[发明专利]基于故障树和模糊神经网络的汽车起重机故障诊断方法

摘要

本发明公开了一种基于故障树和模糊神经网络的汽车起重机故障诊断方法，步骤包括：1）采用演绎法建立汽车起重机顶事件故障树；2）根据故障树支路情况与经验知识确定模糊神经网络的输入、输出节点数目，建立模糊神经网络结构模型；3）根据故障树各分支中所蕴含的知识，提取训练样本，并对神经网络进行训练，建立神经网络推理计算所需的网络权值和阈值矩阵；4）利用现有汽车起重机状态监测平台上的数据，运用统计参数法中的3σ准则法确立模糊预处理所需的模糊隶属函数；5)将实测数据输入到模糊神经网络中进行计算，输出故障模式。本发明方法，避免了检测过程的盲目性与繁琐性，提高诊断准确率。

主权项

1.一种基于故障树和模糊神经网络的汽车起重机故障诊断方法，其特征是，对某汽车起重机“提升无动作”的故障进行诊断，按照以下步骤实施：1)采用演绎法建立某汽车起重机顶事件故障树某汽车起重机起升回路，其结构主要包括，变量泵(3)与油箱(1)连通，变量泵(3)与油箱(1)之间另外设置有滤油器(2)，变量泵(3)与回转接头(4)连通，回转接头(4)分别与溢流阀(5)、第一减压阀(6)、第二减压阀(9)、换向阀(11)连通，第一减压阀(6)与换向阀(11)之间并联有比例减压阀(A7)和比例减压阀(B8)；换向阀(11)与卷扬马达(13)连通，换向阀(11)与卷扬马达(13)之间另外设置有平衡阀(12)；第二减压阀(9)通过二通电磁阀(10)与液压制动缸(14)连通；卷扬马达(13)依次通过联轴器(15)、减速器(16)与卷筒(17)传动连接，卷筒(17)通过滑轮吊挂重物；采用演绎法建立汽车起重机顶事件故障树对于“提升无动作”顶事件的故障树模型，并对该顶事件的各底事件对进行编码，如表1所示，表1 底事件编码表2)根据故障树支路情况与经验知识确定模糊神经网络的网络输入、网络输出节点数目，建立模糊神经网络结构模型；表1的19个底事件中，每个独立的底事件就是一个最小割集，共有2个支路会导致故障树顶事件的发生，支路CL‑1表示马达升口压力不足直接造成提升无动作的事件链，支路CL‑2描述了马达升口压力过大的故障异常原因；因此，建立2个模糊神经网络分别对支路CL‑1与支路CL‑2进行并行诊断，然后根据故障树各分支中所蕴含的知识确定各自网络的结构；支路CL‑2包括6个最小割集为卷扬马达卡死(底事件14)、卷扬减速器故障(底事件15)、制动器卡死(底事件16)、第二减压阀(9)故障(底事件17)、二通电磁阀故障(底事件18)、制动缸活塞磨损泄漏(底事件19)；设备在正常工况下马达不会出现憋压，而以上6个最小割集的任一个最小割集发生都会引起马达憋压，马达升口压力Pm过大；最小割集X14或X15的发生，不会对制动缸控口压力Pd产生影响，而X16的发生会使Pd值高出正常范围值且有较大的压力波动，X17、X18或X19的发生则会使Pd值低于正常范围值，X19的发生会使Pd保持较大的压力波动，而X17或X18的发生会使Pd则保持较小的压力波动；Pd的压力波动情况采用其均方差DPd来表征；系统仅需通过对Pm和Pd的状态检测，获得3个输入变量：Pm、Pd、DPd，便可区分以下5种故障模式：正常工作、{X14或X15}、X16、{X17或X18}、X19；由此可确定支路CL‑2对应的模糊神经网络结构具有3输入5输出的结构，隐含层神经元节点数根据经验取为6，即3×6×5；其中，隐层中的神经元采用对数Sigmoid型函数，输出层的神经元采用纯线性purelin变换函数；3)根据故障树各分支中所蕴含的知识，提取训练样本，并对神经网络进行训练，建立神经网络推理计算所需的网络权值和阈值矩阵；根据步骤2)的分析，提取模糊神经网络的训练样本数据，如表2所示，表中，取值0.1、0.5、0.9分别表示马达升口压力P_m过低、正常、过高；取值0.1、0.5、0.9分别表示P_d制动缸控口压力过低、正常、过高，D_Pd取值0.1、0.5、0.9分别表示制动缸控口压力均方差过低、正常、过高；表2 神经网络训练样本4)利用汽车起重机状态监测平台上的历史数据，运用统计参数法中的3σ准则法确立模糊预处理所需的模糊隶属函数；首先，依据输入变量的样本集在输入变量取值区间的分布情况确定每个输入变量的隶属函数，状态变量域低的转换采用降半梯形分布的隶属函数，其表达式如式(3)，并确定权值系数为0.1；状态变量域正常的转换都采用梯形分布的隶属函数，其表达式如式(4)，并确定权值系数为0.5；状态变量域高的转换采用升半梯形分布的隶属函数，其表达式如式(5)，并确定权值系数为0.9，其中权值的设定是为了处理处于两个状态间的检测数据，利用各隶属函数的加权平均的方法将处于两状态间的数据转换成模糊数据；其次，确定隶属函数各参数的值，设备正常工作时的诊断参数y服从正态分布规律，对正常工作时诊断参数收集一定量的样本数据，对这些数据进行统计处理，如果测试样本与均值距离在2倍或3倍方差以上，则认为该测试样本是不确定的，故可判为异常；于是得到报警界限：故障界限参数值偏高或偏低为参数正常界限为为获得更符合客观实际的隶属函数，使上步所建立的模糊网络模型进入实际应用，在此运用统计参数法中的3σ准则法确定隶属函数各参数的值；对输入变量(P_m、P_d、D_Pd)的样本数据应用3σ准则法，得到各输入变量的隶属函数参数a、b、c、d的值，接着代入到式(3)～式(5)中，得到各输入变量的隶属函数，即确立了模糊神经网络的隶属函数；同理，得到制动缸控口压力Pd隶属函数参数值为：{a，b，c，d|制动缸压力(bar)}＝{36.1001，36.3344，36.5688，36.6031}；选取m个连续数据求取均方差后进行滑动处理；m越大越能反映真实的情况，然而m选取过大会影响在线诊断的实时性，在此取值为50，最后应用3σ参数统计法得到DPd的隶属函数参数值为：{a，b，c，d|制动缸压力均方差}＝{0.0294，0.0733，0.1173，0.1613}；5)将监测平台采集得到的实测数据输入到通过以上步骤建立好的模糊神经网络中进行计算，得到诊断结果。