基于驅(qū)動(dòng)端電流檢測的電磁閥故障診斷研究

劉志浩,高欽和,牛海龍,管文良,李璟玥

(第二炮兵工程大學(xué)兵器發(fā)射理論與技術(shù)國家重點(diǎn)學(xué)科實(shí)驗(yàn)室,陜西西安 710025)

基于驅(qū)動(dòng)端電流檢測的電磁閥故障診斷研究

劉志浩,高欽和,牛海龍,管文良,李璟玥

(第二炮兵工程大學(xué)兵器發(fā)射理論與技術(shù)國家重點(diǎn)學(xué)科實(shí)驗(yàn)室,陜西西安 710025)

提出基于驅(qū)動(dòng)端電流檢測的電磁閥故障診斷方法,研究了電磁閥驅(qū)動(dòng)端電流特性及故障閥電流特征分析和識別方法。利用AMEsim軟件搭建電磁閥的機(jī)、電、液模型,分析其驅(qū)動(dòng)端電流與閥芯位移的關(guān)系;采集正常、彈簧斷裂、閥芯輕微卡滯和閥芯完全卡死4種狀態(tài)下的電流信號,分析不同狀態(tài)的電流特征;針對驅(qū)動(dòng)端電流為直流階躍信號的特點(diǎn),選取電流變化率為特征曲線,采用“能量-故障”的診斷方法,利用3層小波包分解對信號進(jìn)行重構(gòu),并提取相應(yīng)頻帶能量作為特征向量;利用前饋反向傳播(BP)神經(jīng)網(wǎng)絡(luò)對提取的特征向量,對電磁換向閥模式識別和故障診斷。實(shí)驗(yàn)結(jié)果表明:基于“能量-故障”的診斷方法能較好地區(qū)分電磁閥的不同狀態(tài),并且經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確判別電磁閥的正常、彈簧斷裂和閥芯卡死3種狀態(tài)。

儀器儀表技術(shù);電磁換向閥;電流檢測;AMEsim;故障診斷;小波包分析;前饋反向傳播神經(jīng)網(wǎng)絡(luò)

0 引言

電磁換向閥是液壓系統(tǒng)的關(guān)鍵部件,其安全性和可靠性將直接決定整個(gè)液壓系統(tǒng)的效率和性能。隨著液壓設(shè)備對安全性和可靠性需求的加大,研究人員對液壓設(shè)備故障診斷研究也不斷增多。

隨著自動(dòng)化程度的提高,故障診斷由利用簡單的儀器和憑個(gè)人的感官及實(shí)踐經(jīng)驗(yàn)轉(zhuǎn)變?yōu)閭鞲衅骱椭悄茉\斷階段,蔡偉等[1]、肖永超[2]、周頡等[3]利用磁場傳感器和加速度傳感器檢測磁場信號和振動(dòng)信號來對電磁閥進(jìn)行故障診斷,謝芳[4]、郝圣橋等[5]分別對液壓閥進(jìn)出油口壓力、流量變化進(jìn)行檢測,來判別電磁閥的故障。采用壓力、流量、磁場和加速度傳感器間接檢測電磁閥狀態(tài)的方法,不易于工程實(shí)現(xiàn),且操作復(fù)雜,有的甚至需要改變原有的液壓系統(tǒng)。

Li等[6]開展了基于電流傳感器的電磁閥正常和閥芯卡滯狀態(tài)分析。文獻(xiàn)[7-9]利用電流檢測的方法對電磁閥的緩變失效過程進(jìn)行研究。基于電流檢測的電磁閥狀態(tài)監(jiān)測與故障診斷方法具有操作簡單,易于實(shí)現(xiàn)等優(yōu)點(diǎn),驅(qū)動(dòng)端電流信息包含內(nèi)容豐富,且可間接反映閥芯的運(yùn)動(dòng)狀況。但Li等[6]只是從直觀上分析電流曲線的拐點(diǎn),并沒有進(jìn)行兩種狀態(tài)的智能識別研究,文獻(xiàn)[7-9]也只是分析了電磁閥失效過程中的電流特性,并沒有分析具體故障下的電流特性和故障診斷技術(shù)。

