熊 鈺，吳小川，錢 凱

Xiong Yu，Wu Xiaochuan，Qian Kai

（重慶交通大學 機電與汽車工程學院，重慶 400074）

0 引 言

液壓系統(tǒng)因其獨特的優(yōu)點在日常生產中得到了廣泛的應用。因為液壓管路內油液流動狀態(tài)、液壓件內部的零件動作、以及密封件的損壞等情況一般看不見摸不著，所以給人們觀察分析帶來很多麻煩和困難[1]。目前的故障診斷專家系統(tǒng)大體分為兩類：一類是運用模糊故障樹理論[2-4]，該方法中人為因素對故障診斷結果影響太大；另一類是基于神經網絡，主要有BP網絡[5]和RBF網絡[6]，但是大多數都存在“穩(wěn)定性”和“適應性”兩難狀況，對于比較復雜、龐大的系統(tǒng)而言，事倍功半。Amesim能夠較好地實時仿真液壓系統(tǒng)工作情況，Amesim_HCD庫更能為使用者建立各種非標準元器件進行仿真[7-9]?；谧赃m應共振理論的神經網絡[10-12]（ART網絡）能克服該問題，且對于模式識別和分類具有良好的效果。

1）通過對各模式特征量的距離敏感因子，來調整輸入模式的特征矢量，提高診斷的效率和精度。

2）建立一種改進的ART網絡權值學習算法，能夠使神經網絡訓練過程向輸入模式方向加速收斂，以墨西哥草帽函數建立的鄰域函數能夠使距敏感特征近的區(qū)域對模式分類的影響加強，較遠的區(qū)域影響減弱。

3）運用Amesim_HCD庫建立完整的液壓泵、換向閥和液壓缸Amesim模型，以及完成起重機液壓系統(tǒng)Amesim仿真建模，并以此對起重機液壓系統(tǒng)故障仿真，為工程問題的解決提供一條新的思路和指導方法。

4）用改進 ART神經網絡算法開發(fā)起重機液壓系統(tǒng)故障診斷專家系統(tǒng)，驗證該方法故障診斷可靠性，試驗結果表明該專家系統(tǒng)故障診斷正確率達92%。

1 ART神經網絡

ART-1結構（見圖1）由2層神經元分別稱為比較層和識別層組成。類別判決由在識別層中的1個單一神經元來作出。該網絡包括3個附加模塊：增益1，增益2和復位模塊[13]。子系統(tǒng)包括兩層具有前饋和后饋的神經元（比較層和識別層）。該系統(tǒng)決定輸入模式是否與已存儲的1個模型相匹配。如果匹配，就會產生共振。定位子系統(tǒng)負責檢測在識別層自下而上和自上而下模式之間的失配情況。

識別層作用是計算輸入矢量與聚類中心之間距離測度，當低于預先設置的門限時，必須創(chuàng)建一個新的類別并且將輸入矢量存于該類別中。如果通過了警戒門限，獲勝神經元就會被訓練，使其在特征空間中相應的聚類中心移向輸入矢量。

識別層神經元i輸出可由下式表示：

其中，xj是比較層神經元輸出；f為1階梯函數；m是比較層神經元數目。

ART-2結構（見圖2）是在ART思想（具有2層結構和在 2個方向可修改權值，即前饋和反饋權值）的基礎上建立的。ART-2和ART-1均包含1個注意子系統(tǒng)和1個定向子系統(tǒng)[14]。

相比ART-1，ART-2的比較層已經分成幾層，增加了節(jié)點，所以ART-2的預處理比ART-1網絡中預處理復雜得多。但是，取向子系統(tǒng)的修改可以處理實數值數據。ART-2還可以通過適當地更新類別原理，自適應地反映環(huán)境中最常見的模式類型，且允許噪音抑制。

