r 1 1 0 ． 1 2 m m 假设工作到 2 O年壁厚为正态分布，按题意允许 最小壁厚为确定量，则联立方程为 一 一 2 5 z 一 一 - 一 0 ‘ 按 r t 4 、r 0 ． 9 5 、Z 6 ． 2 5 ，查可靠度单侧置 信下限图表得到容器工作到 2 0年的可靠度置信下限 为 R ． 0 ． 9 7 。 3结束语 实例表明，灰色 G M 1 ， 1 模型对少数据系统的 可靠性设计有较好的借鉴作用。 参考文献 【 1 】S t e r l i n g L e w i s ， S P E ， J a y S u t e r ， S P E ， E x x o n M o b i l D e v e l o p me n t C o mp a n y ． R e q u i r e me n t s f o r a F u l l Dril l t h r o u g h S u b s e a W e l l h e a d a n d T r e e S y s t e m． I ADC ／S P E 1 1 2 7 2 3 ， 2 0 0 8 ． 【 2 】B r i t t o n J ． C a t h o d i c P r o t e c t i o n S u r v e y s o f O f f s h o r e P l a t f o r m s A N e w Ap p r o a c h ． C OR ROS I ON ／ 9 8 S a n Di e g o ， C A． Na t i o n a l As s o c i a t i o n o f Co r r o s i o n Eng i n e e r s ． 【 3 】宋保微． 系统可靠性设计与分析[ M] ． 西安 西北工业大 学出版社， 2 0 0 8 ． 【 4 】邓聚龙． 灰预测与灰决策[ M] ． 武汉 华中科技大学出版 社 ， 2 0 0 2 ． 【 5 】林秀娟， 王优强． 一种数据处理的灰色预测新方法 [ J ] ． 机床与液压， 2 0 0 4 3 1 2 61 2 7 ． 【 6 】廖德岗． 灰色 G M 1 ， 1 模型在压力容器抗腐蚀可靠性 设计 中的应用[ J ] ． 机械研究与应用， 2 0 0 5 ， 1 8 3 8 5 86． 【 7 】刘斌， 刘思峰， 翟振杰， 等． G M 1 ， 1 模型时间响应函数 的最优化[ J ] ． 南京航空航天大学学报， 2 0 0 3 4 4 5 1 45 4． 【 8 】周昌玉， 张艳丽 ， 李强 ， 等． 在役压力容器含缺陷结构腐 蚀疲劳剩余寿命预测的随机分析 [ J ] ． 压力容器 ， 2 0 0 2 2 1 41 7 ． 上接 第 1 5 3页 【 2 】张利平． 液压阀原理、 使用与维护[ M] ． 北京 化学工业 出版社 ， 2 0 0 5 1 4 6 2 0 4 ． 【 3 】刘浩， 白振兴． B P网络 的 M A T L A B实现及应用研究 [ J ] ． 现代电子技术， 2 0 0 6 2 4 95 1 ． 【 4 】张贤达． 时间序列分析 [ M] ． 北京 清华大学 出版社， 1 9 9 6 ． 4． 【 5 】谢晓燕． 神经网络 [ M] ． 西安 西安电子科技大学出版 社 ， 2 0 0 7 1 0 0 3 0 0 ． 【 6 】殷时蓉， 陈光桶， 谢永乐． E l m a n 神经网路在非线性模拟 电路故障诊断中的应用[ J ] ． 电子测量技术， 2 0 0 7， 3 0 1 1 61 2 9． 【 7 】刘雪霞， 张琦， 谭业发． 高阶谱分析技术在轴承故障信号特 征提取中的应用[ J ] ． 机床与液压， 2 0 0 8 ， 3 6 7 1 5 5 1 5 7 ． 【 8 】林海军， 齐丽彬 ， 张礼勇． 基于 B P神经网络的模拟电路 故障诊断研究[ J ] ． 电测与仪表， 2 0 0 7 9 4 1 5 1 ． 【 9 】李中原． 旋 转机械矢双谱分析及故障诊断应用研究 [ D] ． 郑州 郑州大学 ， 2 0 0 6 ． 【 1 0 】 张桂才． 基于高阶统计分析的机械故障特征提取技术 研究[ D] ． 武汉 华中科技大学， 2 0 0 2 ． 【 1 1 】 杨江天， 徐金梧． 旋转机械故障的双相干谱特征及其识 别[ J ] ． 机械工程学报， 2 0 0 0 ， 3 6 9 1 0 31 0 6 ． 【 1 2 】 彭志君， 黄宜坚． 基于A R双谱的减压阀故障诊断[ J ] ． 机械科学与技术， 2 0 0 7 ， 2 6 7 9 0 8 9 1 2 ． 【 1 3 】 蔡奇志， 黄宜坚． 自回归三谱切片研究 [ J ] ． 仪器仪表 学报， 2 0 0 9 ， 3 0 2 3 4 5 3 5 0 ． 上接 第 1 5 6页 参考文献 【 1 】韩金玲， 裴帮富． 车床电气故障与查找 [ J ] ． 机床与液 压 ， 2 0 0 9 6 2 4 2 2 5 3 ． 【 2 】赵虎城， 冯送京． 电机拖动与控制[ M] ． 北京理工大学出 版社 ， 2 0 0 9 ． 【 3 】M C M A H O N R A ， R O B E R T S P C ， WA N G X ， e t a 1 ． P e r f o r m a n c e o f B D F M a s G e n e r a t o r a n d Mo t o r『 J 1 ． I E E P r o c e e d ， i n g s o n E l e c t ri c P o we r Ap p l i c a t i o n s ， 2 0 0 5 2 8 92 9 9 ． 【 4 】许谬． 电机与电气控制技术[ M] ． 北京机械工业出版社， 2 oo 4． 【 5 】黄守道， 罗军波 ， 彭晓， 等． 基于 M A T L A B的无刷双馈电 机建模与仿真[ J ] ． 湖南大学学报， 2 0 0 2 6 7 1 7 5 ． 【 6 】陈志伟， 扬向宇 ， 申耀阳． 无刷双馈电机专家 自 适应 P I D 控制系统仿真[ J ] ． 华南理工大学学报， 2 0 0 2 1 2 3 7 41