本文提出了通過檢測電磁換向閥驅(qū)動(dòng)端電流來分析故障的方法。提取電磁換向閥通電吸合過程中的電流值,針對提取的電磁閥故障電流值為直流信號的特點(diǎn),取電流變化率作為特征曲線,采用3層小波包分解的方法來提取不同故障的特征值;然后利用前饋反向傳播(BP)神經(jīng)網(wǎng)絡(luò)對故障特征值進(jìn)行模式識別,經(jīng)過訓(xùn)練、測試,BP神經(jīng)網(wǎng)絡(luò)可以滿足故障診斷的要求。故障診斷流程如圖1所示。

1 電磁閥電流特性分析

由于線圈的電磁特性和閥芯的機(jī)械特性,電磁換向閥整個(gè)工作過程分為:吸合觸動(dòng)階段,吸合運(yùn)動(dòng)階段,通電保持階段,釋放觸動(dòng)階段,釋放運(yùn)動(dòng)階段5個(gè)階段[10]。本文對電磁換向閥吸合觸動(dòng)和吸合運(yùn)動(dòng)階段進(jìn)行分析。將其通電吸合過程簡化為3個(gè)數(shù)學(xué)方程,分別是電路方程、磁路方程和機(jī)械方程。

圖1 故障診斷總流程圖Fig.1 Flow chat of fault diagnosis

根據(jù)電路原理,不考慮溫度對電阻的影響,電路方程[11]為

式中:U為線圈勵(lì)磁電壓;I為線圈電流;R為線圈電阻;RL為線圈回路附加電阻;L為線圈電感;L1為線圈回路附加電感。

電磁部分等效磁路方程[11]為

式中:L為線圈電感;μ0為真空磁導(dǎo)率;D為閥芯直徑;N為線圈匝數(shù);lv為閥芯銜鐵部分長度;l0為工作氣隙最大寬度;r為工作氣隙最大寬度;x為閥芯位移。

利用AMESim軟件中的電磁庫(EM)構(gòu)建電磁換向閥的電磁模型,如圖2所示。

機(jī)械方程:

圖2 電磁換向閥電磁模型Fig.2 Electromagnetic model of reversing valve

式中:Fe為電磁力;k為彈簧系數(shù);Cv為閥芯與閥體之間的動(dòng)摩擦系數(shù);Cf為粘滯性阻尼系數(shù);m為閥芯質(zhì)量。

利用基本原件設(shè)計(jì)庫(HCD)建立電磁換向閥的機(jī)、液動(dòng)力學(xué)模型如圖3所示。

圖3 電磁換向閥機(jī)、液模型Fig.3 Mechanic-hydraulic model of reversing valve

綜合電磁換向閥的電磁模型和機(jī)、液動(dòng)力學(xué)模型,得出電磁換向閥動(dòng)態(tài)模型,如圖4所示。利用開關(guān)信號控制開關(guān)管的通斷,從而控制電磁換向閥進(jìn)/出油口油液的通斷。

圖4 電磁換向閥模型Fig.4 Model of reversing valve

仿真結(jié)果如圖5所示。

電磁換向閥正常狀態(tài)下開啟時(shí)驅(qū)動(dòng)端電流波形如圖5(b)所示。

結(jié)果分析如下:

1)驅(qū)動(dòng)端通電前,回路中電流為0 A,閥芯位移為0 m;

圖5 電磁換向閥驅(qū)動(dòng)端電流與閥芯位移對比圖Fig.5 Driving current and spool displacement

2)通電后,回路中電流增大,線圈自感現(xiàn)象的原因,回路中電流不能瞬間增大到穩(wěn)態(tài)值,回路中電流是一個(gè)漸變的過程,此時(shí)線圈中磁通量變化所產(chǎn)生的電磁力不足以克服靜摩擦力和彈簧的預(yù)壓縮力,閥芯處于靜止?fàn)顟B(tài),此時(shí)電磁閥處于吸合觸動(dòng)階段;

