液壓支架液壓系統故障仿真與診斷技術研究

陳敏捷, 羊榮金,2

(1.杭州科技職業技術學院 機電工程學院，浙江 杭州 311402；2.浙江大學 機械工程學院，浙江 杭州 310058)

引言

液壓支架是用來控制采煤工作面礦山壓力的結構物，能有效地為采煤設備和人員提供安全的工作空間。據統計，液壓支架故障中80%以上是由其液壓系統故障引起的，支架液壓系統出現故障給煤礦安全生產帶來嚴重的不利影響[1]。

在支架液壓系統的故障診斷研究方面，國內外學者進行了大量研究。隨著信息技術、計算機技術等的迅速發展，圍繞支架液壓系統在線診斷技術、智能診斷技術的探索也越來越多[2-4]。這些故障診斷與識別的開展都需要先獲取支架液壓系統的故障數據。但人為地對支架液壓系統造成故障往往難以修復，且成本極高；而直接收集各種故障工況下的數據耗時且比較困難。因此，本研究提出了一種基于故障模擬仿真的支架液壓系統故障診斷方法。首先通過AMESim軟件對支架液壓系統的常見故障工況進行模擬仿真并采集所需樣本數據，然后基于BP神經網絡的故障診斷算法通過MATLAB軟件對常見故障工況進行仿真訓練，最后通過支架液壓系統故障診斷測試驗證了該方法的有效性[5-9]。

1 支架液壓系統常見故障分析

1.1 工作原理

以圖1中的ZF3200/16/24型液壓支架為例，支架液壓系統主要由立柱控制回路、推移千斤頂控制回路、護幫千斤頂控制回路、側推千斤頂控制回路、尾梁千斤頂控制回路、插板千斤頂控制回路和拉后溜千斤頂控制回路等組成，以液壓泵站的高壓油液為動力，通過若干液壓閥件控制不同功能的液壓缸以實現液壓支架的升架、降架、推移和移架等動作。

1.截止閥 2.過濾器 3.操縱閥 4.液控單向閥 5.安全閥 6.雙交替閥 7.雙向鎖 8.單向鎖 9.斷路閥

1.2 常見故障

針對支架立柱或千斤頂不能動作或動作緩慢、自降、達不到初撐力和工作阻力等主要故障現象進行分析，此類故障主要是由液壓元件泄漏、油液出現雜質、溫度升高導致油液黏度下降等原因引起，比較常見的故障類型主要有以下9種：

(1)x1：液壓泵內泄漏；

(2)x2：操縱閥內泄漏；

(3)x3：操縱閥閥芯卡滯；

(4)x4：液控單向閥內泄漏；

(5)x5：液控單向閥閥芯卡滯；

(6)x6：安全閥阻尼孔堵塞；

(7)x7：安全閥閥芯卡滯；

(8)x8：液壓缸內泄漏；

(9)x9：系統油液黏度下降。

2 基于AMESim 的支架液壓系統故障模擬仿真

基于AMESim軟件建立支架液壓系統仿真模型，設置故障工況，并最終獲取支架液壓系統的故障工況樣本數據[10]。

2.1 仿真模型

由于液壓支架的各個基本控制回路之間為并聯關系，且元件組成和工作原理基本類似，因此選取支架最重要的回路之一立柱控制回路進行仿真建模。圖2是立柱控制回路的AMESim仿真模型，模型主要參數見表1。

圖2 支架立柱回路AMESim仿真模型

表1 AMESim仿真模型的主要參數

2.2 故障模擬仿真

如表2所示，在建立AMESim仿真模型的基礎上，模擬1類正常狀態(x0)和9類常見的故障類型(x1～x9)，每種故障類型通過改變相應仿真參數進行故障模擬仿真，各故障類型可以用對應的故障向量表示。

