CN103439653A - 一种基于驱动端电流检测的高速开关阀故障诊断方法 - Google Patents

Abstract

本发明涉及一种高速开关阀故障诊断方法，其特征在于：包括搭接实验系统；设置实验系统特征阀；根据提取的特征曲线和特征向量；通过小波包对信号进行重构；采用能量-故障的诊断方法提取信号特征值；最后利用已有的数据训练BP神经网络，对数据进行故障分类步骤。本发明同现有技术相比的优越性在于：利用检测驱动端电流的方法来检测高速开关阀的状态，利用机械装置模拟高速开关阀的故障，以及并利用信号处理和模式分类方法对高速开关阀的正常和故障进行识别，信号易于提取，便于实施，通过对驱动端电流的分析，可准确识别高速开关阀的状态，大大提高了液压系统的可靠性和安全性。

Description

一种基于驱动端电流检测的高速开关阀故障诊断方法

技术领域：

本发明属于液压系统故障诊断领域，涉及一种高速开关阀故障诊断方法，尤其涉及一种利用检测驱动端电流，小波包分解对信号重构，能量-故障诊断方法和BP神经网络模式识别的方法。

背景技术：

高速开关阀是一种新型的电液数字阀，通过调节阀口的开/关时间改变通过的平均流量。它具有快速的切换能力，以及价格低廉，抗污染性强，重复精度高，采用脉冲信号进行调节等优点，实现了计算机控制技术和液压流体技术的结合，广泛应用于速度、位置、力等多种控制场合。作为液压系统的关键部件，其性能和安全性将直接影响到系统的可靠性，其中对高速开关阀的特性检测大多采用激光位移传感器、力传感器，这些检测设备操作复杂，传感器昂贵，增大了检测成本，且只是对高速开关阀的的特性参数进行定量检测，并没有对高速开关阀的状态进行定性分析。本发明针对高速开关阀的故障诊断方法没有查到相关文献。

发明内容：

针对上述现有技术状况，本发明的目的在于：提供一种基于驱动端电流检测的高速开关阀故障检测方法。

现将本发明构思及技术解决方案叙述如下：

本发明一种基于驱动端电流检测的高速开关阀故障诊断方法的基本发明构思是，搭接实验系统，设置实验系统特征阀，根据提取的特征曲线和特征向量，通过小波包对信号进行重构;采用能量-故障的诊断方法提取信号特征值：最后利用已有的数据训练BP神经网络，对数据进行故障分类(如图1所示)，具体步骤如下：

步骤1：搭接实验系统

步骤1.1：所述的搭接实验系统由高速开关阀、推杆机构、数据采集卡、电流传感器构成；所述的高速开关阀由衔铁、衔铁管、线圈、极靴、阀体、顶杆、出油口、球阀、进油口构成；所述的推杆机构由固定架、顶杆、压缩弹簧、螺母构成；

步骤1.2：数据采集卡的AO输出提供高速开关阀的控制信号，设定频率为5～15HZ，占空比为40～60％，方波信号经放大后作用于高速开关阀；

步骤1.3：将电流传感器的霍尔电流传感器串接入驱动端，由采集卡的端口采集电流值；

步骤2：分析高速开关阀驱动端电流特性;

步骤3：通过椎杆机构的机械堵死来设置高速开关阀阀芯卡死故障；所述的机械堵死是指螺母13拧紧在顶杆11上时的状态；

步骤4：根据步骤1.3采集的电流值，采用小波包信号重构和能量-故障的诊断方法，提取信号特征向量：

步骤4.1采集两种状态下的驱动端电流各30～40组数据，并求得电流变化率作为特征曲线，用于神经网络的训练；另外每种类型再采集30～40组数据用于BP神经网络的测试；

步骤4.2对特征曲线进行三层小波包分解，提取第三层从低频到高频8个频率成分的信号特征，如图2所示；

步骤4.3：对小波包分解系数进行重构，提取各频带范围的信号特征(见图9)；

步骤4.4：提取各个频带信号的总能量，各层能量为元素进行归一化处理，利用能量-故障的诊断方法，提取有差异的层能量值，构造特征向量(见表1);

