[发明专利]一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法

摘要

本发明提出一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法，首先获取液压伺服系统在正常工作、电子放大器故障和泄漏故障三种状态的输入输出信号，利用正常状态的输入输出信号，训练故障观测器，通过故障观测器获取实时残差信号，然后实时在线训练状态跟随器，得到实时信号对应的网络连接权值，将残差信号的时域特征值和网络连接权值作为RBF故障定位器的训练输入样本训练RBF故障定位器。故障观测器和状态跟随器都采用改进的Elman网络实现。将时域特征值与故障阈值比较，可判断当前系统是否出现故障，通过故障定位器可得到故障类型。本发明实现了对液压伺服系统的故障定位，定位精确度高，具有工程应用性。

主权项

1.一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法，其特征在于，具体包括如下步骤：步骤一、分别获取液压伺服系统在正常工作、电子放大器故障、以及泄漏故障三种状态下的n组输入和输出信号；步骤二、首先，建立并训练液压伺服系统正常时的故障观测器，具体是：采用改进的Elman神经网络建立故障观测器，改进的Elman神经网络的外部输入信号为u(k-1)，输出信号为y(k)，隐层输出信号为x(k)，关联节点的输出信号为x_c(k)，在关联节点上增加了一个固定增益为α的自反馈连接，使得关联节点在k时刻的输出信号等于隐层在k-1时刻的输出信号加上关联节点在k-1时刻输出信号的α倍，α取值在0～1之间；然后，获取液压伺服系统正常工作状态下的历史输入和输出信号，训练故障观测器，训练输入样本为获取的历史输入和输出信号，训练输出样本为获取的历史输出信号；故障观测器训练完成后，获得液压伺服系统在正常工作状态下的残差信号，所述的残差信号由故障观测器的估计输出信号与对应的液压伺服系统的实际输出信号做差得到；然后，获取液压伺服系统实时的残差信号，具体是：每隔一段时间，获取当前t时刻工作状态下的液压伺服系统的输入信号r(t)和输出信号y_r(t)，输入到已训练好的故障观测器，得到故障观测器的估计输出信号进一步得到当前t时刻工作状态下液压伺服系统的残差信号ε(t)，ϵ(t)=yr(t)-y^r(t);]]>步骤三、实时在线训练状态跟随器，所述的状态跟随器采用步骤二中所述的改进的Elman神经网络实现，实时获取液压伺服系统当前t时刻工作状态下的输入和输出信号，并实时训练状态跟随器，训练输入样本为实时获取的输入和输出信号，训练输出样本为实时获取的输出信号；在每次实时训练好状态跟随器之后，需要输出的结果为改进的Elman神经网络中关联节点到隐层单元、输入单元至隐层单元以及隐层单元到输出单元的连接权值[W¹,W²,W³]；步骤四、针对故障观测器得到的液压伺服系统的每组实时残差信号，提取时域特征值，每组残差信号得到1个时域特征值RMS_ε(t)；所述的时域特征值采用均值、有效值、峭度或者波形因子来表示；步骤五、训练故障定位器，所述的故障定位器采用RBF神经网络实现，RBF神经网络的训练输入样本X为：X=W1,i1,W1,i2,W1,i3,RMSϵ(t)1,iW2,i1,W2,i2,W2,i3,RMSϵ(t)2,iW3,i1,W3.i2,W3,i3,RMSϵ(t)3,i,i=1,2,...,n]]>其中，代表正常工作状态下的第i个时域特征值，代表电子放大器故障状态下的第i个时域特征值，代表泄漏故障状态下的第i个时域特征值；和分别代表正常工作状态、电子放大器故障状态和泄漏故障状态下通过步骤三得到的第i组网络连接权值；RBF神经网络的训练输出样本Y为：Y=1,0,0...0,1,0...0,0,1...]]>[1,0,0]，[0,1,0]，[0,0,1]分别为n行，分别对应正常工作状态、电子放大器故障状态和泄漏故障状态的分类结果模式；步骤六、对液压伺服系统进行实时故障检测及故障定位：首先，根据RBF神经网络的离线训练误差和噪声的标准差来确定故障阈值；然后，采集液压伺服系统在某t时刻的输入和输出信号，经过步骤二～四，得到该输入和输出信号对应的残差信号的时域特征值以及经过状态跟随器得到的网络连接权值，根据故障阈值对时域特征值进行检测，若时域特征值超过了故障阈值，则标明出现故障，将时域特征值和对应的网络连接权值输入到步骤五中已训练好的故障定位器，进行故障定位。