3)當(dāng)回路中電流增大到1.75 A時(shí),電磁力克服靜摩擦力和彈簧的壓力,閥芯開始運(yùn)動(dòng),此時(shí)電磁閥處于吸合運(yùn)動(dòng)階段,x增大,L增大,dL/dt增大, dI/dt、I減小,閥芯擠壓彈簧Δx,閥芯運(yùn)動(dòng)速度較慢,回路中電流持續(xù)加大;

4)當(dāng)閥芯運(yùn)動(dòng)到最大位移處之前,閥芯速度不斷增大,導(dǎo)致回路中感應(yīng)電動(dòng)勢增大,電流變化率逐漸降低,運(yùn)動(dòng)到最大位移處即B點(diǎn)時(shí),電流變化率降為最低,由于閥芯不運(yùn)動(dòng),線圈自感系數(shù)不在變化,線圈電流單調(diào)遞增。

由圖5(c)可知該電磁換向閥的吸合觸動(dòng)延遲時(shí)間為59 ms,吸合運(yùn)動(dòng)時(shí)間為16 ms.

結(jié)果表明:分析電流曲線可以判斷電磁換向閥的動(dòng)態(tài)性能,驗(yàn)證了基于驅(qū)動(dòng)端電流的電磁閥特性分析的可行性。

2 故障閥電流信號提取及分析

2.1 實(shí)驗(yàn)系統(tǒng)搭建

本文模擬了液壓系統(tǒng)中常見的彈簧斷裂和閥芯卡滯故障進(jìn)行分析,選用4WE6E6X/EG24N9K4型電磁閥進(jìn)行破壞性實(shí)驗(yàn),通過改變正常閥的內(nèi)部結(jié)構(gòu)和零部件狀態(tài),來模擬液壓閥典型故障,其中彈簧斷裂故障是通過取出電磁閥一端彈簧來進(jìn)行模擬,閥芯輕微卡滯是在閥芯一側(cè)加入紙片來模擬,閥芯卡死故障是在閥芯一側(cè)加入硬物來卡住閥芯來模擬。

確定故障閥后,分別搭建液壓回路,如圖6所示。

圖6 實(shí)驗(yàn)液壓原理圖Fig.6 Experimental hydraulic scheme

利用美國NI公司的USB-6356的采集卡采集電磁閥驅(qū)動(dòng)端電流,物理通道為AI1,采樣率為1 kHz.電流傳感器為綿陽維博電子有限公司的WBI342S01_0.2電量隔離傳感器,實(shí)物圖如圖7所示。

2.2 故障信號提取及分析

針對正常閥,彈簧斷裂、閥芯輕微卡滯和閥芯卡死4種情況進(jìn)行實(shí)驗(yàn),每種情況各采集50組數(shù)據(jù), 4種狀態(tài)的電流信號如圖8所示。

結(jié)果如下:

圖7 電流檢測實(shí)驗(yàn)系統(tǒng)Fig.7 The experimental system for current detecting

圖8 典型故障閥驅(qū)動(dòng)端電流圖Fig.8 Driving currents of typical faulted valves

1)電磁換向閥在通電后,閥芯并沒有立即運(yùn)動(dòng),而當(dāng)電磁力大于摩擦力和油液動(dòng)摩擦力時(shí),閥芯開始運(yùn)動(dòng)。當(dāng)彈簧斷裂時(shí),閥芯不需要克服彈簧力或是彈簧力降低時(shí),相同的電磁力下,閥芯的加速度和速度都升高,電流曲線第1個(gè)拐點(diǎn)下降趨勢明顯。可從圖8(a)中發(fā)現(xiàn),彈簧斷裂端電流比正常電流在第1個(gè)拐點(diǎn)有明顯區(qū)別;

