建立工程机械可以使网络模型预测液压系统运行

详细内容

 工程机械作为重要的施工生产装备，在国民经济 械工作环境恶劣，持续工作时间长，负载变动大，液发展和基础设施建设中具有重要的地位‘11。液压系统 压系统的故障发生频率高。随着液压技术向着高是工程机械的核心部件，针对它的故障诊断与预报技速、高压和大功率方向发展，工程机械液压系统的规术一直是工程机械的关键技术之一。一般地、功能及其自动化水平E1益提高，液压系统的故障基金项目：国家高技术研究发展计划湖南省教育厅科研基金资助项1|(0912075)：长沙理工大学“湖湘学者”中南大学学报(自然科学版)
第4l卷变得更加多样与复杂。因此，研究工程机械液压系统的故障诊断和预报技术，对于提高工程机械施工的可1   动态GI矾N网络模型靠性和安全性，推动我国工程机械的自主创新研究具有重要的理论意义和工程实用价值【21。现有的工程机械液压系统故障诊断研究往往只着重于某一类型工程广义回归网络(GRNN)假设随机向量x和随机变量Y的联合概率密度函机械或者某一类故障模式，并通过简单的分析得出故障诊断结果。这些方法只有当故障现象和故障特征较数为触，力，则Y相对于x的回归(条件均值)可表示为明显时才能够实现准确的故障诊断，限制了故障诊断应用的范围。工程机械液压系统的故障诊断研究仍然具有较大的研究价值，尤其是需要从理论上进一步
(1)其中：密度函数Ax,y)的估计可以通过对训练数据使用Parzen的非参数估计算子得到，其非参数估计为Donald于1991年提出的一种新型神经网络，它建立在Parzen非参数估计的基础之上，可以对连续变量进行估计并收敛于基本的同归表面。广义回归神经网络主要的特点在于它无需提供预测模型的具体形式，回其中：归层能够通过训练数据自动建立【3卅。使用Parzcn非参数估计的概率密度函数，GRNN模型能够完成每一  
如班譬能力，而且训练的过程也更为简单、高刘5--6]。但是，式中：鼍为x的观测向量：乃为Y的观测值；盯为平滑GRNN模型依然不具备全局动态递归的能力，这是系数；刀为样本数：m为随机向量X的维数。
 
GRNN模型结构中未引入全局反馈造成的。带全局反使用夕(x，y)代替触，力，代入式(1)可得到：馈的动态网络对非线性动态系统建模有很高的辨识度，且特别适用于系统故障诊断建模。根据这个思路，本文作者通过在GRNN模型结构中引入全局递归的反馈机制，提出动态广义回归神经网络模型，简称动态模型所有的优点，还能够更加有效地处理动态数据。近年来，随着多模型自适应控制理论研究的深入，多模型的概念也被应用于故障诊断领域，并迅速成为研究热点之一”．171。从液压系统故障机理可                      可以得到：知，许多故障发生的过程就是系统物理参数或系统数学模型参数改变的过程。如果系统处于某种故障状态下，那么，就可以在该种故障状态下建立故障模型。
 
假设系统有Ⅳ种目标故障，则可以建立Ⅳ个目标故障估计值所有样本观测值Yi的加权平均，每模型，从而通过多个故障模型的故障检测就可以实现个观测值强的权重因子为相应的样本为与工之间故障诊断。在以往的多模型故障诊断研究中，模型的Euclid距离平方的指数。由式(4)可知，估计值多(x)在选择主要局限于解析型的数学模型，如状态方程，而随机变量Y的样本观测值Y，的变化范围之内。
 
且大都为线性模型，而对于涉及神经网络模型的多模根据式(4)构造广义回归神经网络，结构如图l所型故障诊断方法则几乎没有研究。鉴于此，本文作者示，包括输A．层(Input layer)、模式)罢(Pattem layer)、针对工程机械液压系统，以动态GRNN模型为基础，求和层(Summation layer)和输出层(Output layer)共4层提出多网络模型故障诊断方法。
 
