真空树脂灌封机故障的识别.docxVIP

真空树脂灌封机故障的识别 真空树脂压缩机是一种广泛应用于金属氧化物压缩机的设备。结构如图1所示。 A,B分别为储有环氧树脂与固化剂的储料罐;柱塞泵和比例定量系分别安装于罐底与罐盖;比例定量系完成灌注量与固化剂比例的设定,柱塞泵负责按比例与定量将A、B料压入混合器;A、B料在静态混合器中充分混合;灌注小车实现工件的进给。以上只是直接关系到灌注工作的主要结构,其他还有温控系统、真空脱泡系统、搅拌系统等(图中未给出)。 本设备属往复运动设备,但很难利用广泛用于其他往复运动设备的基于润滑油的铁谱、色谱等诊断技术。这里,我们采用对静态混合器入出口压力波形特征识别的方法,成功地识别了柱塞磨损、管路堵塞、强制阀异常、混合器堵塞等主要故障。 1 正常压力波形与有故障时的压力波形 分别在静态混合器出口、A料进口、B料进口处安装压力变送器,并将变送器信号传给控制计算机。我们在控制计算机上编制相应程序完成信号采集、存储、特征提取、特征识别、故障报警等工作。正常的压力波形与有故障时的压力波形如图2所示。 当全部行程用时7 s时,我们分别取3个压力在0.5,1.0,2.0,3.0,6.0,6.5,7.0 s时的压力构成21维特征向量X=[X1,X2,...,X20,X21]。(试验表明在以上时刻的压力值序列能充分表达设备各部的运行状态。)取Xmin=-1大气压、Xmax=10大气压对X进行归一化处理得到Y=[Y1,Y2,...Y20,Y21],其中: Yi=Xi?XminXmax?Xmin(i=1,2,?,21)Yi=Xi-XminXmax-Xmin(i=1,2,?,21) 2 模拟退火学习 对应于21维的特征向量Y和8维的故障向量Z(对应故障:计量强制阀异常、管路堵塞、手动阀门异常、混合器沉积堵塞、柱塞泵磨损泄漏、灌注强制阀异常、管路泄漏、欠料),BP网络有21个输入神经元、8个输出神经元。隐层取25个神经元,隐层与输出层神经元采用Sigmoid激活函数。 模拟各种故障状况,在试验机上进行大量实验并将特征、故障向量对存于文件中备用。为避免标准BP算法收敛慢、可能陷入局部极小的缺点,采用模拟退火学习算法。这种方法是一种解决优化问题的仿金属退火过程的启发性随机算法。 统计热力学表明:在平衡状态下,系统能量的概率分布在给定温度下满足Boltzman方程。由Boltzman方程可知,当系统温度较高时,系统处于较高能量状态的几率较高,而当系统温度较低时,系统处于较高能量状态的几率则很低。如将系统能量状态看作优化计算中的一个可行解,则能量最低的点也就转化为目标函数的最小值点。因此可以用于人工神经网络的学习。具体过程如图3所示(其中:T1起始温度;Te终止温度;a降温速度0～1;b自适应系数0～1;length 迭代步长;scale 自适应邻域因子;W权向量; SUB1 求出给定样本与W时网络的输出与对应的能量函数E的子程序)。 特征、故障向量对文件中的数据进行训练后,我们将得到一个可称为状态识别器或故障分类器的BP神经网络。 3 运行状态识别 将前述的训练好的状态识别器置于设备控制计算机中,与过程控制程序同时工作并随时对运行状态进行识别。必要时可以进行人工干预,对识别器进行修正或再训练。发挥人机结合的优势。本状态识别器与温度超限报警、真空度控制、液位控制等有机结合构成了灌注机的故障自诊断系统。 4 练习能力的问题 实践证明我们建立的状态识别器对单个故障和训练过的多故障有较好的识别能力,但对未训练过的多故障缺乏联想能力,识别率不高。要解决这个问题需要对网络结构进行改进而不仅仅是学习算法。