基于工程機械液壓裝置故障診斷的仿真研究

王穎嫻

摘 要： 針對工程機械液壓系統，在分析了機械液壓裝置故障診斷現狀的基礎上，提出了一種基于多網絡模型的故障診斷方法。應用該方法時需先針對多個目標故障建立對應動態回歸神經網絡目標故障模型，并得出各目標故障模型的檢測閾值，在此基礎上將測試故障樣本代入各目標故障模型中，最終故障類型根據其殘差平方所在閾值范圍確定。為進一步完善診斷與維護工程機械液壓故障提供參考。

關鍵詞： 工程機械液壓系統; 故障診斷; 廣義回歸神經網絡

中圖分類號： TU 603 ? ? ?文獻標志碼： A

Abstract： Based on the analysis of the status quo of mechanical hydraulic equipment fault diagnosis， this paper proposes a fault diagnosis method based on multi-network model. When this method is applied， it is necessary to complete the corresponding dynamic regression for multiple target faults. A neural network target failure model is established， and the detection thresholds of each target failure model are obtained. On this basis， the test failure samples are substituted into each target failure model， and the final fault type is determined according to the threshold range in which the residual square is located. The test result provides a reference for further improving the diagnosis and maintenance of engineering machinery hydraulic faults.

Key words： engineering machinery hydraulic system; fault diagnosis; generalized regression neural network

0 引言

各種大型的機械設備在建筑行業中的應用范圍不斷擴大，維護及檢測這些設備是確保設備正常運轉使用并產生經濟價值的重要環節，隨著工程施工規模及復雜程度的不斷提升，對工程機械的要求也不斷提高，工程機械使大量繁重的人力勞動過程被有效替代，在降低施工企業施工成本的同時提升了施工的整體效率。由于液壓傳動系統是大部分工程機械所采用的動力系統，整個機械系統能否安全穩定的運行在很大程度上取決于液壓系統的運轉情況，提升工程機械液壓系統性能已成為施工企業提升市場競爭力的有效方式之一。作為一個復雜整體，液壓系統具有多元件有機密切聯系的特點，其所表現出的故障現象往往難以同具體的故障原因一一對應，具備系統性和綜合性特點的液壓故障問題極大的增加了診斷故障的難度，目前施工過程對液壓系統的要求不斷提高，傳統的機械故障診斷方法已經難以滿足現代液壓系統維修需求。

1 現狀分析

工程機械在基礎設施建設中起到重要作用，是一種重要的施工生產裝備，而工程機械的關鍵構成部分即為液壓系統，診斷與預報液壓系統故障的技術仍然是工程機械領域的研究重點之一，在實際施工過程中負載變動大的工程機械通常需持續工作較長時間且面臨著惡劣的工作環境，導致液壓系統故障的發生概率顯著增加。傳統機械液壓故障診斷大多重點針對某一工程機械類型或某類故障模式，并且缺少準確的分析過程，通常只能對較為明顯的故障現象及特征完成故障的準確診斷，降低了故障診斷結果的準確率同時限制了故障診斷應用范圍。目前工程機械液壓故障診斷研究雖然取得了一定的進展，但仍需從理論和實際應用上進一步提高故障診斷水平。研究不斷深入的多模型自適應控制理論在故障診斷領域的應用范圍不斷擴大。根據液壓系統故障機理，發生機械液壓故障過程大多涉及到系統物理或數學模型參數的改變過程。根據實際多模型故障診斷研究過程，大都為線性的解析型的數學模型（如狀態方程）是限制模型選擇的主要因素，基于神經網絡的多模型故障診斷方法研究有待進一步完善[1]。為此本文基于動態 GRNN 模型提出了一種多網絡模型故障診斷方法，在廣義回歸神經網絡的基礎上，通過全局遞歸反饋機制的引入完成了動態回歸神經網絡模型的構建，以期優化工程機械液壓故障診斷過程。

