一種工程機械液壓缸故障診斷系統及與之適用的故障樣本信號採集方法
2023-05-15 07:56:56 1
一種工程機械液壓缸故障診斷系統及與之適用的故障樣本信號採集方法
【專利摘要】本發明涉及一種工程機械液壓缸故障診斷系統及與之適用的故障樣本信號採集方法。所述系統包括特徵參數提取模塊、資料庫模塊、人機互動模塊和分類器模塊，其中：特徵參數提取模塊用於提取故障特徵參數和檢驗相似度；資料庫模塊用於存儲樣本數據和臨時數據；分類器模塊用於設計分類器和對未知故障信號進行分類；人機互動模塊用於根據用戶輸入完成相關查詢顯示功能。本發明公開了一種故障樣本信號採集方法，用於在液壓缸型式試驗臺上開展面向故障樹底事件的分級模擬試驗，採集故障樣本信號和試驗臺狀態信號。本發明的有益之處在於：所述系統故障診斷精度較高，可診斷出故障原因和故障等級；採集的故障樣本信號雜質少便於提取特徵參數。
【專利說明】一種工程機械液壓缸故障診斷系統及與之適用的故障樣本 信號採集方法
【技術領域】
[0001] 本發明屬於計算機軟體技術、信號分析與處理技術和故障診斷技術的交叉領域， 涉及一種液壓缸故障診斷系統及與之適用的故障樣本信號採集方法，尤其涉及一種工程機 械液壓缸故障診斷系統及與之適用的故障樣本信號採集方法。
【背景技術】
[0002] 液壓缸是一個由多元件構成的液壓關重件，故障現象多樣、機理複雜，呈現綜合性 和複雜性的特點。液壓缸發生一種宏觀故障現象，往往存在多方面的原因。例如，液壓缸動 作失靈有可能是由於液壓缸內洩漏、外載荷過大、液壓缸內部別勁、緩衝作用失靈和液壓回 路故障等原因引起的。上述每種故障原因的產生又有更為複雜的子原因，如引發液壓缸內 洩漏的原因就有活塞杆彎曲、油液被汙染、缸內壁拉傷磨損、活塞圓度差、活塞密封失效、活 塞杆密封失效和液壓油油溫過高等。顯然，傳統的人工拆卸排查液壓缸故障根源的方法，不 僅費時費力，也易產生其他並發故障，致使故障複雜化。起源於航空、航天和核工業的經典 故障診斷技術雖然無需拆解液壓缸，但受制於理論模型的複雜性（如基於數學模型的故障 診斷方法）和知識難以獲取描述的特點（例如專家系統診斷法），其液壓缸故障診斷精度 較低，技術尚不成熟。近年來，一種基於人工智慧（Al)的故障診斷技術，即神經網絡診斷法 逐步在工業應用領域興起。該診斷法既不需要知識工程師整理、總結以及消化領域專家的 知識，也無需建立準確的被診斷對象的數學模型，只需用故障診斷樣本來訓練神經網絡，就 可以對故障缸產生的測試信號即未知故障信號進行分類，從而達到故障診斷的目的，因此 該診斷法具備較廣闊的應用前景。在神經網絡診斷法中，故障診斷樣本（或稱實例）本質 上為典型故障與故障特徵參數（或稱故障徵兆）的之間映射關係，其準確程度決定了神經 網絡的訓練精度，進而影響診斷精度。從現階段來看，通常利用隨車試驗來採集已知故障液 壓缸的動態響應信號即故障樣本信號，並通過信號分析處理技術提取其故障特徵參數來獲 取故障診斷樣本。但是由於現場測試環境複雜且難以人工幹預控制，採集到的故障樣本信 號往往因隱含有多種故障子原因（即含雜質信號）而難以準確提取出故障特徵參數。文獻 《基於神經網絡的液壓缸故障診斷專家系統》（作者：鄭軍華，昆明理工大學，2002年）描述 了一種用於陽極生產線的基於神經網絡的液壓缸故障診斷智能專家系統。