步骤4.4.1：采用小波包信号分解时正交分解，遵循能量守恒原理，用E(t)表示信号的能量，有如下关系：

$E_n\left[x\left(t\right)\right]=\underset{m=0}{\overset{2^k-1}{\mathrm{\Σ}}}{E}_n\left(U_{j-k}^{2^k+m}\right)=\underset{m=0}{\overset{2^k-1}{\mathrm{\Σ}}}{E}_n\left(U_{2^k+m}\right)=\underset{m=0}{\overset{2^k-1}{\mathrm{\Σ}}}\left[x^{k,m}\left(i\right)\right]$

步骤4.4.2：在分辨率为j水平下的小波包信号分解中x^k，m(i)表示位于

子空间信号

的离散信号；设原始信号的数据长度为N，则分解频带中的离散信号x^k,m(i)的数据长度缩减为2^-kN，能量可表示为：

$E_n\left[x^{k,m}\left(i\right)\right]=\frac{1}{2^{-k}N-1}\underset{i=1}{\overset{2^{-k}N}{\mathrm{\Σ}}}{E}_n{\left[x^{k,m}\left(i\right)\right]}^2$

这里的N表示原始数据的长度；k=1，2，3表示分解层数；m=0，1，2，....，7表示分解频带的位置序号；

步骤4.4.3：对能量进行归一化处理，即用分解信号频带能量占信号总能量的比值表示。第m频带信号的归一化能量为：

$E_n\left(m\right)=E_n\left[x^{k,m}\left(i\right)\right]/\sqrt{\mathrm{\Σ}{E}_n^2\left[x\left(t\right)\right]}$

步骤5：构建BP神经网络，训练并测试BP神经网络，(如图3所示)：

步骤5.1：BP神经网络训练，

步骤5.1.1：对隐含层个数进行分析，采用统计分析的方法，对某一固定隐含层的网络进行重复10～100次实验，求取测试误差，并对测试误差求取均值和标准差，选取测试误差均值较小的数值作为隐含层神经元的数目；

步骤5.1.2：确定BP神经网络的结构和参数(见表2)，利用采集的正常和阀芯卡死各类40组的数据，对BP神经网络进行训练，图4显示的为神经网络训练流程图；

步骤5.2BP神经网络测试。利用采集的正常和阀芯卡死各种类型30～40组数据进行神经网络测试(见表3);

步骤6；确定电磁阀故障类型。将BP神经网络的输出值进行四舍五入，为0则输出高速开关阀正常状态，为1则输出高速开关阀阀芯卡死状态(见表4)。

本发明同现有技术相比的优越性在于：利用检测驱动端电流的方法来检测高速开关阀的状态，利用机械装置模拟高速开关阀的故障，以及利用信号处理和模式分类方法对高速开关阀的正常和故障进行识别，信号易于提取，便于实施，通过对驱动端电流的分析，可准确识别高速开关阀的状态，大大提高了液压系统的可靠性和安全性。

