基於GA‑BP網絡的液壓制動系統多源融合故障預示方法與流程
2023-10-17 16:01:39 1
本發明屬於液壓制動系統故障檢測技術領域，尤其是一種基於GA-BP網絡的液壓制動系統多源融合故障預示方法。
背景技術：
隨著節能減排工作的推進以及混合動力技術的成熟，基於輪胎吊混合動力技術的 RTG（輪胎吊） 節能系統逐步成熟起來。混合動力輪胎吊和常規柴油發電機驅動的輪胎吊相比較，其最突出的優點是節省燃油；其次，由於混合動力輪胎吊使用的是小功率柴油機，從而降低了噪音和廢氣的排放。混合動力輪胎吊消除了常規型輪胎吊的主要弊端，為輪胎吊這種貨櫃作業機器得到廣泛應用提供了技術上的支持。這些都使得混合動力輪胎吊在實際的應用中具有很大的應用前景。
而根據以往的經驗及統計，在港口安全事故中，輪胎吊故障所導致的事故佔了很大的一個部分，對於即將大量應用於生產的混合動力輪胎吊，研究它的制動系統的故障診斷方法來保證混合動力輪胎吊安全運行顯得尤為重要。而輪胎吊的液壓制動的正常運行與否，則與輪胎吊的安全性能息息相關。因此，研究混合動力輪胎吊的液壓制動系統的故障檢測具有重大的現實意義。
對於制動系統的故障檢測主要集中在離線的檢測以及故障出現以後的檢測。而輪胎吊是一種需要長期在港口工作的設備，難免會出現故障，如果及時發現輪胎吊存在的問題，那麼必然能夠避免造成不必要的經濟損失。目前的故障檢測方法，通常只能採取定期故障檢測的方法，不但人工成本高，而且工作效率低。一旦混合動力輪胎吊液壓制動系統在港口出現故障，將會造成不可估量的設備損壞或者人員傷亡。因此，發明一種輪胎吊液壓制動系統故障預示方法，不僅可以對系統所處狀態進行預示，及時發現液壓制動系統存在的問題，同時為輪胎吊液壓制動系統故障智能化檢測奠定基礎。大力發展的混合動力輪胎吊需要一種有效的故障預示技術來儘可能減少故障造成的危害，提前預防故障的發生。
現有技術中的混合動力起重裝置一般在環境複雜且惡劣的環境中工作，在信號檢測過程中，故障信號很容易遭受環境幹擾，容易被各種噪聲淹沒，加之液壓系統故障具有隱蔽性、多樣性、隨機性和因果關係複雜性等特點，故障機理複雜多樣，單一傳感器提供的故障特徵信息常常是模糊的、不完整的和不確定的，有時甚至是錯誤的，故其不能提供系統運行過程中完整的狀態信息。為了後期能夠實現對混合動力起重裝置全面而準確故障診斷，使診斷系統具有更高的精度、可靠性，則需要綜合利用多種故障信息源來檢測系統故障，此時需要利用多源融合技術。從本質上來講，多源信息融合就是通過充分利用各信息源之間的冗餘和互補信息，按一定的規則加以綜合處理和智能合成，產生比單一信息源關於設備運行狀態更可靠、更準確和更全面的信息，並根據這些信息完成所需的判斷、估計和決策任務。多源信息融合的基本原理其實就與人腦對外界複雜信息進行綜合處理的過程相同，通過綜合多個同類或異類的傳感器測得的信息，依據設定的某種優化規則，充分利用多源信息在空域和時域上的冗餘與互補性，產生比單一信息源關於被測環境更全面和合理的解釋。而通過對各信息源獲得的信息進行優化組合，推導出更多的有用信息，達到最佳協同作用的結果，使系統具有比單個傳感器系統更優越的性能是信息融合的最終目的。與傳統的信號處理方法不同，基於信息融合所處理的多源信息具有更複雜的表現形式，且是在多級別、多層次上對信息源的處理，能夠實現多系統全方面的了解。
大多數的機械設備都採用潤滑油或其它潤滑劑進行潤滑,這些油液在機器內部循環,含有豐富的有關機體運行狀況的信息,通過油液檢測分析方法可以提取潤滑油中所包含的設備運轉狀況的信息。油液分析技術可以通過分析設備所用潤滑油或其他工作介質的性能變化和攜帶的磨損微粒的情況，從而獲得設備的潤滑和磨損狀態的信息，用於評價設備的工況、預測故障，並確定造成故障發生的原因、類型和位置的技術。通常，油液分析方法可以通過延長設備的換油期或者正確選用潤滑劑而取得效益，更為重要的是通過及時預報潛在的故障，避免災難性的損失，或是處於正常運轉的設備維修來增加產值和效益。由於各種油液分析方法都有自己的特性，因此採用多種油液分析方法來對系統進行分析，不僅能夠實現多種油液分析方法之間的取長補短，而且可以提高系統狀態預示的準確性。