該系統包括信號 監測、動態模擬及現場監測、學習系統、故障診斷決策系統和資料庫模塊。由於該系統迴避 了兩個亟需解決的關鍵問題：即故障樣本信號如何採集及故障特徵參數如何有效提取，因 此該系統實際的診斷精度無法獲得保障。文獻《液壓油缸亞健康狀態評估理論方法及實驗 研究》（作者：周京幹，燕山大學，2013年）在液壓缸兩腔體間外接節流閥，並通過調節節流 閥開口度來模擬液壓缸不同的內洩漏狀態，從而採集相應狀態的故障樣本信號和提取故障 特徵參數。最後，基於BP神經網絡狀態分類器對液壓缸進行亞健康狀態評估。該文獻也存 在兩個方面的瓶頸：一方面，如前所述內洩漏故障實際上由多種複雜因素引起，而文獻中內 洩漏故障模擬試驗與工程實際相差較遠，因此獲取的故障樣本信號存在失真，從而影響診 斷精度；另一方面，文獻所建立的BP神經網絡狀態分類器僅能夠預測內洩漏的嚴重程度， 無法對故障底層原因進行診斷分析。
[0003] 目前，針對工程機械液壓缸故障診斷系統及與之適用的故障樣本信號採集方法尚 未見報導。
【發明內容】
[0004] 本發明的目的是提供一種工程機械液壓缸故障診斷系統及與之配合的故障樣本 信號採集方法，以克服故障診斷精度低，故障樣本信號雜質多且難以分離提取故障特徵參 數，以及難以同時診斷故障原因和故障等級等不足。
[0005] -種故障樣本信號採集方法，包括如下步驟：
[0006] 步驟一：對售後維修數據進行統計分析，獲取給定型號液壓缸的所有故障形式，並 根據故障事件間的邏輯關係，建立該型液壓缸的故障樹；
[0007] 步驟二：對所有故障樹底事件的發生概率進行賦值，並確定各故障樹底事件的模 擬方法；根據再製造難易程度及對工程機械工作性能的影響程度，劃分故障樹底事件的等 級，並為每個故障等級確定分級閥值；
[0008] 步驟三：選取同一型號的正常液壓缸作為被試缸，參照故障樹底事件的模擬方法 和分級閥值，在液壓缸型式試驗臺上開展面向故障樹底事件的分級模擬試驗；
[0009] 步驟四：採集步驟三中產生的故障樣本信號和試驗臺狀態信號。
[0010] 一種工程機械液壓缸故障診斷系統，包括特徵參數提取模塊、資料庫模塊、人機交 互模塊和分類器模塊，其中：
[0011] 1)特徵參數提取模塊，用於對採集到的故障信號（故障樣本信號和未知故障信 號）進行小波分析和主成分分析，並提取故障特徵參數；所述特徵參數提取模塊還用於檢 驗該故障特徵參數相對於資料庫模塊中同一故障樹底事件在同一故障等級下的故障特徵 參數樣本集的相似度；
[0012] 2)資料庫模塊，用於存儲與故障相關的樣本數據和臨時數據；所述樣本數據包括 採集到的故障樣本信號、與故障樣本信號相對應的試驗臺狀態參數和故障特徵參數、故障 樹底事件發生概率；所述臨時數據包括未知故障信號、與未知故障信號相對應的試驗臺狀 態參數和故障特徵參數；所述樣本數據與液壓缸型號、故障樹底事件及故障等級一一對應； 所述臨時數據與液壓缸型號一一對應；
[0013] 3)分類器模塊，用於設計分類器，並利用所述分類器對未知故障信號進行分類；
[0014] 4)人機互動模塊，用於根據用戶輸入完成如下功能：精確或模糊查詢資料庫模塊 中的樣本數據、對樣本數據進行統計學分析並顯示分析結果、進行故障樹定性/定量分析 並顯示分析結果、增刪樣本數據、進行分類器參數設置和顯示分類器模塊的診斷結果，進行 特徵參數提取模塊的參數設置和顯示該模塊提取的故障特徵參數；
