基于BP神经网络的液压系统故障诊断研究分析报告.pptVIP

* 基于 BP神经网络的液压系统故障诊断研究 摘 要：液压设备的自动化程度越高、 功能越多、 结构越复杂 , 发生故障的几率也随之越多，而往往液压装置的损坏和失效发生在内部 ，因此能够正确而果断地判断出故障的部位 , 迅速排除故障就显得尤为重要。为了解决这一问题，提出了一种基于 BP神经网络的故障诊断系统 , 对液压系统各种故障模式进行识别。本文介绍了某航天发射塔旋转平台液压系统液压回路的故障诊断识别。 关键词：BP神经网络；液压系统；故障诊断 以故障模式 X = ( x 1, x2 , x3 ,x 4 ,x 5 ,x 6, x 7, x 8 ) 作为网络输入 , 故障原因 Y= ( y1 , y2, y3 , y4 ) 作为网络输出 , 建立故障模式与故障原因的非线性映射关系 , 对网络进行训练 . 输入向量 x1 ,x 2 ,x 3 ,x 4, x 5, x 6, x7 ,x 8分别表示油缸内泄漏、换向阀的出口溢流阀损坏、系统安全阀阻尼孔堵塞或弹簧损坏、油泵泄漏、电磁阀烧坏、压力补偿阀阻尼孔堵塞、油泵超负荷和过滤网堵塞等 8种故障原因 . 输出向量 y1, y2 , y3 , y4分别表示正常、轻度故障、故障、重度故障等 4种故障现象 。 应用神经网络分析液压动力系统产生的故障时 , 首先将故障原因作为神经网络的输入 , 故障征兆作为神经网络的输出 , 确定用于该液压系统故障诊断的 BP神经网络结构分为三层 , 即三层 BP神经网络 。 用4个输出神经元节点,其中神经元输出( 1,0 ,0,0) 表示正常；( 0,1,0 ,0) 表示轻度故障；( 0,0,1 ,0) 表示故障；（0,0,0,1）表示重度故障 。 输入层节点数 m = 8, 输出层节点数 n= 4, 隐含层节点根据经验公式 取隐含层神经元个数6。中间层神经元选择 logsig( 单极性S 型函数)为激活函数,输出层神经元选择 线性函数为激活函数 。 为了建立准确的发射塔旋转平台液压系统液压泵模型 , 需对故障点进行振动测试 , 从而为故障诊断提供依据 . 采集的信号变量通过安装在泵体各敏感点的压电加速度传感器拾取 , 实验采样频率为 80 Hz, 转换成采样时间间隔为 13 ms. 用数据采集、处理系统处理信号 ,将所采集信号振幅的大小作为液压泵传动系统故障与否的判据 . 共选取 8个测试点作为检测对象 . 编写 BP 神经网络程序并进行训练, 训练结束后,查看训练结果是否满足要求。 clear all; clc; x1=[0.11 0.12 0.19 0.36 0.19 0.18 0.11 0.29 0.27]; x2=[0.27 0.29 0.41 0.31 0.37 0.39 0.30 0.35 0.29]; x3=[0.29 0.37 0.39 0.49 0.47 0.49 0.40 0.39 0.35]; x4=[0.29 0.29 0.39 0.55 0.58 0.45 0.29 0.50 0.29]; x5=[0.39 0.39 0.49 0.47 0.56 0.59 0.39 0.56 0.50]; x6=[0.41 0.40 0.49 0.48 0.53 0.68 0.39 0.57 0.55]; x7=[0.49 0.70 0.89 0.85 0.49 0.50 0.61 0.87 0.89]; p=[x1;x2;x3;x4;x5;x6;x7]; p=p; T=[1 0 0 0;1 0 0 0;0 1 0 0;0 1 0 0;0 0 1 0;0 0 1 0;0 0 0 1;0 0 0 1 ]; T=T; net=newff(minmax(p),[6 4], {logsig,purelin},trainlm); net.trainparam.goal=0.0001;%误差0.0001 net.trainparam.epochs==10000;%学习次数10000 net.trainparam.show=20; LP.lr=0.5;%学习率0.5 net=train(net,p,T); a1=[0.29 0.23 0.58 0.49 0.40 0.70 0.50 0.59 0.61]; y=sim(net,a1) 训练与测试结果 训练方法——自适应学习率（traingda） Traingda训练方法在训练过程中，力图使算法稳定，同时根据误差梯度实时改变学习率大小，当误差向减小方向修正时，表示修正方向正确，增大学习率，提高收敛速度，当误差增大超过设定值时C倍时，说明修正过度，迅速减小学习率，训练结果如图所示。