基于BP神經(jīng)網(wǎng)絡(luò)的液壓馬達故障診斷

蘇欣平，解 亞，周 鑫，任 武

（1.軍事交通學院 軍事物流系，天津 300161；2.軍事交通學院 研究生大隊，天津 300161）

液壓馬達是液壓系統(tǒng)的常見執(zhí)行元件，也是液壓系統(tǒng)中發(fā)生故障率較高的元件之一.其工作性能決定著整個液壓系統(tǒng)的正常運行.因此采用簡單有效的故障診斷方法對液壓系統(tǒng)的正常運行有著重要意義.

由于液壓系統(tǒng)故障發(fā)生的原因具有不確性和多樣性，在工程實際中故障多表征為一些可見的征兆，而故障征兆與故障原因之間沒有明確的映射關(guān)系，再加上邊界條件的不確定性及運行工況的多變性，使故障征兆和故障原因之間難以建立準確的對應關(guān)系.傳統(tǒng)的故障診斷方法希望從故障現(xiàn)場采集一些信號，從中提取有用的故障特征信息.但這樣使得故障診斷的實時性有所降低，且對工程人員的素質(zhì)有較高要求.因此如何從一些可見的故障表征中提取出故障的本質(zhì)原因成為了人們迫切需要解決的問題.

神經(jīng)網(wǎng)絡(luò)通過對典型故障樣本的訓練和學習，用分布在神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值來表達所學習的故障診斷知識，具有對故障的聯(lián)想、記憶、模式匹配和相似歸納的能力，可以實現(xiàn)故障征兆和故障原因間的復雜的非線性映射關(guān)系.因此，避開了模式識別中建模和特征提取的麻煩，從而消除了模式不符和特征提取不當所帶來的影響，使故障狀態(tài)易于識別.

本文運用BP神經(jīng)網(wǎng)絡(luò)，采集工程用液壓馬達的典型故障樣本，將MATLAB編程訓練用于故障診斷的神經(jīng)網(wǎng)絡(luò)，并在液壓馬達故障診斷中得到有效的應用.

1 BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP算法的基本思想是：學習的過程由信號的正向傳播與誤差的逆向傳播兩個過程組成.正向傳播時，模式作用于輸入層，經(jīng)隱含層處理后傳向輸出層.若未能得到期望的輸出，則轉(zhuǎn)入誤差的逆向傳播將輸出誤差按照某種形式通過隱含層向輸入層逐層返回，并分攤給各層的所有單元，從而獲得各層單元的參考誤差（也稱誤差信號），作為修改各單元權(quán)值的依據(jù).圖1所示為三層BP神經(jīng)網(wǎng)絡(luò)模型簡圖［1］.

圖1 三層BP神經(jīng)網(wǎng)絡(luò)模型Fig.1 Model of the three layer BP neural network

網(wǎng)絡(luò)的輸入矢量為A＝（a1，a2，…，an），隱含層輸出矢量B＝（b1，b2，…，bl）.

式中：f（.）為激活函數(shù)，在BP神經(jīng)網(wǎng)絡(luò)模型中，f（.）選取Sigmoid函數(shù)；vhi為輸入層到隱含層的權(quán)值；φi為隱含層的閾值.

輸出層的輸出矢量為C＝（c1，c2，…，cm），則

式中：wij為隱含層到輸出層的權(quán)值；φj為輸出層的閾值.

由BP算法的基本思想知：誤差方向傳播學習通過一個使總誤差最小的過程來完成從輸入到輸出的映射.通常，總誤差定義為所有輸入模式上輸出單元希望輸出與實際輸出的誤差平方和，即

PPP項目流程合規(guī)，入選財政部 PPP 項目庫是必要條件，商業(yè)銀行應由法律部門對 PPP 項目的相關(guān)合同文本進行審查，以保障商業(yè)銀行利益。

式中：yk為希望輸出值；y′k為實際輸出值.運用BP算法在經(jīng)過網(wǎng)絡(luò)的代價函數(shù)計算后，將（y1，y2，…，yk）與（y′1，y′2，…，y′k）的誤差逐層向輸入層方向逆向傳播，使網(wǎng)絡(luò)不斷自適應地修改網(wǎng)絡(luò)的連接權(quán)值和節(jié)點閾值，以減小代價函數(shù)值.權(quán)值和閾值的修正公式分別為

式中：α，β為學習率，0＜α＜1，0＜β＜1；dj為輸出層誤差.