[0015] 各模塊間的連接關係為：人機互動模塊分別與特徵參數提取模塊、資料庫模塊和 分類器模塊連接；資料庫模塊、特徵參數提取模塊和分類器模塊之間兩兩連接。
[0016] 故障診斷的基本流程包括：
[0017] 步驟一：根據所述故障樣本信號採集方法，採集給定型號液壓缸在給定故障樹底 事件和給定等級下的故障樣本信號和試驗臺狀態信號，並將其作為樣本數據存儲於資料庫 模塊；
[0018] 步驟二：利用特徵參數提取模塊提取所述故障樣本信號中的故障特徵參數，並檢 驗其相似度；若檢驗通過，則轉入步驟三；否則放棄所述故障特徵參數，並刪除資料庫模塊 中相關樣本數據，返回步驟一重新進行採集；
[0019] 步驟三：將步驟二提取的故障特徵參數作為樣本數據存儲於資料庫模塊，並檢驗 資料庫模塊中的樣本規模；若檢驗通過，則轉入步驟四；否則返回步驟一，重複採集給定型 號液壓缸在同一故障樹底事件和故障等級下的故障樣本信號和試驗臺狀態信號，或者採集 給定型號液壓缸在不同故障樹底事件和故障等級下的故障樣本信號和試驗臺狀態信號；
[0020] 步驟四：設計分類器，並訓練、檢驗該分類器；若檢驗通過，則轉入步驟五，否則重 新設計分類器，直至檢驗通過；
[0021] 作為優選，設計分類器時，採用BP神經網絡，其輸入節點數等於故障特徵參數的 個數，其輸出節點數等於故障樹底事件個數與故障等級數之積；
[0022] 作為優選，利用資料庫模塊中的樣本數據訓練、檢驗所述分類器；
[0023] 作為優選，利用所述資料庫模塊中的三分之二的樣本數據訓練分類器；利用剩餘 的三分之一的樣本數據檢驗生成的分類器；
[0024] 步驟五：將同一型號的待診斷液壓缸作為液壓缸型式試驗臺的被試缸，採集未知 故障信號和試驗臺狀態信號，並將其作為臨時數據存儲於資料庫模塊；
[0025] 步驟六：利用特徵參數提取模塊提取該未知故障信號的故障特徵參數，並將其作 為臨時數據存儲於資料庫模塊；
[0026] 步驟七：利用分類器模塊對步驟六中提取的故障特徵參數進行分類；由於用於訓 練和檢驗所述分類器的樣本數據均與故障樹底事件及故障等級一一對應，因此分類器模塊 能夠診斷出未知故障信號的故障底事件名稱及所處等級。
[0027] 步驟八：根據步驟七獲得的故障診斷結果，將臨時數據作為樣本數據轉存於數據 庫模塊；
[0028] 步驟九：利用人機互動模塊查看故障診斷結果。
[0029] 本發明的有益之處在於：本發明提供了一種工程機械液壓缸故障診斷系統及與之 配合的故障樣本信號採集方法。所述系統的故障診斷精度較高，可診斷出故障原因和故障 等級；所述方法採集到的故障樣本信號雜質少便於提取特徵參數。
【專利附圖】
【附圖說明】
[0030] 下面結合附圖和實施例對本發明專利進一步說明。
[0031] 圖1為某型支腿油缸故障樹結構示意圖。
[0032] 圖2為工程機械液壓缸故障診斷系統構成及各子模塊連接示意圖。
[0033] 圖3為資料庫中樣本數據與液壓缸型號、故障樹底事件及故障等級映射關係示意 圖。
[0034] 圖4為BP神經網絡分類器結構示意圖。
[0035] 圖5為工程機械液壓缸故障診斷系統的故障診斷基本流程圖。
【具體實施方式】
[0036] 結合圖1-5和表1說明本發明【具體實施方式】：
