基于故障樹反演的JH39機械壓力機潤滑系統故障診斷方法

姚文洋，翟華，2，張蘭軍

（1.合肥工業大學工業與裝備技術研究院，安徽合肥230009; 2.合肥工業大學機械與汽車工程學院，安徽合肥230009;3.合肥合鍛智能制造股份有限公司，安徽合肥230601）

基于故障樹反演的JH39機械壓力機潤滑系統故障診斷方法

姚文洋1，翟華1，2，張蘭軍3

（1.合肥工業大學工業與裝備技術研究院，安徽合肥230009; 2.合肥工業大學機械與汽車工程學院，安徽合肥230009;3.合肥合鍛智能制造股份有限公司，安徽合肥230601）

針對JH39-800機械壓力機潤滑系統的主要故障，提出一種基于故障樹反演的故障診斷方法。使用故障樹分析法（FTA）分析出潤滑系統的故障模式，算出最小割集，通過傳感器采集與底事件相關的故障信號；利用BP（Back Propagation）神經網絡對采集到的數據進行學習和處理，明確故障底事件;按照故障樹反演的方式進行推理，分析出具體故障。經檢驗，本故障診斷方法有助于在線判斷JH39機械壓力機潤滑系統導致的多種故障。

JH39-800機械壓力機;故障樹反演;BP神經網絡;故障診斷

JH39-800型機械壓力機機身呈框架形，剛性好，精度高，適用于壓制大型零件，但構件較多，若潤滑系統發生故障，會導致機器各部件不能正常運行，甚至產生更嚴重的后果。

故障樹和BP神經網絡是故障診斷中的兩種重要方法：楊曉川[3]通過故障樹提取征兆集和故障集，確定某工程車輛模擬控制電路的故障位置。鞏文科[4]設計了一種基于BP神經網絡和專家系統的油田壓縮機故障診斷系統,利用神經網絡的數值推理、自學習能力,對油田壓縮機的故障進行分析處理。PalshikarGK[5]提出了時間故障樹的定性分析技術(TFT)，在系統活動的記錄下，通過匹配TFT檢測頂事件故障原因。Deyin Ma[6]將整個網絡分成許多子BP組，提出基于多BP專家系統診斷方法。

JH39機械壓力機潤滑系統涉及零部件多，故障模式多，本文提出一種基于故障樹反演的故障診斷方法，結合故障樹分析法和BP神經網絡對數據進行在線數據處理，按照故障樹反演的方式進行判斷，分析出潤滑系統的具體故障。仿真結果表明，本故障診斷方法有助于在線判斷JH39機械壓力機潤滑系統導致的多種故障。

1 JH39機械壓力機故障樹分析

以JH39-800機械壓力機為例，由潤滑系統引起的主要故障包括齒系磨損、連桿故障、氣墊導軌磨損、滑塊導軌磨損、平衡器故障這5種主要故障模式[19]，相應的故障樹如圖1所示[15]。

圖1故障樹中各字母序號所代表含義為：A-齒系磨損；B-滑塊導軌磨損；C-平衡器運行故障；D-連桿運行故障；E-氣墊導軌磨損；F-系統供油不足；G-油溫過高；A1-油有顆粒雜質；A2-齒輪處油量不足；A3-齒輪溫度過高；B1-軸瓦磨損；B2-軸瓦油量不足；C1-滑塊運行溫度過高；C2-滑塊導軌油量不足；D1-平衡器內部油量不足。

故障樹中的底事件為：X1-過濾裝置失效；X2-清潔不到位；X3-齒輪處漏油；X4-齒輪運行過度；X5-滑塊運行過度；X6-滑塊處漏油；X7-平衡器漏油；X8-軸瓦處漏油；X9-氣墊導軌處漏油；X10-油管破損；X11-主分油器故障；X12-濾清器堵塞；X13-溢流閥故障；X14-齒輪泵吸油不足；X15-油箱油量不足；X16-油箱油溫高；X17-冷卻系統故障；X18-齒輪泵嚴重摩擦。

為便于發現系統故障的全部可能起因，識別系統的薄弱環節，需要對故障樹進行定性分析，采用上行法求解不同故障樹的最小割集[14]。

圖1 JH39-800機械壓力機潤滑系統故障樹

先根據故障樹寫出各門事件的邏輯表達式：

運用結合律和分配律，逐級代換并簡化，得出圖1中7個故障樹的最小割集為：[X1]，[X2]，[X3]，[X4]，[X5]，[X6]，[X9]，[X10]，[X11]，[X12]，[X13]，[X14]，[X15]，[X16，X17]，[X17，X18]。

2 BP神經網絡仿真訓練

以最小割集中部分事件作為BP神經網絡的目標輸出，在Matlab軟件中進行仿真訓練，可形成一種精度較高輸入-輸出映射關系[18]。

2.1 BP神經網絡運算過程

BP神經網絡用于故障診斷中可提高診斷正確率[8]。其網絡結構如圖2所示。

圖2 BP神經網絡標準模型

圖2 中的神經元輸入信號X1，X2，....，Xn與神經元輸出信號Y1，Y2，....，Yn之間通過權值和閾值實現相互聯系，從而完成信息的傳遞，BP神經網絡對輸入信號的處理包括兩個過程[2]：