當P個訓練樣本學習時的總誤差E滿足下列條件，即

則停止迭代過程，網(wǎng)絡(luò)的連接權(quán)值和節(jié)點閾值訓練完畢.其中ε為任意給定的正小數(shù)，它取決于網(wǎng)絡(luò)訓練所希望得到的精度E.

1.2 算法實現(xiàn)步驟

BP神經(jīng)網(wǎng)絡(luò)學習步驟如下：

（1）選取學習率α，β及極限誤差值ε.

（2）網(wǎng)絡(luò)狀態(tài)初始化：用較小的隨機數(shù)［－1，1］對網(wǎng)絡(luò)權(quán)值wij，vhi和閾值φi，φj置初值.

（3）輸入學習模式（誤差反傳，教師訓練）.

（4）根據(jù)學習模式計算中間層單元的輸出.

（5）計算輸出層單元的輸出.

（6）根據(jù)教師信號Tj計算輸出層的誤差dj＝（cj－Tj）cj（1－cj）.

（8）調(diào)整中間層與輸出層的權(quán)值及輸出層閾值.

（9）調(diào)整輸入層與中間層的權(quán)值及中間層閾值.

（10）進行一次計算，判斷本次學習的誤差是否比上一次小.若小，記住此次學習結(jié)果；否則保持原來的權(quán)值.

（11）輸出層累積誤差E與期望輸出的極限誤差進行對比，若累計誤差E小于極限誤差則退出，否則返回（3）.

2 在液壓馬達故障診斷中的應用

工程機械液壓傳動系統(tǒng)的液壓馬達在正常使用時應動作平穩(wěn)，無異常聲響，否則預示設(shè)備安裝調(diào)試發(fā)生不良的變化或馬達內(nèi)有定子、葉片或彈簧等零部件發(fā)生缺陷.工程機械液壓馬達由于工作環(huán)境惡劣，負載大，經(jīng)一段時間使用后容易發(fā)生多種故障［2］.

2.1 訓練樣本采集

液壓馬達常見的故障表征有：轉(zhuǎn)速下降、輸出轉(zhuǎn)矩變小、低速穩(wěn)定性下降、噪聲增大、泄漏增加5種，對應的故障原因有5個，見表1.因此確定用于液壓馬達故障診斷的BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)為5個，輸出節(jié)點數(shù)為5個，根據(jù)經(jīng)驗選取隱含層節(jié)點數(shù)為7個.

表1 某型液壓馬達故障現(xiàn)象集合Tab.1 All faults of some type of hydraulic motor

根據(jù)該領(lǐng)域工程師按照調(diào)試記錄和經(jīng)驗總結(jié)歸納了8種具有代表性的故障樣本，如表2.

表2 BP神經(jīng)網(wǎng)絡(luò)訓練樣本Tab.2 Samples of the BP neural network

將采集的常見故障作為神經(jīng)網(wǎng)絡(luò)的訓練樣本A，C，mi為故障現(xiàn)象，ai∈A（i＝1，2，…，5），當ai＝0時表示沒有該故障現(xiàn)象，當ai＝1時表示存在該故障現(xiàn)象；ci為輸出層對應單元的輸出，表示故障原因發(fā)生的概率，ci∈C（i＝1，2，…，5）.

2.2 BP神經(jīng)網(wǎng)絡(luò)訓練

用所得的典型故障樣本對該BP神經(jīng)網(wǎng)絡(luò)進行訓練.采用MATLAB編程實現(xiàn)［3］.經(jīng)22次運算，系統(tǒng)總誤差E＜0.002，滿足要求，訓練過程如圖2所示.

