基于改進ART神經網絡的液壓系統故障診斷研究

熊 鈺，吳小川，錢 凱

Xiong Yu，Wu Xiaochuan，Qian Kai

（重慶交通大學 機電與汽車工程學院，重慶 400074）

0 引 言

液壓系統因其獨特的優點在日常生產中得到了廣泛的應用。因為液壓管路內油液流動狀態、液壓件內部的零件動作、以及密封件的損壞等情況一般看不見摸不著，所以給人們觀察分析帶來很多麻煩和困難[1]。目前的故障診斷專家系統大體分為兩類：一類是運用模糊故障樹理論[2-4]，該方法中人為因素對故障診斷結果影響太大；另一類是基于神經網絡，主要有BP網絡[5]和RBF網絡[6]，但是大多數都存在“穩定性”和“適應性”兩難狀況，對于比較復雜、龐大的系統而言，事倍功半。Amesim能夠較好地實時仿真液壓系統工作情況，Amesim_HCD庫更能為使用者建立各種非標準元器件進行仿真[7-9]?；谧赃m應共振理論的神經網絡[10-12]（ART網絡）能克服該問題，且對于模式識別和分類具有良好的效果。

1）通過對各模式特征量的距離敏感因子，來調整輸入模式的特征矢量，提高診斷的效率和精度。

2）建立一種改進的ART網絡權值學習算法，能夠使神經網絡訓練過程向輸入模式方向加速收斂，以墨西哥草帽函數建立的鄰域函數能夠使距敏感特征近的區域對模式分類的影響加強，較遠的區域影響減弱。

3）運用Amesim_HCD庫建立完整的液壓泵、換向閥和液壓缸Amesim模型，以及完成起重機液壓系統Amesim仿真建模，并以此對起重機液壓系統故障仿真，為工程問題的解決提供一條新的思路和指導方法。

4）用改進 ART神經網絡算法開發起重機液壓系統故障診斷專家系統，驗證該方法故障診斷可靠性，試驗結果表明該專家系統故障診斷正確率達92%。

1 ART神經網絡

ART-1結構（見圖1）由2層神經元分別稱為比較層和識別層組成。類別判決由在識別層中的1個單一神經元來作出。該網絡包括3個附加模塊：增益1，增益2和復位模塊[13]。子系統包括兩層具有前饋和后饋的神經元（比較層和識別層）。該系統決定輸入模式是否與已存儲的1個模型相匹配。如果匹配，就會產生共振。定位子系統負責檢測在識別層自下而上和自上而下模式之間的失配情況。

識別層作用是計算輸入矢量與聚類中心之間距離測度，當低于預先設置的門限時，必須創建一個新的類別并且將輸入矢量存于該類別中。如果通過了警戒門限，獲勝神經元就會被訓練，使其在特征空間中相應的聚類中心移向輸入矢量。

識別層神經元i輸出可由下式表示：

其中，xj是比較層神經元輸出；f為1階梯函數；m是比較層神經元數目。

ART-2結構（見圖2）是在ART思想（具有2層結構和在 2個方向可修改權值，即前饋和反饋權值）的基礎上建立的。ART-2和ART-1均包含1個注意子系統和1個定向子系統[14]。

相比ART-1，ART-2的比較層已經分成幾層，增加了節點，所以ART-2的預處理比ART-1網絡中預處理復雜得多。但是，取向子系統的修改可以處理實數值數據。ART-2還可以通過適當地更新類別原理，自適應地反映環境中最常見的模式類型，且允許噪音抑制。

2 特征樣本的提取

現有N個樣本組成的含I個類的特征集，每個樣本有m個特征量，第j個樣本的第m特征量用表示[15]。

計算所有N個樣本第m特征量的標準方差和樣本均值

由屬于第i類的Ni個樣本計算第m個特征量標準方差和樣本均值

計算第m特征量的類中心加權標準方差

式中，μ1為平方類中心；μ2為類中心；gim為屬于第i類樣本的第m特征量中心；gm為所有樣本的第m特征量中心；ρi為第i類先驗概率，且。

計算第m個特征的距離敏感因子[16]，并正則化處理

這樣經過處理后，就得到了神經網絡的輸入樣本X。

3 ART神經網絡學習算法改進

神經網絡的學習率和鄰域采取何種遞減方式，對學習的收斂速度和聚類精度都很關鍵。冪函數遞減，聚類結果最好，收斂也快[18]。所采用的遞減方式為

式中，a1為常數，一般取0.05。

根據神經生物學觀點，側反饋的強度應與鄰域內神經元i同獲勝神經元的距離有關。墨西哥草帽函數適合作為鄰域函數

式中，(t)為鄰域的有效寬度；rij為競爭層神經元間的距離。

其中，wi,wj分別為競爭性神經元間的權值。并且采用冪函數遞減：

式中，參數a2為常數，一般取0.5。由此得出用鄰域函數調整神經網絡權值的學習算法：

在不斷的迭代過程中，該學習算法使得屬于敏感區域近鄰域范圍內的特征對該類區分的影響逐漸加強，而鄰域范圍之外的區域對區分該類故障的影響減弱。同時采用非線性函數的形式，使得其收斂速度更快。

神經網絡識別層輸出

式中，為神經網絡的門限值，∈[0,1]，在訓練初期數值設定為0.6，在神經網絡訓練后期和應用階段設置為0.8，提高診斷精度。也可使在0到1范圍內以0.05增量變化，觀察分類情況，以確定各個時期取值。最后，得出神經網絡輸出矢量Out。

4 改進ART神經網絡的建立

4.1 學習階段一

1）計算屬于各訓練類別的原始輸入矢量的m個特征量，并歸一化后得矢量X。取=0.5，計算距離敏感因子，簡化得到輸入矢量X。

2）初始化ART網絡權值wij，輸入新樣本矢量。其中，Xm(t)為t時刻對應的第m個特征量?？偟膶W習次數為。

3）當輸入某一類樣本時，競爭層對應的神經元i被激活，此時yi最大，并計算神經元i與其他競爭神經元之間的歐氏距離rij。

總酸含量是反映醬油品質的主要指標之一，各有機酸與相應醇類經酯化反應可生成具有芳香氣味的各種酯，從而賦予醬油特殊的風味[27]，但過高的總酸能使醬油酸味突出，降低醬油的品質?！禛B2717-2003醬油衛生標準》[28]中嚴格規定總酸含量不得超過 2.5 g/100 mL，本試驗所檢出的總酸含量均在標準限值之下，如圖2。

4）計算鄰域函數值。

6）學習率和鄰域寬度遞減。

7）步驟3），直至所有學習樣本全部學習一遍。

8）t=t+1，直到t＞T1時結束。

4.2 學習階段二

T2=200，η0=0.04，δ0=1，ξ=0.8，并重復2）～6），鄰域寬度和學習率按照下式遞減

選取另一組樣本矢量提供網絡輸入，返回，直到樣本輸入結束或增益項的值減小至0，即興奮神經元與輸入樣本穩定對應為止。

t=t+1；當t＞T2時，學習階段結束。存儲并輸出所有輸出神經元的連接權系數，ART神經網絡訓練完畢。建立改進ART神經網絡液壓系統故障診斷系統流程如圖3。

5 基于改進ART神經網絡的故障診斷專家系統

液壓系統故障多種多樣，改進ART神經網絡對于故障的多樣性診斷具有很大的優勢，神經網絡處理數據的效率高，且信息量的分析比較全面，極大地提高了診斷的可靠性。運用VB6.0開發起重機液壓系統故障診斷專家系統，以Access為工具建立專家系統數據庫。如圖4所示，啟動專家系統。

根據起重機液壓系統的各部件特征，運用Amesim_HCD庫建立液壓泵、換向閥、液壓缸模型，并建立如圖5所示的Amesim起重機液壓系統模型。

分別對液壓系統的三位四通換向閥參數、泵參數、缸參數設定，并根據工程實際選擇所拖動的負載質量為8 000 kg，液壓缸行程1 m。進入仿真模塊，設置仿真的步長為0.1 s，仿真時長為60 s。各部件主要參數見表1。

表1 起重機液壓系統仿真模型參數表

根據所建立的起重機液壓系統仿真模型，仿真得到系統各參數正常使用的負載運動速度、負載位移變化、蓄能器壓力變化和液壓缸壓力變化，如圖6所示。

根據已經建立的液壓系統故障診斷模型，設置各液壓系統故障所對應的參數，對液壓系統故障仿真。具體的故障和參數見表2。

表2 液壓系統故障仿真參數表

續表2

通過對起重機液壓系統某些參數設定，得到某一類故障發生時所對應的系統參量變化情況，并多次仿真，保存得到的故障樣本，用于檢驗所建立的改進ART神經網絡故障診斷專家系統對故障診斷的可靠性。調節液壓缸泄漏系數為 0.02，仿真結果如圖7所示。

將仿真獲得的起重機液壓系統故障參數導出，運用復雜樣本方差估計樣本提取方法，計算各類故障的參量的距離敏感因子，得到處理后的樣本，再對樣本進行補編碼工作，得到表征某類故障的輸入樣本X。向改進ART神經網絡輸入樣本X后，與之相對應的競爭層神經元被激活，輸出層輸出對應結果。重復上述工作，改進 ART神經網絡專家系統訓練。故障仿真結果對比分析如圖8所示。

從圖 8可以看出，起重機液壓系統壓力、負載運動速度均發生明顯變化，液壓缸的泄漏增大會使系統的壓力明顯下降。8 t汽車起重機液壓系統正常工作時的壓力為 6.5 Mpa，而泄漏增大以后，壓力降到5.7 Mpa。液壓系統負載運動速度從0.023 m/s降至0.021 m/s，說明液壓缸的泄漏導致爬行故障。此外還導致液壓缸工作時間延長，液壓系統工作處于故障狀態。

將訓練結束后的改進ART神經網絡專家系統應用于已知故障工作狀態的起重機液壓系統故障診斷中，通過實時檢測系統壓力、流量、溫度參數變化，將所測得的結果后處理，然后輸入液壓系統故障診斷專家系統，對液壓系統故障診斷的正確率進行分析。將50組故障測量結果輸入起重機液壓系統故障診斷專家系統以后，有46組診斷正確，4組錯誤，正確率達92%。取系統采樣頻率為2 000 Hz，得到起重機液壓系統壓力變化結果，如圖9所示。

對比仿真結果，不難發現起重機液壓系統壓力發生明顯變化，液壓缸的泄漏增大使得系統壓力明顯下降。8 t汽車起重機液壓系統正常工作時的壓力為6.5 Mpa，而泄漏增大以后，壓力平均值降到5.47 Mpa，與仿真結果對比，仿真誤差率為4.12%。說明仿真結果可信，將其運用到改進ART神經網絡訓練可以較好地模擬實際故障狀態。將所得結果處理以后輸入起重機液壓系統故障診斷專家系統，得出故障診斷結果，如圖10所示。

綜上所述，基于改進ART神經網絡的起重機液壓系統故障診斷結果與事實相符，實現對液壓系統故障的準確診斷，故障診斷正確率達 92%，同時還給出了排除故障的建議與方法，可以將起重機液壓系統故障診斷專家系統應用在工程實際中。該改進ART神經網絡專家系統在使用過程中得到不斷完善，為工廠節省維修費用，帶來可觀的經濟效益。

6 結 論

文中提出的改進ART神經網絡起重機液壓系統故障診斷方法，對于起重機各種故障診斷準確、迅速、可靠。并以Windows、Visual Basic 6.0語言作為軟件開發環境，開發了基于改進ART神經網絡的起重機液壓系統故障診斷專家系統。該改進ART神經網絡和以往的故障診斷方法相比，具有以下幾個明顯的優點：

1）通過計算各故障模式特征量的距離敏感因子，來調整輸入模式的特征矢量，提高診斷的效率和精度。

2）提出一種改進的ART網絡權值學習算法，將墨西哥草帽函數作為鄰域函數，使得距敏感特征近的區域對模式分類的影響加強，較遠的區域影響減弱，加速了神經網絡訓練時的收斂過程。

3）運用 Amesim_HCD庫建立液壓泵、換向閥和液壓缸結構模型，完成起重機液壓系統Amesim仿真建模，并以此對起重機液壓系統故障仿真，為工程問題的解決提供了一條新的思路和指導方法。

4）用改進 ART神經網絡算法開發起重機液壓系統故障診斷專家系統，并驗證其可靠性，故障診斷準確率達92%。

[1]張平格，楊志剛.液壓系統故障診斷專家系統研究[J].液壓與氣動，2010，5：22-23.

[2]Hurdle E.E，Bartlett L.M，Andrews J.D.Fault diagnostics of dynamic system operation using a fault tree based method [J].Reliability Engineering and System Safety，2009，94（9）：1371-1380.

[3]Tariq Assaf，Joanne Bechta Dugan.Automatic Generation of Diagnostic Expert Systems from Fault Trees.Annual workshop on reliability and maintainability，2008：143-147.

[4]趙懿冠，蘇欣平.基于故障樹分析法的汽車起重機液壓系統故障診斷研究[J].液壓與氣動.2010，3：29-31.

[5]陳維，陳永革，趙強.基于 BP神經網絡的裝備故障診斷專家系統研究[J].指揮控制與仿真，2008，30（4）：103-105.

[6]李連峰.基于 RBF網絡的游梁抽油機減速箱軸承故障診斷[J].科技資訊，2010，35：57-58.

[7]Wang Dejun，Xing Tianliang，Lin Chengdong，et al.Fault diagnosis of automobile engine based on support vector machine.2011 3rd International Conference on Advanced Computer Control，ICACC2011，p320-324，2011.

[8]司癸卯，張青蘭.基于Amesim液壓破碎錘液壓系統建模與仿真[J].中國工程機械學報，2010，8（2）：179-183.

[9]Xuanyin Wang，Xiaoxiao Li，Fushang Li.Analysis on oscillation in electro-hydraulic regulating system of steam turbine and fault diagnosis based on PSOBP.Expert Systems with Applications，v 37，n 5，p3887-3892，May 2010.

[10]Jay A.Swope.ARTdECOS，adaptive evolving connectionist model and application to heart rate variability.Evolving Systems.DOI：10.1007/s12530-012-9049-20.

[11]Xuan Hou.Research on quantum adaptive resonance theory neural network.Proceedings of 2011 International Conference on Electronic and Mechanical Engineering and Information Technology，EMEIT 2011，v8，p 3885-3888.

[12]徐增丙.基于自適應共振理論的混合智能診斷方法及應用[D].武漢：華中科技大學，2009.

[13]賀湘宇.挖掘機液壓系統故障診斷方法研究[D].長沙：中南大學，2008.

[14]Kim，Cheoltaek，Lee，Ju-Jang.Incremental learning framework for function approximation via combining mixture of expert model and adaptive resonance theory.Proceedings of the 2007 IEEE International Conference on Mechatronics and Automation，ICMA 2007，p 3486-3491.

[15]Upendar，J.Fault classification scheme based on the adaptive resonance theory neural network for protection of transmission lines.Electric Power Components and Systems，v 38，n 4，p 424-444，January 2010.

[16]金勇進，謝佳斌.復雜樣本的方差估計——基于逆抽樣設計的方法[J].數據，2009，11：58-59.

[17]劉進濤，王萬森.對于模糊ARTMAP的研究及改進[J].計算機技術與發展，2006，16（11）：16-19.

[18]Sylvain Verron，Teodor Tiplica，Abdessamad Kobi.Fault diagnosis of industrial systems by conditional Gaussian network including a distance rejection criterion[J].Engineering Applications of Artificial Intelligence 2010，23：1229–1235.