最初的油液分析只包含汙染度分析，其主要是通過分析油品的理化指標，以評價其質量的變化。現在，油液分析方法的研究熱點和開發熱點主要集中在在線油液監測、磨粒自動識別技術和基於油液監測的智能診斷系統三個方面。①在線油液監測，它僅能提供油液磨損顆粒尺寸的分布信息，用以初步判斷設備的運行狀態，確定是採用其他方法進行進一步的故障診斷。②磨粒識別技術中油液分析中最具有特色的鐵譜分析的技術核心，而這一分析方法主要依賴於分析人員的知識和經驗的多少，並且操作費時枯燥；雖然磨粒識別這一研究方向吸引了很多的研究者，但是由於鐵譜分析的清晰度和顆粒分散度較低，制約了圖譜的自動識別的實現，沒能取得突破性的進展，目前的磨粒識別依然無法離開分析人員。③基於油液監測的故障診斷專家系統由一個驅動程序、一個專家系統和一個資料庫三部分組成，用於解釋油液理化指標和磨損信息分析的結果。
隨著計算機通信技術越來越發達普及，制動系統故障預示也逐漸向智能化發展。從混合動力輪胎吊故障診斷角度出發，混合動力輪胎吊與傳統的輪胎吊相比，它內部的結構複雜了許多，器件也多了很多，這也使得故障的形式更加多樣化，因此而給系統的建模增加了難度。與此同時，人工神經網絡因其所具有的易建模，抗幹擾性強，容錯能力強，而在故障診斷方面展現了不可忽視的優勢，利用人工神經網絡來進行故障，為故障預示提供了一種新的方法。
技術實現要素：
為了克服現有技術的不足，本發明提供了一種基於GA-BP網絡的液壓制動系統故障預示方法，該方法可以為液壓制動系統提供在線檢測，同時推動了液壓制動系統故障預示的智能化發展，提高故障預示的精確性和快速性。
為了實現上述目的，本發明採用的技術方案是：一種基於GA-BP網絡的液壓制動系統多源融合故障預示方法，其特徵在於，包括以下步驟：
第一步，對液壓制動系統中的油液進行採樣，並隨機將樣本分成兩個樣本集，分別為訓練集和測試集；
第二步，對樣本進行光譜分析、汙染顆粒含量分析、鐵含量分析和粘度分析，獲得油品的性能數值、磨粒尺寸、形貌、含量和成分信息；
第三步，對第二步中各油液分析結果進行多源信息融合，得到油液相關的分析數據，獲得全面的油液信息，具體信息包括Fe、Cu、Pb的質量分數，油液粘度，油品性能，油液磨粒尺寸，油液磨粒形貌，油液磨粒成分；
第四步，利用遺傳算法來對神經網絡的初始值進行優化；
第五步，將訓練集的分析數據用於GA-BP網絡的建模；
第六步，將測試集用到訓練出來的神經網絡中進行測試，直到神經網絡的性能測試合格；
第七步，利用訓練好的GA-BP神經網絡來對液壓制動系統狀態進行分析，對可能存在的故障進行預示。
進一步的，所述第一步中對液壓制動系統中的油液進行採樣，並隨機將樣本分成兩個樣本集的具體過程如下：
(1)模擬液壓制動系統的不同工況：系統正常工作和異常工作；異常工作包括離合器摩擦片故障、閥卡故障、匯流行星排故障，配流套鑄鐵密封故障；
(2)對制動主缸和液壓缸的油液進行取樣；
(3)讓獲取的油液樣本通過按過濾孔徑大小依次排列的硝酸纖維素濾膜；
(4)在載玻片上，將（3）中的硝酸纖維素過濾膜按過濾孔徑尺寸從小到大依次排列；並通過二甲基甲醯胺水融解硝酸纖維素濾膜，從而得到按顆粒尺寸大小梯度依次排列的磨損顆粒樣本；
(5)重複步驟(1)-(4)直到完成對液壓制動系統的可能存在的狀態都模擬完畢；
(6)按照隨機抽取原則，在獲取的所有樣本中進行抽樣，組成油液樣本訓練集、測試集，它們分別佔總體樣本的2/3和1/3。
