[發明專利]基于故障樹和模糊神經網絡的汽車起重機故障診斷方法

有效

• 申請號: 201310492933.2
• 申請日: 2013-10-18
• 公開（公告）號: CN103544389B
• 公開（公告）日: 2018-07-10
• 發明（設計）人: 游張平;方建平
• 申請（專利權）人: 麗水學院
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/02
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 張建

1.一種基于故障樹和模糊神經網絡的汽車起重機故障診斷方法，其特征是，對某汽車起重機“提升無動作”的故障進行診斷，按照以下步驟實施：

1)采用演繹法建立某汽車起重機頂事件故障樹

某汽車起重機起升回路，其結構主要包括，變量泵(3)與油箱(1)連通，變量泵(3)與油箱(1)之間另外設置有濾油器(2)，變量泵(3)與回轉接頭(4)連通，回轉接頭(4)分別與溢流閥(5)、第一減壓閥(6)、第二減壓閥(9)、換向閥(11)連通，第一減壓閥(6)與換向閥(11)之間并聯有比例減壓閥(A7)和比例減壓閥(B8)；換向閥(11)與卷揚馬達(13)連通，換向閥(11)與卷揚馬達(13)之間另外設置有平衡閥(12)；第二減壓閥(9)通過二通電磁閥(10)與液壓制動缸(14)連通；卷揚馬達(13)依次通過聯軸器(15)、減速器(16)與卷筒(17)傳動連接，卷筒(17)通過滑輪吊掛重物；

采用演繹法建立汽車起重機頂事件故障樹對于“提升無動作”頂事件的故障樹模型，并對該頂事件的各底事件對進行編碼，如表1所示，

表1 底事件編碼表

2)根據故障樹支路情況與經驗知識確定模糊神經網絡的網絡輸入、網絡輸出節點數目，建立模糊神經網絡結構模型；

表1的19個底事件中，每個獨立的底事件就是一個最小割集，共有2個支路會導致故障樹頂事件的發生，支路CL-1表示馬達升口壓力不足直接造成提升無動作的事件鏈，支路CL-2描述了馬達升口壓力過大的故障異常原因；因此，建立2個模糊神經網絡分別對支路CL-1與支路CL-2進行并行診斷，然后根據故障樹各分支中所蘊含的知識確定各自網絡的結構；

支路CL-2包括6個最小割集為卷揚馬達卡死(底事件14)、卷揚減速器故障(底事件15)、制動器卡死(底事件16)、第二減壓閥(9)故障(底事件17)、二通電磁閥故障(底事件18)、制動缸活塞磨損泄漏(底事件19)；設備在正常工況下馬達不會出現憋壓，而以上6個最小割集的任一個最小割集發生都會引起馬達憋壓，馬達升口壓力P_m過大；最小割集X₁₄或X₁₅的發生，不會對制動缸控口壓力P_d產生影響，而X₁₆的發生會使P_d值高出正常范圍值且有較大的壓力波動，X₁₇、X₁₈或X₁₉的發生則會使P_d值低于正常范圍值，X₁₉的發生會使P_d保持較大的壓力波動，而X₁₇或X₁₈的發生會使P_d則保持較小的壓力波動；P_d的壓力波動情況采用其均方差D_Pd來表征；系統僅需通過對P_m和P_d的狀態檢測，獲得3個輸入變量：P_m、P_d、D_Pd，便可區分以下5種故障模式：正常工作、{X₁₄或X₁₅}、X₁₆、{X₁₇或X₁₈}、X₁₉；由此可確定支路CL-2對應的模糊神經網絡結構具有3輸入5輸出的結構，隱含層神經元節點數根據經驗取為6，即3×6×5；其中，隱層中的神經元采用對數Sigmoid型函數，輸出層的神經元采用純線性purelin變換函數；

3)根據故障樹各分支中所蘊含的知識，提取訓練樣本，并對神經網絡進行訓練，建立神經網絡推理計算所需的網絡權值和閾值矩陣；

根據步驟2)的分析，提取模糊神經網絡的訓練樣本數據，如表2所示，表中，取值0.1、0.5、0.9分別表示馬達升口壓力P_m過低、正常、過高；取值0.1、0.5、0.9分別表示P_d制動缸控口壓力過低、正常、過高，D_Pd取值0.1、0.5、0.9分別表示制動缸控口壓力均方差過低、正常、過高；

表2 神經網絡訓練樣本

4)利用汽車起重機狀態監測平臺上的歷史數據，運用統計參數法中的3σ準則法確立模糊預處理所需的模糊隸屬函數；

首先，依據輸入變量的樣本集在輸入變量取值區間的分布情況確定每個輸入變量的隸屬函數，狀態變量域低的轉換采用降半梯形分布的隸屬函數，其表達式如式(3)，并確定權值系數為0.1；狀態變量域正常的轉換都采用梯形分布的隸屬函數，其表達式如式(4)，并確定權值系數為0.5；狀態變量域高的轉換采用升半梯形分布的隸屬函數，其表達式如式(5)，并確定權值系數為0.9，其中權值的設定是為了處理處于兩個狀態間的檢測數據，利用各隸屬函數的加權平均的方法將處于兩狀態間的數據轉換成模糊數據；

其次，確定隸屬函數各參數的值，設備正常工作時的診斷參數y服從正態分布規律，對正常工作時診斷參數收集一定量的樣本數據，對這些數據進行統計處理，如果測試樣本與均值距離在2倍或3倍方差以上，則認為該測試樣本是不確定的，故可判為異常；于是得到報警界限：故障界限參數值偏高或偏低為參數正常界限為為獲得更符合客觀實際的隸屬函數，使上步所建立的模糊網絡模型進入實際應用，在此運用統計參數法中的3σ準則法確定隸屬函數各參數的值；對輸入變量(P_m、P_d、D_Pd)的樣本數據應用3σ準則法，得到各輸入變量的隸屬函數參數a、b、c、d的值，接著代入到式(3)～式(5)中，得到各輸入變量的隸屬函數，即確立了模糊神經網絡的隸屬函數；

同理，得到制動缸控口壓力P_d隸屬函數參數值為：{a，b，c，d|制動缸壓力(bar)}＝{36.1001，36.3344，36.5688，36.6031}；選取m個連續數據求取均方差后進行滑動處理；m越大越能反映真實的情況，然而m選取過大會影響在線診斷的實時性，在此取值為50，最后應用3σ參數統計法得到D_Pd的隸屬函數參數值為：{a，b，c，d|制動缸壓力均方差}＝{0.0294，0.0733，0.1173，0.1613}；

5)將監測平臺采集得到的實測數據輸入到通過以上步驟建立好的模糊神經網絡中進行計算，得到診斷結果。