CN110135066B - 一种动力换挡变速箱先导式溢流阀的故障诊断方法 - Google Patents
一种动力换挡变速箱先导式溢流阀的故障诊断方法 Download PDFInfo
- Publication number
- CN110135066B CN110135066B CN201910403024.4A CN201910403024A CN110135066B CN 110135066 B CN110135066 B CN 110135066B CN 201910403024 A CN201910403024 A CN 201910403024A CN 110135066 B CN110135066 B CN 110135066B
- Authority
- CN
- China
- Prior art keywords
- fault
- pilot
- overflow valve
- model
- valve
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种动力换挡变速箱先导式溢流阀的故障诊断方法。该方法包括:通过AMESim软件建立动力换挡变速箱先导式溢流阀的系统仿真模型;利用系统仿真模型进行先导式溢流阀的故障分析;根据先导式溢流阀的故障分析结果建立先导式溢流阀的故障注入模型,利用故障注入模型对先导式溢流阀进行故障仿真模拟得到故障注入矩阵,利用故障注入模型和故障注入矩阵对BP神经网络算法进行训练优化得到故障诊断算法,通过故障诊断算法对先导式溢流阀进行实际故障诊断。本发明的方法采用BP神经网络算法利用仿真得到的故障数据进行训练优化,能够方便快速地检测出动力换挡变速箱先导式溢流阀的故障,故障诊断算法的准确性和可靠性大幅提升。
Description
技术领域
本发明涉及变速箱故障诊断技术领域,尤其涉及一种动力换挡变速箱先导式溢流阀的故障诊断方法。
背景技术
变速箱在拖拉机等农业机械中起着动力传递、动力输出的作用,其优点有换挡动力输出不中断、易于操作等。目前PST(Power shift gearbox,动力换挡变速箱)均采用液压驱动,液压系统的油压处于正常范围是PST完成换挡和动力输出的基础,在PST的液压系统中先导式溢流阀起到稳定油压的作用,变速箱控制器通过油压传感器监测先导式溢流阀的油压输出。先导式溢流阀的正常工作对于整个PST的液压系统至关重要。
在发动机、油泵等工作正常的情况下,先导式溢流阀通过在发动机转速升高导致油泵流量增加时,增大阀芯开度增加溢流使得系统压力稳定,而在发动机转速减小导致油泵流量降低时,减小阀芯开度减少溢流使得系统压力稳定。先导式溢流阀的增加或减小阀芯开度主要依靠平衡弹簧的预设张力与阻尼孔的阻尼作用来完成,但在农业机械的恶劣工作环境中,液压油中的杂质易导致孔径mm级别的阻尼孔发生堵塞故障和主、导阀芯卡死故障,高温、振动等也易导致弹簧失效故障。由于这些故障具有偶发性、难复现性,所以其故障数据较难找到,在缺乏故障数据的情况下进行故障诊断是非常困难的。
因此,利用建模模拟故障,利用故障数据训练故障诊断算法,将故障诊断算法转化为可执行代码下载到控制器中,利用硬件在环仿真设备运行模型,模拟实际工况,将模拟物理故障信号输入到变速箱控制器中,提升控制器故障检测的可靠性,成为了较好的方案。
在故障诊断方法的选择上,中国专利申请号:201810441856.0,专利名称:《一种液压缸故障诊断方法》,该发明先在AMESim软件中对液压缸进行物理建模仿真,并采用遗传算法优化故障诊断模型,并利用模型进行故障诊断。
中国专利申请号:201611161353.5,专利名称《一种电液伺服阀故障诊断方法》,该发明先是采集伺服阀压力、流量、电流等参数,采用奇异值分解及余弦分析法对参数进行处理,并运用准备好的参数训练快速准确的神经网络模型,基于该网络模型进行故障诊断。
上述现有技术中的先导式溢流阀的故障诊断方法的缺点如下:
1、在同一时刻针对模型中的某一参数只能存在其正常值或故障值,正常值和故障值不能同时存在。这样造成了只能模拟阀在启动时刻就带有故障的情况,而对于阀在运行过程中的突发故障(例如:由于液压油中混有异物造成阀在运行过程中阀芯突然卡死)较难进行模拟。
2、某些技术方案中的建模方式虽然可以模拟故障,但是其模型是利用标准求解器求解变步长下运行,无法适应硬件在环设备控制器对模型定步长计算的要求。