進一步的，所述第四步中用遺傳算法來對神經網絡的初始值進行優化，具體過程為：首先用遺傳算法對初始值進行快速的全局搜索，再利用BP 算法在局部進行最優搜索，獲得 BP 神經網絡的初始值的最優值。
進一步的，所述第五步和第六步中的GA-BP網絡的訓練和測試，具體的步驟如下：（1）利用油液分析數據中的訓練數據和GA算法來對神經網絡的初始值進行優化；（2）利用BP算法來對神經網絡進行訓練使得訓練得到的神經網絡的誤差能夠滿足實際的需求；（3）將油液分析數據中的測試數據用於檢測GA-BP神經網絡的性能直到該GA-BP神經網絡的性能滿足要求測試合格。
採用上述方案，本發明與傳統的輪胎吊制動系統故障檢測方法相比，不需要複雜的數學建模過程；可以對混合動力輪胎吊液壓制動系統進行多種故障類型的故障預示；而且本發明實現了多種油液分析法的融合，它豐富了油液分析的數據類型，使得它故障預示的準確性比單一的油液分析技術要高。同時，本發明採用了人工智慧的診斷方法——GA-BP網絡，使得故障診斷過程更加智能化，檢測的準確性更高；並對多種油液分析方法進行融合，實現了不同油液分析方法之間的取長補短；而且，本發明中的GA算法可以有效避免神經網絡易陷入局部最優點的缺陷。
下面結合附圖對本發明作進一步描述。
附圖說明
附圖1為本發明具體實施例混合動力輪胎吊液壓制動系統系統框圖；
附圖2為本發明具體實施例混合動力輪胎吊液壓制動系統故障設置點；
附圖3為本發明具體實施例磨損顆粒按顆粒尺寸梯度依次排在載玻片上的結構示意圖；
附圖4為本發明具體實施例混合動力輪胎吊故障檢測系統流程圖；
附圖5為本發明具體實施例GA-BP神經網絡的結構圖。
具體實施方式
本發明的具體實施例如圖1所示是混合動力輪胎吊液壓制動系統的系統框圖，混合動力輪胎吊液壓制動系統主要由供能裝置、控制裝置、傳動裝置、制動器、制動力調節裝置組成。控制裝置主要包括制動踏板，傳動裝置主要包括真空助力器、制動主缸、制動輪缸；制動力調節裝置包括限壓閥、幹載閥、比例閥、慣性閥等。
如圖4所示，是基於GA-BP網絡的液壓制動系統多源融合故障預示方法來實現液壓制動系統的在線診斷，其具體步驟如下：
第一步，對液壓制動系統中的油液進行採樣，並隨機將樣本分成兩個樣本集，即訓練集和測試集；具體過程如下：
(1) 模擬液壓制動系統的不同工況：系統正常工作和異常工作；異常工作即出現故障，如離合器摩擦片故障、閥卡故障、匯流行星排故障，配流套鑄鐵密封故障如圖2所示；
(2) 對制動主缸和液壓缸的油液進行取樣；
(3) 讓獲取的油液樣本通過過濾孔徑大小依次排列的硝酸纖維素濾膜；
(4) 在載玻片上，按過濾孔徑尺寸從小到大依次排列硝酸纖維素過濾膜；並通過二甲基甲醯胺水融解硝酸纖維素濾膜，從而得到按顆粒尺寸大小梯度依次排列特定尺寸的磨損顆粒樣本如圖3所示；
(5) 重複步驟(1)-(4)直到完成對液壓制動系統的可能存在的狀態都模擬完畢，再執行(6)；
(6) 按照隨機抽取原則，在獲取所有樣本進行抽樣，組成油液樣本訓練集、測試集，它們分別佔總體樣本的2/3和1/3；
第二步，對樣本進行光譜分析、汙染顆粒含量分析、鐵含量分析和粘度分析；利用這幾種分析方法來得到油品的性能數值和磨粒尺寸、形貌、含量和成分等信息。
第三步，對多種油液分析結果進行多源信息融合，得到油液相關的分析數據，獲得全面的油液信息，具體信息如下：Fe、Cu、Pb的質量分數，油液粘度，油品性能，油液磨粒尺寸，油液磨粒形貌，油液磨粒成分；多源信息融合的具體過程為：將第二步的油液分析結果進行綜合、比較來得到全面的油液的信息，去除掉多種分析結果之間的冗餘信息，使相關信息的數值更為精確。同時，彌補單一信息源得到的油液信息不全面的缺點。
第四步，利用遺傳算法來對神經網絡的初始值進行優化；首先用遺傳算法對初始值進行快速的全局搜索，再利用BP 算法在局部進行最優搜索，獲得 BP 神經網絡的初始值的最優值。
第五步，將訓練集的分析數據用於GA-BP網絡的建模；
