CN109083887B - 一种基于aca-bp算法的挖掘机液压系统的故障诊断方法 - Google Patents

Abstract

一种基于ACA‑BP算法的挖掘机液压系统的故障诊断方法，提取液压系统发生故障时反应液压系统状态的数据，得到训练样本，建立神经网络模型结构，导入训练样本，采用蚁群算法改进的BP神经网络建立故障模型，将测试数据输入模型中，进行模型检测，输出故障原因，本发明在BP神经网络的权值训练过程中引入了蚁群算法，吸收蚁群的行为特征，通过其内在搜索机制，优化神经网络学习过程中权值，并将改进的算法用于挖掘机液态系统的故障诊断中。解决了目前BP神经网络主要采用梯度下降法对连接权值进行训练，收敛时间长、易于陷入局部极值等难题，增强了模型的故障诊断能力和误差逼近能力，提高了挖掘机的液态系统故障诊断的效率。

Description

一种基于ACA-BP算法的挖掘机液压系统的故障诊断方法

技术领域

本发明属于机械故障诊断技术领域，同时属于计算机应用领域、数据挖掘技术领域，特别涉及一种基于ACA-BP算法的挖掘机液压系统的故障诊断方法。

背景技术

随着现代生产的发展和科学技术的进步，挖掘机液压系统变得越来越复杂，越来越自动化和智能化。挖掘机是一种多功能机械，被广泛应用于水利工程，交通运输，电力工程和矿山采掘等机械施工中，它在减轻繁重的体力劳动，保证工程质量，加快建设速度以及提高劳动生产率方面起着十分重要的作用。其结构主要是由发动机、液压系统、工作装置、行走装置和电控系统等部分组成。由于挖掘机的工作条件恶劣，挖掘机液压系统出现故障时不能及时处理，这不仅可能导致液压系统长时间操作中断，而且增加了成本，降低了机器质量，并给操作者的安全带来极大的危险。于是它对液压系统的故障诊断提出了很高的要求，其液压系统也是工程机械液压系统中最为复杂的。因此，对挖掘机液压系统的故障诊断已经成为维护挖掘机的重要一环。

早期确定故障原因和故障位置可以减少故障，减少维护时间。此外对液压挖掘机故障检测进行故障诊断已成为近年来研究的课题，避免了液压挖掘机运行的停顿。为了提高生产率和安全原因,对自动预测维护和故障诊断系统的需求越来越大。

现代人工智能在故障诊断中得到了快速发展。BP神经网络由许多具有非线性映射能力的神经元组成。神经元通过权重系数相互联系，具有较强的自组织和自学习能力。由于BP神经网络的学习规则是梯度下降法，存在收敛速度慢、容易陷入全局优化导致的局部极小点等缺点。

发明内容

为了克服上述神经网络学习收敛慢、容易陷入局部极小点等问题，本发明的目的在于提供一种基于ACA-BP算法的挖掘机液压系统的故障诊断方法，在BP神经网络的权值训练过程中引入了一种新的随机型全局搜索算法——蚁群算法，利用这种源于自然界的新型仿生学算法，吸收蚁群的行为特征,通过其内在搜索机制，优化神经网络学习过程中权值，并将改进的算法用于挖掘机液态系统的故障诊断中。解决了目前BP神经网络主要采用梯度下降法对连接权值进行训练，收敛时间长、易于陷入局部极值等难题，增强了模型的故障诊断能力和误差逼近能力，提高了挖掘机的液态系统故障诊断的效率，为其它类型挖掘机的液态系统故障诊断建模提供了有益参考。