2 特征樣本的提取

現有N個樣本組成的含I個類的特征集，每個樣本有m個特征量，第j個樣本的第m特征量用表示[15]。

計算所有N個樣本第m特征量的標準方差和樣本均值

由屬于第i類的Ni個樣本計算第m個特征量標準方差和樣本均值

計算第m特征量的類中心加權標準方差

式中，μ1為平方類中心；μ2為類中心；gim為屬于第i類樣本的第m特征量中心；gm為所有樣本的第m特征量中心；ρi為第i類先驗概率，且。

計算第m個特征的距離敏感因子[16]，并正則化處理

這樣經過處理后，就得到了神經網絡的輸入樣本X。

3 ART神經網絡學習算法改進

神經網絡的學習率和鄰域采取何種遞減方式，對學習的收斂速度和聚類精度都很關鍵。冪函數遞減，聚類結果最好，收斂也快[18]。所采用的遞減方式為

式中，a1為常數，一般取0.05。

根據神經生物學觀點，側反饋的強度應與鄰域內神經元i同獲勝神經元的距離有關。墨西哥草帽函數適合作為鄰域函數

式中，(t)為鄰域的有效寬度；rij為競爭層神經元間的距離。

其中，wi,wj分別為競爭性神經元間的權值。并且采用冪函數遞減：

式中，參數a2為常數，一般取0.5。由此得出用鄰域函數調整神經網絡權值的學習算法：

在不斷的迭代過程中，該學習算法使得屬于敏感區(qū)域近鄰域范圍內的特征對該類區(qū)分的影響逐漸加強，而鄰域范圍之外的區(qū)域對區(qū)分該類故障的影響減弱。同時采用非線性函數的形式，使得其收斂速度更快。

神經網絡識別層輸出

式中，為神經網絡的門限值，∈[0,1]，在訓練初期數值設定為0.6，在神經網絡訓練后期和應用階段設置為0.8，提高診斷精度。也可使在0到1范圍內以0.05增量變化，觀察分類情況，以確定各個時期取值。最后，得出神經網絡輸出矢量Out。

4 改進ART神經網絡的建立

4.1 學習階段一

1）計算屬于各訓練類別的原始輸入矢量的m個特征量，并歸一化后得矢量X。取=0.5，計算距離敏感因子，簡化得到輸入矢量X。

2）初始化ART網絡權值wij，輸入新樣本矢量。其中，Xm(t)為t時刻對應的第m個特征量?？偟膶W習次數為。

3）當輸入某一類樣本時，競爭層對應的神經元i被激活，此時yi最大，并計算神經元i與其他競爭神經元之間的歐氏距離rij。

總酸含量是反映醬油品質的主要指標之一，各有機酸與相應醇類經酯化反應可生成具有芳香氣味的各種酯，從而賦予醬油特殊的風味[27]，但過高的總酸能使醬油酸味突出，降低醬油的品質?！禛B2717-2003醬油衛(wèi)生標準》[28]中嚴格規(guī)定總酸含量不得超過 2.5 g/100 mL，本試驗所檢出的總酸含量均在標準限值之下，如圖2。

4）計算鄰域函數值。

6）學習率和鄰域寬度遞減。

7）步驟3），直至所有學習樣本全部學習一遍。

8）t=t+1，直到t＞T1時結束。

4.2 學習階段二

T2=200，η0=0.04，δ0=1，ξ=0.8，并重復2）～6），鄰域寬度和學習率按照下式遞減

選取另一組樣本矢量提供網絡輸入，返回，直到樣本輸入結束或增益項的值減小至0，即興奮神經元與輸入樣本穩(wěn)定對應為止。

t=t+1；當t＞T2時，學習階段結束。存儲并輸出所有輸出神經元的連接權系數，ART神經網絡訓練完畢。建立改進ART神經網絡液壓系統(tǒng)故障診斷系統(tǒng)流程如圖3。

5 基于改進ART神經網絡的故障診斷專家系統(tǒng)

液壓系統(tǒng)故障多種多樣，改進ART神經網絡對于故障的多樣性診斷具有很大的優(yōu)勢，神經網絡處理數據的效率高，且信息量的分析比較全面，極大地提高了診斷的可靠性。運用VB6.0開發(fā)起重機液壓系統(tǒng)故障診斷專家系統(tǒng)，以Access為工具建立專家系統(tǒng)數據庫。如圖4所示，啟動專家系統(tǒng)。

根據起重機液壓系統(tǒng)的各部件特征，運用Amesim_HCD庫建立液壓泵、換向閥、液壓缸模型，并建立如圖5所示的Amesim起重機液壓系統(tǒng)模型。

分別對液壓系統(tǒng)的三位四通換向閥參數、泵參數、缸參數設定，并根據工程實際選擇所拖動的負載質量為8 000 kg，液壓缸行程1 m。進入仿真模塊，設置仿真的步長為0.1 s，仿真時長為60 s。各部件主要參數見表1。