附图说明：

图1：故障诊断总流程图

图2：三层小波包分解示意图

图3：BP网络设计流程图

图4：神经网络训练过程

图5：高速开关阀驱动端电流

图6：高速开关阀故障状态模拟装置

图7：正常阀和阀芯卡死电流

图8：正常阀和阀芯卡死电流变化率

图9：小波重构信号

图10：各层归一化能量值

图11：测试误差均值随隐含层数目变化图

图12：测试误差标准差随隐含层数目变化图

图13：BP网络训练误差曲线

图14：正常阀BP神经网络测试

图15：阀芯卡死阀BP神经网络测试

其中：1衔铁 2衔铁管 3线圈 4极靴 5阀体 6顶杆 7出油口 8球阀 9进油口 10固定架 11顶杆 12压缩弹簧 13螺母

附表说明：

表1小波分解特征向量

表2故障状态与神经网络二进制码对应表

表3BP网络测试样本数据表

表4BP网络测试结果表

具体实施方法：

现结合附图、附表对本发明具体实施方法阐述如下：

实施例：

步骤1：搭接实验系统

本实验系统由高速开关阀、推杆机构、数据采集卡、电流传感器构成：所述的高速开关阀由1衔铁 2衔铁管 3线圈 4极靴 5阀体 6顶杆 7出油口 8球阀 9进油口构成；所述的推杆机构由10固定架 11顶杆 12压缩弹簧 13螺母；数据采集卡的A0输出提供高速开关阀的控制信号，设定频率为10HZ，占空比为50％，方波信号经放大后作用于高速开关阀；将电流传感器的霍尔电流传感器串接入驱动端，由采集卡的端口采集电流值；考虑到电流的采集范围，本发明选择南京奇霍科技有限公司的霍尔电流传感器(CSM010GT)，该电流传感器应用霍尔效应闭环原理，能在电隔离条件下测量电流，其原边额定输入电流为10A，测量范围为0～±20，响应时间为<500ns。实验中利用NI公司的PCI6221采集卡AI通道采集高速开关阀驱动端电流，物理通道为AI1，采样率为20K，利用A0通道输出占空比可调的方波，幅值为5V，频率为10HZ，占空比为50％，经过高速开关阀驱动器放大后驱动高速开关阀。针对高速开关阀响应速度快的特点，考虑到电流的范围，选取南京奇霍科技有限公司的霍尔电流传感器(CSM010GT)，该电流传感器应用霍尔效应闭环原理，能在电隔离条件下测量电流，其原边额定输入电流为10A，测量范围为0～±20，响应时间为<500ns。将霍尔电流传感器串接入驱动端，由PCI6221采集卡的AI采集电流值。由于该传感器需要+5(±5％)的电源电压，选用稳压电源深圳兆信电子仪器厂PS305D为传感器供电，计算机上电，电源供电，使系统正常工作。

步骤2：分析高速开关阀的电流特性;

开关阀按响应速度可分为电磁换向阀和高速开关阀两种。图4列举了电磁换向阀和高速开关阀的驱动端电流。电流曲线可间接反映阀芯的位移，通过分析电流曲线的拐点，可以确定阀的响应时间和阀芯的运动时间。由图5分析可知，电磁开关阀的延迟时间为30ms，阀芯运动时间为35ms；高速开关阀的延迟时间为6ms，阀芯运动时间为4ms。高速开关阀为保证快速的响应速度，在电压驱动方式上与电磁换向阀有明显差别，高速开关阀在开启初期，驱动端电流迅速上升到峰值电流，确保在开启时有足够大的电磁力，减小了高速开关阀的延迟时间，增大阀芯在开启时的速度；高速开关阀开启后，因工作气隙较小，磁路磁阻很低，电磁线圈通入较小的保持电流便能产生足够大的电磁作用力保证高速开关阀的开口，同时小的保持电流可以降低能量消耗，减小线圈发热，同时有利于高速开关阀的快速闭合，而电磁换向阀电流上升速度慢，且电流升到最大值后保持不变。

步骤3：本发明模拟了高速开关阀使用中常见的阀芯卡滞故障，选用贵州红林有限公司的HSV-31001型高速开关阀进行实验。在实验中，利用椎杆机构的机械堵死来模拟高速开关阀阀芯卡死故障。如图6所示，推杆11通过固定架10与高速开关阀阀芯相连，在高速开关阀与推杆11之间，用一适当刚度的弹簧12来模拟实际应用中高速开关阀阀芯卡滞状态。通过旋转螺母13来调整高速开关阀阀芯卡滞状态，随着螺母向右旋转，高速开关阀由正常、轻微卡滞和完全卡死的转换。

步骤4：小波包信号重构和能量-故障的诊断方法，提取信号特征向量。

步骤4.1采集两种状态下的驱动端电流各40组数据，电流曲线如图7所示。针对电流信号为直流信号的特点，求取电流变化率，如图8所示，把该信号作为特征曲线，另外每种类型在采集40组数据用于BP神经网络的训练；

步骤4.2对特征曲线进行三层小波包分解。分别提取第三层从低频到高频8个频率成分的信号特征；

步骤4.3对小波包分解系数进行重构，三层小波重构信号如图9所示，提取各频带范围的信号特征；

步骤4.4提取各个频带信号的总能量，以能量为元素进行归一化处理，表1即为各层信号求取能量并归一化的结果，由图10分析可知，正常阀与阀芯卡死两种电流的能量差异主要集中在E₃₀、E₃₁、E₃₂三组能量中，所以将这三层的能量当作故障识别的特征值，

