基于遗传神经网络的故障智能诊断方法及其应用研究

　　引言

　　由于现代化大生产的需要,液压系统的结构和信息传递过程越来越复杂,尤其以轧机液压AGC系统为代表的工业电液伺服系统,是一种结构复杂的机、电、液综合系统,其工作的可靠性是保证连续化生产的关键。

　　液压系统的故障诊断技术以吸收和应用其他领域的一些成果为基础,结合液压系统特有的失效形式和故障机理,建立相应的知识库和规则库,利用现代信息与处理技术,对提取的状态监测信号进行模式识别或分类,对系统故障进行诊断、故障原因分析、故障定位和故障预报等。对于液压系统这样的复杂系统,纯数学的方法无法解决对其状态信息的获取和处理,而在以算法为核心的传统信息处理与控制理论为基础上诞生的集启发式知识获取、处理与利用于一体的智能信息处理技术,有助于解决这一问题,许多应用实例表明,结合人工智能和领域专家知识的智能型专家系统是进行液压系统故障诊断的有效途径。本文将结合液压AGC综合测试系统,阐述智能故障诊断技术在其中的应用,并将把基于遗传神经网络的故障智能诊断方法应用在此系统中。

　　1 遗传神经网络模型的建立

　　遗传神经网络的基本结构就是前向型神经网络。输入单元的活性状态代表输入此网络中的原始信息。每个单元的活性取决于输入单元的活性及输入单元与隐单元之间的连接权值。同样输出单元的行为取决于隐单元的活性及隐单元和输出单元之间的权值,信息的传播是由输入单元到隐单元,最后到输出单元。输入单元和隐单元、隐单元和输出单元间的权值决定每个单元何时是活性的,借修改这些权值,前向神经网络可以用来逼近任意连续函数,能够实现多元函数的非线性映射。

　　1)输入层与输出层设计

　　通过在实验室测定各个状态下的特征曲线的分析,获得了的35个n@m维状态特征矩阵Rp,其中n=37,m=3,p=35。每个特征矩阵的列向量由37个不同的伺服阀指令电流I及其对应的伺服阀阀芯往返移动一个周期阀A、B腔压差p、pc组成(I,p,pc)。Rp的结构,如下式所示:

　　本文将以电液伺服阀状态特征矩阵Rp的后两列(p₁, p_2,,,p₃₇,p_c1, p_c2,,,p_c37)作为用于故障模式识别人工神经网络训练和识别的输入,而以(Y1,Y2,Y3,Y4,Y5)作为神经网络的输出,标准输出(1,0,0,0,0)、(0,1,0,0,0)、(0,0,1,0,0)、(0,0,0,1,0)、(1,0,0,0,0,1)分别表示被试电液伺服阀的正常、导阀一端固定节流孔堵塞、控制腔一端密封完全破损、控制腔一端密封破损1/2、控制腔一端密封破损1/12这5种状态。所以,用于电液伺服阀故障模式识别的遗传神经网络选择74个输入单元,5个输出单元。