2 動態 GRNN 網絡模型

考慮到GRNN不具備全局動態遞歸能力，通過在動態網絡中引入全局反饋功能后，即可適用于系統故障診斷建模，可有效提高辨識非線性動態系統建模的能力，在實際維護工程機械液壓系統裝置過程中會受到不同施工環境及技術上的限制，為確保不同的機械問題和隱患能夠被及時發現，本文將全局遞歸反饋機制融入到廣義回歸神經網絡GRNN 模型中完成了動態回歸神經網絡模型的構建，該模型在繼承了GRNN模型優勢的同時可更加有效的完成動態數據處理過程。針對處于某種故障狀態的液壓系統建立故障模型，N 種目標故障則對應建立N 個目標故障模型 ，再通過檢測故障模型完成故障診斷過程。

2.1 廣義回歸網絡

4 實驗測試與結果分析

為檢測本文所設計的工程機械液壓故障檢測模型及方法的有效性，以SWE50 型挖掘機作為實驗平臺進行試驗測試，該挖掘機液壓系統以工作裝置驅動油缸、變量液壓泵（帶負載敏感系統）、多路換向閥、行走及回轉液壓馬達等作為主要構成，本實驗中以液壓系統的壓力和流量作為主要實驗測量信號，使用的包括6 通道手持式測量儀、高性能壓力及流量傳感器在內的測量儀器為工程機械液壓系統專用儀器，以確保實驗測量的可靠性和精準度。考慮到最終實驗結果受到故障設置情況的影響較大，本文通過單一故障的設置以確保實驗同實際故障間的一致性，具體故障類型及設置方式為：F1為正常無故障;F2為活塞磨損，在活塞密封圈表面開一個寬x高為2 mm×1 mm的小槽;F3表示閥芯運動不到位，將3 mm厚的圓形鐵片固定于閥芯頂端;F4表示閥芯磨損，使用磨床將正常閥芯直徑通過研磨減小 0.1 mm;F5表示球頭松動，將正常部件替換為結合部磨損較為嚴重的柱塞與滑靴;F6表示配油盤磨損故障。實驗以包括柱塞泵出口流量及出口壓力（分別由QP、pP表示）、鏟斗液壓缸無桿腔壓力及有桿腔壓力（分別由pA和pB表示）在內的4 個信號變量作為主要測量對象，先完成 1 次加載和卸載的動作（通過操縱鏟斗油缸控制手柄），加卸載間的切換時間需超過1 s，然后對QP、pP、pA及pB的變化情況進行記錄，在 20 s的采樣時間內，以5 ms作為采樣間隔，完成1次采樣后在Multi-System 存儲器中保存命名后的樣本。各種故障均重復上述操作5次（各獲取5組樣本），完成共30組采集樣本的獲取。

某個樣本使用多模型故障診斷方法時產生屬于一個或多個故障的可能性較大，如第8個測試樣本對應ΓF5和ΓF6的殘差平方和小于對應的閾值（0.113<0.208，0.195<0.205），由于0.113<0.195將該故障確定為F5，第9個測試樣本的故障同樣為F5，綜合20組測試樣本，測試采集故障樣本結果表明該診斷方法的準確率基本可達到100%，驗證了本文所設計的故障診斷方法在工程機械液壓診斷過程中的有效性。

5 總結

為有效滿足現代工程機械液壓系統故障檢測需求，本文完成了基于多網絡模型的故障診斷方法的設計過程，根據液壓系統的不同目標故障完成同等數量的動態GRNN模型的構建，通過檢測這些目標故障模型的故障完成機械液壓故障的最終診斷過程。通過在挖掘機（SWE50 型）液壓系統上設置6類典型實驗故障作為實驗故障樣本，對本文所設計的診斷機械液壓故障方法的有效性進行驗證，該診斷方法具有較高的準確率，使機械液壓故障的檢測及診斷質量和效率得以顯著提升，證明該動態GRNN模型具有較高的實際應用價值。

參考文獻

[1] 許建偉.工程機械液壓系統的現場故障診斷與維修技術研究[J].自動化與儀器儀表，2018（10）：54-56.

[2] 鄂東辰，張立杰. 基于分塊多向主成分分析的翻車機液壓系統故障診斷[J].中國機械工程，2018（8）：958-964.

[3] 周奇才，黃克，趙炯，等. 基于改進型滑動窗主元分析的盾構液壓系統故障診斷研究[J].中國機械工程，2017（5）：638-643.

（收稿日期： 2019.06.12）