基于观测器和神经网络的液压系统故障诊断方法研究

　　由于液压系统具有功率大、响应快、精度高等特点,在机械设备的驱动、传动和控制中得到广泛的应用。当液压系统出现故障时,快速准确地对故障进行判断和定位,对于及时修复液压系统、保证主系统的正常工作起到至关重要的作用。近年来针对液压泵、换向阀、油缸等主要液压元件的故障诊断开展了一些研究,但针对整个液压系统的研究较少[1-3]。常用于液压系统故障诊断的方法有: (1)主观诊断法; (2)数学模型与信息处理诊断法; (3)智能技术诊断法[4]。主观诊断法中应用较多的是故障树诊断法,其不足是工作量大,可能漏掉重大的元件或部件故障,模型一旦建好就不易更改,不易接受和处理新信息。

　　专家系统和神经网络诊断法作为一种智能诊断法,是当今故障诊断方法发展的趋势,但是存在诊断速度低、需要大样本的缺点。观测器作为一种故障诊断方法,已经在液压元件的故障诊断中得到很好的应用[5],其优点是实现简单、故障检测和诊断速度快。作者结合上述分析,提出了基于观测器和神经网络的诊断方法,该方法通过观测器实现故障判断,利用经观测器输出训练的神经网络实现故障定位,具有诊断速度快、不需要大样本等优点。

　　1 观测器和神经网络基本原理

　　1.1 观测器基本原理

　　由于系统中存在建模误差和噪声等未知干扰因素,为提高模型对系统检测精度,数学模型描述为[6]:

式中:分别表示系统的状态变量、输出观测变量和控制变量,x#为状态变量一阶微分,vx为干扰。A、B、C为合适维矩阵。ΔA、ΔB、δC表示建模误差,fs为执行机构或控制组件故障的向量或矩阵,f₀表示传感器故障的向量或矩阵。

　　式(1)的现时观测器为:

式中:E=[ΔAΔBΔC],d=[x u νx]^T,K为反馈增益矩阵。

　　根据求得的残差和简单的决策逻辑就可以判断故障是否发生。

　　1.2 3层神经网络的结构及数学描述

　　在众多神经网络结构中, 3层BP神经网络是一种最为成熟的网络结构分析工具。神经网络理论指出, 3层具有Sigmoid神经元的非线性网络可以以任意精度逼近任何连续函数[7],其结构图如图1所示。

　　图中圆圈代表神经元,圆圈之间具有wkij权值的连线表示神经元之间的相互作用强度。wki0表示神经元的阈值。x0i(i=0~n)表示神经元的输入,x2i(i=0~n)表示神经元的输出。wkij表示第k层第i个神经元与第k-1层第j个神经元的连接权值。

式中:yki表示第k层第i个神经元与第k-1层的神经元输出的加权和。xki表示第k层第i个神经元的输出,它是yki经作用函数作用之后的输出