[0037] 根據故障樹理論可知，儘管液壓缸故障誘因複雜且各因素間存在相互耦合作用， 但導致液壓缸發生頂事件（宏觀故障現象）和各類中間事件（故障原因、子原因）的底事 件彼此卻相互獨立，表現形式簡單，因此易於在液壓缸型式試驗臺上模擬再現。根據液壓缸 故障樹層級關係及內涵，開展面向故障樹底事件的故障分級模擬試驗，可以獲取單一故障 的故障樣本信號，信號雜質少，便於分離提取故障特徵參數。
[0038] 以某型支腿油缸為例，說明本發明中故障樣本信號採集方法的實施步驟：
[0039] 步驟一：通過對該型支腿油缸的售後維修數據進行統計分析，獲取該型液壓缸的 所有故障形式，並根據故障事件間的邏輯關係，建立如圖1所示故障樹。圖中，T液壓缸故 障為頂層事件，其下包括Ml動作不正常、M2漏油、M3零部件失效和M4液壓缸工作時聲音異 常等四個一級中間事件。各一級中間事件下又包含二級中間事件和三級中間事件，且各級 中間事件可能包含底事件，因篇幅限制僅畫出了 Ml的故障樹結構。
[0040] 步驟二：對所有故障樹底事件的發生概率進行賦值，並確定各故障樹底事件的模 擬方法；根據再製造難易程度及對工程機械工作性能的影響程度，劃分故障樹底事件的等 級，並為每個故障等級確定分級閥值。簡單起見，以該型支腿油缸的第三級中間事件M17內 洩漏嚴重為例，進一步說明本步驟實施過程。如圖1所示，M17由X2活塞杆彎曲、XlO油液 固體顆粒汙染、X17缸內壁拉傷、X23缸內壁磨損、X41活塞密封老化、X42活塞杆密封老化 和X43液壓油油溫過高等底事件引發。X17的故障樹底事件概率賦值為1. 74%，其他底事 件概率值不再贅述。假定所有底事件均可劃分為三級，則M17下所有故障樹底事件的等級 劃分閥值如下表1所示：
[0041] 表1某型支腿油缸中間事件M17下所有故障樹底事件的等級劃分閥值表（表中閥 值僅作舉例描述用）
[0042]
【權利要求】
1. 一種故障樣本信號採集方法，其特徵在於，該方法包括如下步驟： 步驟一：對售後維修數據進行統計分析，獲取給定型號液壓缸的所有故障形式，並根據 故障事件間的邏輯關係，建立該型液壓缸的故障樹； 步驟二：對所有故障樹底事件的發生概率進行賦值，並確定各故障樹底事件的模擬方 法；根據再製造難易程度及對工程機械工作性能的影響程度，劃分故障樹底事件的等級，並 為每個故障等級確定分級閥值； 步驟三：選取同一型號的正常液壓缸作為被試缸，參照故障樹底事件的模擬方法和分 級閥值，在液壓缸型式試驗臺上開展面向故障樹底事件的分級模擬試驗； 步驟四：採集步驟三中產生的故障樣本信號和試驗臺狀態信號。
2. -種工程機械液壓缸故障診斷系統，其特徵在於，該系統包括特徵參數提取模塊、數 據庫模塊、人機互動模塊和分類器模塊，其中： 特徵參數提取模塊，用於對採集到的故障信號進行小波分析和主成分分析，並提取故 障特徵參數；所述特徵參數提取模塊還用於檢驗該故障特徵參數相對於資料庫模塊中同一 故障樹底事件在同一故障等級下的故障特徵參數樣本集的相似度； 資料庫模塊，用於存儲與故障相關的樣本數據和臨時數據；所述樣本數據包括採集到 的故障樣本信號、與故障樣本信號相對應的試驗臺狀態參數和故障特徵參數、故障樹底事 件發生概率；所述臨時數據包括未知故障信號、與未知故障信號相對應的試驗臺狀態參數 和故障特徵參數； 分類器模塊，用於設計分類器，並利用所述分類器對未知故障信號進行分類； 人機互動模塊，用於根據用戶輸入完成如下功能：精確或模糊查詢資料庫模塊中的樣 本數據、對樣本數據進行統計學分析並顯示分析結果、進行故障樹定性/定量分析並顯示 分析結果、增刪樣本數據、進行分類器參數設置和顯示分類器模塊的診斷結果，進行特徵參 數提取模塊的參數設置和顯示該模塊提取的故障特徵參數。
