全站搜索
压滤机液压系统ART神经网络故障诊断
作者:管理员    发布于:2015-10-16 09:39:57    文字:【】【】【

  化工机械压滤机液压系统ART神经网络故障诊断姚成玉赵静一黄宴委(燕山大学)(上海交通大学)定与提取进行分析,再结合压滤机液压系统的故障信息,编制MATLAB程序,仿真出压滤机液压系统故障,建立其故障样本库。

  8文章编号压滤机是利用压力泵,将浆液压入相邻两滤板形成的密闭滤室中,使滤布两边形成压力差,从而实现固液分离,广泛应用在石油、化工及矿山等行业。大庆石化公司腈纶厂压滤机是联系原料车间与纺丝车间的原料过滤的关键设备,将原料车间的腈纶浆通过压滤机过滤后进入纺丝车间抽丝,压滤机为手动操作,常出现原料介质泄漏,浪费原料且会造成环境污染、影响人员健康等问题。针对原压滤机液压系统的设计缺陷、故障现象及具体工艺流程,设计出液压快速严格定位回路及自动卸荷回路,并对液压系统的故障诊断进行研究。

  1液压动力系统原系统只要泵电机一启动,液压泵始终要带载运行。当系统处于保压状态下,必将引起一定的功率损失。在满足压滤机工艺要求的前提下,采用10套执行器共用一套液压动力系统河北压滤机,且动力源只能同时对两组执行器进行补油的方案,以减少动力源的体积和能耗。为压滤机液压动力系统原理图。系统有以下特点:a多执行器耦合。仅用一台泵供应10套液压缸即执行器动作,因此要求各执行器按一定规则动作,而不得产生相互干扰。

  b可靠锁定保压。采用Y形机能的换向阀压滤机液压动力系统原理图加上液压锁,确保执行器的准确定位与严格锁定,液压锁的极小泄漏量可以保证系统压力的衰减率很小,无需系统频繁补油。由液压锁的低压断开和锁定执行器,可避免由一套动力源供应10套执行器时引起的压力波动、压力干涉和冲击。

  c系统节能措施。压滤机安全保护压力不超过2MPa压力达到16MPa时停车,动力源油箱容量允许两台压滤机同时将执行器内的油液压*河北省自然科学基金项目(编号:503293)。

  姚成玉,男,1975年1月生,博士研究生。河北省秦皇岛市,066004化工机械回油箱,这使得动力油源体积很小。在对执行器进行供油时,不能对两个以上执行器进行同时供油,这种情况一般都能满足现场使用要求,可以选择小功率电机,即降低能耗。

  2ART神经网络诊断方法设备在运行中,系统参数偏离了正常状态就可能出故障,表征它的特征向量也会变化。这时系统可能完全或部分失去其功能。故障诊断就是寻找故障原因的过程,包括状态检测、故障原因分析及劣化趋势预测等内容。

  ART网络是一个模式分类器,它能接受外界一个矢量,把它分到许多存储矢量类中某一与它相似的类中。如果新的输入矢量与任何存储矢量不相似匹配,一个类似于新输入的矢量类被生成,并作为已识别的类存储;如果新输入的矢量与某一存储矢量类相似匹配,则存储矢量类的信息将被调整后作为原矢量类存储,使它更像新输入的矢量。这里的相似匹配是指一个存储矢量与输入矢量两者差异在一个允许的警戒值范围内相同。这就是说,外界新模式在无相似匹配矢量时,可生成另外一类模式存储,ART网络解决了可塑性问题;具有自归一能力,根据某些特征全体中占的比例,有时将其作为关键特征,有时又将其当作噪声处理;能够达到全局优化,不存在局部小的问题;其容量不受输入通道数的限制,其存储对象也不要求正交。

  该ART网络接受二进制输入信号,且是一单个识别层的网络,如所示。图中给出的是一个简单联接模型的概念结构,由5个功能模块组成,其中比较层框和识别层框各代表一神经元层,增益框和重置框分别用于训练和分类的控制。在比较层接受二进制的输入矢量X初始时不作任何改动地作为输入矢量C传递给识别层,以后接受识别层生成的矢量Y再由比较层按下述方式改变。每一个神经元接受3个二进制值输入:输入矢量X的一个元素X,识别层输出矢量Y与该层权值矢量T的相关矢量T.的和值p,对所有比较层神经元给出相同的增益信号G,。比较层任一神经元输出为1必须3个二进制输入值中有两个为1否则输出为0比较层遵循这称为2.2识别层识别层作为输入矢量的分类器,该层每一神经元输入矢量C与该层相关权值矢量的和值大的(匹配得好的)一神经元被激活,其它神经元被抑制。当比较层传输过来的输入矢量C与某一权值矢量和值大时,该层神经元j的权值矢量构成了一类存储矢量样本的一部分。

