GA-BP神經(jīng)網(wǎng)絡(luò)在液壓缸故障診斷仿真中的應(yīng)用

郭 媛，羅 嚴(yán)，曾良才

（1.武漢科技大學(xué)冶金裝備及其控制教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430081；2.武漢科技大學(xué)機(jī)械傳動與制造工程湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430081）

1 引言

液壓缸是大型的工程應(yīng)用設(shè)備，廣泛應(yīng)用于冶金、礦山、工程機(jī)械和軍工等領(lǐng)域。在其正常的工作過程中由于受到環(huán)境的惡劣影響，時(shí)常會受到各種沖擊和油液污染，導(dǎo)致產(chǎn)生一系列故障。比如圖1用于大型軋機(jī)輥縫調(diào)節(jié)的AGC伺服液壓缸，其活塞直徑達(dá)到1800mm，結(jié)構(gòu)復(fù)雜，價(jià)格昂貴，當(dāng)AGC伺服液壓缸發(fā)生故障時(shí)，整條生產(chǎn)線停止工作，給經(jīng)濟(jì)帶來很大損失。因此，預(yù)測故障，快速維修至關(guān)重要。液壓系統(tǒng)結(jié)構(gòu)復(fù)雜，故障模式多，故障點(diǎn)難以判定，一旦發(fā)生故障，如果沒有大量的故障樣本，在判斷故障模式和故障類型上十分困難。實(shí)際的研究過程中大多是采取人為制造故障來獲取故障特征［1］。

圖1 AGC液壓缸簡圖Fig.1 AGC Hydraulic Cylinder Diagram

但這種采取實(shí)驗(yàn)的方法進(jìn)行故障模擬的代價(jià)很大，成本太高。對液壓系統(tǒng)建立故障模型和仿真就顯得十分必要，這里運(yùn)用AMESim 軟件對液壓系統(tǒng)進(jìn)行故障仿真，建立了故障模擬液壓系統(tǒng)。

故障診斷從本質(zhì)上講屬于模式識別問題，進(jìn)行液壓缸故障診斷的關(guān)鍵就是建立實(shí)際故障與故障特征數(shù)據(jù)間的非線性映射關(guān)系，從而實(shí)現(xiàn)對故障現(xiàn)象的準(zhǔn)確判斷［2］。神經(jīng)網(wǎng)絡(luò)有著很強(qiáng)的自適應(yīng)、自學(xué)習(xí)和非線性映射能力，廣泛應(yīng)用于模式識別和故障診斷領(lǐng)域。而BP神經(jīng)網(wǎng)絡(luò)又因其結(jié)構(gòu)簡單易操作、訓(xùn)練算法多等優(yōu)勢在眾多神經(jīng)網(wǎng)絡(luò)模型中被廣泛采用［3］。但BP算法也有其局限性，在訓(xùn)練過程中會由于參數(shù)選擇不當(dāng)?shù)仍驅(qū)е率諗克俣容^慢，且可能陷入局部較小值。針對BP算法的缺陷，這里以液壓缸故障診斷為例提出了一種利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)處理故障數(shù)據(jù)的診斷方法，該方法對比于傳統(tǒng)BP算法預(yù)測精度更高，誤差更小。為大型液壓缸故障特征難提取，故障數(shù)據(jù)難收集難處理提供了一種新的技術(shù)。

2 液壓缸AMESim故障診斷模型

2.1 液壓缸AMESim模型

這里以AMESim自帶液壓缸為例進(jìn)行故障診斷仿真，加入一些必要的液壓元件進(jìn)行系統(tǒng)建模。AMESim 關(guān)于液壓部分有三個(gè)不同的庫可供建模，分別是Hydraulic庫，Hydraulic Component Design 庫和Hydraulic Resistance 庫。使用前兩種庫建立液壓缸分析模型，如圖2所示。