第六步，利用測試集來訓練出來的神經網絡進行測試，直到神經網絡的性能能夠符合要求；具體的步驟如下：1）利用油液分析數據中的訓練數據和GA算法來對神經網絡的初始值進行優化；2）利用BP算法來對神經網絡進行訓練使得訓練得到的神經網絡的誤差能夠滿足實際的需求；3）將油液分析數據中的測試數據用於檢測GA-BP神經網絡的性能。如果該GA-BP神經網絡的性能不能滿足要求，則需要對神經網絡重新進行訓練；
第七步，利用訓練好的GA-BP神經網絡來對液壓制動系統狀態進行分析，對可能存在的故障如閥卡類故障，離合器摩擦片故障，匯流行星排故障，配流套鑄鐵密封故障，理化性能下降等故障進行預示；該神經網絡可以定性和定量地評價被監測液壓制動系統的狀態，並預測其發展趨勢。
如圖5所示，上述神經網絡的結構為三層結構，一個輸入層，一個輸出層，一個隱含層，輸入層節點個數為n，輸出層節點個數為m，隱含層節點個數為q，輸入層的節點個數與傳感器的油液分析得到的分析數據的種類一致，輸出層節點與所能預示的故障類型的個數相對應，隱含層的個數運用試湊法來確定。每個輸入節點與隱含層節點之間的加權係數記為wij，i∈[1，n]，j∈[1，q]；每個隱含層節點與輸出層節點之間的加權係數記為wjk，j∈[1，q]，k∈[1，m]。隱含層各個節點的偏值記為bj，j∈[1，q]，輸出層的各個節點記為bk，k∈[1，m]。隱含層和輸出層節點的激活函數採用Sigmoid函數，即g(x)=1/(1+exp(-x))，將神經網絡的學習因子記為η。而所述GA-BP神經網絡的混合動力輪胎吊液壓制動系統故障診斷方法的具體步驟如下：
1)GA-BP神經網絡訓練數據和測試數據的處理
通過對混合動力輪胎吊制動系統進行各種故障類型的模擬，如彈簧故障等。從而獲得制動系統所處的狀態以及相應的油液分析的數據。獲得的油液分析數據和制動系統狀態的數據隨機分成兩個部分，其中一部分用於訓練神經網絡，另一部分用於檢驗神經網絡的有效性。對於用於訓練的那部分數據，可以將傳感器數據作為神經網絡的輸入，記為X={x(1)，x(2) ….x(N)}，x(p)=[ x1p，x2 p …. xnp]，p={1,2,… N}，N為傳感器採集的數據組數，n為傳感器的個數，即神經網絡輸入層的節點個數。同時，將制動系統所處的狀態作為神經網絡的期望輸出，記為T={ t(1)，t(2) ….t(N)}，t(p)=[ t1 p，t2 p …. tmp]，p={1,2,… N} ，N為油液分析得到的數據種類，m為能夠預示的故障類型的個數，即神經網絡輸出層的節點個數。神經網絡輸出層中的每一個節點的輸出對應的是液壓制動系統的一種故障類型，如果制動系統存在某種故障類型，則該種故障類型的輸出節點對應的其期望輸出為1，反之，則其對應的期望輸出為0。
2)GA-BP神經網絡訓練階段的具體步驟如下：
a)初始化：利用遺傳算法(GA算法)來對神經網絡中的各個節點和節點上的偏置進行初始化，即置所有的加權係數wij(0)，wjk(0)和偏值bj(0)和bk(0)為相對較為優化的數值，從而縮短神經網絡的訓練時間；GA算法主要包括如下幾個步驟：種群初始化，神經網絡中的一個權重、偏值和種群的一個個體相對應；利用適應度函數計算每個個體的適應值；利用選擇算法來對種群中的個體進行選擇，選擇較優的個體；利用交叉算法來對選擇出的較優的個體進行交叉來得到下一代的個體；利用變異算法對種群中的個體進行變異；重複上述步驟，直到達到設定的迭代次數，此時在選出種群中最有的個體將其作為神經網絡的中權值和偏值的初始值；
b)提供訓練集：給出輸入向量集{x(1)，x(2) ….x(N)}和期望輸出向量集{t(1)，t(2) ….t(N)}；同時需要對給出的輸入向量進行歸一化處理，得到歸一化後的輸入向量集。歸一化公式為：