（1）節點輸出計算過程

將輸入信號與權值wi求加權和，再減去閾值變量θ，得到凈輸入net，即：

之后對凈輸入net進行函數運算，得出神經元的輸出y，即：

其中，f[·]是一種變換函數，由不同的BP神經網絡結構來決定其種類。

（2）自學習過程

BP神經網絡的自學習過程可以通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和Epj達到最小[7]：

其中，tpj為輸入第p個樣本時第j個神經元的理想輸出，opj是它的實際輸出，Epj則是輸出誤差。因此，想要減小誤差就必須調整權值，權值的第n+1次調整值Δwij(n+1)與第n次調整值Δwij（n）之間的關系為：

該式表示在第p個樣本下，第i層神經元和第j層神經元之間的權值調整情況，h為學習因子，δpi是輸出節點i的計算誤差，opj是輸出節點j的計算輸出，a是動量因子。

2.2 BP神經網絡仿真訓練

從圖1中7個故障樹的最小割集中選取9個目標輸出，并安排好相應的檢測點進行信號采集[10]，將傳感器的檢測信號進行歸一化處理[17]，再使用數字0和1來分別表示檢測信號的正常和故障。網絡的輸入征兆P可以表現為矩陣形式：

同理，用數字0和1表示輸出的正常和故障，BP神經網絡的目標輸出T也可表示為矩陣的形式：

JH39機械壓力機潤滑系統的故障征兆與故障原因的對應模式[12]如表1所示。

由表1可知，神經網絡輸入層和輸出層的神經元個數分別是17和9。至于隱含層的數目，一般可按照經驗公式[11]計算：

式中，nH、n1和n0分別為隱含層、輸入層和輸出層神經元數目，L為1～10之間的整數。在Matlab軟件中設計相關的訓練代碼進行計算，由于輸入值與輸出值均在0～1的范圍內，因此隱含層和輸出層可以采用logsig（S型對數函數）作為傳遞函數[16]；為了盡可能減小計算誤差，采用trainlm（L-M優化算法）作為訓練函數[13]。代碼運行結果見表2所示。

表1 故障征兆與故障原因對應模式

表2 隱含層數目計算結果

結果顯示，隱含層數目選取12最為合適，再進行訓練得出誤差收斂情況如圖3所示。

由圖3可知，在經過33次的訓練后，BP神經網絡的輸出誤差降低到0.012左右，達到診斷要求。

此時將傳感器檢測到的數據進行歸一化處理后為p=[0.81 0.98 0.91 0.82 0.96 0.92 0.99 0.91 0.955 0.91 0.003 0.032 0.921 0.02 0.91 0.1 0.93]，輸入至BP神經網絡中，經過運算得出結果為[0.99 00 0.97 0 0.93 0 0 0]，根據表1可推測出存在“油箱油溫高”、“齒輪泵吸油不足”以及“濾清器堵塞”三種故障原因。

圖3 BP神經網絡誤差收斂情況

3 基于故障樹反演的故障推理

根據BP神經網絡計算出的“油箱油溫高”、“齒輪泵吸油不足”以及“濾清器堵塞”三種故障原因進行反演推理，可推導出設備發生了“齒系磨損”和“滑塊導軌磨損”兩種故障模式。但是對于另外三種故障模式，由于底事件信息的缺乏，不足以判斷是否發生。

為了解決這個問題，此處采用定量分析的方法，從底事件開始計算可靠度[1]，再依次往上計算上一級事件的概率，最終確定頂事件的發生概率[9]。以“連桿運行故障”為例分析故障樹，如圖4所示。

圖4 “連桿運行故障”故障樹局部關系圖

由圖可知，該故障樹呈現出與門的關系。將“齒輪泵吸油不足”和“濾清器堵塞”進行反演，可推導出“軸瓦油量不足”的發生，由此可寫出概率關系式：

此時，再以“油溫過高”為例分析故障樹。在“油箱油溫高”已發生的基礎上，通過計算底事件可靠度的方法得出“油溫過高”的發生概率為

所以，“連桿運行故障”的概率為36％。再運用此方法計算其余兩種故障模式，得到相應的概率值。最后將反演推理的結果按照概率由大到小排序列出：

（1）齒輪發生磨損（概率：100％）；

（2）滑塊導軌磨損（概率：100％）；

（3）氣墊導軌磨損（概率：53％）；

（4）連桿運行故障（概率：36％）；

（5）平衡器故障（概率：18％）；

經過故障樹反演，可以確定潤滑系統故障產生的JH39-800機械壓力機“齒系磨損”和“滑塊導軌磨損”故障的發生，結合傳感器信息的輸入以及故障樹的定量分析可以計算出其余故障發生的概率。可以綜合評價系統運行情況。

4 結論

運用故障樹分析法，可以全面分析潤滑系統的故障模式，便于進行故障的推理；BP神經網絡實現了具體故障原因的識別，依靠其運算能力和自學習能力提高診斷精度；綜合兩種方法提出了基于故障樹反演的故障診斷方法。仿真結果表明，本故障診斷方法有助于在線判斷JH39機械壓力機潤滑系統導致的多種故障。此方法也適用于其他同類型機械壓力機故障診斷。

[1]劉惟信.機械可靠性設計[M].北京:清華大學出版社，1995,49-103.