圖2 液壓缸AMESim模型Fig.2 AMESim Model of Hydraulic Cylinder

為模擬其工作狀態(tài)。需要對其中所有元件設(shè)置仿真參數(shù)。選擇液壓泵排量為100cc/rev，電機(jī)轉(zhuǎn)速參數(shù)為1000rev/min，即泵的輸出流量為100L/min。由于系統(tǒng)壓力由負(fù)載所決定，根據(jù)負(fù)載計(jì)算所得系統(tǒng)壓力為17bar，所以設(shè)置溢流閥開啟壓力為20bar。重要參數(shù)設(shè)置，如表1 所示。其他未提及參數(shù)設(shè)置選擇為軟件默認(rèn)。

表1 AMESim參數(shù)設(shè)置Tab.1 AMESim Parameter Settings

仿真運(yùn)行時(shí)間定為10s，時(shí)間間隔為0.1s。運(yùn)行仿真得到活塞桿位移和運(yùn)動速度曲線，如圖3、圖4所示。

圖3 活塞桿位移曲線Fig.3 Displacement Curve of Piston Rod

圖4 活塞桿速度曲線Fig.4 Velocity Curve of Piston Rod

由活塞桿位移曲線可以看出。液壓系統(tǒng)在（1～6）s內(nèi)，液壓缸左腔進(jìn)油，活塞桿伸出。在（6～6.5）s左右，液壓缸右腔進(jìn)油，活塞桿返程。因?yàn)榇嬖谥愣ㄘ?fù)載的關(guān)系，活塞桿返程的速度要大于伸出速度。且由圖4可知，活塞桿伸出時(shí)的速度大約為0.046m/s。根據(jù)液壓傳動計(jì)算，活塞桿伸出速度：

式中：q—進(jìn)入液壓缸流量；A—活塞面積。

由于在進(jìn)油口處設(shè)置了可變節(jié)流閥，節(jié)流閥流量公式為：

式中：q1—通過節(jié)流閥流量；At—節(jié)流閥通流面積；Δp—節(jié)流閥兩端壓差。

液壓泵輸出流量q0一部分經(jīng)溢流閥溢流用于穩(wěn)定系統(tǒng)壓力，另一部分則進(jìn)入節(jié)流閥q1。不計(jì)節(jié)流損失和管路損失有q=q1。經(jīng)過理論計(jì)算得到液壓缸速度為0.0472m/s。與仿真結(jié)果0.046m/s基本相同，驗(yàn)證了模型的準(zhǔn)確性。

2.2 液壓缸AMESim故障注入

運(yùn)用AMESim模型進(jìn)行故障診斷其優(yōu)點(diǎn)就在于我們能夠調(diào)整系統(tǒng)模型的仿真參數(shù)來模擬各種液壓系統(tǒng)故障。AMESim 用戶通過在草圖模式下搭建好系統(tǒng)模型，在參數(shù)模式下通過改變仿真參數(shù)模擬故障類型，在運(yùn)行模式下執(zhí)行動態(tài)仿真，利用得到的結(jié)果用來仿真分析［4-5］。這里共模擬了液壓缸內(nèi)泄漏、液壓缸外泄漏、液壓缸爬行故障、電磁換向閥磁鐵失效和液壓系統(tǒng)進(jìn)入空氣共5種故障。

2.2.1 液壓缸內(nèi)泄漏

液壓缸內(nèi)泄漏是液壓缸最難處理故障之一，故障發(fā)生的地方在液壓缸內(nèi)部，隱蔽性強(qiáng)，難以發(fā)現(xiàn)。建模時(shí)選擇在HCD庫建立的液壓缸模型中加入了泄漏模塊，通過改變泄漏模塊中徑向間隙參數(shù)能夠改變液壓缸內(nèi)泄漏量，很好的模擬液壓缸內(nèi)泄漏故障。將液壓缸內(nèi)泄漏狀態(tài)簡化為同心圓環(huán)縫隙流動，泄漏量公式為：

