礦山機械設備液壓系統故障相關問題研究

摘 要：隨著礦山工程規模的不斷擴大，企業對礦山機械設備性能與可靠性要求也日益提高。本文以卡特350液壓挖掘機為研究對象，主要研究挖掘鋁礦過程中液壓系統可能面臨的故障問題。研究人員通過收集和分析卡特350挖掘機實際工作中的大量數據，系統地歸納了液壓系統在挖鋁礦過程中的故障模式。通過對故障樣本的深入剖析，揭示了液壓系統在高強度工作條件下可能發生的各種壓力、溫度和流量異常，為提高挖掘機工作穩定性和壽命提供了重要參考依據。

關鍵詞：液壓系統；信息融合技術；故障診斷

中圖分類號：TD 63 " " " 文獻標志碼：A

作為礦山機械設備的核心組成部分，液壓系統負責提供動力、控制和執行功能。然而，長期在惡劣環境下工作和高頻、高強度的作業條件可能導致液壓系統故障頻發，進而影響設備的穩定性和可靠性。本文針對該問題，對礦山機械設備液壓系統故障進行了深入研究。特別是液壓挖掘機等設備在挖掘鋁礦等礦石過程中的穩定性和可靠性，對保障生產進度和安全尤為關鍵。在實際工作中，液壓系統故障可能由多種原因引起，如壓力異常、溫度過高和流量不穩等。因此，深入了解液壓系統在礦山作業中可能遇到的故障類型、特征和針對這些故障采取的有效預防和修復措施，對提高設備的運行效率、延長設備使用壽命并減少因故障導致的生產中斷具有重要意義。

1 礦山機械設備液壓系統構成和常見故障形式

1.1 液壓系統構成

卡特350液壓挖掘機是一款專門用于礦山挖掘工作的重型機械設備。其液壓系統是該挖掘機關鍵的組成部分，具有動力、控制和執行功能。該設備液壓系統的主要構成如下所示。1）主泵和主閥組。卡特350挖掘機采用高壓柱塞泵為主泵，通過主閥組將液壓油引導到各液壓元件。2）液壓缸。液壓挖掘機中的液壓缸負責執行各種挖掘和移動動作。主要液壓缸包括挖掘臂液壓缸、斗桿液壓缸和斗液壓缸等，它們通過液壓系統提供的壓力實現伸縮、旋轉和提升等動作。3）液壓馬達。液壓挖掘機的行走和旋轉運動由液壓馬達提供動力。這些馬達通過液壓系統中的油液壓力來驅動，使挖掘機能夠在工地上進行精確定位與移動。4）液壓油箱和冷卻系統。液壓系統需要存儲液壓油的油箱和將液壓油的溫度保持在適當范圍內的冷卻系統，這有助于防止系統過熱，確保其長時間穩定運行。5）過濾器和閥門。為了確保液壓油的清潔度，系統中通常配置過濾器，用于過濾雜質和顆粒。閥門則用于控制液壓油的流向和壓力，以實現對液壓系統的精確控制。該設備液壓系統具體參數見表1。

1.2 液壓系統常見故障形式

礦山機械設備液壓系統的故障類型多樣，主要故障模式為牽引無力或不牽引、僅能實現單向牽引、液壓系統異常聲響、液壓系統溫度過高、液壓泵箱漏油以及滾筒升起后自動下降，不同故障模型的常見原因、故障部位見表2。

2 基于RBF神經網絡的礦山機械設備信息融合故障診斷方法

2.1 RBF神經網絡介紹

2.1.1 RBF神經網絡的結構和實現原理

RBF神經網絡由輸入層、隱含層和輸出層構成。輸入層設計有節點，用于輸入原始數據。隱含層設計有徑向基神經元，用于處理輸入數據。輸出層輸出模型訓練或學習結果，隱含層建立輸入層和輸出層聯系，模型輸入數據映射至隱含層，通過設置和調整權重逼近目標，輸出相應結果。

假設RBF神經網絡有m個輸入節點、K個隱含節點和n個輸出節點，這種結構被稱為m-K-n型RBF神經網絡模型。輸入向量記為X，數據從隱含層到輸出層通過權重wkj映射，其中k是隱含層節點編號，j是輸出層節點編號。隱藏層節點的傳遞函數是Ψk（X），其數據中心記為Ck。隱藏層節點就是數據[1]。RBF神經網絡第j個輸出層節點的輸出結果如公式（1）所示。