2.3 故障診斷實例

設(shè)待診斷樣本為輸出轉(zhuǎn)矩變小，噪聲增大，即A＝（1，0，0，1，0），根據(jù)訓練所得的權(quán)值和閾值進行仿真運算，得到的輸出為C＝（0.000 2，0.027 6，0.118 0，0.800 2，0.001 7）.即可得出最可能的故障原因為系統(tǒng)壓力流量變化超過額定值的結(jié)論.整個神經(jīng)網(wǎng)絡(luò)學習能力強，計算精度高，誤差在0.002以內(nèi)，滿足實際需求.

圖2 BP神經(jīng)網(wǎng)絡(luò)訓練過程Fig.2 Training process of the BP neural network

3 需要完善的方面

（1）收斂性.BP算法本質(zhì)上是工程中常用的最小均方誤差（LMS）算法的一種廣義形式，BP算法采用的梯度搜索技術(shù)，從運算過程上來看，收斂速度較慢；在構(gòu)造或選擇連接權(quán)值、閾值的代價函數(shù)時，還可能出現(xiàn)無收斂值［4］.

（2）網(wǎng)絡(luò)模塊化.基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法其優(yōu)點在于具有良好的自學習功能，對于不完全或者被噪聲干擾的數(shù)據(jù)，在多數(shù)情況下也能得到問題的解答，魯棒性較好.但該方法卻存在著網(wǎng)絡(luò)訓練時，需要大量的故障診斷樣本才能使之得出收斂、穩(wěn)定的診斷結(jié)果；并且還必須限制網(wǎng)絡(luò)的規(guī)模，不能使之太大，因而有必要進行神經(jīng)網(wǎng)絡(luò)模塊化的研究［5］.

（3）網(wǎng)絡(luò)優(yōu)化.基于BP算法的神經(jīng)網(wǎng)絡(luò)，在學習過程中網(wǎng)絡(luò)的拓撲結(jié)構(gòu)是固定不變的，并且必須事先確定隱層節(jié)點數(shù)，然后僅能通過訓練來改變其連接權(quán)值；為此，有必要優(yōu)化網(wǎng)絡(luò)的結(jié)構(gòu)，使其盡可能與被診斷對象的實際情況相符.

4 結(jié)語

BP神經(jīng)網(wǎng)絡(luò)具有較強的學習能力及非線性模式識別和聯(lián)想能力，知識表達能力和容錯能力強，能較好地解決傳統(tǒng)故障診斷系統(tǒng)中存在的問題，增加了知識運用的靈活性和適應性.本文將BP神經(jīng)網(wǎng)絡(luò)應用于難以建立精確數(shù)學模型的液壓馬達的故障診斷，充分發(fā)揮了BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點，將被診斷對象的故障表征作為輸入，利用BP神經(jīng)網(wǎng)絡(luò)提取其中隱藏的故障信息，具有較強的實際意義.

但模糊BP神經(jīng)網(wǎng)絡(luò)也存在缺陷：模糊概念難以準確表達，隸屬函數(shù)的生成費時費力，模糊邏輯以處理問題靈活而見長，增加了設(shè)計的難度；計算量大且容易陷入局部最小點.

［1］肖云魁.汽車故障診斷學［M］.北京：北京理工大學出版社，2001.

XIAO Yunkui.The diagnostics of auto fault［M］.Beijing：Beijing Institute of Technology Press，2001.

［2］劉忠，楊國平.工程機械液壓傳動［M］.北京：機械工業(yè)出版社，2005.

LIU Zhong，YANG Guoping.Hydraulic transmission of the engineering mechanical［M］.Beijing：China Machine Press，2005.

［3］董長虹.MATLAB神經(jīng)網(wǎng)絡(luò)與應用［M］.北京：國防工業(yè)出版社，2007.

DONG Changhong.Neural network in MATLAB and application［M］.Beijing：National Defence Industry Press，2007.

［4］張緒錦，譚劍波.基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法［J］.系統(tǒng)工程理論與實踐，2006（6）：61－66.

ZHANG Xujin，TAN Jianbo.A method fault diagosis based on BP neural network［J］.Systems Engineering-Theory ＆Practice，2006（6）：61－66.

［5］KOSKO B.Neural networks and fuzzy systems［M］.New York.Prentice Hall Inc，1992.