式中：d—液壓缸內(nèi)徑；h—活塞與缸壁間縫隙高度；Δp—縫隙兩端壓差；μ—液壓油動力黏度；l—縫隙長度。

液壓缸結(jié)構(gòu)一定，液壓缸內(nèi)徑d和縫隙長度l也就確定。液壓油動力粘度與溫度和壓力有關(guān)，縫隙兩端壓差由運(yùn)行工況而定。液壓缸內(nèi)泄漏量主要取決于縫隙高h(yuǎn)，且與h的三次方成正比。改變AMESim中泄漏模塊徑向間隙也就是改變了液壓缸活塞與缸筒壁之間的縫隙，從而達(dá)到改變內(nèi)泄漏量［6］。

2.2.2 液壓缸外泄漏

2.2.3 液壓缸爬行故障

液壓缸爬行現(xiàn)象是指液壓缸在較低速運(yùn)行工況過程當(dāng)中出現(xiàn)嚴(yán)重的速度波動，導(dǎo)致液壓缸運(yùn)行不穩(wěn)定，有時(shí)還會形成一動一停、一快一慢的現(xiàn)象。液壓缸發(fā)生爬行現(xiàn)象的原因有很多種，液壓缸內(nèi)靜、動摩擦因數(shù)差異過大是其中一種，通過改變液壓缸運(yùn)行時(shí)受到靜摩擦和動摩擦力的大小可以有效模擬液壓缸爬行現(xiàn)象。

2.2.4 電磁換向閥磁鐵失效

在液壓系統(tǒng)中電子元件一般要比液壓元件更容易發(fā)生故障。油路不能換向或換向動作緩慢是換向閥電磁鐵失效典型的特征，它會導(dǎo)致液壓系統(tǒng)無法正常工作，影響液壓系統(tǒng)的穩(wěn)定性。通過改變電磁鐵輸入電信號的通斷能夠很好的模擬換向閥磁鐵失效故障。

2.2.5 液壓系統(tǒng)進(jìn)氣

液壓系統(tǒng)進(jìn)入空氣主要有兩種來源：（1）從外界被吸入到液壓系統(tǒng)內(nèi)的，包括泵吸入空氣和液壓缸內(nèi)或液壓系統(tǒng)管道內(nèi)有氣未排干凈等原因引起。（2）油液中混入的氣體，這部分氣體與油液混合在一起，當(dāng)壓力降低到足夠低時(shí)這部分氣體會以氣泡形式析出，產(chǎn)生空化現(xiàn)象。液壓系統(tǒng)進(jìn)氣會影響液壓系統(tǒng)的工作效率。當(dāng)系統(tǒng)進(jìn)入空氣時(shí)，液壓油的體積彈性模量將大大減少，通過改變油液屬性中體積彈性模量的大小可以有效模擬液壓系統(tǒng)進(jìn)氣故障。

2.3 故障數(shù)據(jù)采集

根據(jù)上述進(jìn)行故障的注入，在AMESim液壓缸模型中改變不同的參數(shù)設(shè)置，分別在這5種故障模式下進(jìn)行數(shù)據(jù)采集，每種故障模式采集10組實(shí)驗(yàn)數(shù)據(jù)，加上正常工作模式共60組數(shù)據(jù)，因篇幅有限，記錄其中25組數(shù)據(jù)，如表2所示。

說到磨課的具體流程，筆者所在教研組總結(jié)了“一課多上、一課三磨”的實(shí)踐流程：(1)基于個(gè)人經(jīng)驗(yàn)獨(dú)自備課；(2)結(jié)合師傅指導(dǎo)進(jìn)行二次備課；(3)備課組聽課、評課；(4)結(jié)合修改意見，進(jìn)行三次備課；(5)教研組聽課、評課；(6)撰寫教學(xué)反思和磨課心得.正所謂“三磨三度、一課三‘劫’”.