神经元。
 
动态GRNN模型属于全局的递归模型，这样的模型往往涉及模型的预测问题，即前一时刻的模型预测输出值成为后一时刻的模型输入值。一般的预测分为单步预测和多步预测，对于动态GRNN模型，主要使用多步预测。
 
图1广义回归网络结构图                       若利用训练后的动态GRNN模型对上面的输出值进行预测，则t=k+l时刻的模型预测输出为虽然Gl心附网络具有训练时间短、非线性收敛能                   依次类推，可得到t-=-k+2时刻的模型预测输出为力强的特点，但是，它只是一种局部递归的静态网络模型，不具备全局递归的动态特性。相对于动态的神经网络模型，GRNN模型的应用范围受到了较大的限制。如果能够对G砌蝌网络的结构加以改进，引入全则t=k+p时刻的模型预测输出为局动态特性，将会提高GIuqN网络在动态时间上的非线性辨识能力。鉴于此，本文作者提出一种动态广义回归网络模型，简称为动态GRNN模型，其结构图如图2所示。
 
其中：假设p>n。，p>协。
 
多模型方法是假定可以用Ⅳ组线性模型描述实际动态系统的工作过程，并且系统的每一个故障模型对应于一个动态模型，同时，也有一个动态模型用于描述系统正常工作状态，一般可以用如下状态空间模型模式的数目。
 
各个模型中的系数矩阵Ai，Bf和ci，对应于动态系统处于不同的故障模式。多模型故障诊断方法是以多个模型来逼近系统，在多个模型的基础上进行故障图2中，动态GRNN模型的输入可以表示为：检测，完成基于某种切换策略的系统故障诊断过程，其流程如图3所示。模型集的建立、故障检测方法的设计和模型的切换是多模型故障诊断的核心内容。
 
于对应网络模型的阈值，则可以判定故障类型。所以，多网络模型的故障诊断方法的流程为：(1)目标故障建模。某工程机械的液压系统的目标故障包括：FI(正常)，F2，F3，…，FN共Ⅳ种目标类型(包括正常)，所以，需要建立Ⅳ个目标故障的动态GRNN模型。
 
定义正常(F1)状态下的动态GRNN模型为厂F1，以此类推，可得到其余Ⅳ-1种目标故障的动态GRNN模型为厂F2，厂F3，…，厂FⅣ。
 
(2)获取目标故障的检测阈值占o。80一般是人为选定的门限值，应根据系统的不同由经验确定。一般图3多模型故障诊断流程图取正常状态样本的残差平方和山的2—3倍，残差平方Fig．3 Flow chartofmulti—model fault diagnosis和的表达式为选取系统Ⅳ组目标故障模式，建立Ⅳ组故障模型，式中：上为窗口的长度；ei表示第i个残差。
 
如果残差小于阈值，说明检测样本所代口流量QP、柱塞泵出口压力舶、铲斗液压缸无杆腔压表的故障为彳；如果残差大于阂值，说明检测样本代力肋、铲斗液压缸有杆腔压力肋。实验步骤为：①操表的可能为其他故障，或为未知故障样本，需要进一纵铲斗油缸控制手柄，完成1次加载一卸载的动作，部进行诊断。所以，如果系统有Ⅳ种故障(正常状态也加载和卸载之间保留l S以上切换时间；②记录Q尸，被看作一种故障1，可以为每一种故障建立相应的动态助，肌和伽的变化，采样的时间间隔为5 Ills，采样时表1实验中单一故障定义活塞磨损(F2)状态下的动态GRNN模型表达故障设置方式式为：FI(iF常)无故障间为20 S；③1次采样完成后，将样本命名后保存于采集仪器Multi．System 5050存储器中。每种故障重复上述动作5次，分别采集5组样本，共采集30组样本。
 
4．1建立铲斗回路的动态GRNN模型实验中的单一目标故障包括：正常(F1)、活塞磨损(F2)、阀芯运动不到位@3)、阀芯磨损(F4)、球头松动(F5)、配流盘磨损(F6)共6种目标类型(包括正常)。从剩余的样本中抽取lO组样本作为测试样本，分定义正常(F1)状态下的动态GRNN模型表达式为.