2)閥芯輕微卡滯和完全卡死則明顯不同,閥芯不動(dòng)或是閥芯運(yùn)動(dòng)摩擦力增大,導(dǎo)致電流曲線第1個(gè)拐點(diǎn)不明顯乃至消失。由圖8(b)分析可知,輕微卡滯閥在電流升至1.4 A時(shí),有輕微下降,但對于完全卡死閥,電流由0增大到最大值,一直都沒有下降。

提取電磁閥閥芯通電吸合過程電流值,針對提取的電磁閥故障電流值為直流信號的特點(diǎn),特征值提取不明顯,因此取電流變化率作為特征曲線,如圖9～圖10所示。

圖9 電磁換向閥驅(qū)動(dòng)端電流Fig.9 Driving currents of electromagnetic reversing valve

因?yàn)殚y芯卡滯為電磁閥閥芯運(yùn)動(dòng)受阻造成的,是一個(gè)不能完全定量的狀態(tài),所以本文將只對電磁換向閥的正常、彈簧斷裂和閥芯卡死3種狀態(tài)進(jìn)行處理和分類。

3 電磁閥故障特征提取

小波包分解技術(shù),可以將包括正弦信號在內(nèi)的任意信號無冗余、無疏漏且正交地分解到獨(dú)立的、任意精細(xì)的頻帶上,利用能量-故障的特征值提取方法建立電流變化率各頻帶能量值與電磁閥各個(gè)故障狀態(tài)間的映射關(guān)系[12]。這種在頻帶上作能量統(tǒng)計(jì),形成特征向量的方法,更趨合理,因此可實(shí)現(xiàn)對電磁閥狀態(tài)有效地檢測。對驅(qū)動(dòng)端電流變化率進(jìn)行3層小波包分解,如圖11所示。

提取第3層從低頻到高頻8個(gè)頻率成分的信號特征,如圖12所示。

提取各個(gè)頻帶信號的總能量,并針對電磁閥故障時(shí),其電流變化率各頻帶能量會(huì)有較大變化的特點(diǎn),對各頻帶的能量進(jìn)行歸一化處理,將歸一化后的能量值作為該故障類型的特征值,如(6)式～(8)式所示。

式中:xjk(j=1∶7,k=1∶n)表示重構(gòu)信號S3j離散點(diǎn)的幅值。

特征向量

圖10 電磁換向閥驅(qū)動(dòng)端電流變化率Fig.10 The current variation trend of the driving current

圖11 小波包分解示意圖Fig.11 Wavelet packet decomposition

圖12 小波重構(gòu)信號Fig.12 Wavelet-constructed signals

式中:各故障類型特征向量為T′=[E30/E,E31/E, E32/E,E33/E,E34/E,E35/E,E36/E,E37/E].

各故障類型特征向量如表1所示。

表1 3種故障狀態(tài)特征向量Tab.1 Feature vectors of three fault states

4 基于神經(jīng)網(wǎng)絡(luò)的電磁閥故障識別

基于BP神經(jīng)網(wǎng)絡(luò)的故障識別過程分為兩步[13]:1)訓(xùn)練階段。通過傳感器或?qū)＜抑R等手段獲取系統(tǒng)各種模式的狀態(tài)信息,而后對獲取的狀態(tài)信息進(jìn)行處理,從中提取相應(yīng)特征信息,將特征信息與對應(yīng)故障模式組成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本對,通過建立訓(xùn)練樣本與故障模式之間的關(guān)系,來對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。2)診斷階段。將待診斷的特征信息輸入至已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)的輸出即為故障診斷的結(jié)果。

4.1 輸入、輸出層設(shè)計(jì)