表2 部分故障數(shù)據(jù)Tab.2 Partial Fault Data

3 基于BP神經(jīng)網(wǎng)絡(luò)液壓缸故障診斷

將AMESim液壓缸模型中各個(gè)故障模式下得到的數(shù)據(jù)信息作為神經(jīng)網(wǎng)絡(luò)輸入，分別取換向閥A口流量、換向閥A口壓力、換向閥B口流量、換向閥B口壓力、液壓缸左腔流量、液壓缸左腔壓力、液壓缸右腔流量、液壓缸右腔壓力作為網(wǎng)絡(luò)特征。其向量為X=[X1，X2，X3，X4，X5，X6，X7，X8]。然后在AMESim 模型中分別注入液壓缸內(nèi)泄漏、液壓缸外泄漏、電磁換向閥磁鐵失效、液壓缸爬行故障和液壓系統(tǒng)進(jìn)入空氣故障作為輸出信息。故障向量分別為Y=[Y1，Y2，Y3，Y4，Y5]。對應(yīng)故障代碼表示為（0 0 0 0 0 1）、（0 0 0 0 1 0）、（0 0 0 10 0）、（0 0 1 0 0 0）、（0 1 0 0 0 0）。正常工作狀態(tài)Y0表示為（1 0 0 0 0 0）。故障信息，如表3所示。

表3 故障信息Tab.3 Fault Information

網(wǎng)絡(luò)輸入共8個(gè)特征，即輸入層的神經(jīng)元個(gè)數(shù)為8。故障向量代碼共6個(gè)特征，即輸出層神經(jīng)元個(gè)數(shù)為6，隱含層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)及多次實(shí)驗(yàn)選擇為5。傳遞函數(shù)方面隱含層傳遞函數(shù)選擇S型正切函數(shù)tansig。輸出層傳遞函數(shù)選擇S 型對數(shù)函數(shù)logsig。訓(xùn)練算法選擇BP默認(rèn)的trainlm 訓(xùn)練算法。訓(xùn)練次數(shù)設(shè)為1000學(xué)習(xí)率0.1訓(xùn)練目標(biāo)為0.01。當(dāng)BP神經(jīng)網(wǎng)絡(luò)達(dá)到均方誤差性能函數(shù)設(shè)定值時(shí)，網(wǎng)絡(luò)停止訓(xùn)練，滿足目標(biāo)要求。在MATLAB軟件中將數(shù)據(jù)導(dǎo)入算法模型中，以每組故障數(shù)據(jù)中的隨機(jī)9組作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本，開始網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練完成后將另外1組故障數(shù)據(jù)作為測試樣本，對其測試，得到測試樣本的網(wǎng)絡(luò)輸出。輸出結(jié)果，如表4所示。

表4 BP測試結(jié)果Tab.4 BP Test Results

重復(fù)進(jìn)行5次實(shí)驗(yàn)，得到5次的實(shí)驗(yàn)結(jié)果，如表5所示。

表5 5次BP實(shí)驗(yàn)誤差結(jié)果Tab.5 Error Results of 5 BP Experiments

從表中可以看出傳統(tǒng)BP算法故障診斷誤差偏大，網(wǎng)絡(luò)預(yù)測結(jié)果并不理想，而且多次測試結(jié)果差異性也很大。傳統(tǒng)BP算法故障診斷效果并不理想，存在著預(yù)測誤差較大、多次診斷魯棒性不好等缺陷，必須對其進(jìn)行改進(jìn)提高故障診斷的準(zhǔn)確性。

4 基于GA-BP神經(jīng)網(wǎng)絡(luò)液壓缸故障診斷

4.1 遺傳算法簡介

遺傳算法是一種高效整體尋優(yōu)搜索算法，具有很強(qiáng)的全局搜索能力。它在搜索之前先把解空間中的所有可能解整合為一個(gè)解集合形式，每一個(gè)解集合即為一個(gè)個(gè)體，并將這些個(gè)體編碼成遺傳空間基因串形式，通過一系列遺傳操作來進(jìn)化產(chǎn)生新的解，最后根據(jù)預(yù)定的目標(biāo)適應(yīng)度函數(shù)來衡量個(gè)體的好壞，不斷迭代得到最優(yōu)個(gè)體。遺傳算法具有解決大規(guī)模和非線性組合優(yōu)化的能力。該優(yōu)點(diǎn)對于解決BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值難以準(zhǔn)確選取最優(yōu)問題時(shí)提供了優(yōu)化方法［7-8］。