表1 起重機液壓系統(tǒng)仿真模型參數表

根據所建立的起重機液壓系統(tǒng)仿真模型，仿真得到系統(tǒng)各參數正常使用的負載運動速度、負載位移變化、蓄能器壓力變化和液壓缸壓力變化，如圖6所示。

根據已經建立的液壓系統(tǒng)故障診斷模型，設置各液壓系統(tǒng)故障所對應的參數，對液壓系統(tǒng)故障仿真。具體的故障和參數見表2。

表2 液壓系統(tǒng)故障仿真參數表

續(xù)表2

通過對起重機液壓系統(tǒng)某些參數設定，得到某一類故障發(fā)生時所對應的系統(tǒng)參量變化情況，并多次仿真，保存得到的故障樣本，用于檢驗所建立的改進ART神經網絡故障診斷專家系統(tǒng)對故障診斷的可靠性。調節(jié)液壓缸泄漏系數為 0.02，仿真結果如圖7所示。

將仿真獲得的起重機液壓系統(tǒng)故障參數導出，運用復雜樣本方差估計樣本提取方法，計算各類故障的參量的距離敏感因子，得到處理后的樣本，再對樣本進行補編碼工作，得到表征某類故障的輸入樣本X。向改進ART神經網絡輸入樣本X后，與之相對應的競爭層神經元被激活，輸出層輸出對應結果。重復上述工作，改進 ART神經網絡專家系統(tǒng)訓練。故障仿真結果對比分析如圖8所示。

從圖 8可以看出，起重機液壓系統(tǒng)壓力、負載運動速度均發(fā)生明顯變化，液壓缸的泄漏增大會使系統(tǒng)的壓力明顯下降。8 t汽車起重機液壓系統(tǒng)正常工作時的壓力為 6.5 Mpa，而泄漏增大以后，壓力降到5.7 Mpa。液壓系統(tǒng)負載運動速度從0.023 m/s降至0.021 m/s，說明液壓缸的泄漏導致爬行故障。此外還導致液壓缸工作時間延長，液壓系統(tǒng)工作處于故障狀態(tài)。

將訓練結束后的改進ART神經網絡專家系統(tǒng)應用于已知故障工作狀態(tài)的起重機液壓系統(tǒng)故障診斷中，通過實時檢測系統(tǒng)壓力、流量、溫度參數變化，將所測得的結果后處理，然后輸入液壓系統(tǒng)故障診斷專家系統(tǒng)，對液壓系統(tǒng)故障診斷的正確率進行分析。將50組故障測量結果輸入起重機液壓系統(tǒng)故障診斷專家系統(tǒng)以后，有46組診斷正確，4組錯誤，正確率達92%。取系統(tǒng)采樣頻率為2 000 Hz，得到起重機液壓系統(tǒng)壓力變化結果，如圖9所示。

對比仿真結果，不難發(fā)現起重機液壓系統(tǒng)壓力發(fā)生明顯變化，液壓缸的泄漏增大使得系統(tǒng)壓力明顯下降。8 t汽車起重機液壓系統(tǒng)正常工作時的壓力為6.5 Mpa，而泄漏增大以后，壓力平均值降到5.47 Mpa，與仿真結果對比，仿真誤差率為4.12%。說明仿真結果可信，將其運用到改進ART神經網絡訓練可以較好地模擬實際故障狀態(tài)。將所得結果處理以后輸入起重機液壓系統(tǒng)故障診斷專家系統(tǒng)，得出故障診斷結果，如圖10所示。

綜上所述，基于改進ART神經網絡的起重機液壓系統(tǒng)故障診斷結果與事實相符，實現對液壓系統(tǒng)故障的準確診斷，故障診斷正確率達 92%，同時還給出了排除故障的建議與方法，可以將起重機液壓系統(tǒng)故障診斷專家系統(tǒng)應用在工程實際中。該改進ART神經網絡專家系統(tǒng)在使用過程中得到不斷完善，為工廠節(jié)省維修費用，帶來可觀的經濟效益。

6 結 論

文中提出的改進ART神經網絡起重機液壓系統(tǒng)故障診斷方法，對于起重機各種故障診斷準確、迅速、可靠。并以Windows、Visual Basic 6.0語言作為軟件開發(fā)環(huán)境，開發(fā)了基于改進ART神經網絡的起重機液壓系統(tǒng)故障診斷專家系統(tǒng)。該改進ART神經網絡和以往的故障診斷方法相比，具有以下幾個明顯的優(yōu)點：

1）通過計算各故障模式特征量的距離敏感因子，來調整輸入模式的特征矢量，提高診斷的效率和精度。

2）提出一種改進的ART網絡權值學習算法，將墨西哥草帽函數作為鄰域函數，使得距敏感特征近的區(qū)域對模式分類的影響加強，較遠的區(qū)域影響減弱，加速了神經網絡訓練時的收斂過程。

3）運用 Amesim_HCD庫建立液壓泵、換向閥和液壓缸結構模型，完成起重機液壓系統(tǒng)Amesim仿真建模，并以此對起重機液壓系統(tǒng)故障仿真，為工程問題的解決提供了一條新的思路和指導方法。

4）用改進 ART神經網絡算法開發(fā)起重機液壓系統(tǒng)故障診斷專家系統(tǒng)，并驗證其可靠性，故障診斷準確率達92%。

[1]張平格，楊志剛.液壓系統(tǒng)故障診斷專家系統(tǒng)研究[J].液壓與氣動，2010，5：22-23.

[2]Hurdle E.E，Bartlett L.M，Andrews J.D.Fault diagnostics of dynamic system operation using a fault tree based method [J].Reliability Engineering and System Safety，2009，94（9）：1371-1380.

[3]Tariq Assaf，Joanne Bechta Dugan.Automatic Generation of Diagnostic Expert Systems from Fault Trees.Annual workshop on reliability and maintainability，2008：143-147.

[4]趙懿冠，蘇欣平.基于故障樹分析法的汽車起重機液壓系統(tǒng)故障診斷研究[J].液壓與氣動.2010，3：29-31.

[5]陳維，陳永革，趙強.基于 BP神經網絡的裝備故障診斷專家系統(tǒng)研究[J].指揮控制與仿真，2008，30（4）：103-105.

[6]李連峰.基于 RBF網絡的游梁抽油機減速箱軸承故障診斷[J].科技資訊，2010，35：57-58.

[7]Wang Dejun，Xing Tianliang，Lin Chengdong，et al.Fault diagnosis of automobile engine based on support vector machine.2011 3rd International Conference on Advanced Computer Control，ICACC2011，p320-324，2011.

[8]司癸卯，張青蘭.基于Amesim液壓破碎錘液壓系統(tǒng)建模與仿真[J].中國工程機械學報，2010，8（2）：179-183.

[9]Xuanyin Wang，Xiaoxiao Li，Fushang Li.Analysis on oscillation in electro-hydraulic regulating system of steam turbine and fault diagnosis based on PSOBP.Expert Systems with Applications，v 37，n 5，p3887-3892，May 2010.

[10]Jay A.Swope.ARTdECOS，adaptive evolving connectionist model and application to heart rate variability.Evolving Systems.DOI：10.1007/s12530-012-9049-20.

[11]Xuan Hou.Research on quantum adaptive resonance theory neural network.Proceedings of 2011 International Conference on Electronic and Mechanical Engineering and Information Technology，EMEIT 2011，v8，p 3885-3888.

[12]徐增丙.基于自適應共振理論的混合智能診斷方法及應用[D].武漢：華中科技大學，2009.

[13]賀湘宇.挖掘機液壓系統(tǒng)故障診斷方法研究[D].長沙：中南大學，2008.

[14]Kim，Cheoltaek，Lee，Ju-Jang.Incremental learning framework for function approximation via combining mixture of expert model and adaptive resonance theory.Proceedings of the 2007 IEEE International Conference on Mechatronics and Automation，ICMA 2007，p 3486-3491.

[15]Upendar，J.Fault classification scheme based on the adaptive resonance theory neural network for protection of transmission lines.Electric Power Components and Systems，v 38，n 4，p 424-444，January 2010.

[16]金勇進，謝佳斌.復雜樣本的方差估計——基于逆抽樣設計的方法[J].數據，2009，11：58-59.

[17]劉進濤，王萬森.對于模糊ARTMAP的研究及改進[J].計算機技術與發(fā)展，2006，16（11）：16-19.

[18]Sylvain Verron，Teodor Tiplica，Abdessamad Kobi.Fault diagnosis of industrial systems by conditional Gaussian network including a distance rejection criterion[J].Engineering Applications of Artificial Intelligence 2010，23：1229–1235.