xi p= (xi p- min{ x1p，x2 p ….xnp })/( max{ x1p，x2 p ….xnp }- min{ x1p，x2 p ….xnp })，i={1,2,… n}，p={1,2,… N}；
c)計算神經網絡中各節點的實際輸出：計算所有數據點對應的隱含層節點的輸出和輸出層節點的輸出，計算公式如下：
ojp= g(w1j(r)x1p + w2j(r)x2 p + w3j(r)x3 p + …+ wn-1j(r)x n-1p + wnj(r)x np +bj(r))，j={1,2,… q} ，p={1,2,… N}，r表示當前迭代次數；
其中ojp表示隱含層的第j個節點在第p組數據作用下的輸出；
ykp = g(w1k(r)o1p + w2j(r)o2 p + w3j(r)o3 p + …+ wq-1j(r)o q-1p + wqj(r)o q-1p + bk(r))，k={1,2,… m}，p={1,2,… N}，r表示當前迭代次數；
其中yk表示輸出層第k個節點在第p組數據作用下的輸出；
d)計算各層的誤差：計算隱含層和輸入層各節點的誤差，誤差計算的公式如下：
δkp = yk p (1- yk p)(tk p- yk p)，k={1,2,… m}，p={1,2,… N}；
其中δkp表示輸出層的第k個節點在第p組數據作用下的輸出誤差；
δip = (wi1(r)δ1p + wi2(r)δ2p + … +wim(r)δmp)oip(1- oip)，i={1,2,… q}，p={1,2,… N}，r表示當前迭代次數；
其中δk表示隱含層的第i個節點在第p組數據作用下的輸出誤差；
e)調整各層的加權係數及偏值，輸出層和輸入層的加權係數及其偏值的修正公式如下：
wjk(r+1)= wjk(r) +η(yk 1 oj1 + yk 2 oj2+ … + ykN ojN)，
bk(r+1)= bk(r) +η(yk 1 + yk 2 + … + ykN)，
其中wjk(r+1)為r+1代隱含層第j個節點與輸出層第k個節點之間的權重係數，bk(r+1)為r+1代輸出層第k個節點的偏值；
wij(r+1)= wjk(r) +η(δj1xi1+δj2xi2+ … +δjNxiN)，
bj(r+1)= bj(r) +η(δj1 +δj2 + … +δjN)，
其中wjk(r+1)為r+1代隱含層第j個節點與輸出層第k個節點之間的權重係數，bk(r+1)為r+1代輸出層第k個節點的偏值；
f)計算誤差，即
J p= 1/2((t1 p- y1 p)2 +(t2 p- y2 p)2+ … + (tm p- ym p)2)；
J = J1+ J2+ … + JN；
其中J p為第p組數據作用下神經網絡的輸出誤差，J為神經網絡的整體誤差；
將神經網絡的誤差精度設定為ε>0，如果J<ε,說明訓練出的神經網絡已經能夠滿足誤差要求；反之，返回步驟c)重新計算；
3)GA-BP神經網絡檢測階段
在完成神經網絡的訓練後，需要對神經網絡診斷故障的能力進行驗證，需要利用採集的剩餘部分數據來對神經網絡進行，將獲得的數據中的剩餘部分數據用於校驗GA-BP神經網絡。如果建立的GA-BP神經網絡的性能不能滿足要求，那麼則需要重新調節參數來對GA-BP神經網絡進行訓練，可以調整的參數有隱含層的節點個數q，學習因子η。校驗的具體過程如下：
將剩餘的樣本數據作為神經網絡的輸入和期望輸出，將神經網絡得到的輸出與期望的輸出進行比較，得到驗證過程中神經網絡的系統誤差E以及故障診斷的正確率，如果系統誤差和診斷的正確率不能滿足要求，那麼需要調整參數，重新進行神經網絡的訓練，直到達到要求的精度。
本發明不局限於上述具體實施方式，本領域一般技術人員根據本發明公開的內容，可以採用其他多種具體實施方式實施本發明的，或者凡是採用本發明的設計結構和思路，做簡單變化或更改的，都落入本發明的保護範圍。