4.2 遺傳算法優(yōu)化步驟

遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)其目的就在于確定出網(wǎng)絡(luò)的最佳初始權(quán)值和閾值。根據(jù)預(yù)先確定的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)得到各層連接權(quán)值和閾值總的個(gè)數(shù)，再選擇合適的編碼方式對個(gè)體的編碼長度進(jìn)行確定，接下來選擇神經(jīng)網(wǎng)絡(luò)診斷輸出的誤差作為適應(yīng)度值進(jìn)行優(yōu)化，將優(yōu)化后獲得的最優(yōu)權(quán)值和閾值重新賦予到BP神經(jīng)網(wǎng)絡(luò)中，得到新的神經(jīng)網(wǎng)絡(luò)［8-9］。

遺傳算法優(yōu)化具體步驟如下：

（1）個(gè)體編碼。在GA-BP神經(jīng)網(wǎng)絡(luò)中，個(gè)體包含網(wǎng)絡(luò)所有初始權(quán)值和閾值。不同的編碼方式代表著不同的遺傳特性，這里選擇實(shí)數(shù)編碼。

編碼長度：

式中：N—輸入層節(jié)點(diǎn)數(shù)；M—隱含層節(jié)點(diǎn)數(shù)；L—輸出層節(jié)點(diǎn)數(shù)。

（2）初始化種群。隨機(jī)初始化種群，種群規(guī)模對遺傳算法優(yōu)化性能影響很大，種群規(guī)模過大優(yōu)化時(shí)間也越長，種群規(guī)模過小則不易找到最優(yōu)解。一般選取種群規(guī)模在（40～100）之間，這里選取為40。

（3）適應(yīng)度函數(shù)的確定。個(gè)體的適應(yīng)度越高，表示該個(gè)體越優(yōu)，被選中作為父代的概率也就越大。神經(jīng)網(wǎng)絡(luò)預(yù)測誤差越小代表期望個(gè)體適應(yīng)度越高，診斷效果也就越好。即以BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出與期望輸出之間的誤差平方和的倒數(shù)作為遺傳算法的適應(yīng)度函數(shù)。適應(yīng)度函數(shù)：

式中：MSE—神經(jīng)網(wǎng)絡(luò)均方誤差性能函數(shù)。

（4）遺傳操作。選擇操作是基于個(gè)體適應(yīng)度值進(jìn)行的，將個(gè)體適應(yīng)度所占的比例作為選擇概率P，最優(yōu)個(gè)體直接遺傳復(fù)制到下一代。交叉操作是按較大概率從群體中選取兩個(gè)個(gè)體，對它們按交叉概率選取一個(gè)或多個(gè)交叉點(diǎn)進(jìn)行交換部分基因以形成新的個(gè)體。變異操作是指隨機(jī)地改變個(gè)體某個(gè)或某些基因數(shù)，進(jìn)而產(chǎn)生新的個(gè)體。

（5）得到新種群。將經(jīng)過上述操作后得到的新一代染色體重插入到父代種群個(gè)體中，得到更優(yōu)的新種群和新的個(gè)體目標(biāo)函數(shù)適應(yīng)度值。

（6）迭代尋優(yōu)。不斷進(jìn)行循環(huán)操作得到新的種群，直到得到所需要求適應(yīng)度值的個(gè)體或者運(yùn)行到最大迭代次數(shù)時(shí)循環(huán)才會結(jié)束。經(jīng)過遺傳操作后，新形成種群會沿著適應(yīng)度高的方向不斷進(jìn)化，產(chǎn)生最優(yōu)個(gè)體。