3. 根據權利要求2所述的工程機械液壓缸故障診斷系統，其特徵在於，所述樣本數據 與液壓缸型號、故障樹底事件及故障等級一一對應；所述臨時數據與液壓缸型號一一對應。
4. 根據權利要求2所述的工程機械液壓缸故障診斷系統，其特徵在於，各模塊間的連 接關係為：人機互動模塊分別與特徵參數提取模塊、資料庫模塊和分類器模塊連接；數據 庫模塊、特徵參數提取模塊和分類器模塊之間兩兩連接。
5. 根據權利要求2所述的工程機械液壓缸故障診斷系統，其特徵在於，故障診斷的基 本流程包括： 步驟一：根據所述故障樣本信號採集方法，採集給定型號液壓缸在給定故障樹底事件 和給定等級下的故障樣本信號和試驗臺狀態信號，並將其作為樣本數據存儲於資料庫模 塊； 步驟二：利用特徵參數提取模塊提取所述故障樣本信號中的故障特徵參數，並檢驗其 相似度；若檢驗通過，則轉入步驟三；否則放棄所述故障特徵參數，並刪除資料庫模塊中相 關樣本數據，返回步驟一重新進行採集； 步驟三：將步驟二提取的故障特徵參數作為樣本數據存儲於資料庫模塊，並檢驗數據 庫模塊中的樣本規模；若檢驗通過，則轉入步驟四；否則返回步驟一，重複採集給定型號液 壓缸在同一故障樹底事件和故障等級下的故障樣本信號和試驗臺狀態信號，或者採集給定 型號液壓缸在不同故障樹底事件和故障等級下的故障樣本信號和試驗臺狀態信號； 步驟四：設計分類器，並訓練、檢驗該分類器；若檢驗通過，則轉入步驟五，否則重新設 計分類器，直至檢驗通過； 步驟五：將同一型號的待診斷液壓缸作為液壓缸型式試驗臺的被試缸，採集未知故障 信號和試驗臺狀態信號，並將其作為臨時數據存儲於資料庫模塊； 步驟六：利用特徵參數提取模塊提取該未知故障信號的故障特徵參數，並將其作為臨 時數據存儲於資料庫模塊； 步驟七：利用分類器模塊對步驟六中提取的故障特徵參數進行分類； 步驟八：根據步驟七獲得的故障診斷結果，將臨時數據作為樣本數據轉存於資料庫模 塊； 步驟九：利用人機互動模塊查看故障診斷結果。
6. 根據權利要求5所述的工程機械液壓缸故障診斷系統，其特徵在於，利用資料庫模 塊中的樣本數據訓練、檢驗所述分類器。
7. 根據權利要求6所述的工程機械液壓缸故障診斷系統，其特徵在於，所述分類器採 用BP神經網絡，其輸入節點數等於故障特徵參數的個數，其輸出節點數等於故障樹底事件 個數與故障等級數之積。
8. 根據權利要求2和權利要求5所述的工程機械液壓缸故障診斷系統，其特徵在於，所 述分類器模塊能夠診斷出未知故障信號的故障底事件名稱及所處故障等級。
【文檔編號】G06F19/00GK104454785SQ201410495180
【公開日】2015年3月25日 申請日期:2014年9月25日 優先權日:2014年9月25日
【發明者】夏毅敏, 張魁, 曾雷, 傅傑, 金耀, 張歡, 熊志宏, 蘭浩, 吳才章, 張睿 申請人:中南大學