莫明慧，黃玉森

（西安建筑科技大學，西安710000）

1 引言

隨著現(xiàn)代生產(chǎn)技術(shù)的發(fā)展和科學技術(shù)的進步，挖掘機液壓系統(tǒng)變得越來越復雜，具有越來越多的自動性和智能性。挖掘機是一臺多功能機器，廣泛用于采礦開采過程中。挖掘機結(jié)構(gòu)主要由發(fā)動機、液壓系統(tǒng)、工作裝置、行走裝置和電子控制系統(tǒng)組成。當挖掘機液壓系統(tǒng)出現(xiàn)故障時，如果不能及時處理，不僅會導致挖掘機液壓系統(tǒng)的長期運行中斷，還會增加設備成本，降低工作效率，甚至帶來危險。因此，在挖掘機運行時，對挖掘機液壓系統(tǒng)故障診斷的準確性、及時性提出了很高的要求。準確、及時地確定故障原因和故障位置可以減少故障重復出現(xiàn)的概率，減少維護時間。因此，為了提高生產(chǎn)率和安全原因， 對自動預測維護和故障診斷系統(tǒng)的需求越來越大。

現(xiàn)代人工智能在故障診斷中得到了快速發(fā)展，BP 神經(jīng)網(wǎng)絡已被證明是一種非常可靠的診斷技術(shù)， 具有良好的學習能力。BP 神經(jīng)網(wǎng)絡在故障診斷的應用是利用非線性映射的BP網(wǎng)絡對非線性相關(guān)的故障進行信息采集。神經(jīng)網(wǎng)絡的輸入?yún)?shù)是故障原因，輸出是故障類型【1】，BP 神經(jīng)網(wǎng)絡由神經(jīng)元組成，通過權(quán)重系數(shù)將各個神經(jīng)元相互聯(lián)系，使其具有較強的自學習能力。但目前傳統(tǒng)的BP 神經(jīng)網(wǎng)絡的學習規(guī)則是梯度下降法，存在收斂速度慢、容易陷入局部最優(yōu)等缺點【2】。

針對BP 神經(jīng)網(wǎng)絡在訓練挖掘機液壓系統(tǒng)故障診斷模型中學習收斂慢、容易陷入局部最優(yōu)等問題，本文提出了一種基于ACA-BP 神經(jīng)網(wǎng)絡算法的挖掘機液壓系統(tǒng)故障診斷方法。該算法主要將蟻群算法和BP 神經(jīng)網(wǎng)絡相融合，通過蟻群算法中的全局隨機搜索算法，使BP 神經(jīng)網(wǎng)絡生成一組較優(yōu)的初始權(quán)重和閾值，進行BP 神經(jīng)網(wǎng)絡模型的訓練，建立故障診斷模型，提高了故障診斷能力和近似模型誤差的能力。

2 BP 神經(jīng)網(wǎng)絡的結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡由輸入層、輸出層和多個隱含層組成，從輸入層開始到層間單向通信，傳遞到隱含層節(jié)點，最后到達輸出層。每一層包含多個節(jié)點，每個節(jié)點代表一個神經(jīng)元，節(jié)點與連接之間沒有關(guān)聯(lián)。網(wǎng)絡的層次由3 層（輸入層、輸出層和隱含層）傳感器網(wǎng)絡精確地建立，任何連續(xù)的函數(shù)都用三級傳感器來表示，因此，每一層神經(jīng)網(wǎng)絡參數(shù)都可以由對應故障征兆的輸入層的神經(jīng)節(jié)點M，輸出層的神經(jīng)節(jié)點L 來確定。對應故障原因的個數(shù)，用經(jīng)驗公式描述隱含層的神經(jīng)節(jié)點數(shù)。

3 基于ACA-BP 的神經(jīng)網(wǎng)絡算法

改進BP 神經(jīng)網(wǎng)絡主要將蟻群算法和BP 神經(jīng)網(wǎng)絡相融合，通過蟻群算法中的全局隨機搜索算法，使BP 神經(jīng)網(wǎng)絡生成一組較優(yōu)的初始權(quán)重和閾值。提高了BP 神經(jīng)網(wǎng)絡的收斂速度，也降低了易陷入局部最優(yōu)解的風險。根據(jù)蟻群算法對BP神經(jīng)網(wǎng)絡的改進思想，一種新的ACA-BP 神經(jīng)網(wǎng)絡算法流程如下【3】:

1）網(wǎng)絡中有n個待優(yōu)化參數(shù)，包括d個權(quán)值和s個閾值。首先將這些參數(shù)記為P1，P2，…，Pn，其中，前d個參數(shù)值表示權(quán)值，后s個參數(shù)值表示閾值，對于每個參數(shù)Pi（1≤i≤n），螞蟻的數(shù)目為m，每個權(quán)值和閾值的取值范圍為[0.1]，將所有初始權(quán)值和閾值的定義域均勻地劃分成e個子區(qū)間，即將區(qū)間長度進行e 等分，從這每個區(qū)間里面隨機選出一個初始值，初始時刻設定每一個子區(qū)間的元素有相同信息素量。信息素揮發(fā)系數(shù)p，信息素增量強度Q，t 為循環(huán)次數(shù)，迭代次數(shù)CN，算法結(jié)束條件ε0【4】。

2）開始搜索：每一只螞蟻都從集合中隨機產(chǎn)生起始位置，開始搜索。然后，再在每次搜索中，每只螞蟻從集合I（i?（1，n））中選擇一個元素。對于集合I，第a（a=1，2，…，m）只螞蟻，根據(jù)下面的概率公式按照輪盤賭的方式隨機選擇其第j個元素，直到全部蟻群都到達食物源。其中的概率為：

其中，j0的概率為：

τij（t）表示t 次循環(huán)中螞蟻在點i，j 之間的信息量，q0是一個確定概率，它指出選取最佳解的節(jié)點值所在的子區(qū)間的概率，k 為第k 只螞蟻。

3）根據(jù)公式對螞蟻的路徑進行信息素局部更新：

4）把每一個螞蟻選擇的食物作為權(quán)值和閾值，將這組數(shù)據(jù)帶入BP 網(wǎng)絡中，進行一次學習，可以得到誤差ε。

5）記錄所有螞蟻中的最小誤差和其對應的權(quán)值和閾值。當循環(huán)次數(shù)大于CS，則轉(zhuǎn)到流程8），否則轉(zhuǎn)到流程6）。

6）根據(jù)公式對螞蟻的路徑進行全局更新：

7）重復流程2）到流程5），直到完成迭代次數(shù)。

8）從所有的迭代中找出最小的誤差ε，及對應的權(quán)值和閾值。對得到的最優(yōu)解作為BP 神經(jīng)網(wǎng)絡的初始權(quán)值和閾值進行學習，直到滿足結(jié)束條件ε≤ε0。否則，繼續(xù)學習。

4 挖掘機液壓系統(tǒng)故障診斷仿真

本文實例以小松PC200 挖掘機的液態(tài)系統(tǒng)為研究對象，其中，小松PC200 挖掘機的液態(tài)系統(tǒng)的模型如圖1 所示。首先從小松PC200 挖掘機的生產(chǎn)集成管理系統(tǒng)中提取液壓系統(tǒng)發(fā)生故障時，反應液壓系統(tǒng)狀態(tài)的數(shù)據(jù)。將其作為各組的訓練樣本，各組訓練樣本數(shù)據(jù)分別包括8 種故障類型，故障類型包括液壓泵周圍產(chǎn)生噪聲、整體無反應、整機動作緩慢故障分析、系統(tǒng)總流量不足、系統(tǒng)工作壓力低、系統(tǒng)內(nèi)泄漏、系統(tǒng)外泄漏、振動或噪聲和每一種故障類型對應多種故障原因【5】。其中，液壓泵周圍產(chǎn)生噪聲的故障原因是吸油濾油器有故障、油箱與液壓泵之間的油管或管卡松動、液壓泵油箱缺油、液壓油質(zhì)量不佳；整體無反應的故障原因是液壓油供給不足、自減壓閥故障、柱塞泵破損、發(fā)動機的連續(xù)不穩(wěn)定、溢流閥故障；整機動作緩慢故障分析的故障原因是油泵壓力排量降低、故障子系統(tǒng)溢流閥故障、故障所在子系統(tǒng)液壓泵故障；系統(tǒng)總流量不足的故障原因是發(fā)動機功率不足、轉(zhuǎn)速偏低、液壓泵磨損、泵油不足或液壓泵變量機構(gòu)失靈、管路或濾油器堵塞、通油不暢、油箱缺油；系統(tǒng)工作壓力低的故障原因是液壓泵磨損內(nèi)泄漏或泵油壓力偏低、溢流閥調(diào)整不當或閥芯臟、多路換向閥磨損或間隙過大或卡滯；系統(tǒng)內(nèi)泄漏的故障原因是液壓泵內(nèi)泄漏、液壓缸及液壓馬達內(nèi)泄漏、控制閥內(nèi)泄漏；系統(tǒng)外泄漏的故障原因是液壓附件漏油、液壓泵或密封損壞漏油、控制閥密封損壞漏油、液壓缸或液壓馬達漏油、液壓馬達漏油；振動或噪聲的故障原因是缺少液壓油或液壓油中進入空氣或粗濾器堵塞、液壓泵密封失靈進空氣或軸承或旋轉(zhuǎn)體損壞、溢流閥工作不良、液壓馬達內(nèi)部旋轉(zhuǎn)體損壞、控制閥失靈。提取液壓系統(tǒng)發(fā)生故障時，反應液壓系統(tǒng)狀態(tài)的數(shù)據(jù)，將故障類型X=（x1，x2，x3，x4，x5，x6，x7，x8）作為BP 神經(jīng)網(wǎng)絡的輸入層，故障原因Y=（y1，y2，……，y31，y32）作為網(wǎng)絡的期望輸出，通過訓練不同故障類型的數(shù)據(jù)，建立故障類型與故障原因的映射關(guān)系，組合出網(wǎng)絡的訓練樣本，一共8 組訓練樣本（見表1）。因此，ACA-BP 訓練模型中輸入層的節(jié)點數(shù)為8，輸出層節(jié)點數(shù)為32，選取k=3，所以，隱含層的節(jié)點數(shù)為43。