为了实现上述目的，本发明采用的技术方案是：

一种基于ACA-BP算法的挖掘机液压系统的故障诊断方法，其特征在于，包括如下步骤：

步骤一：提取液压系统发生故障时反应液压系统状态的数据，得到训练样本；

步骤二：建立神经网络模型结构；

步骤三：导入训练样本，采用蚁群算法改进的BP神经网络建立故障模型；

步骤四：将测试数据输入模型中，进行模型检测；

步骤五：输出故障原因。

所述步骤一中，训练样本有多组，将提取的数据分别作为各组的训练样本，每组训练样本数据包括1种故障类型对应的多种故障原因，所述故障类型共8种，相应地，有8组训练样本，8种故障类型分别为液压泵周围产生噪声、整体无反应、整机动作缓慢故障分析、系统总流量不足、系统工作压力低、系统内泄漏、系统外泄漏、振动或噪声，每一种故障类型对应多种故障原因，如表1。

表1液压系统故障类型及故障机制分析表

所述步骤二中，建立神经网络模型结构的方法如下：

建立有一个隐含层的三层网络结构，确定每一层的神经元的个数：根据8种故障类型决定输入层为8个神经元，32个故障原因确定神经网络输出层为32个神经元，计算隐含层的神经元个数n_w＝n_e+n_y+k，其中n_e是输入层的神经元数，n_y是输出层的神经元数，k是1到10之间的整数。

所述步骤三中，导入训练样本，采用蚁群算法改进的BP神经网络对数据学习，建立故障模型，具体步骤如下：

假设BP神经网络中存在n个参数，它包括BP神经网络中所有的权值和阈值，首先，对这些参数进行排序，并将其标记为R₁、R₂、…，R_n，其中权值和阈值的定义域为[0,1]，将定义域[0,1]均匀分成n个区间份，将参数R_i(i∈(1,n))在每个区间内随机产一个非零值，从而形成集合I(i∈(1,n))，蚂蚁离开巢寻找食物，即每只蚂蚁从集合I(i∈(1,n))中选择一个食物，并从所有集合中选出一组食物，蚂蚁个数为m，τ_j代表集合的第j个元素的信息素，每个蚂蚁从集合I(i∈(1,n))开始，并根据集合中每个元素的信息素和状态转移概率从集合I(i∈(1,n))中选择一个元素，当蚂蚁完成在所有集合中选择元素时，即到达食物源，同时调整集合中元素的信息素，这个过程将被重复，当所有蚂蚁收敛到同一条路径，或者当它们达到给定的迭代数时，搜索就结束了；将此时的最优解作为网络参数的值，即为BP神经网络的初始权值和阈值，进行BP神经网络模型的训练，建立故障诊断模型。

所述步骤四中测试数据是指新的故障数据，将其导入模型中，输出故障类型，观察输出结果与实际符合。

本发明与现有技术相比显著效果在于：

本发明针对挖掘机液压系统故障诊断的实际需要，根据挖掘机液压系统故障的核心问题，建立挖掘机液态系统故障诊断的蚁群神经网络模型，具有诊断精度高的优点，同时避免了BP神经网络收敛速度慢和陷入局部极小点的缺点。

本发明可提高挖掘机的液压系统故障诊断的准确性，并准确诊断出挖掘机液态系统故障的原因和故障的位置。

附图说明

图1是挖掘机液压系统框图。

图2是本发明网络结构的拓扑结构。

图3是本发明中模型的流程图。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

本实施例以小松PC200挖掘机的液态系统为研究对象，其中小松PC200挖掘机的液态系统的模型图如图1，本发明主要根据小松PC200挖掘机的液态系统8种故障原因：液压泵周围产生噪声、整体无反应、整机动作缓慢故障分析、系统总流量不足、系统工作压力低、系统内泄漏、系统外泄漏、振动或噪声，检测出其对应的故障原因。提取液压系统发生故障时，反应液压系统状态的数据，将故障类型(x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈)作为BP神经网路的输入层，故障原因(y₁,y₂,......,y31,y₃₂)作为网络的期望输出，组合出网络的训练样本，一共8组训练样本，如表1和表2所示，输出32个数据，如表3所示。