輸入層神經(jīng)元個(gè)數(shù)一般等于樣本中包含的特征值的個(gè)數(shù),本文對電磁閥驅(qū)動(dòng)端的電流變化率進(jìn)行小波包分解,提取第3層各頻帶能量作為特征值,所以神經(jīng)網(wǎng)絡(luò)中輸入層神經(jīng)元的個(gè)數(shù)為8個(gè)。

本文對正常、彈簧斷裂和閥芯卡死3種狀態(tài)進(jìn)行分類,輸出層神經(jīng)元的個(gè)數(shù)為log24=2,采用二進(jìn)制碼的方法來區(qū)分不同電磁閥故障(見表2)。

表2 故障狀態(tài)與二進(jìn)制碼對應(yīng)表Tab.2 Binary code of fault state

4.2 隱含層設(shè)計(jì)

單隱層的BP網(wǎng)絡(luò)可以逼近閉區(qū)間內(nèi)的任意1個(gè)連續(xù)函數(shù),因而單隱層的3層BP網(wǎng)絡(luò)就可以映射由任意的n維到m維。在本文的故障診斷中,只需采用1個(gè)隱含層的3層BP神經(jīng)網(wǎng)絡(luò)就可實(shí)現(xiàn)故障的分類。

隱含層神經(jīng)元數(shù)目的選擇,仍不能表示成1個(gè)理想的解析式,其確定的過程往往是設(shè)計(jì)者的經(jīng)驗(yàn)和多次實(shí)驗(yàn)交叉進(jìn)行的過程。本文利用對具有不同單元數(shù)的神經(jīng)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練來確定隱含層數(shù)目,求取多次訓(xùn)練的誤差,根據(jù)實(shí)驗(yàn)誤差最小原則確定網(wǎng)絡(luò)的隱單元數(shù)。通過訓(xùn)練和學(xué)習(xí),找到網(wǎng)絡(luò)誤差最小的隱含層神經(jīng)元數(shù)目為14(見圖13)。

4.3 網(wǎng)絡(luò)的訓(xùn)練和測試

采用S型正切函數(shù)tan sig作為隱含層神經(jīng)元的傳遞函數(shù),并采用S型對數(shù)函數(shù)log sig作為輸出層神經(jīng)元的傳遞函數(shù)。網(wǎng)絡(luò)訓(xùn)練過程是一個(gè)不斷修正的過程,將特征向量樣本輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,設(shè)定全局誤差為10-4,最大訓(xùn)練次數(shù)為1000,網(wǎng)絡(luò)訓(xùn)練過程誤差變化情況如圖14所示。

網(wǎng)絡(luò)訓(xùn)練后,另選取3種電磁閥故障的特征值,測試網(wǎng)絡(luò),結(jié)果如表3所示。

表3 BP網(wǎng)絡(luò)測試結(jié)果表Tab.3 Test result of BP network

圖13 不同隱含層網(wǎng)絡(luò)訓(xùn)練誤差Fig.13 Network training error of different hidden layer

圖14 誤差曲線Fig.14 Training error

將測試結(jié)果近似取整,(0,0)為正常閥,(0,1)為彈簧斷裂故障,(1,1)為閥芯卡死故障,將每種狀態(tài)的50組數(shù)據(jù)進(jìn)行測試,測試結(jié)果表明,經(jīng)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)能準(zhǔn)確識別電磁換向閥故障狀態(tài)。

5 結(jié)論

本文提出了基于驅(qū)動(dòng)端電流檢測的電磁閥故障診斷方法。利用AMEsim軟件對電磁閥的通電吸合過程進(jìn)行分析,研究驅(qū)動(dòng)端電流與閥芯運(yùn)動(dòng)之間的關(guān)系。模擬電磁閥4種狀態(tài):正常、彈簧斷裂、閥芯輕微卡滯和閥芯卡死,并分析不同狀態(tài)下的電流特性。針對驅(qū)動(dòng)端電流為直流階躍的特點(diǎn),選取驅(qū)動(dòng)端電流變化率作為特征曲線,采用小波能量分解的方法,利用能量-故障的特征值提取方法將3層分解后的能量值作為故障特征值。采用BP神經(jīng)網(wǎng)絡(luò)對電磁閥的正常、彈簧斷裂及閥芯卡死3種狀態(tài)進(jìn)行分類。