  这些权值是实数。这一组相关权值和比较层的相关权值Tf组成了该类输入矢量的存储样本。2.3增益和重置模块增益2模块,当输入矢量任一元素为1时,其输出为1,为矢量X元素的逻辑或;增益1模块,当输入矢量X的任一元素为1且R的任何元素不为1时,才输出为1重置模块检测矢量X与C之间的相似匹配,如果他们的差别大于警戒值,则发出重置信号,去抑制识别层的激活神经元,具有执行的操作是两者元素为1的个数之比,如低于警戒值,则发出重置信号。

  2.4ART的工作流程ART网络的学习分类过程可分为以下几个阶段:a识别一自比较层向识别层的流程。在初始化时,网络无输入矢量,X的全部元素为0信号G2为0识别层神经元输出全部为0全部识别层神经元均处于相同状态。当被分类的系统故障矢量X输入后,必有几个元素为1从而G,和G2为1按“2/5规则”,比较层全部复制矢量X作为比较层输出矢量C下一步识别层对每一种神经元进行矢量C和相关联接权权值矢量Bj相乘,作为识别层的输入矢量Y在流程中,增益控制器G被打开,而匹配控制器P被抑制。

  化工机械b竞争。在识别层中,状态矢量Y可以通过竞争,激活一个大匹配值的神经元y使一个神经兀输出y,=1其匕y.=0(j/)。

  C比较一从识别层到比较层的过程。识别层输出信息y,传递回比较层。这个值y,=1被展开并经相应权值传递到比较层的每一个神经元,因矢量Y不再全部为0G,被抑制,输出为0 N.即为第1个输出节点对应的类别模式与输入样本的匹配度,表示该节点的类别模式与输入模式样本之间相互重叠的非零分量数。当计算出该输入模式样本中的非零分两个数:即可进入比较与搜索阶段。

  d搜索。设用于比较的警戒门限为P(0<),比较输入模式与已存储的类别模式之间的相似度,如果有:则表明输入模式X与第1个输出节点对应的类别模式有较大的差别(不匹配),该获胜的节点无效(置为无效状态,不参与下次竞争),继续对其余的节点按照上面的匹配过程进行竞争学习和匹配计算。

  如果所有的节点对应的类别模式都与输入模式X不匹配,则需要在网络的输出端再增加一个节点ym+且该节点的输入权向量Bm+I为样本模式矢量,反馈权向量Tm+I则设计成单元矢量。如果输入模式与已存储的类别模式之间的相似度满足:则表明输入模式X与第1个输出节点对应的类别模式非常接近(匹配),发生了共振现象,于是网络转入了学习阶段。

  e学习阶段。学习阶段对发生共振的第l个输出节点对应的类别模式或存储模式进行加强学习,以便以后出现与该模式相似的样本时能得到更大的输出,即更容易获胜。

  实际上,反馈权向量Tj就是第j个模式类别样本的典型矢量,即该模式的聚类中心。因为,通过学习可使相似的模式越来越聚类,不同的模式越来越分离,且对不属于原来已有典型模式的新模式,通过学习也会生成新的模式类别节点而加入典型样本库15.由ART的工作过程可以看出,该方法只要求发生共振的节点参加学习,网络的学习算法是一种快速学习方法,不存在权值振荡或收敛精度等问题。且可通过调节警戒线的门限来调整模式的类数,P小,模式的类别少;大,模式的类别多。

  如果无重置信号产生,说明匹配是合适的,X属于何类已找到,分类结束。否则,为了较好的匹配,必须搜索其它存储模式。由于重置信号把全部识别层神经元恢复为0G仍回到1网络返回初始状态。再输入矢量X结果识别层另一个神经元赢得竞争,反馈一个不同的存储模式P给比较层。如果不匹配,激活的识别层神经元又被抑制。这样不断重复,直到发生下列两种情况之一时,整个分类过程才停止:a找到已存储模式,在警戒值范围内与X匹配,则网络进入训练阶段,适量修正与激活神经元相关的Tj和Bj两权值矢量。

  b在所有存储模式被检验后,无存储模式与输入模式相似匹配,此时网络又进入训练阶段。把先前尚未分配给某种模式的神经元赋给这个模式,构造它的一对相匹配的权值矢量Tj和Bj后,把他们作为样本模式存储。