表2 8组输入样本结构

如下：

表3输出数据结构

由输入层的节点数为8，输出层节点数为32，选取k＝3，所以隐含层的节点数为43，其网络结构的拓扑结构如图2。

导入训练样本，采用蚁群改进的BP神经网络进行故障模型建立，流程图如图3，具体实施步骤如下：

(1)网络中有N个待优化参数，包括所有权值和阈值。首先将这些参数记为P₁，P₂，…，P_n，对于每个参数p_i(1≤i≤n)，蚂蚁的数目为m，每个权值和阈值的取值范围为[0.1]，将所有初始权值和阈值的定义域均匀地划分成e个子区间，即将区间长度进行e等分，从这每个区间里面随机选出一个初始值，初始时刻设定每一个子区间的元素有相同信息素量τ₀，如表4。信息素挥发系数p，信息素增量强度Q，t为循环次数，迭代次数CN，算法结束条件ε₀。

表4图权值和阈值分割表

(2)开始搜索：每一只蚂蚁都从集合中随机产生起始位置，开始搜索。然后在在每次搜索中，每只蚂蚁从集合I(i∈(1,n))中选择一个元素。对于集合I，第a(a＝1，2，…，m)只蚂蚁，根据下面的概率公式按照轮盘赌的方式随机选择其第j个元素，直到全部蚁群都到达食物源。

其中j₀的概率为

根据公式对蚂蚁的路径进行信息素局部更新

τ_ij(t+1)＝(1-ρ)×τ_ij(t)+ρ×min{τ_ir|0≤r≤k_t}

把每一个蚂蚁选择的食物作为权值和阈值，将这组数据带入BP网络中，进行一次学习，可以得到误差ε。记录所有蚂蚁中的最小误差和其对应的权值和阈值。当循环次数大于CS，则转到(8)，否则转到(6)；

(6)根据公式对蚂蚁的路径进行全局更新；

τ_ij(t+1)＝μ(t)(1-ρ)×τ_ij(t)+Δτ_ij(t)

其中

(7)重复(2)到{(5)，直到完成迭代次数；

(8)从所有的迭代中找出最小的误差ε，及对应的权值和阈值。对得到的最优解作为BP神经网络的初始权值和阈值进行学习，直到满足结束条件ε≤ε₀。否则，继续学习。

根据上述蚁群算法的训练步骤，进行BP网络的训练。选择迭代次数为13000，误差收敛因子为0.00048，隐层和输出层的激活函数为非线性S形函数，网络连接权数n＝72。设置蚁群算法列表的基本参数如下：残差信息量r＝0.7，蚂蚁数m＝40，信息总量q＝100。

通过对上述输入输出样本的统计分析，可以得到算法训练误差图。横坐标表示网络训练步骤，垂直轴表示网络性能目标，即所需的系统误差，改进的BP神经网络算法的误差可达0.0001。

采用故障类型(x₁，x₄)的值作为测试数据，输出值(>0.99)即为合理。故障节点接近1，其他节点的输出值接近0，表明诊断结果是正确的，得到基于改进的神经网络得到了理想的网络输出，说明基于优化BP神经网络具有良好的性能。

Claims (5)

1.一种基于ACA-BP算法的挖掘机液压系统的故障诊断方法，其特征在于，包括如下步骤：

步骤一：提取液压系统发生故障时反应液压系统状态的数据，得到训练样本；

步骤二：建立神经网络模型结构；

步骤三：导入训练样本，采用蚁群算法改进的BP神经网络建立故障模型；

步骤四：将测试数据输入模型中，进行模型检测；

步骤五：输出故障原因；

所述故障类型共8种，相应地，有8组训练样本，8种故障类型分别为：

X₁：液压泵周围产生噪声；X₂：整体无反应；X₃：整机动作缓慢故障分析；X₄：系统总流量不足；X₅：系统工作压力低；X₆：系统内泄漏；X₇：系统外泄漏；X₈：振动或噪声；