表1对正常和阀芯卡死两种状态下的特征向量进行了列举。

步骤5：构建BP神经网络，训练并测试BP神经网络；

步骤5.1：BP神经网络构建与训练

步骤5.1.1：输入、输出层设计

输入层神经元个数一般等于样本中包含的特征值的个数，本发明对高速开关阀驱动端的电流变化率进行三层小波包分解，得到各小波包能量特征值，由上分析可知，差异主要

集中在E₃₀、E₃₁、E₃₂三组能量，所以神经网络中输入层神经元的个数为3个；

表1小波分解特征向量

本发明对阀芯卡死和正常两种状态进行分类，因此输出层神经元的个数为log₂2=2，用二进制码分别代表所模拟的故障：

表2故障状态与神经网络二进制码对应表

状态	阀芯卡死	正常
			二进制码	1	0

步骤5.1.2：隐含层设计

1989年Robert Hech-Nielson证明了一个非常重要的定理：对于任意在闭区间的一个连续函数都可以用一个隐含层的神经网络来逼近，那么一个三层的BP网络就可以完成任意的n维到m维的映射。对于隐含层单元的选择，不存在一个理想的解析式来表示。本发明在设计神经网络时，使神经元可变，通过训练和学习，找到网络误差最小的隐含层神经元数目。本发明在设计神经网络时，使神经元可变，变化范围为0～30，通过多次训练和学习，找到网络误差最小的隐含层神经元数目。针对BP神经网络随机性的特性和隐含层的不确定性，本发明对隐含层数0～30逐个训练，对某一固定隐含层的BP神经网络重复进行30次实验，对求取的测试误差进行均值和标准差处理。由图11-12分析可知，当隐含层神经元为3时，测试误差均值最小，选取隐含层神经元数为3。初始值对于非线性系统学习最终能否收敛和是否达到局部最小有很大的影响。因此初始值的选择在输入累加时必须使每个神经元的状态为零，采用比较小的随机数作为权值比较合适，本发明采用MATLAB默认的权值和偏置，即[0-1]内的任意数。

步骤5.1.3：网络的训练

神经网络输入为3，输出为1，隐含层神经元数为3.采用S型正切函数tansig作为隐含层神经元的传递函数，并采用S型对数函数logsig作为输出层神经元的传递函数，从四类。

网络训练过程是一个不断修正的过程，将特征向量样本输入BP神经网络进行训练，设定全局误差为10^-6，最大训练次数为1000，神经网络训练过程误差变化情况如图所示：

步骤5.2：BP神经网络测试。通过训练好的神经网络，利用准备的每类各40组数据，进行测试，提取正常和阀芯卡死两种状态下的信号特征向量如表3所示，经BP神经网络训练后的结果，如表4所示。

步骤6；确定电磁阀故障类型。将BP神经网络的输出值进行四舍五入，为0则输出高速开关阀正常状态，为1则输出高速开关阀阀芯卡死状态(见表4)。

表3BP网络测试样本数据表

表4BP网络测试结果表

样本序号	目标期望输出	网络输出结果	故障模式
				1	0	0.0346	正常
2	0	0.0469	正常
				3	0	0.0277	正常
4	0	0.0264	正常
				5	0	0.0403	正常
6	1	0.9964	阀芯卡滞
				7	1	0.9886	阀芯卡滞
8	1	0.9961	阀芯卡滞
				9	1	0.9948	阀芯卡滞
10	1	0.9948	阀芯卡滞

图14、15显示的是用于测试的每种类型的40组数据的输出结果，正常阀经过神经网络测试后输出集中在0.02-0.12之间，四舍五入为0;阀芯卡死阀经神经网络测试后输出集中在0.988-0.998之间，四舍五入为1。

将测试结果近似取整，为1则输出阀芯卡死故障，为0则输出正常状态、测试结果发现，训练后的神经网络能准确识别高速开关阀正常和阀芯卡死状态。

Claims (5)

