基于RBF神经网络的液压系统模糊故障诊断研究

　　0　引言

　　液压传动技术是实现现代传动与控制的关键技术之一,但液压系统仍然不可避免地出现故障,因此液压系统故障监测和诊断技术越来越受到重视。液压系统是结构复杂的机电液综合系统,对污染很敏感,容易产生各种故障,且故障形式多样,因此难以准确判断复杂液压系统的故障原因、故障位置和故障程度。

　　本文针对液压设备诊断过程中经常出现大量的模糊现象,采用隶属度的方法对液压设备的状态监测量进行模糊量化作为诊断系统的输入,运用RBF神经网络对其进行推理,并对算法进行了改进,通过实例验证,运用该算法对液压系统的故障进行诊断能取得良好效果。

　　1　液压系统状态特征量的选取和隶属函数的选择

　　液压系统常见的故障有:压力故障、动作故障、振动和噪声、油温过高、泄漏和油液污染等。究其原因,都与系统的压力有一定的联系,另外,液压系统的故障还与溢流阀的溢流量、系统的油温有关。由此建立液压系统故障现象、系统压力与故障产生部位的关系如表1所示。

　　由以上分析,我们选取液压系统的压力偏差和偏差变化率、溢流阀卸荷流量、系统油温为输入变量,作为液压系统故障诊断和定位的特征量。下面我们选用比较常用的三角隶属函数对液压系统参量进行模糊量化,用图形表示如图1所示。压力偏差E和系统压力偏差变化率ΔE分别取负大(NB)、负小(NS)、零(ZE)、正小(PS)、正大(PB)五个模糊子集;溢流阀卸荷流量L分别取小(LS)、中(LM)、大(LB)三个模糊子集;系统油温T分别取小(TS)、中(TM)、大(TB)三个模糊子集。模糊诊断的系统的输出为液压泵、溢流阀、换向阀、液压缸、油及油路系统,由0、1编码组成。

　　2　RBF神经网络推理

　　文献[6]中指出目前大多数论文是应用BP神经网络对单个液压元件或系统泄漏进行故障诊断。BP网络权值的调节采用负梯度下降法,这种方法存在其局限性,即局部极小问题和收敛速度慢等。RBF神经网络具有任意函数逼近能力、自动优化神经网络结构能力、快速训练收敛能力和较好的泛化能力,使其在故障诊断方面的运用具有很好的前景。

　　该网络的设计思想为:一个模式分类问题如果映射到一个高维空间将会比映射到一个低维空间更可能是线性可分,因此RBF神经网络的隐藏空间的维数通常比较高。RBF神经网络的设计可以看作是一个高维空间中的曲线拟合问题,他的学习等价于在多维空间中寻找一个能够最佳拟合训练数据的曲面,泛化等价于利用这个多维曲面对测试数据进行插值。通过该设计思想,RBF网络结构为一个具有单隐层的三层前馈神经网络,从输入层到隐含层完成非线性映射,隐层到输出层是线性映射。