X₁对应的故障原因为：

y₁：吸油滤油器有故障；y₂：邮箱与液压泵之间的油管或管卡松动；y₃：液压泵邮箱缺油；y₄：液压油质量不佳；

X₂对应的故障原因为：

y₅：液压油供给不足；y₆：自减压阀故障；y₇：柱塞泵破损；y₈：发动机的连续不稳定；y₉：溢流阀故障；

X₃对应的故障原因为：

y₁₀：油泵压力排量降低；y₁₁：故障予系统溢流阀故障；y₁₂：故障所在子系统液压泵故障；

X₄对应的故障原因为：

y₁₃：发动机功率不足、转速偏低；y₁₄：液压泵磨损、泵油不足或液压泵变量机构失灵；y₁₅：管路或滤油器堵塞.通油不畅；y₁₆：油箱缺油；

X₅对应的故障原因为：

y₁₇：液压泵磨损内泄漏、泵油压力偏低；y₁₈：溢流阀调整不当、阀芯脏.卡滞；y₁₉：多路换向阀磨损、间隙过大或卡滞；

X₆对应的故障原因为：

y₂₀：液压泵内泄漏；y₂₁：液压缸及液压马达内泄漏；y₂₂：控制阀内泄漏；

X₇对应的故障原因为：

y₂₃：液压附件漏油；y₂₄：液压泵、密封损坏漏油；y₂₅：控镧阀密封损坏祸油；y₂₆：液压缸、液压马达漏油；y₂₇：液压马达漏油；

X₈对应的故障原因为：

y₂₈：缺少液压油、液压油中进入空气、粗滤器堵塞；y₂₉：液压泵密封失灵进空气、轴承或旋转体损坏；y₃₀：溢流阀工作不良；y₃₁：液压马达内部旋转体损坏；y₃₂：控制阀失灵。

2.根据权利要求1所述基于ACA-BP算法的挖掘机液压系统的故障诊断方法，其特征在于，所述步骤一中，训练样本有多组，将提取的数据分别作为各组的训练样本，每组训练样本数据包括一种故障类型对应的多种故障原因。

3.根据权利要求1所述基于ACA-BP算法的挖掘机液压系统的故障诊断方法，其特征在于，所述步骤二中，建立神经网络模型结构的方法如下：建立有一个隐含层的三层网络结构，确定每一层的神经元的个数：根据8种故障类型决定输入层为8个神经元，32个故障原因确定神经网络输出层为32个神经元，计算隐含层的神经元个数n_w＝n_e+n_y+k，其中n_e是输入层的神经元数，n_y是输出层的神经元数，k是1到10之间的整数。

4.根据权利要求3所述基于ACA-BP算法的挖掘机液压系统的故障诊断方法，其特征在于，所述步骤三中，导入训练样本，采用蚁群算法改进的BP神经网络对数据学习，建立故障模型，具体步骤如下：假设BP神经网络中存在n个参数，它包括BP神经网络中所有的权值和阈值，首先，对这些参数进行排序，并将其标记为R₁、R₂、…，R_n，其中权值和阈值的定义域为[0,1]，将定义域[0,1]均匀分成n个区间份，将参数R_i在每个区间内随机产一个非零值，从而形成集合I，其中i∈(1,n)，蚂蚁离开巢寻找食物，即每只蚂蚁从集合I中选择一个食物，并从所有集合中选出一组食物，蚂蚁个数为m，τ代表集合的第j个元素的信息素，每个蚂蚁从集合I开始，并根据集合中每个元素的信息素和状态转移概率从集合I中选择一个元素，当蚂蚁完成在所有集合中选择元素时，即到达食物源，同时调整集合中元素的信息素，这个过程将被重复，当所有蚂蚁收敛到同一条路径，或者当它们达到给定的迭代数时，搜索就结束了；将此时的最优解作为网络参数的值，即为BP神经网络的初始权值和阈值，进行BP神经网络模型的训练，建立故障诊断模型。

5.根据权利要求4所述基于ACA-BP算法的挖掘机液压系统的故障诊断方法，其特征在于，所述步骤四中测试数据是指新的故障数据，将其导入模型中，输出故障类型，观察输出结果与实际符合。

Images