  3ART网络实现的步骤3.1设定网络输入权阵B和反馈权阵T的初始值和警戒门限值P给定警戒门限的初始值P(KPC1令集合L=J(L为动态集合,J为原集合)。令1T=0迭代化工机械开始。

  3.3按式(1),计算输入模式向量1=…,Xn)与所有网络输出节点Y的输入权阵B的内积,即匹配度。

  3.4在有效的输出节点集合L内,按式(2)选择佳匹配节点1令该节点1的输出值为1而其它的节点输出值为0 3.5按式(3)计算输出节点类别模式与输入模式样本的匹配度:按式(4)计算输入模式样本中的非零分量;使用式(5)或式(6)进行警戒门限判断。若式(5)成立,则令节点无效,转3.6步;否则,转3.7步。

  3.6若集合L为空集,则在输出端增加一个节点,并置该节点的输入权值向量为当前样本矢量,反馈权值向量置为单位向量。L=JJm+1,m=m+1转3.2步;否则,转3. 4步。

  3.7用式(7)、(8)分别进行学习,修正第L个输出节点的输入权向量和反馈权向量。

  3.8若还有新的训练样本数据,则1T=ir+1转3.2步;否则,转3. 9步。

  3.9训练结束。

  使用以上ART网络学习算法,对输入模式样本进行一系列学习过程后,网络聚类到自稳定状态,所有类别的聚类中心不再发生变化。这时,输入任意模式向量,可以根据网络输出判断输入模式的类别,不再进行搜索过程。

  4状态提取及仿真基于压滤机控制系统功能分析,故障诊断信号可归纳如下:a油箱液位信号。液位是液压系统的一个重要状态参数,合适的液位对消除油液气泡、沉淀杂质、过滤、稳定油温等具有重要作用。

  b油液温度信号。油液温度对于液压系统各个元部件性能有较大的影响,对本压滤机系统来说,一般油温控制在60°C以下。

  c滤油器堵塞信号。压滤机系统中采用回油滤油器,由滤油器压差继电器发讯,判断滤油器及工作介质的状况,提供的开关信号,数量为1个。

  d液压泵出口压力信号。液压泵是液压系统的心脏,其运行状态将直接影响整个系统的工作。而柱塞泵发生故障时,泵出口压力信号必然表现异常,故可利用压力信号对液压泵进行状态监测。

  e溢流阀处压力传感器。在液压系统中,溢流阀调定液压执行器的额定工作压力,保证系统正常工作,也直接影响着整个液压系统的工作性能和安全性。

  f油缸无杆腔压力信号。换向阀的工作状态及性能直接影响到油缸的压力变化情况,因此选择油缸的无杆腔压力信号1个。

  g位移传感器。油缸压力信号是系统工作状态正常与否的终反映。同时,也反映负载力变化的情况,表征油缸工作状态。

  利用MATLAB语言,对所提取的压滤机信息进行处理分析。对整个系统的输入状态特征信息可总结归纳为:A2―油缸无杆腔压力平均值信号;A3―油缸无杆腔压力方差值信号;A4―调压阀处的压力平均值信号;A5―调压阀处的压力方差值信号;系统的样本输出可归结为:B2―换向阀故障;b3――调压阀故障;基于神经网络的ART模型算法,利用MATLAB语言编程仿真后,形成的故障样本库,如表1所示。表中系统输入样本是通过对系统的采样状态特征向量经归一化处理后的值,其中“1”表示状态异常,“0”表示系统状态正常。

  表1故障样本库模拟故障输入样本输出样本油缸换向阀调压阀液压泵液位系统磨损滤油器24(1)592张齐生,赵静一,黄宴委等。压滤机液压控制系统改造与仿真分析。中国机械工程,200314(13)1094-10963王春芳,叶晖明,周炜灿。压滤机液压系统分析及优化设计。浙江化工,200235(9)28-304潘紫微,吴超英。一种应用于故障识别的模糊ART神经网络。机械科学与技术,200221(1):134-1365陆爽,李萌。基于小波神经网络的滚动轴承故障诊断。

  化工机械,2004 5结束语在自行设计的压滤机液压动力系统并分析ART神经网络工作的原理的基础上,利用ART网络很强的自组织学习功能,以及压滤机液压系统的故障特征信息的确定与提取,对压滤机液压系统进行故障诊断,建立该系统故障样本库,为故障诊断的进一步深入奠定基础。

访问统计
51客服