（1）

式中：ψk·（X·Ck）代表對輸入向量X進行非線性變換處理。

2.1.2 徑向基函數

徑向基函數在RBF神經網絡中具有關鍵作用，是網絡中隱含層的重要組成部分，能夠進行數據映射處理。常用的徑向基核函數包括逆多二次函數、Sigmoid函數以及高斯核函數。以高斯函數為例，其數學表達式為Ψ（d）=e（-d2/σ2）。將輸入樣本x和數據中心（相對于集合X）c間的距離記為d，e為自然對數的底數，參數σ可用于調節核函數的寬度，RBF神經網絡的寬度與參數σ的大小呈正相關[2]。

2.1.3 參數設置

設計RBF神經網絡模型時，必須合理確定模型參數，如各層節點的數量、各層節點間的權重值以及擴展常數。1）設置隱藏層相關參數。隱藏層的參數包括神經元數量和數據中心，神經原數量可根據經驗公式進行計算。假設輸入層節點數量為m個，則隱藏層節點數為2m+1個，或者按照log2m進行取值[3]。數據中心的確定方法為直接確定法、隨機確定法或者聚類法。以聚類法為例，在訓練數據中隨機選取若干個樣本，將其作為初始的數據中心，記為ci，整個樣本集應盡可能靠近該數據中心。然后求出初始數據中心的均值，將其作為新的數據中心，經過多次迭代，直至獲得最穩定的數據中心。2）確定擴展常數。將算法的擴展常數記為σi，可根據算法模型是否具有監督機制采取不同的擴展常數確定方法。在非監督模式下，將數據中心間的最大距離記為cmax，隱藏層節點數量記為h，此時擴展常數σi為cmax/（2h）1/2，i=1，2，...，h。

2.2 礦山機械設備液壓系統特征層故障診斷方法

2.2.1 問題分析

在礦山機械設備的管理中，利用傳感器、物聯網以及信息化平臺實時監測其液壓系統的運行數據，這些數據具有明顯的量化特征。但液壓系統的故障模式主要表現為定性的語言變量，可見故障模式和監測數據存在顯著差異。RBF神經網絡模型能夠將量化數據轉化為故障模式，實現這一目標的關鍵步驟包括以下2個。1）信息預處理。礦山機械設備液壓系統設計有多重傳感器，用于采集液壓油的流量、壓力以及設備的振動信息，獲得原始數據后，需進行信號特征提取，進而建立壓力特征、幅值特征、頻域特征、時域特征，再根據特征量形成故障模式。2）構建診斷模型。傳感器采集的數據為模擬信號，經過特定處理后轉化為數字信號，再利用RBF神經網絡模型訓練轉換后的數據，建立故障診斷模型。待模型訓練成熟后即可用于故障類型診斷。

2.2.2 基于特征層信息融合故障診斷方法的模型建立

2.2.2.1 模型整體架構

診斷模型的整體架構分為四個層級。在第一層級，使用傳感器采集液壓系統的信號，經過數據層信息融合處理，實現信號特征提取，與此同時，將故障模式轉化為數字變量。在第二層級，將代表故障模式的數字變量和液壓系統的信號特征輸入RBF神經網絡模型，進行特征層信息融合。在第三層級，向模型中輸入測試樣本。在第四層級，輸出模型的評價結果。

2.2.2.2 數據預處理

液壓系統傳感器采集的信號包括振動信號、壓力信號和流量信號等，進行模型訓練前應對原始數據進行適當的預處理，使其符合計算要求。在振動數據的處理中，假設傳感器采集到一系列離散的振動信號，記為x0、x1、...、xN。振動信號通常具有時域特征和頻域特征，可據此進行數據處理。將振動信號的均值記為xavg，則xavg的計算方法如公式（2）所示。

（2）

將振動信號的方差記為σz，其計算方法如公式（3）所示。

（3）

礦山機械設備液壓系統的壓力信號包括脈沖和流量信息，以壓力信號為基礎，可提取壓力變化的特征頻率，以流量信息為基礎，可提取容積效率。以容積效率為例，其計算方法為ρ=qr/ql，其中ρ為容積效率；qr為實際測得的液壓油流量；ql為液壓系統液壓油的理想流量[4]。

為了提高算法模型的數據運算效率，還應對各類特征信息進行歸一化處理，具體可采用min-max方法。將樣本信息記為zij，其中i表示特征數據的類型，j表示液壓系統當前的狀態，則歸一化的計算方法如公式（4）所示。

（4）

式中：z* ij為歸一化處理后的數據；min（zij）為樣本信息中的最小值；max（zij）為樣本信息中的最大值；N為同類樣本的數量。

2.2.2.3 故障模式的數字化轉換

液壓系統的故障模式分類與其自身的設計方案密切相關，產品的生產廠家會提供相應的故障信息。故障模式通常通過語言變量進行描述，但算法模型需要數字化的表示方式，因此將其轉化為數字形式。將語言變量集記為V，則有V={優，良，中，差}。采用二進制的方式表示語言變量，“優”的二進制表示方法為（1，0，0，0），“良”的表示方法為（0，1，0，0），“中”的表示方法為（0，0，1，0），“差”的表示方法為（0，0，0，1）。