[2]馮定.神經網絡專家系統[M].科學出版社，2006，57-218.

[3]楊曉川，謝慶華,何俊，等.基于故障樹的模糊故障診斷方法[J].同濟大學學報:自然科學版，2001，29(9):1058-1060.

[4]鞏文科，李心廣，趙潔.基于BP神經網絡與專家系統的故障診斷系統[J].計算機工程，2007，33(8):199-200.

[5]Palshikar G K.Temporal fault trees[J].Information＆amp;Software Technology,2002,44(3):137-150.

[6]Deyin Ma,Yanchun Liang,Xiaoshe Zhao,et al.Multi-BP expert system for fault diagnosis of powersystem[J].Engineering Applications of Artificial Intelligence,2013,26(26):937-944.

[7]Nima Khakzad,FaisalKhan,PaulAmyotte.Safety analysis in process facilities:Comparison of fault tree and Bayesian network approaches[J].Reliability Engineering＆amp;System Safety,2011,96 (8):925-932.

[8]Ma C,Gu X,Wang Y.Fault diagnosis of power electronic system based on fault gradation and neural network group[J].Neurocomputing,2009,72(13):2909-2914.

[9]Ferdous R,Khan F I,Veitch B,et al.Methodology for Computer-Aided Fault Tree Analysis[J].Process Safety＆amp;Environmental Protection,2007,85(1):70-80.

[10]Duan R X,Zhou H L.A New Fault Diagnosis Method Based on Fault Tree and Bayesian Networks[J].Energy Procedia,2012, 17(17):1376-1382.

[11]Liu Q,Zhou S,Mu A.Design of Combined Intelligent Fault Diagnosis ES Based on ANN[J].Computer Automated easurement ＆amp;Control,2004,12(7):613-612.

[12]龍泉，劉永前，楊勇平.基于粒子群優化BP神經網絡的風電機組齒輪箱故障診斷方法[J].太陽能學報，2012，33(1):120-125.

[13]葛哲學，孫志強.神經網絡理論與MATLAB R2007實現[M].電子工業出版社，2007，10-180.

[14]朱大奇，于盛林.基于故障樹最小割集的故障診斷方法研究[J].數據采集與處理，2002，17(3):341-344.

[15]黃洪鐘，李彥鋒，孫健，等.太陽翼驅動機構的模糊動態故障樹分析[J].機械工程學報，2013，49(19):70-76.

[16]吳今培，肖健華.智能故障診斷與專家系統[M].科學出版社，1997，161-227.

[17]江麗，甄少華.基于BP神經網絡的液壓系統故障診斷專家系統[J].機床與液壓，2002，(4):169-170.

[18]譚險峰，王有遠.人工神經網絡在鍛壓機械故障診斷中的應用[J].鍛壓裝備與制造技術，1999，34(6):39-40.

[19]彭二寶，王宏穎.機床液壓設備故障診斷及維修方法[J].鍛壓裝備與制造技術，2008，43(4):20-22.

Fault diagnosismethod of lubrication system for JH39 mechanical press based on inversion of fault tree

YAO Wenyang1，ZHAI Hua1，2，ZHANG Lanjun3
（1.Institute of Industry＆amp;Equipment Technology,HFUT,Hefei 230009,Anhui China; 2.School of Mechanical and Automotive Engineering,HFUT,Hefei 230009,Anhui China; 3.Hefei Metalforming Intelligent Manufacturing Co.,Ltd.,Hefei 230601,Anhui China）

In order to discover the main faults of lubrication system for JH39-800 mechanical press,a fault diagnosis method has been proposed on the basis of inversion offault tree in the text.The fault tree analysis method(FTA) has been adopted to analyze the fault mode of the lubrication system.The minimum cut set has been calculated and the fault signal related to the bottom event has been collected through sensor.The data collected by use of BP (Back Propagation)neural network has been studied and processed.The fault bottom event has been clarified.Deduction has been conducted according to the inversion of the fault tree.The specified fault has been analyzed.Upon examination,the fault diagnosis method can help to online judge the faults caused by the lubrication system of JH39 mechanical press.

JH39-800 mechanical press;Inversion of fault tree;BP neural network;Fault diagnosis

TH17

A

10.16316/j.issn.1672-0121.2016.05.008

1672-0121（2016）05-0029-04

2016-05-25；

2016-07-20

姚文洋（1992-），男，安徽合肥人，碩士，研究方向為機電控制與自動化。E-mail：553664537@qq.com