通过实际调查分析归纳出矿山液压机械系统常见故障如下：
1.1温度过高。主要原因有：油粘度过高、内泄严重、冷却器堵塞、泵修理后性能差及油位低、压力调定过大、摩擦损失大。液压系统的零件因过热而膨胀，破坏了相对运动零件原来正常的配合间隙，导致摩擦阻力增加、液压阀容易卡死，同时，使油膜变薄、机械磨损增加，结果造成泵、阀、马达等的精密配合面因过早磨损而使其失效或报废。
1.2因为不良、摩擦阻力变化、空气进入、压力脉冲较大或系统压力过低、阀出现故障、泄漏增大、别劲、烧结造成的执行机构运动速度不够或完全不动。
1.3因为泵不供油、油箱油位过低吸油困难、油液粘度过高、泵转向不对、泵堵塞或损坏、.接头或密封泄漏、主泵或马达泄漏过大、油温过高、溢流阀调定值低或失效、泵补油不足、阀工作失效造成的系统无压力或压力不足。
1.4因为泵工作原理及加工装配误差引起、控制阀阀芯振动、换向时油液惯性造成的压力或流量的波动。
1.5因为油温过高、油粘度过大及油液自身发泡、泵自吸性能低、吸油阻力大、油箱液面低、密封失效或接头松动、件结构及加工质量造成的气穴与气蚀。
2故障诊断技术及应用
2.1主观诊断技术：指维修人员利用简单的诊断仪器凭借个人的实践经验分析判断故障产生的原因和部位。方便快捷，可靠性较低，属于较简单定性分析。包括直觉经验法、参数测量法、逻辑分析法、堵截法、故障树分析法等。
直觉经验法指维修人员凭感官和经验,通过看、听、摸、闻、问等方法判断故障原因:看执行元件是否爬行、无力、速度异常，液位高度、油液变质及外泄漏,测压点工作压力是否稳定，各连接处有无泄漏及泄漏量；听泵和马达有无异常声响、溢流阀尖叫声、软管及弯管振动声等。摸系统元件的油温和冲击、振动的大小、闻油液是否变质、轴承烧坏、油泵烧结等。询问设备操作者，了解液压系统平时工况、元件有无异常、设备维护保养及出现过的故障和排除方法。
参数测量法指通过测得系统回路中所需点处工作参数，将其与系统工作正常值比较,即可判断出参数是否正常、是否有故障及故障所在部位，适于在线监测、定量预报和诊断潜在故障。
逻辑分析法指根据元件、系统、设备三者逻辑关系和故障现象,通过研究液压原理图和元件结构,进行逻辑分析,找出故障发生部位。
堵截法指根据液压系统的组成及故障现象选择堵截点，堵截法观察压力和流量的变化，从而找出故障的方法。堵截法快速准确，但使用较麻烦，拆装量大，需要整套的堵截工具和元件。
故障树分析法指对系统做出故障树逻辑结构图，系统故障画在故障树的顶端为顶事件，根据各元件部位的故障率数据，最终确定系统故障。适合较大型、较复杂系统故障的判定和预测。
2.2仪器诊断技术：根据液压系统的压力、流量、温度、噪声、震动、油的污染、泄露、执行部件的速度、力矩等，通过仪器显示或计算机运算得出判断结果。诊断仪器有整理型、专用型、综合型、其发展方向是非接触式、便携式、多功能和智能化。包括铁谱记录法、震动诊断法、声学诊断法、热力学诊断法等。如铁谱记录法，通过分析铁粉图谱，根据铁粉记录图片上的磨损粉末、大小和颜色等信息，准确得到液压系统的磨损与腐蚀的程度和部位，并可对液压油进行定量污染分析和评价，做到在线检测和故障预防。
2.3智能诊断技术：指模拟人脑机能，有效获取、传递、处理、再生和利用故障信息，运用大量独特的专家经验和诊断策略，识别和预测诊断对象包括模糊诊断法、灰色系统诊断法、专家系统诊断法、神经网络系统诊断法等。目前研究最活跃的是专家系统和神经网络，使故障诊断智能化，具有广阔发展应用前景。基于人工智能的专家诊断系统，是计算机模仿在某一领域内有经验的专家解决问题的方法，将故障现象输入计算机，计算机根据输入现象及知识库中知识按推理集中存放的推理方法，推算出故障原因，并提出维修或预防措施。人工神经网络是模仿人的大脑神经元结构特性，利用神经网络的容错、学习、联想记忆、分布式并行信息处理等功能，把专家经验输入网络，通过对故障实例和诊断经验的训练学习依据一定的训练算法，得到最佳接近的理想输出。
3结论
维修的目的在于保证机械设备运转的可靠性和经济性，维修方式的选择应从故障发生的安全性、经济性考虑。机械设备的维修方式是对机械维修时机和维修深度的控制模式。采用合理的维修方式可以有效地延长工程机械的使用寿命，提高机械设备的工作效率。
由于矿山设备工作状态的多样性及液压系统的愈加复杂，在生产实践中还应该积极研究与应用多种现代先进诊断技术。随着诊断技术智能化，高精度化，不解体化并与先进通讯技术，网络技术，智能传感器技术等现代信息技术的融合，矿山液压机械系统故障诊断的准确性，快捷性和便利性必将大大提高，
参考文献：
[1]朱真才，韩振铎主编.采掘机械与液压传动[M].徐州：中国矿业大学出版社.2005.
[2]谢锑纯，李晓豁主编.矿山机械与设备[M].徐州：中国矿业大学出版社.2000.
关键词:人工神经网络;故障诊断;水泵
中图分类号:TU
文献标识码:A
文章编号:1672-3198(2010)04-0295-02
1人工神经网络理论应用于水泵故障诊断研究的理论意义
采用人工神经网络(ANN)技术解决机械故障诊断问题的主要着眼点在于:
(1)ANN的大规模分布式并行处理能力,适于解决复杂的诊断问题。
(2)ANN具有较强的非线性处理能力,适宜于解决故障诊断中复杂的非线性模式识别问题。
(3)ANN具有任意复杂映射的强有力的逼近能力,适宜于解决故障领域中的预测与控制问题。
水泵工作故障往往表现为工作平稳性恶化、振动加剧以及噪声增大,这往往又是衡量机器制造质量和工作性能的重要指标。本文以某型号离心泵为对象,通过测取故障振动信号来进行故障诊断。
水泵转子由于制造误差、装配不当或在不适当的条件(载荷、等)下使用,常会发生以下故障:①转子不平衡;②不对中;③油膜涡动。而这些故障将会使轴承的旋转精度降低,产生振动、噪声,增加轴承旋转的阻力,最终将使轴承受到阻滞或卡死,造成整个工业系统的失效。振动中不平衡、不对中以及油膜涡动占整个故障发生率的80%。因此对上述故障进行诊断具有非常重要的意义。
神经网络之所以适合于故障诊断,是因为神经网络具有以下优越性:自组织和自学习能力可以根据对象的正常历史数据训练神经网络,然后将此信息与当前测量数据进行比较,以确定故障;联想记忆神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力,可以训练神经网络来识别故障信息,使其能在噪声环境中有效地工作,这种滤除噪声的能力使得神经网络适合在线故障检测和诊断;非线性映射能力神经网络对于高维空间模式识别和非线性模式识别问题的分类精度高,具有分辨故障原因及类型的能力,这为实现故障诊断奠定了基础。因此,神经网络理论在故障诊断领域显示出了极大的应用潜力。本文将新兴的神经网络理论应用于水泵的故障诊断和状态检测,以某型号水泵的实测数据为例,对神经网络模型进行训练分析,取得了令人满意的结果,具有实际应用价值。
2人工神经网络应用于水泵故障诊断技术的实现
2.1样本数据的获取
实验采用便携式Dasylab测试系统进行测试,在现场对三种故障进行模拟,将数据信号存储在磁盘中,得到水泵三种故障:(1)转子不平衡;(2)转子不对中;(3)油膜涡动的时域曲线和频域曲线。对各个故障的频域曲线,提取了五个不同频率的幅值作为描述水泵故障的特征值,并把这组特征值作为输入量。
2.2特征提取
要从样本中提取对诊断故障贡献大的有用信息,这一工作就是特征提取。特征提取就是利用已有特征参数构造一个较低维数的特征空间,将原始特征中蕴含的有用信息映射到少数几个特征上,忽略多余的不相干的信息,从数学意义上讲,就是对一个n维向量X=[x1.x2,…,xn]T进行降维变换成低维向量Y=[y1,y2,…,yn]T,m
由于水泵设备总是运行在噪声、电磁干扰等环境中,在振动信号分析与处理方法中,常用快速傅立叶(FFT)变换对振动信号进行频谱分析。
2.3样本数据的预处理
原始样本数据不宜直接作为神经网络输入,那会使网络连接权值相差极大,使网络输出性能变得不稳定。因此在输入网络前通常需要将数据进行预处理。为了一开始就使各变量的重要性处于同等地位,神经网络学习和测试时要对提取的数据进行归一化处理,即:令
x′i=xi-xminxmax-xmin(1.1)
xi――不同频率下的幅值
xmin――最小幅值xmin=min(xi)
xmax――最大幅值xmax=max(xi)
这样,网络所有输入都在[0,1]内。
2.4水泵故障诊断神经网络模型结构
由于故障机理(故障征兆和故障原因之间的关系)往往隐含于故障实例之中,通过一些故障实例(称为故障样本)对神经网络进行训练学习,可以建立起系统的故障诊断模型,而故障诊断的推理规则隐含于神经网络的网络拓扑结构和网络权值之中。
多层前馈神经网络的输入和输出之间的关系,可以看成是一种映射关系,这种映射是一个高度非线性映射,如果输入节点数为L,输出节点数为N,网络是从L维欧氏空间到N维欧氏空间的映射。三层神经就已经能够逼近任意函数了,因此,水泵故障诊断神经网络采用三层结构即输入层、输出层和隐含(中间层)。通过有监督的训练方法训练网络权值。
(1)输入层设计。
特征参数组成特征向量,特征向量作为网络输入。所以,特征参数选取的正确与否直接影响到网络的性能。
通常,选取的方法应该通过理论分析、专家经验、试验找出对水泵性能影响较大,同时对各种故障都有较明显反应的变量作为特征参数,然后将这些特征参数组成特征向量,经过数据的预处理,作为BP网络的输入。第二章通过水泵故障机理的分析可以发现5个参数在故障情况下变动明显。因此,本文选取以上5个参数作为BP网络的输入参数。
输入层中神经元节点的个数对应着上述状态特征描述参数矢量或数组。通过对水泵故障的分析,提取了频域曲线中五个不同频率的幅值作为描述水泵故障的特征值,并把这组特征值作为输入量,所以水泵故障诊断神经网络的输入单元为5个。
(2)输出层设计。
网络输出向量,通常是具体问题的目标结果。本文的目的是判断某一状态下处于何种故障,输出层中神经元节点的个数对应于神经网络要识别的故障模式矢量或矩阵。本故障诊断神经网络需要对不平衡、不对中和油膜涡动三种故障进行识别。因此水泵故障诊断神经网络的输出为3个单元。
如以上所述,BP神经网络的输入神经元有5个,输出神经元有3个。隐层神经元数目是由训练样本数目决定的。
(3)中间层设计。
中间层数及其神经元节点的个数与输入的技术特征参数的复杂程度及所需识别的故障模式种类有关。当输入模式和输出模式相当不同时,就需要增加中间层,形成输入信号的中间转换。处理信号的能力随层数的增加而增加,如果有足够的中间层单元,输入模式也总能转换为适当的输出模式。一般来说,还没有任何理论根据采用两层以上的中间层。对大多数的实际问题来说,一层中间层即三层网络己经足够了。根据经验,采用两层以上的中间层几乎没有任何益处。采用越多的中间层,训练时间就会急剧增加,这是因为中间层越多,误差向后传播的过程计算就越复杂,使训练时间急剧增加。另外中间层增加后,局部最小误差也会增加,网络在训练过程中,往往容易陷入局部最小误差而无法摆脱,网络的权重难以调整到最小误差处。
根据试验的需要和具体的分析,本研究所建立的网络为一层中间层,确定中间层以后的一个重要问题是选择适当的中间层处理单元。可以说,选用中间层单元数往往是网络成败的关键,因为中间层处理单元数选用太小,则网络所能获取的用以解决问题的信息太少,难以处理复杂的问题;但若中间层处理单元数过多,不仅使网络的训练时间急剧增加,难以在人们所能接受的时间内完成训练,更重要的是过多的中间层处理单元还可能出现所谓“过度吻合”问题。也就是说,如果网络具有过多的信息处理能力,甚至把训练集中一些无关紧要的非本质的东西,也学的惟妙惟肖时,则网络就难以分辨数据中真正的模式。
一般来说,中间层单元数可根据下式确定,
n1=n+m+α
式中n1――中间层单元数m――输出层单元数n――输入层单元数
α――1-10之间的整数
本文中,m取3,n取5,根据上面公式中间层单元数n1取5。从而该水泵故障诊断神经网络结构如图所示。
图1
2.5神经网络关键程序实现
(1)创建网络。
使用newff()函数创建网络,网络参数设置如下:
隐藏层神经元设置为5,输出层神经元个数为3,根据神经网络的要求和所要达到的网络输出目的,选择输入层到隐藏层间的传递函数为tansig,即S型的正切函数,隐藏层到输出层间的传递函数为logsig型函数,即为S型的对数函数。
使用训练函数trainlm来训练网络。
(2)设置训练次数。
将训练次数设置为1000次。
(3)设置学习效率。
学习速率决定每一次循环训练中所产生的权值变化量,用η表示。η较大时,权值的变化量就较大,学习速率比较快,但有时会导致振荡。η较小时,学习速率慢,然而学习过程平稳。这样,在实际的学习过程中,可以将η值取为一个与学习过程有关的变量,并且在学习刚开始时η值相对大,然后随着学习的深入,η值逐渐减小。在一些简单的问题中,η可取为一个常数,满足0
(4)网络训练。
使用学习样本和目标向量训练网络,P和T分别设为训练样本向量和目标向量。
(5)诊断测试。
利用待诊断数据样本P_test,使用sim()函数实现测试。
3结束语
本文采用Dasylab测试软件采集故障信号,以信号频谱中各阶倍频和分频作为智能诊断的特征因子,提取故障样本,进行BP网络的训练。利用MATLAB建立了水泵故障诊断神经网络学习和诊断程序,实现了基于人工神经网络理论的某型号水泵故障诊断模型。结果表明,本神经网络故障诊断模型不仅克服了传统诊断方法的弊端,而且大大提高了水泵故障诊断的准确率和诊断效率。
参考文献
[1]廖伯瑜.机械故障诊断基础[M].北京:冶金工业出版社,2003:1-36.
[2]田景文.工神经网络算法研究及应用[M].北京:北京理工大学出版社,2006:70-90.
[3]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社,2006:50-85.