3、某些技术方案提出了以阀的流量数据或阀芯位移等作故障诊断的依据,但是装配在动力换挡变速箱中的阀在工作时,变速箱控制器只能通过油压传感器输出的与油压成正比的电压或电流信号判断阀的工作状态,因此这些技术方案只适用于阀从变速箱拆下来进行检测,不适用于阀工作时的故障诊断。
发明内容
本发明的实施例提供了一种动力换挡变速箱先导式溢流阀的故障诊断方法,以克服现有技术的问题。
为了实现上述目的,本发明采取了如下技术方案。
一种动力换挡变速箱先导式溢流阀的故障诊断方法,包括:
通过AMESim软件建立动力换挡变速箱先导式溢流阀的系统仿真模型;
利用所述动力换挡变速箱先导式溢流阀的系统仿真模型进行先导式溢流阀的故障分析;
根据先导式溢流阀的故障分析结果建立先导式溢流阀的故障注入模型;
利用所述故障注入模型对先导式溢流阀进行故障仿真模拟得到故障注入矩阵,利用所述故障注入模型和所述故障注入矩阵对BP神经网络算法进行训练优化得到故障诊断算法,通过所述故障诊断算法对先导式溢流阀进行实际故障诊断。
优选地,所述的通过AMESim软件建立动力换挡变速箱先导式溢流阀的系统仿真模型,包括:
进入AMESim软件,新建模型,点击草图模式按钮sketch model,在草图模式下添加库内元件搭建系统草图;
在子模型模式,给每个动力换挡变速箱先导式溢流阀的元件匹配子模型,点击参数模式按钮parameter model,在参数模式下设置相关元件参数;
点击set the run parameters按钮,仿真模式设置为定步长,仿真时间设置为100s,仿真步长设置为0.01s,完成正常的动力换挡变速箱先导式溢流阀仿真模型的搭建。
优选地,所述的利用所述动力换挡变速箱先导式溢流阀的系统仿真模型进行先导式溢流阀的故障分析,包括:
对所述正常的先导式溢流阀仿真模型的液压系统和机械系统进行结构分析,建立先导式溢流阀的各元件之间的逻辑关系;
根据所述先导式溢流阀的各元件之间的逻辑关系,对先导式溢流阀的主阀进行失效模式和影响分析FMEA分析;
根据所述先导式溢流阀的各元件之间的逻辑关系,对先导式溢流阀的先导式溢流阀进行FMEA分析;
根据所述先导式溢流阀的各元件之间的逻辑关系,对先导式溢流阀的阻尼孔进行FMEA分析;
综合所有FMEA分析的结果获取先导式溢流阀的故障特征和故障原因。
优选地,所述的根据先导式溢流阀的故障分析结果建立先导式溢流阀的故障注入模型,所述故障注入模型包括正常参数模型和故障参数模型,包括:
将所述先导式溢流阀的故障注入模型中的正常参数模型中油路的正常阻尼孔和故障阻尼孔分别设置为两个;
将所述先导式溢流阀的故障注入模型中的正常参数模型中先导式溢流阀的质量块设置为两个,分别是正常质量块和故障质量块;
将所述先导式溢流阀的故障注入模型中的正常参数模型中先导式溢流阀的导阀的弹簧设置为两个,分别是正常弹簧和故障弹簧,综合所述油路的正常阻尼孔和故障阻尼孔、质量块、主阀的弹簧的设置情况获得先导式溢流阀的故障注入模型。
优选地,所述的利用所述故障注入模型对先导式溢流阀进行故障仿真模拟得到故障注入矩阵,包括:
在AMESim软件中打开先导式溢流阀的故障注入模型,点击set the runparameters按钮,仿真模式设置为定步长,仿真时间设置为100s,仿真步长设置为0.01s;
将先导式溢流阀的主阀、导阀和阻尼孔的故障发生类型通过故障注入模型进行注入,注入故障时,通过PXIe系统将故障以实际的物理信号模拟生成出来,并将故障的实际物理信号进行保存。
注入故障时,根据故障注入时的顺序、模式建立故障注入矩阵。
优选地,所述的利用所述故障注入模型和所述故障注入矩阵对BP神经网络算法进行训练优化得到故障诊断算法,通过所述故障诊断算法对先导式溢流阀进行实际故障诊断,包括:
将故障注入模拟时的元件交互信号的所对应的物理信号作为故障数据,根据所述故障注入模型采用小波分析法确定出所述故障数据的故障特征向量,采用组合信息法建立所述故障注入矩阵;
搭建一个3层的BP神经网络结构,设置BP神经网络算法的参数初始值,所述参数初始值包括:学习速率、输入节点的数量、隐含层节点的数量、输出节点的数量、训练的最大次数和训练集的组数,确定BP神经网络算法的输入层和输出层节点数;