1.一种基于驱动端电流检测的高速开关阀故障诊断方法，其特征在于：搭接实验系统；设置实验系统特征阀；根据提取的特征曲线和特征向量；通过小波包对信号进行重构；采用能量-故障的诊断方法提取信号特征值；最后利用已有的数据训练BP神经网络，对数据进行故障分类，具体步骤如下： 

步骤1：搭接实验系统 

步骤2：分析高速开关阀驱动端电流特性； 

步骤3：通过椎杆机构的机械堵死来设置高速开关阀阀芯卡死故障； 

步骤4：根据步骤1.3采集的电流值，采用小波包信号重构和能量-故障的诊断方法，提取信号特征向量； 

步骤5：构建BP神经网络，训练并测试BP神经网络; 

步骤6；确定电磁阀故障类型。将BP神经网络的输出值进行四舍五入，为0则输出高速开关阀正常状态，为1则输出高速开关阀阀芯卡死状态。 

2.根据权利要求1所述的一种基于驱动端电流检测的高速开关阀故障诊断方法，其特征在于：步骤1中所述的“搭接实验系统”的具体步骤如下： 

步骤1.1：所述的搭接实验系统由高速开关阀、推杆机构、数据采集卡、电流传感器构成；所述的高速开关阀由衔铁、衔铁管、线圈、极靴、阀体、顶杆、出油口、球阀、进油口构成；所述的推杆机构由固定架、顶杆、压缩弹簧、螺母构成； 

步骤1.2：数据采集卡的AO输出提供高速开关阀的控制信号，设定频率为5～15HZ，占空比为40～60％，方波信号经放大后作用于高速开关阀； 

步骤1.3：将电流传感器的霍尔电流传感器串接入驱动端，采集卡的端口采集电流值。 

3.根据权利要求1所述的一种基于驱动端电流检测的高速开关阀故障诊断方法，其特征在于：步骤4中所述的“提取信号特征向量”的具体步骤如下： 

步骤4.1采集两种状态下的驱动端电流各30～40组数据，并求得电流变化率作为特征曲线，用于神经网络的训练；另外每种类型再采集30～40组数据用于BP神经网络的测试； 

步骤4.2对特征曲线进行三层小波包分解，提取第三层从低频到高频8个频率成分的信号特征； 

步骤4.3：对小波包分解系数进行重构，提取各频带范围的信号特征； 

步骤4.4：提取各个频带信号的总能量，各层能量为元素进行归一化处理，利用能量- 故障的诊断方法，提取有差异的层能量值，构造特征向量。 

4.根据权利要求1所述的一种基于驱动端电流检测的高速开关阀故障诊断方法，其特征在于：步骤4.4中所述的“构造特征向量”的具体步骤如下： 

步骤4.4.1：采用小波包信号分解时正交分解，遵循能量守恒原理，用E(t)表示信号的能量，有如下关系： 

步骤4.4.2：在分辨率为j水平下的小波包信号分解中x^k，m(i)表示位于

子空间信号 

的离散信号；设原始信号的数据长度为N，则分解频带中的离散信号x^k，m(i)的数据长度缩减为2^-kN，能量可表示为： 

这里的N表示原始数据的长度；k=1，23表示分解层数：m=0,1，2，....，7表示分解频带的位置序号； 

步骤4.4.3：对能量进行归一化处理，即用分解信号频带能量占信号总能量的比值表示。第m频带信号的归一化能量为： 

。

5.根据权利要求1所述的一种基于驱动端电流检测的高速开关阀故障诊断方法，其特征在于：步骤5中所述的“构建BP神经网络，训练并测试BP神经网络”，的具体步骤如下： 

步骤5.1：BP神经网络训练： 

步骤5.1.1：对隐含层个数进行分析，采用统计分析的方法，对某一固定隐含层的网络进行重复10～100次实验，求取测试误差，并对测试误差求取均值和标准差，选取测试误差均值较小的数值作为隐含层神经元的数目； 

步骤5.1.2：确定BP神经网络的结构和参数，利用采集的正常和阀芯卡死各类30～40组的数据，对BP神经网络进行训练： 

步骤5.2：BP神经网络测试。利用采集的正常和阀芯卡死各种类型30～40组数据进行神经网络测试。 

Images