2.2.2.4 RBF神經網絡訓練

確定RBF神經網絡模型的所有參數后，將預處理后的數據作為訓練樣本集，對其進行模型訓練。除了節點數量、數據中心和樣本量，還應設置故障模式數量F。

2.2.2.5 模型評價

故障模型在診斷過程中可能存在一定誤差，制約了模型的實用效果。因此，完成模型訓練后應評價其診斷精度。將模型實際輸出與理想輸出結果的吻合度記為Esa，實際評價結果與理想結果的不匹配性記為Enca，模型精度評價指標記為Ea，則Ea的計算方法如公式（5）所示。

（5）

公式（5）中Ea的計算結果為（0，1），當計算結果趨近于0時，模型的診斷精度更高[5]。

2.2.3 模型應用測試

2.2.3.1 特征層故障診斷模型應用背景

在模型測試階段，將礦山機械設備軸承故障作為診斷目標，軸承的故障模式為內圈故障、滾動體故障以及外圈故障，故障模式的代號為Q1、Q2和Q3。故障診斷信息為振動信號，在軸承的徑向、垂向分別設置一個振動傳感器。采集的信息經過處理后，形成均值、偏態量、峭度、峰值和有效值5種特征量，分別記為I1、I2、I3、I4和I5。每個傳感器采集15組數據，每種故障模式共計可得10組數據。以徑向傳感器采集的Q1模式數據為例，I1～I5的數據量分別為{0.8106，0.6679，0.8357，0.7865，0.7535}。對故障模式Q1、Q2和Q3進行二進制編碼，結果分別為（1，0，0）、（0，1，0）和（0，0，1）。

2.2.3.2 基于RBF神經網絡的信息融合實施步驟

在模型訓練階段，需要使用RBF神經網路模型進行故障特征融合，該過程包括4個實施步驟。1）充分調研液壓系統，對其故障模式進行分類，建立完善的故障模式庫，并且以向量（二進制）的形式對故障模式進行編碼。2）利用傳感器采集液壓系統的運行數據，完成預處理后，將其輸入模型進行訓練，該模型的輸出結果為故障模式，此時建立了第一個神經網絡信息融合模型。3）液壓系統的運行數據具有多樣性，以不同類別的數據進行模型訓練，可產生新的神經網絡信息融合模型。4）將測試樣本輸入訓練完成的模型，并輸出故障診斷結果。

2.2.3.3 數據規范化處理

根據公式（4）進行數據規范化處理，徑向傳感器數據規范化處理結果示例見表3。

2.2.3.4 故障診斷結果分析

由于診斷過程設置了2個振動傳感器，一個位于徑向，另一個位于垂向，因此利用2個傳感器的數據可訓練出2個故障神經網絡模型。2個神經網絡的故障診斷結果見表4，從中可知，2個神經網絡的前5個診斷結果完全相同，僅有最后一組診斷結果不一致。從診斷結果可得出以下3個結論。第一，徑向振動數據訓練的神經網絡模型的診斷結果與真實的故障情況完全一致。第二，單一信息源對診斷精度的影響較大，容易產生誤差。第三，利用多信息源訓練模型時，診斷結果有可能不一致，應改進診斷模型，強化對多數據源的分析。

3 結語

本文將卡特350液壓挖掘機的液壓系統作為分析對象，其常見的故障形式包括牽引力下降或消失、液壓油過熱、液壓系統異常和漏油等。由于故障原因較復雜且存在多因素耦合作用，故障診斷難度增加，因此利用RBF神經網絡建立診斷模型、提取故障特征并進行特征融合。經測試，該模型能夠較準確地判斷故障類型，但也存在一定缺陷，下一步需要改進其多源數據分析與融合能力，降低診斷誤差。

參考文獻

[1]王雪艷.機電一體化技術在液壓挖掘機中的應用探究[J].液壓與氣動，2012（5）：45-47.

[2]梁光輝，李兆軍.液壓挖掘機回轉系統故障樹分析[J].液壓與氣動，2012（4）：107-110.

[3]李麗云.挖掘機液壓回路故障診斷分析[J].煤礦機械，2011，32（12）：252-254.

[4]李國平，張慶偉.基于BP神經網絡的液壓挖掘機故障診斷的研究[J].機床與液壓，2011，39（23）：160-164.

[5]杜德軍.礦用液壓挖掘機柴油機曲軸的修復與改進[J].礦山機械，2010，38（18）：87-88.