将所述故障特征向量作为BP神经网络的输入数据,随机选择75%的故障特征向量作为训练集,利用训练集对BP神经网络算法进行训练优化,得到故障诊断算法,并利用所述故障注入矩阵中的元素数据对所述故障诊断算法进行测试和诊断,得到优化后的故障诊断算法。
优选地,所述的通过所述故障诊断算法对先导式溢流阀进行实际故障诊断,包括:
将优化后的故障诊断算法转化为可执行代码下载到变速箱控制器中,将动力换挡变速箱先导式溢流阀的模拟物理故障信号输入到变速箱控制器中,利用变速箱控制器中优化后的故障诊断算法完成故障诊断。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提供的动力换挡变速箱先导式溢流阀故障诊断方法采用BP神经网络算法利用仿真得到的故障数据进行训练优化,能够方便快速地检测出动力换挡变速箱先导式溢流阀的故障,故障诊断算法的准确性和可靠性大幅提升。对先导式溢流阀进行潜在失效模式及后果分析,指出液压阀的缺陷,可为整个动力换挡变速箱开发研究缩短周期。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种先导式溢流阀正常模型示意图;
图2为本发明实施例提出的一种动力换挡变速箱先导式溢流阀的故障诊断方法的处理流程图;
图3为本发明实施例提供的一种故障注入模型示意图;
图4为本发明实施例提供的一种导阀故障注入模型示意图;
图5为本发明实施例提供的一种先导式溢流阀故障模拟结果示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
实施例一
图1为本发明实施例提供的一种动力换挡变速箱先导式溢流阀的正常模型示意图,针对图1所示的装置模块,本发明实施例提出的一种动力换挡变速箱先导式溢流阀的故障诊断方法的处理流程如图2所示,包括以下的处理步骤:
步骤S1:通过AMESim软件建立动力换挡变速箱先导式溢流阀的系统仿真模型。
步骤1.1:进入AMESim软件,新建模型,点击草图模式按钮sketch model,在草图模式下添加库内元件搭建系统草图。
步骤1.2:在子模型模式,给每个动力换挡变速箱先导式溢流阀的元件匹配子模型。然后点击参数模式按钮parameter model,在参数模式下设置相关元件参数。
步骤1.3:点击set the run parameters按钮,仿真模式设置为定步长,仿真时间设置为100s,仿真步长设置为0.01s,完成正常的先导式溢流阀仿真模型的搭建。上述先导式溢流阀仿真模型中包括液压系统和机械系统,该模型包括液压系统和机械系统,图1中,元件1:单向定量油泵,2:阻尼孔,3:主阀锥形阀口,4:主阀质量块,5:主阀弹簧活塞,6:阻尼孔,7:导阀球形阀口,8:导阀质量块,9:导阀弹簧活塞。元件的所受的F,S,V等数据可直接查看,不需要建立传感器。
步骤S2:利用上述动力换挡变速箱先导式溢流阀的系统仿真模型进行先导式溢流阀的故障分析。
步骤2.1:对上述正常的先导式溢流阀仿真模型的液压系统和机械系统进行结构分析,建立先导式溢流阀的各元件之间的逻辑关系。
步骤2.2:根据先导式溢流阀的各元件的逻辑关系,对先导式溢流阀的主阀进行FMEA(Failure Mode and Effect Analysis,失效模式和影响分析)分析。
步骤2.3:根据先导式溢流阀的各元件的逻辑关系,对先导式溢流阀的先导式溢流阀进行FMEA分析(分析结果如表1所示)。
表1先导式溢流阀导阀FMEA分析结果
步骤2.4:根据先导式溢流阀的各元件的逻辑关系,对先导式溢流阀的阻尼孔进行FMEA分析。
步骤2.5:综合所有FMEA分析的结果获取先导式溢流阀的故障特征和故障原因,为下一步故障注入模型的建立提供支持。
步骤S3:根据先导式溢流阀的故障分析结果建立故障注入模型(如图2所示)。上述故障注入模型中既包含了正常参数模型又包含有故障参数模型,输入0代表注入故障,输入1代表故障消除。
步骤3.1:在参数模式下,将正常模型中油路中的阻尼孔2和阻尼孔6各设置为两个,一个为正常阻尼孔,一个为故障阻尼孔,就有正常阻尼孔21和故障阻尼孔22以及正常阻尼孔61和故障阻尼孔22。
步骤3.2:在参数模式下将正常模型中先导式溢流阀中的质量块4设置为两个,分别是正常质量块41和故障质量块42。
步骤3.3:在参数模式下将正常模型中导阀中的弹簧9设置为两个,分别是正常弹簧91和故障弹簧92,综合上述步骤3.1、3.2和3.3中的参数模式下各种设置获得先导式溢流阀的故障注入模型。