圖1 PC200 挖掘機的液壓系統(tǒng)原理

為了驗證本文所提出的ACA-BP 算法，本文選擇傳統(tǒng)的BP 神經(jīng)網(wǎng)絡算法與ACA-BP 算法進行了對比實驗研究。

根據(jù)上述ACA-BP 算法的訓練步驟，進行模型的訓練。選擇迭代次數(shù)為1000，誤差收斂因子為0.00048，隱層和輸出層的激活函數(shù)為非線性S 形函數(shù)，網(wǎng)絡連接權(quán)數(shù)n＝72。設置蟻群算法列表的基本參數(shù)如下：殘差信息量r＝0.7，螞蟻數(shù)m＝40，信息總量q＝100。

通過對上述輸入輸出樣本的統(tǒng)計分析，可以得到算法訓練誤差圖。橫坐標表示網(wǎng)絡訓練次數(shù)，垂直軸表示網(wǎng)絡性能目標，即所需的系統(tǒng)誤差，改進的BP 神經(jīng)網(wǎng)絡算法的誤差可達0.001。訓練結(jié)果如圖2 所示。從圖可以看出，神經(jīng)網(wǎng)絡經(jīng)過600 次訓練即已達到期望目標。

表1 網(wǎng)絡的8 組訓練樣本數(shù)據(jù)

通過訓練結(jié)果的比較，傳統(tǒng)的BP 算法在950 訓練次數(shù)時達到最優(yōu)，ACA-BP 算法在600 訓練次數(shù)時達到最優(yōu)。蟻群算法改進BP 神經(jīng)網(wǎng)絡算法法優(yōu)于傳統(tǒng)的BP 算法，ACA-BP 算法優(yōu)先達到最優(yōu)。

采用故障模式（x1，x4）的值作為測試數(shù)據(jù)，輸出值（＞0.90）即為合理。故障節(jié)點接近1，其他節(jié)點的輸出值接近0，表明診斷結(jié)果是正確的，得到基于改進的神經(jīng)網(wǎng)絡得到了理想的網(wǎng)絡輸出（見表2），說明基于ACABP 神經(jīng)網(wǎng)絡具有良好的性能。

5 結(jié)語

表2 x1，x4 故障模式測試數(shù)據(jù)的輸出結(jié)果

針對傳統(tǒng)的故障推理算法難以滿足挖掘機液壓系統(tǒng)故障診斷的要求，綜合考慮蟻群算法和BP 神經(jīng)網(wǎng)絡的優(yōu)點及特點，提出了一種基于ACA-BP 算法的挖掘機液壓系統(tǒng)的故障診斷方法。并將該算法應用于挖掘機液壓系統(tǒng)的故障診斷中，通過具體的應用， 得出該算法具有良好的性能，故障診斷的準確性高。根據(jù)測試樣本，可以實現(xiàn)挖掘機液壓系統(tǒng)的早期故障隱患的診斷和處理。因此，采用多種智能故障診斷方法的應用前景十分樂觀，下一步，將算法運用到更實際的問題中，提高算法的解決實際問題能力。

圖2 目標函數(shù)訓練曲線