超声波在液压系统故障诊断的运用

模糊神经网络构造2模糊神经网络结构根据地下无轨采矿设备制动液压系统的实际情况，本文采用一种4层结构的模糊神经网络结构，整个网络由3部分组成：第一部分是模糊量化函数部分；第二部分是神经网络部分；第三部分是去模糊化部分。其结构如2。

网络第1层为输入层，这一层的神经元直接将输入数据传给第2层的神经元，其权值为1。输入层的每一个节点对应着地下无轨采矿设备制动系统中的各故障征兆。根据地下无轨采矿设备制动液压系统的实际情况和故障征兆关系分析，主要的故障征兆有制动油箱液位异常、制动液压油油温异常、滤油器差压异常、制动动力泵出口压力异常、蓄能器油压异常和制动器进油口压力异常等，分别对应模糊神经网络的x1、x2、x3、x4、x5、x6个输入变量。

网络第2层为模糊量化层，其作用是将输入数据按模糊子集上的隶属函数进行模糊处理，即求出各传感器数据对各故障的隶属度值。

网络第3层为模糊神经网络的隐含层，用于实现输入变量模糊值到输出变量模糊值的映射。隐层的节点数可以根据实际情况来确定，一般可取2n+1个（n为输入层节点数），隐层激活作用函数是Sigmoid函数。

网络第4层为输出层，输出层的每个节点对应着地下无轨采矿设备制动系统中的各个故障。各输出节点输出的模糊值的大小代了该故障发生可能性的大小。

隶属函数的确定模糊集的基本思想是把普通集合中的绝对隶属关系灵活化，使元素对集合的隶属度从原来只能取0、1值扩充到可以取<0，1>区间中的任一数值，因此很适合于用来对传感器信息的不确定性进行描述和处理，在应用多传感器信息进行融合时，模糊集理论用隶属函数示各传感器信息的不确定性，在模糊故障诊断领域中一般通过故障征兆的隶属度来求出各故障的隶属度。由于地下无轨采矿设备液压系统在运行状况下，故障的症状是界限不分明的模糊集，无法采用传统的二值逻辑描述，为此利用模糊理论中的隶属函数来描述这些故障的征现象或发生可能性。

设诊断对象可能出现的故障征兆为m种：x1，x2，…，xm，则故障征兆模糊向量为X（μ1，μ2，…，μm），其中μi为对象具有特征xi的隶属度。出现的故障原因有n种：y1，y2，…，yn，则故障原因模糊向量为Y（μ1，μ2，…，μn），其中μj为对象具有故障yi的隶属度。因此故障诊断就是从征兆模糊向量求解所对应的原因模糊向量的函数映射过程。

当地下无轨采矿设备制动系统正常工作时，传感器所测得液压回路中的压力、温度、差压和液位等工况参数应该保持在稳定的范围内，而当制动系统发生故障时，传感器测得的工况参数会偏离正常范围，偏离的越大产生故障的可能性就越大。隶属函数的示方法有多种，如正态分布法、钟型法、梯形法等，本文根据参考文献<2>和地下无轨采矿设备制动液压系统的实际情况建立故障征兆隶属函数。制动油箱液位的隶属函数如3。

制动油箱液位隶属函数采用同样的方法并结合各故障征兆参数的实际变化趋势，制动液压油油温隶属函数、滤油器差压隶属函数、制动动力泵出口压力隶属函数、蓄能器油压隶属函数和制动器进油口压力隶属函数都能确定。

模糊神经网络训练算法模糊神经网络学习算法采用BP算法，BP算法的学习过程包括信号的正向传播和误差的反向传播两个过程。BP算法是一种有指导算法，设有n个学习样本（xk，y3k），k1，2，…，n。BP算法的实质是将神经网络实际输出t1，t2，…，tn与训练样本对应值y1，y2，…，yn的均方差误差（E12∑ni0∑m-1j0（tij-yij））来修正网络的权值和阈值，使网络结构尽可能逼近给定样本所包含的规则，从而使网络输出层输出尽可能实现与实际y3k值接近。

在计算方法上由于标准BP算法在调整权值时只按t时刻的梯度下降方向调整，而没有考虑t时刻以前的梯度方向，从而使训练过程发生振荡，收敛速度慢，甚至有时出现误差梯度局部最小的情况，导致不能收敛。为了避免标准BP算法的这种弊端，文中采用了有动量项的BP算法，其原理是加入一动量项α∈<0，1>，当α0时，权值修正只与当前负梯度有关，当α1时，权值修正就完全取决于上一次循环的负梯度了。这种方法所加入的动量项实质上相当于阻尼项，它减少了学习过程的振荡趋势，改善了收敛性。其权值修正公式为：wji（k+1）wji（k）+η<（1-α）D（k）+αD（k-1）>其中：D（k）示k时刻的负梯度，D（k-1）示k-1时刻的负梯度，η为学习率。

应用实例由于地下无轨采矿设备的特殊工作环境，因此设备的工作安全是至关重要的，而地下无轨采矿设备在行车时执行制动操作是相当频繁的，因此制动系统的正常工作是保证地下无轨采矿设备安全工作的前提。

本文所述地下无轨采矿设备的制动系统采用的是全盘湿式制动，其结构主要包括制动油箱、制动动力泵、冷却泵、充液阀、蓄能器、制动阀、制动器、滤油器、溢流阀、单向阀和集流块等。根据地下无轨采矿设备在实际工作中常出现的故障现象，列出了6种故障原因：（1）制动油箱液位低；（2）冷却泵故障；（3）滤油器堵塞；（4）制动动力泵故障；（5）蓄能器故障；（6）制动阀故障。

结论本文从地下无轨采矿设备制动系统故障这一实际出发，充分利用模糊逻辑和神经网络在故障诊断中的优点，提出了一种采用模糊神经网络的方法来实现液压系统的故障诊断，并通过将单一传感器信息故障诊断方法和多传感器信息融合的故障诊断方法作了比较，通过比较结果可以看出多传感器信息融合故障诊断可以有效地消除单传感器由于信息不足、不完全而导致的误判现象，并提高了故障诊断的准确性。