步骤S4:利用故障注入模型对先导式溢流阀的故障进行仿真模拟。
步骤4.1:在AMESim软件中打开故障注入模型,点击set the run parameters按钮,仿真模式设置为定步长,仿真时间设置为100s,仿真步长设置为0.01s。
步骤4.2:将主阀、导阀、阻尼孔的故障发生类型通过故障注入模型进行注入,例如8号元件与9号元件交互的信号有力F、速度V、位移X,使用FVXSG2子模型将三个参数拆分出来分别与正常9号元件模型和故障9号元件模型交互,然后通过选择模块选择便可以注入故障。先导式溢流阀的故障模拟结果如图4所示。
步骤4.3:注入故障时,通过PXIe(PCI extensions for Instrumentationexpress,面向仪器系统的PCI扩展表达)系统将故障以实际的物理信号(主要是电压信号和电流信号)模拟生成出来,并将故障的实际物理信号进行保存,将故障注入模拟时的元件交互信号的所对应的物理信号作为故障数据。
步骤4.4:对故障数据进行故障特征向量提取,采用小波分析法进行数据降噪和去除干扰,以小波特征熵为特征参数,采用公式,在故障状态下其特征熵较小,以此原则提取出上述故障数据的故障特征向量。
步骤4.5:注入故障时,根据故障注入时的顺序、模式,采用组合信息法建立故障注入矩阵,其中故障注入矩阵中的元素值0代表元件无故障状态,元素值1代表故障状态,并与故障特征向量相对应,为后续故障诊断算法测试提供支持。
步骤S5:利用对先导式溢流阀的故障进行仿真模拟得到的故障数据对BP神经网络算法进行训练优化,得到故障诊断算法,利用故障诊断算法对先导式溢流阀进行实际故障诊断。
步骤5.1:确定BP神经网络的层数,其中隐含层层数确定为1,总层数确定为3,3层的BP神经网络即可满足数据映照,将所述故障特征向量确定为BP神经网络的输入数据。
步骤5.2:搭建一个3层的BP神经网络结构。设置BP神经网络算法参数初始值,所述参数初始值包括:学习速率、输入节点的数量、隐含层节点的数量、输出节点的数量、训练的最大次数、训练集的组数。确定输入层和输出层节点数。依据故障元件可能数量,输入层定为4个节点数;依据故障类型数量,输出层神经元数定为12个节点数。
步骤5.3:将所述故障特征向量数据作为故障数据,随机选择75%的故障数据作为训练集,将训练集的故障数据注入到BP神经网络算法中,对BP神经网络算法进行训练优化,得到故障诊断算法。
步骤5.4:利用所述故障注入矩阵中的元素数据对所述故障诊断算法进行测试和诊断,得到优化后的故障诊断算法。
上述故障诊断算法的故障诊断结果如表2所示。
表2故障诊断算法实验结果
步骤5.5:将优化后的故障诊断算法转化为可执行代码下载到变速箱控制器中,将动力换挡变速箱先导式溢流阀的模拟物理故障信号输入到变速箱控制器中,利用变速箱控制器中优化后的故障诊断算法顺利完成故障诊断。
综上所述,本发明实施例提供的动力换挡变速箱先导式溢流阀故障诊断方法能够方便快速地检测出动力换挡变速箱先导式溢流阀的故障,对先导式溢流阀进行潜在失效模式及后果分析,指出液压阀的缺陷,可为整个动力换挡变速箱开发研究缩短周期。
应用本发明的方法能够在先导式溢流阀工作时进行故障诊断,且相对于已有的基于AMESim软件的故障模拟诊断方法,本发明是直接使用参数拆分法建立故障注入模型,能够快速将各种故障进行注入仿真,实时性大大增强,并通过PXIe系统将故障以实际的物理信号模拟生成出来,对于后续的变速箱的控制器故障检测提供数据支持。
本发明采用BP神经网络算法利用仿真得到的故障数据进行训练优化,故障诊断算法的准确性和可靠性大幅提升。这些优点对于动力换挡变速箱先导式溢流阀故障诊断准确性和可靠性能够有巨大提升,对于研究动力换挡变速箱的整体性能的提高产生帮助。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种动力换挡变速箱先导式溢流阀的故障诊断方法,其特征在于,包括:
通过AMESim软件建立动力换挡变速箱先导式溢流阀的系统仿真模型;
利用所述动力换挡变速箱先导式溢流阀的系统仿真模型进行先导式溢流阀的故障分析;
根据先导式溢流阀的故障分析结果建立先导式溢流阀的故障注入模型;所述故障注入模型包括正常参数模型和故障参数模型,具体包括:
将所述先导式溢流阀的故障注入模型中的正常参数模型中油路的正常阻尼孔和故障阻尼孔分别设置为两个;
将所述先导式溢流阀的故障注入模型中的正常参数模型中先导式溢流阀的质量块设置为两个,分别是正常质量块和故障质量块;
将所述先导式溢流阀的故障注入模型中的正常参数模型中先导式溢流阀的导阀的弹簧设置为两个,分别是正常弹簧和故障弹簧,综合所述油路的正常阻尼孔和故障阻尼孔、质量块、导阀的弹簧的设置情况获得先导式溢流阀的故障注入模型;
利用所述故障注入模型对先导式溢流阀进行故障仿真模拟得到故障注入矩阵,利用所述故障注入模型和所述故障注入矩阵对BP神经网络算法进行训练优化得到故障诊断算法,通过所述故障诊断算法对先导式溢流阀进行实际故障诊断;具体包括:
将故障注入模拟时的元件交互信号的所对应的物理信号作为故障数据,根据所述故障注入模型采用小波分析法确定出所述故障数据的故障特征向量,采用组合信息法建立所述故障注入矩阵;
搭建一个3层的BP神经网络结构,设置BP神经网络算法的参数初始值,所述参数初始值包括:学习速率、输入节点的数量、隐含层节点的数量、输出节点的数量、训练的最大次数和训练集的组数,确定BP神经网络算法的输入层和输出层节点数;
将所述故障特征向量作为BP神经网络的输入数据,随机选择75%的故障特征向量作为训练集,利用训练集对BP神经网络算法进行训练优化,得到故障诊断算法,并利用所述故障注入矩阵中的元素数据对所述故障诊断算法进行测试和诊断,得到优化后的故障诊断算法;
所述的利用所述故障注入模型对先导式溢流阀进行故障仿真模拟得到故障注入矩阵,包括:
在AMESim软件中打开先导式溢流阀的故障注入模型,点击set the run parameters按钮,仿真模式设置为定步长,仿真时间设置为100s,仿真步长设置为0.01s;
将先导式溢流阀的主阀、导阀和阻尼孔的故障发生类型通过故障注入模型进行注入,注入故障时,通过PXIe系统将故障以实际的物理信号模拟生成出来,并将故障的实际物理信号进行保存;
注入故障时,根据故障注入时的顺序、模式建立故障注入矩阵。
2.根据权利要求1所述的方法,其特征在于,所述的通过AMESim软件建立动力换挡变速箱先导式溢流阀的系统仿真模型,包括:
进入AMESim软件,新建模型,点击草图模式按钮sketch model,在草图模式下添加库内元件搭建系统草图;
在子模型模式,给每个动力换挡变速箱先导式溢流阀的元件匹配子模型,点击参数模式按钮parameter model,在参数模式下设置相关元件参数;
点击set the run parameters按钮,仿真模式设置为定步长,仿真时间设置为100s,仿真步长设置为0.01s,完成正常的动力换挡变速箱先导式溢流阀仿真模型的搭建。
3.根据权利要求2所述的方法,其特征在于,所述的利用所述动力换挡变速箱先导式溢流阀的系统仿真模型进行先导式溢流阀的故障分析,包括:
对所述正常的动力换挡变速箱先导式溢流阀仿真模型的液压系统和机械系统进行结构分析,建立先导式溢流阀的各元件之间的逻辑关系;
根据所述先导式溢流阀的各元件之间的逻辑关系,对先导式溢流阀的主阀进行失效模式和影响分析FMEA分析;
根据所述先导式溢流阀的各元件之间的逻辑关系,对先导式溢流阀的先导式溢流阀进行FMEA分析;
根据所述先导式溢流阀的各元件之间的逻辑关系,对先导式溢流阀的阻尼孔进行FMEA分析;
综合所有FMEA分析的结果获取先导式溢流阀的故障特征和故障原因。
4.根据权利要求1所述的方法,其特征在于,所述的通过所述故障诊断算法对先导式溢流阀进行实际故障诊断,包括:
将优化后的故障诊断算法转化为可执行代码下载到变速箱控制器中,将动力换挡变速箱先导式溢流阀的模拟物理故障信号输入到变速箱控制器中,利用变速箱控制器中优化后的故障诊断算法完成故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910403024.4A CN110135066B (zh) | 2019-05-15 | 2019-05-15 | 一种动力换挡变速箱先导式溢流阀的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910403024.4A CN110135066B (zh) | 2019-05-15 | 2019-05-15 | 一种动力换挡变速箱先导式溢流阀的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135066A CN110135066A (zh) | 2019-08-16 |