研究表明:1)電磁閥的驅(qū)動(dòng)端電流可反映閥芯的運(yùn)動(dòng)狀況,并可區(qū)分電磁閥的正常、彈簧斷裂和閥芯卡死故障;2)基于電磁閥驅(qū)動(dòng)端電流的故障診斷方法可實(shí)現(xiàn)對電磁閥的實(shí)時(shí)診斷,對電磁閥的正常、彈簧斷裂和閥芯卡死3種狀態(tài)可準(zhǔn)確識別。

基于驅(qū)動(dòng)端電流檢測的電磁閥故障診斷研究為電磁閥的故障、維護(hù)和修理提供了依據(jù),提高了生產(chǎn)效率和安全性,適用于工業(yè)現(xiàn)場,具有一定的應(yīng)用前景。

References)

[1] 蔡偉,肖永超,黃先祥.基于無線傳感器網(wǎng)絡(luò)的大型武器裝備液壓系統(tǒng)狀態(tài)監(jiān)測研究[J].液壓與氣動(dòng),2009(9):14-19.

CAI Wei,XIAO Yong-chao,HUANG Xian-xiang.Research on WSN-based monitoring for hydraulic system of large weapon equipment[J].Chinese Hydraulics&Pneumatics,2009(9):14-19. (in Chinese)

[2] 肖永超.液壓電磁閥的快速檢測與故障診斷研究[D].西安:第二炮兵工程大學(xué),2009.

XIAO Yong-chao.Rapid detection and fault diagnosis of hydraulic solenoid valves[D].Xi'an:the Second Artillery Engineering Univeisity,2009.(in Chinese)

[3] 周頡,蔡偉.應(yīng)用時(shí)間序列雙譜分析的電磁換向閥故障診斷法[J].機(jī)床與液壓,2010,38(7):146-148.

ZHOU Jie,CAI Wei.Fault diagnosis of electromagnetic directional valves based on time series bi-spectrum analysis[J].Machine Tool&Hydraulics,2010,38(7):146-148.(in Chinese)

[4] 謝芳.支架液壓閥測試系統(tǒng)的故障診斷與軟件可靠性研究[D].成都:電子科技大學(xué),2011.

XIE Fang.Research onfault diagnosis and software reliability of the hydraulic valve testing system[D].Chengdu:University of Electronic Science and Technology of China,2011.(in Chinese)

[5] 郝圣橋,許黎明,沈偉,等.電液伺服閥狀態(tài)在線特征提取和異常檢測方法[J].上海交通大學(xué)學(xué)報(bào),2010,44(12):1747-1752.

HAO Sheng-qiao,XU Li-ming,SHEN Wei,et al.On-line fault feature extraction and abnormality detection of electro-hydraulic servo valve's condition[J].Journal of Shanghai Jiaotong University,2010,44(12):1747-1752.(in Chinese)

[6] LI Wei,LI Wei-bo,WANG Gen-mao,et al.Research on the methods of detecting and removing slide valve failure[J].Journal of Zhejiang University Science,2000,1(1):56-60.

[7] 張東來.基于驅(qū)動(dòng)端電流變化的電磁控制元件故障診斷方法及裝置:中國,200810216015.6[P].2008-09-09.

ZHANG Dong-lai.Fault diagnostic method and device for electromagnetic control element based on drive end current changes:China,200810216015.6[P].2008-09-09.(in Chinese)

[8] 張東來,馬鑫.基于驅(qū)動(dòng)端電流的礦用液壓電磁閥緩變失效預(yù)測方法[J].電子學(xué)報(bào),2010,38(12):2805-2809.

ZHANG Dong-lai,MA Xin.Prediction method for mining hydraulic electromagnetic valve degradation failure based on driving current[J].Acta Electronica Sinica,2010,38(12):2805-2809. (in Chinese)

[9] Ma X,Zhang D L,Xu D.Degradation failure prediction from coil current signals of electromagnetic valves in coal mining based on neural network[C]∥Fifth International Conference on Natural Computation.Tianjin:IEEE,2009:208-213.

[10] 李丕茂,張幽彤,倪成群,等.共軌噴油電磁閥動(dòng)態(tài)特性仿真與實(shí)驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(5):7-12.

LI Pi-mao,ZHANG You-tong,NI Cheng-qun,et al.Simulation and experiment of dynamic characteristics of common-rail injector solenoid valve[J].Transactions of the Chinese Society of Agricultural Machinery,2013,44(5):7-12.(in Chinese)

[11] 蔡偉,鄭賢林,張志利,等.液壓電磁閥故障機(jī)理分析與瞬態(tài)特性仿真[J].儀器儀表學(xué)報(bào),2011,32(12):2726-2733.

CAI Wei,ZHENG Xian-lin,ZHANG Zhi-li,et al.Failure mechanism analysis and transient characteristic s simulation of hydraulic solenoid valve[J].Chinese Journal of Scientific Instrument, 2011,32(12):2726-2733.(in Chinese)

[12] 李洪儒,許葆華.某型導(dǎo)彈發(fā)射裝置液壓泵故障預(yù)測研究[J].兵工學(xué)報(bào),2009,30(7):900-906.

LI Hong-ru,XU Bao-hua.Faultprognosis of hydraulic pump in the missile launcher[J].Acta Armamentarii,2009,30(7):900-906.(in Chinese)

[13] 賈躍,趙學(xué)濤,林賢杰,等.基于BP神經(jīng)網(wǎng)絡(luò)的魚雷作戰(zhàn)效能模糊綜合評估模型及其仿真[J].兵工學(xué)報(bào),2009,30(9): 1232-1235.

JIA Yue,ZHAO Xue-tao,LIN Xian-jie,et al.Fuzzy multifactorial evaluation model of torpedo operational effectiveness based on BP neural network and its simulation[J].Acta Armamentarii, 2009,30(9):1232-1235.(in Chinese)

The Fault Diagnosis of Electromagnetic Valves Based on Driving Current Detection

LIU Zhi-hao,GAO Qin-he,NIU Hai-long,GUAN Wen-liang,LI Jing-yue
(National Key Discipline Laboratory of Armament Launch Theory&Technology,the Second Artillery Engineering University,Xi'an 710025,Shaanxi,China)

The fault diagnosis of electromagnetic valves based on driving end current detection is proposed.The current characteristics of the faulted electromagnetic valves and the failure signal are analyzed.The four conditions of the valve are detected,including normal state,spring break state,spool seizure and un-resetting state.Variation trend is the character signal on terms of the direct-current characteristic.For the trait of the current signal,the wavelet packet decomposition is used to distill the corresponding frequent band energy as feature vector.The feature database is combined with the each frequent band energy which is produced after reconfiguration.The feedforward-back propagation network is used to identify the fault type of the electromagnetic valves.The result shows that the diagnosis method of energyfault can distinguish the different conditions of the electromagnetic valves,and the feedforward-back propagation network after training can identify the 3 fault conditions.The method is an effective assistant method for the maintenance of the electromagnetic valves,which can be widely used for the fault diagnosis of other electromagnetic valves.

apparatus and instruments technology;electromagnetic reversing valve;current detection;AMEsim;fault diagnosis;wavelet packet analysis;feedforward-back propagation network

TH137.52+3

A

1000-1093(2014)07-1083-08

10.3969/j.issn.1000-1093.2014.07.023

2013-09-16

劉志浩(1989—),男,博士研究生。E-mail:liuzhihaoainana@126.com;

高欽和(1967—),男,教授,博士生導(dǎo)師。E-mail:gao202@189.com