（7）解碼最優(yōu)解。最優(yōu)個(gè)體中包含著BP網(wǎng)絡(luò)最佳權(quán)值和閾值。解碼得到最佳神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值并重新賦予到BP神經(jīng)網(wǎng)絡(luò)中，得到優(yōu)化后網(wǎng)絡(luò)［10-11］。

遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)液壓缸故障診斷流程圖，如圖5所示。

圖5 GA-BP神經(jīng)網(wǎng)絡(luò)流程圖Fig.5 GA-BP Neural Network Flow Chart

4.3 GA-BP診斷結(jié)果

利用上述方法得到優(yōu)化后BP網(wǎng)絡(luò)之后，再次進(jìn)行故障診斷。得到相同測試樣本優(yōu)化后的網(wǎng)絡(luò)輸出，輸出結(jié)果，如表6 所示。進(jìn)化過程誤差曲線，如圖6所示。

表6 GA-BP測試結(jié)果Tab.6 GA-BP Test Results

圖6 進(jìn)化過程誤差曲線圖Fig.6 Error Curve of Evolution Process

通過分析表6中診斷數(shù)據(jù)可知，診斷輸出值和期望輸出值之間的誤差明顯減小。并且由進(jìn)化過程誤差曲線圖可知，在迭代過程中誤差下降很快，迭代到28代時(shí)誤差基本穩(wěn)定在最小值。而且多次實(shí)驗(yàn)誤差相差無幾，故障診斷識別精度都很高。

4.4 BP與GA-BP結(jié)果對比

為了方便與傳統(tǒng)BP算法做對比，同樣進(jìn)行5次實(shí)驗(yàn)，實(shí)驗(yàn)誤差結(jié)果，如表7所示。若單個(gè)數(shù)據(jù)診斷誤差超過0.05則判定為診斷錯(cuò)誤，得到每次實(shí)驗(yàn)的正確率。將BP 與GA-BP 診斷結(jié)果對比，如表8 所示。將5 次實(shí)驗(yàn)結(jié)果GA-BP 與BP 對比可以發(fā)現(xiàn)，GA-BP在故障診斷正確率方面要明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，正確率能夠達(dá)到100%。測試結(jié)果表明，經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)可以大大減小診斷誤差，提高診斷正確率，準(zhǔn)確識別故障類型，能夠運(yùn)用到液壓缸故障診斷當(dāng)中。

表7 5次GA-BP實(shí)驗(yàn)誤差結(jié)果Tab.7 Error Results of 5 GA-BP Experiments

表8 BP與GA-BP結(jié)果對比Tab.8 Comparison of BP and GA-BP Results

5 結(jié)論

這里根據(jù)大型液壓缸故障數(shù)據(jù)難收集難處理問題，提出利用仿真模擬出液壓缸模型獲取數(shù)據(jù)、利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)方式處理數(shù)據(jù)的液壓缸故障診斷方式。研究結(jié)果表明：（1）將遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到液壓缸故障診斷當(dāng)中，運(yùn)用AMESim仿真出相應(yīng)的液壓缸模型，通過改變仿真參數(shù)模擬液壓缸故障，收集故障數(shù)據(jù)。該方法能夠準(zhǔn)確識別液壓缸故障類型，誤差較小，表明了該方法應(yīng)用到工程實(shí)踐中的可行性。（2）GA-BP神經(jīng)網(wǎng)絡(luò)算法模型相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)來說，GA-BP能夠有效彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值無法準(zhǔn)確獲得和隨機(jī)初始化權(quán)值和閾值導(dǎo)致網(wǎng)絡(luò)泛化能力不強(qiáng)、易陷入極小值的缺陷，并且在故障診斷的精度和效率方面均能得到提升，基于GA-BP神經(jīng)網(wǎng)絡(luò)液壓缸故障診斷方法表現(xiàn)優(yōu)異，可以適用于液壓缸故障診斷。