CN110135066B true CN110135066B (zh) | 2021-04-13 |
Family
ID=67574117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910403024.4A Active CN110135066B (zh) | 2019-05-15 | 2019-05-15 | 一种动力换挡变速箱先导式溢流阀的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135066B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705138B (zh) * | 2019-08-23 | 2022-06-28 | 中国第一汽车股份有限公司 | 一种变速器热模型建模方法 |
CN112651088B (zh) * | 2020-09-30 | 2023-02-03 | 中国核动力研究设计院 | 先导式安全阀动态特性分析的建模方法以及分析模型系统 |
CN113656985B (zh) * | 2021-09-01 | 2024-03-15 | 上海仁童电子科技有限公司 | 制动系统中阀类元件的建模方法、故障诊断方法及装置 |
CN116086790B (zh) * | 2023-04-11 | 2023-06-23 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池高压阀的性能检测方法及其系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106948881A (zh) * | 2017-03-31 | 2017-07-14 | 山东中实易通集团有限公司 | 一种汽轮机调门无法正常开启的模块化诊断方法 |
CN108363896A (zh) * | 2018-05-10 | 2018-08-03 | 南京航空航天大学 | 一种液压缸故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6691023B2 (en) * | 2000-05-26 | 2004-02-10 | Yamaha Marine Kabushiki Kaisha | Diagnostic system for engine |
CN205533544U (zh) * | 2016-04-05 | 2016-08-31 | 中国重型机械研究院股份公司 | 一种带故障自诊断的液压缸位置跟随系统 |
CN106250608B (zh) * | 2016-07-27 | 2019-03-08 | 北京航空航天大学 | 一种基于Modelica模型的故障管理方法 |
CN107943004B (zh) * | 2017-12-06 | 2019-12-06 | 北京交通大学 | 拖拉机动力换挡控制器的测试系统 |
-
2019
- 2019-05-15 CN CN201910403024.4A patent/CN110135066B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106948881A (zh) * | 2017-03-31 | 2017-07-14 | 山东中实易通集团有限公司 | 一种汽轮机调门无法正常开启的模块化诊断方法 |
CN108363896A (zh) * | 2018-05-10 | 2018-08-03 | 南京航空航天大学 | 一种液压缸故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
Fault Simulation of Relay Valve Based on AMEsim;Zai Kun Tao 等;《Applied Mechanics and Materials》;20121231;全文 * |