表2 故障仿真參數與故障向量

故障模擬仿真后，模擬傳感器采集液壓系統狀態信息的數據采集過程，同時對液壓泵工作壓力、液壓泵實際流量、液壓缸輸入壓力、液壓缸輸入流量、液壓缸輸出推力、活塞桿運動速度、活塞桿伸出位移、溢流閥入口壓力和溢流閥溢流量等9個狀態變量進行采集。故障模擬仿真時長設置為10 s，共采集1類正常樣本(x0)和9類故障樣本(x1～x9)，每類樣本個數均為200。其中，故障樣本通過修改相應參數處于故障狀態范圍內獲得，正常樣本通過修改上述9個參數均處于正常狀態范圍內獲得。

3 BP神經網絡算法用于故障診斷

3.1 基本原理

BP神經網絡是應用最廣泛的神經網絡，是一種按照誤差反向傳播算法訓練的多層前饋神經網絡。如圖3所示，其結構分為輸入層、隱含層和輸出層。

圖3 BP神經網絡拓撲結構

BP算法包括信號前向傳播和誤差反向傳播2個過程：

(1)前向傳播過程：輸入信號通過隱含層作用于輸出節點，經過非線性變換，產生輸出信號，若實際輸出與期望輸出不相符，則轉入誤差的反向傳播過程。

(2)反向傳播過程：輸出誤差通過隱含層向輸入層逐層反傳，并將誤差分攤給各層所有單元，以從各層獲得的誤差信號作為調整各單元權值的依據，使誤差沿梯度方向下降，經過反復學習訓練，確定與最小誤差相對應的網絡參數(權值和閾值)，訓練即告停止。

3.2 結構設計

進行BP神經網絡訓練前需要先進行網絡結構設計。層數過多會使得計算量增大，因此設計BP神經網絡的層數為3層；狀態變量作為神經網絡的輸入，故障向量作為神經網絡的輸出，因此輸入層節點數為9，輸出層節點數為故障向量的位數4[11]。隱含層節點數根據經驗公式計算：

(1)

式中，n1—— 隱含層節點數

n—— 輸入層節點數

m—— 輸出層節點數

a——[0,10]之間的常數

將n=9，m=4，a=6帶入式(1)中，確定隱含層節點數n1=10。

選取Sigmoid函數作為隱含層的激活函數；選取線性函數作為輸出層的激活函數。

3.3 BP神經網絡訓練

在MATLAB環境中通過編寫程序以實現樣本數據對BP神經網絡的訓練。設置神經網絡的最大循環次數為1000次，另外經過多次試驗后，設置神經網絡的學習率為0.05，目標誤差為0.001[12]。分別取每一工況200組數據樣本(x0～x9)中的180組共同組成訓練數據(共1800組)，輸入BP算法模型進行網絡訓練，表2中的故障向量作為輸出。各工況剩余的20組數據樣本共同組成測試數據(共200組)。由圖4可知，經過迭代次數i為57次訓練后達到了目標誤差e為0.001，滿足訓練要求。

圖4 BP神經網絡訓練誤差曲線

3.4 故障診斷測試與結果分析

將測試數據輸入訓練好的BP神經網絡進行故障診斷測試，運行程序后部分神經網絡故障診斷結果見表3。從故障診斷測試看出，故障節點值接近1，非故障節點值接近0，故障均與實際故障相符，說明該診斷方法具有較高的準確性和可靠性。

表3 部分BP神經網絡故障診斷結果

4 結論

本研究在分析支架液壓系統工作原理和常見故障的基礎上，建立了支架液壓系統AMESim仿真模型并模擬了9類常見故障工況，通過MATLAB故障仿真實驗驗證了該故障診斷方法的準確性和可靠性，為進一步開展支架液壓系統智能故障診斷和健康監測提供了故障樣本數據和奠定了研究基礎。同時，該故障仿真實驗還存在部分數據有偏差、訓練次數較多、訓練時間較長等問題，且對因多種故障原因引起的混合故障仿真尚未涉及，后續將進一步優化算法并繼續深入研究。