無軌膠輪車全液壓制動系統故障診斷研究

劉志海，楊凱迪，張榮華，李祥千，李建忠

(1.山東科技大學 交通學院，山東 青島　266590；2.山東科技大學 機械電子工程學院，山東 青島　266590；3.兗州煤業股份有限公司 興隆莊煤礦，山東 濟寧　272102；4.陜西正通煤業有限責任公司，陜西 咸陽　713600)

?

無軌膠輪車全液壓制動系統故障診斷研究

劉志海1，楊凱迪2，張榮華2，李祥千3，李建忠4

(1.山東科技大學 交通學院，山東 青島266590；2.山東科技大學 機械電子工程學院，山東 青島266590；3.兗州煤業股份有限公司 興隆莊煤礦，山東 濟寧272102；4.陜西正通煤業有限責任公司，陜西 咸陽713600)

針對無軌膠輪車全液壓制動系統長期工作在煤礦井下惡劣的環境中而易于發生故障的問題，提出了基于支持向量機的故障診斷方法。應用支持向量機回歸估計算法建立全液壓制動系統的故障預測辨識模型，將支持向量機模式分類算法應用于故障分離，并在Matlab環境下分別進行了故障檢測與故障分離試驗。試驗結果表明，將支持向量機方法應用于無軌膠輪車全液壓制動系統故障診斷中是完全可行的，可以有效提高故障檢測效率和診斷準確率。

無軌膠輪車；全液壓制動系統；支持向量機；故障診斷

網絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160930.1015.015.html

0　引言

隨著現代化礦井的建設和高產高效工作面生產設備的采用，無軌膠輪車因其較高的運輸效率得到廣泛應用。為了滿足煤礦井下特殊的使用條件，無軌膠輪車大多采用全液壓雙回路制動系統[1]。由于全液壓制動系統長期在井下惡劣的環境中工作，系統中的蓄能器、充液閥、制動器及液壓管路等難免會發生一些故障，導致車輛失去穩定性，造成礦井人員傷亡。因此，研究無軌膠輪車全液壓制動系統的故障診斷對煤礦高效、安全生產具有重要意義。

無軌膠輪車全液壓制動系統是一種典型的液壓系統，其故障診斷可通過分析系統失效形式和故障機理，對狀態檢測信號進行模式識別或分類來實現。現有的液壓系統故障智能診斷方法[2]主要有故障樹(FTA)[3]方法、BP神經網絡[4]方法、專家系統(ES)[5]方法等。FTA方法是將系統故障形成的原因由總體至局部按樹狀進行逐步細化的分析方法，應用FTA原理無法快速將故障定位到真正發生問題的底事件，因此，將FTA方法應用于故障診斷尤其是在線診斷還存在很大限制。BP神經網絡方法能學習和存儲大量的輸入與輸出模式映射關系，但是訓練速度較低、容易隱入局部最小值，并且對樣本的數量和質量要求較高。ES是一種基于知識的應用系統軟件，可用來解決只有專家才能解決的困難問題，但對于診斷知識不完備的診斷對象，在實際應用中很難獲得理想效果。

基于以上方法存在的問題，為了更好地適應小樣本情況，得到現有信息條件下的最優解，提出將支持向量機(Support Vector Machine，SVM)方法[6]應用于無軌膠輪車全液壓制動系統故障診斷中。從理論上講，SVM方法得到的是全局最優解，克服了其他方法易陷入局部極值的問題。同時，SVM方法可以保證較高的故障診斷準確率和診斷效率，為無軌膠輪車全液壓制動系統的故障診斷提供了一種智能有效的方法。

1　SVM方法

1.1SVM非線性回歸估計算法

樣本訓練集D={(xi,yi)|i=1,2,…,N}，xi∈Rn，yi∈R，N為樣本數。對于非線性回歸SVM，用于估計訓練集的非線性回歸函數為

(1)

式中：ω為超平面法線；φ(xi)為非線性映射；b為截距。

訓練集D中的N個樣本(xi,yi)均滿足以下約束條件：

(2)

優化目標為

(3)

式中C為規則化參數。

構造拉格朗日函數為

(4)

根據KKT[7]條件，轉化為對偶問題求解：

(5)

式中[φT(xi)·φ(xj)] 可由核函數K(xi,xj)替代。

得到非線性支持向量回歸(Support Vector Regression,SVR)的回歸函數為

(6)

1.2SVM非線性分類算法

對于支持向量機模式分類( Support Vector Machine Classification,SVC)問題，取訓練集D={(xi,yi)|i=1,2,…,N}，xi∈Rn,yi∈{±1}。非線性映射將輸入向量x從原空間Rn映射到一個高維空間Z，在高維空間中構造最優線性分類超平面y=(ωT·φ(xi))+b，空間中的分類約束條件為

(7)

定義拉格朗日函數為

{yi[(ωT·φ(xi))+b]+ξi-1}

(8)

對ω，b和ξi求偏導數，然后根據Mercer[9]條件，用核函數K(xi,xj)代替內積[φT(xi)·φ(xj)]，轉化為拉格朗日對偶問題：

(9)

求解式(9)得到的最優分類函數為

(10)

2　全液壓制動系統故障診斷原理

基于SVM的全液壓制動系統故障診斷過程主要分為辨識建模、故障檢測及故障分離3個階段，故障診斷原理如圖1所示。

圖1　基于SVM的全液壓制動系統故障診斷原理

圖1中，全液壓制動系統在每k個采樣時刻的實際輸入為u(k)，實際輸出為y(k)，k=1,2,…,N，m、n分別為輸入/輸出的延遲，TDL表示多分頭時延系統，故障預測辨識模型為

yp(k)=fSVM[(y(k-1),y(k-2),…,y(k-n),

u(k-1),u(k-2),…,u(k-m)]

(11)

故障預測辨識建模就是對SVM進行訓練的過程，針對樣本對{u(k),y(k)}構造訓練集：

(12)

X(k-m)={y(k-1),y(k-2),…,y(k-n),

u(k-1),u(k-2),…,u(k-m)}

(13)

Y(k-m)=y(k)

(14)

應用SVR算法建立全液壓制動系統故障預測辨識模型fSVM(·)，并選擇模型參數(包括核函數及其參數、規則化參數C、不敏感度ε)，然后通過所給的訓練集D對fSVM(·)進行訓練并計算殘差值e(k)，直至殘差滿足要求為止。最終確定一組最優的模型參數，從而得到性能良好的故障預測模型。

在實際情況下，由于噪聲等其他因素的影響，殘差不可能完全等于零。因此，在辨識建模時必須為殘差設置一個檢測閾值，依據閾值邏輯即可實現故障檢測，進而實現故障分離，檢測閾值的判斷方程為

(15)

式中δ為檢測閾值，δ>0。

3　全液壓制動系統故障診斷試驗

3.1構造訓練集

全液壓制動系統的典型故障為車輛制動距離長，制動力不夠。產生此類故障的主要原因是蓄能器充氣壓力過低、制動閥輸出壓力過低等。因此，制動過程中蓄能器充液壓力及制動閥出口壓力的動態特性對分析系統故障具有重要意義。以WCJ12E型多功能防爆無軌膠輪車為研究對象，分別在前后橋蓄能器出口、制動閥出口處安裝壓力傳感器，在制動踏板處安裝踏板力傳感器，建立的測試系統如圖2所示。

圖2　測試系統

初始化測試系統的采樣時間為ts=0.01 s，樣本數N=200，然后給制動踏板施加時間t=tsN=2 s的緊急制動力，得到每一采樣時刻k的4個樣本對{u(k),y1(k)}、{u(k),y2(k)}、{u(k),y3(k)}、{u(k),y4(k)}，k=1,2,…,200。其中，u(k)為踏板力傳感器信號；y1(k)、y2(k)分別為前、后橋蓄能器壓力；y3(k)、y4(k)分別為前、后橋制動器出口壓力。取輸入/輸出延遲m=n=2，分別按照式(12)—式(14)構造SVM訓練集：前橋蓄能器訓練集D1={X(k-2),Y1(k-2)}、 后橋蓄能器訓練集D2={X(k-2),Y2(k-2)}、前橋制動器訓練集D3={X(k-2),Y3(k-2)}、后橋制動器訓練集D4={X(k-2),Y4(k-2)}，k=3,4,…,200。

3.2辨識建模

分別選取d階多項式核函數和RBF核函數，在Matlab環境下應用SVR算法建立故障預測辨識模型，通過構造的4個訓練集分別對各個辨識模型進行訓練，得到如下模型參數：不敏感度ε=10-3，規則化參數C=500，RBF核函數寬度σ2=4，d階多項式核函數寬度d=4。在上述參數狀態下，各故障預測辨識模型的殘差變化曲線如圖3所示。

(a) 前橋蓄能器壓力預測模型殘差值

(b) 后橋蓄能器壓力預測模型殘差值

(c) 前橋制動器壓力預測模型殘差值

(d) 后橋制動器壓力預測模型殘差值

從圖3可看出，核函數不同，建模殘差也會有很大變化，但總體來看各個模型的殘差值精度均比較高，表明用SVR算法所建立的預測辨識模型具有較好的推廣能力。

為了更好地對比2類不同核函數的SVR預測辨識模型的性能，選取均方根誤差(RMSE)來衡量建模效果，均方根誤差定義：

(16)

2類SVR預測辨識模型的均方根誤差和運算耗時見表1。

表1　2類SVR預測辨識模型性能分析

從表1明顯看出，基于d階多項式核函數的預測辨識模型在預測精度和運算速度方面均明顯優于RBF核函數模型，因此，在全液壓制動系統的故障診斷中具有更好的推廣能力和診斷效率。

3.3故障檢測試驗

由于樣本的采集是在無故障的情況下獲取的，且全液壓制動系統故障的發生具有一定的突發性，一般不可重復或模擬，因此，故障輸出和殘差檢測閾值的選取均需要通過計算機仿真實現。依次設定制動系統的輸出壓力y1(k)、y2(k)、y3(k)、y4(k)在t=0.6 s和t=1.8 s(即采樣時刻k=t/ts)時降低到正常情況的0.1～0.3倍。選取建立的基于d階多項式核函數的SVR預測辨識模型對上述4處壓力進行故障檢測，檢測效果如圖4所示。

從圖4可看出，當系統發生故障時，基于d階多項式核函數的SVR預測辨識模型產生的殘差值發生突變，故能夠根據殘差閾值及時檢測出故障，4個基于d階多項式核函數的SVR預測辨識模型的診斷耗時見表2。經對比發現：各個預測辨識模型運行耗時均在10-6—10-3數量級，具有較高的診斷效率。

表2　SVR預測辨識模型故障診斷耗時

3.4故障分離試驗

利用預測辨識模型檢測出故障后，還需要進一步對各類故障進行分離。給正常樣本和故障樣本數據標定分類標簽[10]，標簽“1”代表無故障情況，標簽“2”、“3”、“4”、“5”分別代表前橋蓄能器、前橋制動器、后橋蓄能器、后橋制動器故障。基于SVC算法，采用“libsvm”工具箱[11]中相關分類模型進行故障分離試驗，故障分離效果如圖5所示。結果表明，故障診斷準確率高達96.633 7%。

(a) 前橋蓄能器殘差曲線

(b) 后橋蓄能器殘差曲線

(c) 前橋制動器殘差曲線

(d) 后橋制動器殘差曲線

圖5　故障分離效果

4　結語

利用SVM方法在解決小樣本問題中所具有的獨特優勢，提出將SVM方法應用于無軌膠輪車全液壓制動系統的故障診斷中。應用SVR算法建立故障預測辨識模型，將SVC算法應用于故障分離，然后分別進行了故障檢測與故障分離仿真試驗。試驗結果表明，基于SVM的全液壓制動系統故障診斷方法具有較高的預測精度和診斷準確率，同時可以有效提高診斷效率。

[1]陳永峰，劉杰，王彥清，等.WC5E 型防爆膠輪車全液壓制動系統設計研究[J].煤礦機械,2010,31(3):26-28.

[2]黃志堅.液壓系統故障智能診斷與監測[M].北京：電子工業出版社,2013.

[3]唐宏賓，吳運新.基于T-S模糊故障樹的混凝土泵車泵送液壓系統故障診斷[J].計算機應用研究，2012，29(2)：561-568.

[4]曹鳳才，岳鳳英.基于BP神經網絡的液壓系統故障診斷研究[J].中北大學學報(自然科學版)，2010，31(6)：596-599.

[5]劉治國，蔡增杰，穆志韜，等.基于CLIPS的飛機液壓系統故障診斷專家系統構建研究[J].海軍航空工程學院學報，2011，26(1)：45-48.

[6]喬志剛.基于網格搜索和支持向量機的礦用風機故障診斷研究[J].中州煤炭，2015(2)：81-83.

[7]BOYD S，VANDENBERGHE L.Convex optimization[M].Cambridge:Cambridge University Press，2004.

[8]FLACH P.Machine learning:the art and science of algorithms that make sense of data first edition[M].段菲,譯.北京:人民郵電出版社，2016.

[9]VAPNIK V N.The nature of statistical learning theory [M].張學工,譯.北京:清華大學出版社,2000.

[10]李萌.基于支持向量機的汽車ESP系統故障診斷[D].長春：吉林大學，2011.

[11]王小川，史峰，郁磊，等.Matlab神經網絡43個案例分析[M].北京：北京航空航天大學出版社，2011.

Fault diagnosis research for full hydraulic braking system of trackless tyred vehicle

LIU Zhihai1,YANG Kaidi2,ZHANG Ronghua2,LI Xiangqian3,LI Jianzhong4

(1.Transportation College,Shandong University of Science and Technology,Qingdao 266590,China; 2.College of Machinery and Electronics Engineering,Shandong University of Science and Technology, Qingdao 266590,China; 3.Xilongzhuang Coal Mine,Yanzhou Coal Mining Co.,Ltd., Jining 272102,China; 4.Shaanxi Zhengtong Coal Mining Co.,Ltd.,Xianyang 713600,China)

To solve problem that full hydraulic braking system of trackless tyred vehicle was prone to failure in harsh environment of coal mine,a fault diagnosis method based on support vector machine was proposed.The support vector machine regression estimate algorithm was applied to establish fault prediction model of the full hydraulic braking system,while pattern classification algorithm was used to isolate fault,and fault diagnosis tests and isolation experiments were carried out in Matlab environment.The experiment results show that it is entirely feasible to use fault diagnosis method based on support vector machine to diagnose fault of full hydraulic braking system of trackless tyred vehicle,which can improve fault detection efficiency and diagnostic accuracy.

trackless tyred vehicle; full hydraulic braking system; support vector machine; fault diagnosis

1671-251X(2016)10-0030-05DOI:10.13272/j.issn.1671-251x.2016.10.007

劉志海，楊凱迪，張榮華，等.無軌膠輪車全液壓制動系統故障診斷研究[J].工礦自動化，2016,42(10)：30-34.

2016-04-15；

2016-06-16；責任編輯：張強。

國家自然科學基金項目(51375282)；山東省科技發展計劃課題(2014GGX103043)；山東省科技重大專項項目(2015ZDXX0601C01)；山東省研究生教育創新計劃項目(SDYY14084)。

劉志海(1972-)，男，山東新泰人，副教授，主要研究方向為故障診斷、專家系統、信息技術等，E-mail:zhihliu@sdust.edu.cn。

TD525

A網絡出版時間：2016-09-30 10:15