基于AMESim的先导式溢流阀故障仿真分析;侯艳艳 等;《液压与气动》;20141231(第12期);全文 * |
基于AMESim的液力自动变速器故障仿真研究;李文朋;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180915(第09期);论文摘要,第6-16页 * |
基于BP神经网络的汽车液压助力转向系统故障诊断仿真;朱诗顺 等;《军事交通学院学报》;20140831;第16卷(第8期);第43-47页 * |
基于系统级症状的多核处理器故障诊断研究;宋艳佩;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150315(第03期);论文第35-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110135066A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135066B (zh) | 一种动力换挡变速箱先导式溢流阀的故障诊断方法 | |
CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
WO2007067644A3 (en) | Self-diagnostic process control loop for a process plant | |
CN114298267B (zh) | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
CN111125052B (zh) | 基于动态元数据的大数据智能建模系统及方法 | |
CN109211546A (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
CN114216682B (zh) | 一种基于tcn和bls的滚动轴承的寿命预测方法及装置 | |
CN107944193A (zh) | 航电半实物仿真系统 | |
CN107886091A (zh) | 一种基于深度神经网络的机械故障快速诊断方法 | |
CN107036808B (zh) | 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法 | |
CN109886328A (zh) | 一种电动汽车充电设施故障预测方法与系统 | |
CN110580727A (zh) | 信息流与梯度流增加的深度v型密集网络成像方法 | |
CN109902357B (zh) | 一种复变差分的光滑非线性结构动响应灵敏度分析方法 | |
CN104020680A (zh) | 基于硬件在环系统的软件自动测试方法和系统 | |
CN114970628A (zh) | 样本不均衡下基于生成对抗网络的转动部件故障诊断方法 | |
CN117669388A (zh) | 故障样本生成方法、装置、计算机介质 | |
CN114266013B (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
CN110347579B (zh) | 基于神经元输出行为模式的深度学习测试用例的选择方法 | |
CN102253663B (zh) | 一种网络化三容水箱系统的泄漏故障诊断方法及系统 | |
CN116340817A (zh) | 液压活塞泵智能故障识别方法 | |
KR20230158787A (ko) | 디지털트윈 기반 고장진단 및 건전성 관리 장치 | |
CN112926400A (zh) | 基于数据驱动的液压缸内泄露故障智能诊断方法及系统 | |
CN111506998B (zh) | 一种构建机电产品制造过程参数漂移故障特征样本库的方法 | |
RU2744823C1 (ru) | Способ поиска неисправных блоков в непрерывной динамической системе на основе введения пробных отклонений |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |