陳敏捷, 羊榮金,2

(1.杭州科技職業(yè)技術(shù)學(xué)院 機(jī)電工程學(xué)院，浙江 杭州 311402；2.浙江大學(xué) 機(jī)械工程學(xué)院，浙江 杭州 310058)

引言

液壓支架是用來(lái)控制采煤工作面礦山壓力的結(jié)構(gòu)物，能有效地為采煤設(shè)備和人員提供安全的工作空間。據(jù)統(tǒng)計(jì)，液壓支架故障中80%以上是由其液壓系統(tǒng)故障引起的，支架液壓系統(tǒng)出現(xiàn)故障給煤礦安全生產(chǎn)帶來(lái)嚴(yán)重的不利影響[1]。

在支架液壓系統(tǒng)的故障診斷研究方面，國(guó)內(nèi)外學(xué)者進(jìn)行了大量研究。隨著信息技術(shù)、計(jì)算機(jī)技術(shù)等的迅速發(fā)展，圍繞支架液壓系統(tǒng)在線診斷技術(shù)、智能診斷技術(shù)的探索也越來(lái)越多[2-4]。這些故障診斷與識(shí)別的開(kāi)展都需要先獲取支架液壓系統(tǒng)的故障數(shù)據(jù)。但人為地對(duì)支架液壓系統(tǒng)造成故障往往難以修復(fù)，且成本極高；而直接收集各種故障工況下的數(shù)據(jù)耗時(shí)且比較困難。因此，本研究提出了一種基于故障模擬仿真的支架液壓系統(tǒng)故障診斷方法。首先通過(guò)AMESim軟件對(duì)支架液壓系統(tǒng)的常見(jiàn)故障工況進(jìn)行模擬仿真并采集所需樣本數(shù)據(jù)，然后基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷算法通過(guò)MATLAB軟件對(duì)常見(jiàn)故障工況進(jìn)行仿真訓(xùn)練，最后通過(guò)支架液壓系統(tǒng)故障診斷測(cè)試驗(yàn)證了該方法的有效性[5-9]。

1 支架液壓系統(tǒng)常見(jiàn)故障分析

1.1 工作原理

以圖1中的ZF3200/16/24型液壓支架為例，支架液壓系統(tǒng)主要由立柱控制回路、推移千斤頂控制回路、護(hù)幫千斤頂控制回路、側(cè)推千斤頂控制回路、尾梁千斤頂控制回路、插板千斤頂控制回路和拉后溜千斤頂控制回路等組成，以液壓泵站的高壓油液為動(dòng)力，通過(guò)若干液壓閥件控制不同功能的液壓缸以實(shí)現(xiàn)液壓支架的升架、降架、推移和移架等動(dòng)作。

1.截止閥 2.過(guò)濾器 3.操縱閥 4.液控單向閥 5.安全閥 6.雙交替閥 7.雙向鎖 8.單向鎖 9.斷路閥

1.2 常見(jiàn)故障

針對(duì)支架立柱或千斤頂不能動(dòng)作或動(dòng)作緩慢、自降、達(dá)不到初撐力和工作阻力等主要故障現(xiàn)象進(jìn)行分析，此類(lèi)故障主要是由液壓元件泄漏、油液出現(xiàn)雜質(zhì)、溫度升高導(dǎo)致油液黏度下降等原因引起，比較常見(jiàn)的故障類(lèi)型主要有以下9種：

(1)x1：液壓泵內(nèi)泄漏；

(2)x2：操縱閥內(nèi)泄漏；

(3)x3：操縱閥閥芯卡滯；

(4)x4：液控單向閥內(nèi)泄漏；

(5)x5：液控單向閥閥芯卡滯；

(6)x6：安全閥阻尼孔堵塞；

(7)x7：安全閥閥芯卡滯；

(8)x8：液壓缸內(nèi)泄漏；

(9)x9：系統(tǒng)油液黏度下降。

2 基于AMESim 的支架液壓系統(tǒng)故障模擬仿真

基于AMESim軟件建立支架液壓系統(tǒng)仿真模型，設(shè)置故障工況，并最終獲取支架液壓系統(tǒng)的故障工況樣本數(shù)據(jù)[10]。

2.1 仿真模型

由于液壓支架的各個(gè)基本控制回路之間為并聯(lián)關(guān)系，且元件組成和工作原理基本類(lèi)似，因此選取支架最重要的回路之一立柱控制回路進(jìn)行仿真建模。圖2是立柱控制回路的AMESim仿真模型，模型主要參數(shù)見(jiàn)表1。

圖2 支架立柱回路AMESim仿真模型

表1 AMESim仿真模型的主要參數(shù)

2.2 故障模擬仿真

如表2所示，在建立AMESim仿真模型的基礎(chǔ)上，模擬1類(lèi)正常狀態(tài)(x0)和9類(lèi)常見(jiàn)的故障類(lèi)型(x1～x9)，每種故障類(lèi)型通過(guò)改變相應(yīng)仿真參數(shù)進(jìn)行故障模擬仿真，各故障類(lèi)型可以用對(duì)應(yīng)的故障向量表示。

表2 故障仿真參數(shù)與故障向量

故障模擬仿真后，模擬傳感器采集液壓系統(tǒng)狀態(tài)信息的數(shù)據(jù)采集過(guò)程，同時(shí)對(duì)液壓泵工作壓力、液壓泵實(shí)際流量、液壓缸輸入壓力、液壓缸輸入流量、液壓缸輸出推力、活塞桿運(yùn)動(dòng)速度、活塞桿伸出位移、溢流閥入口壓力和溢流閥溢流量等9個(gè)狀態(tài)變量進(jìn)行采集。故障模擬仿真時(shí)長(zhǎng)設(shè)置為10 s，共采集1類(lèi)正常樣本(x0)和9類(lèi)故障樣本(x1～x9)，每類(lèi)樣本個(gè)數(shù)均為200。其中，故障樣本通過(guò)修改相應(yīng)參數(shù)處于故障狀態(tài)范圍內(nèi)獲得，正常樣本通過(guò)修改上述9個(gè)參數(shù)均處于正常狀態(tài)范圍內(nèi)獲得。

3 BP神經(jīng)網(wǎng)絡(luò)算法用于故障診斷

3.1 基本原理

BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，是一種按照誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。如圖3所示，其結(jié)構(gòu)分為輸入層、隱含層和輸出層。

圖3 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP算法包括信號(hào)前向傳播和誤差反向傳播2個(gè)過(guò)程：

(1)前向傳播過(guò)程：輸入信號(hào)通過(guò)隱含層作用于輸出節(jié)點(diǎn)，經(jīng)過(guò)非線性變換，產(chǎn)生輸出信號(hào)，若實(shí)際輸出與期望輸出不相符，則轉(zhuǎn)入誤差的反向傳播過(guò)程。

(2)反向傳播過(guò)程：輸出誤差通過(guò)隱含層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層所有單元，以從各層獲得的誤差信號(hào)作為調(diào)整各單元權(quán)值的依據(jù)，使誤差沿梯度方向下降，經(jīng)過(guò)反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，訓(xùn)練即告停止。

3.2 結(jié)構(gòu)設(shè)計(jì)

進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練前需要先進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)。層數(shù)過(guò)多會(huì)使得計(jì)算量增大，因此設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)的層數(shù)為3層；狀態(tài)變量作為神經(jīng)網(wǎng)絡(luò)的輸入，故障向量作為神經(jīng)網(wǎng)絡(luò)的輸出，因此輸入層節(jié)點(diǎn)數(shù)為9，輸出層節(jié)點(diǎn)數(shù)為故障向量的位數(shù)4[11]。隱含層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)公式計(jì)算：

(1)

式中，n1—— 隱含層節(jié)點(diǎn)數(shù)

n—— 輸入層節(jié)點(diǎn)數(shù)

m—— 輸出層節(jié)點(diǎn)數(shù)

a——[0,10]之間的常數(shù)

將n=9，m=4，a=6帶入式(1)中，確定隱含層節(jié)點(diǎn)數(shù)n1=10。

選取Sigmoid函數(shù)作為隱含層的激活函數(shù)；選取線性函數(shù)作為輸出層的激活函數(shù)。

3.3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

在MATLAB環(huán)境中通過(guò)編寫(xiě)程序以實(shí)現(xiàn)樣本數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。設(shè)置神經(jīng)網(wǎng)絡(luò)的最大循環(huán)次數(shù)為1000次，另外經(jīng)過(guò)多次試驗(yàn)后，設(shè)置神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率為0.05，目標(biāo)誤差為0.001[12]。分別取每一工況200組數(shù)據(jù)樣本(x0～x9)中的180組共同組成訓(xùn)練數(shù)據(jù)(共1800組)，輸入BP算法模型進(jìn)行網(wǎng)絡(luò)訓(xùn)練，表2中的故障向量作為輸出。各工況剩余的20組數(shù)據(jù)樣本共同組成測(cè)試數(shù)據(jù)(共200組)。由圖4可知，經(jīng)過(guò)迭代次數(shù)i為57次訓(xùn)練后達(dá)到了目標(biāo)誤差e為0.001，滿足訓(xùn)練要求。

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

3.4 故障診斷測(cè)試與結(jié)果分析

將測(cè)試數(shù)據(jù)輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷測(cè)試，運(yùn)行程序后部分神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果見(jiàn)表3。從故障診斷測(cè)試看出，故障節(jié)點(diǎn)值接近1，非故障節(jié)點(diǎn)值接近0，故障均與實(shí)際故障相符，說(shuō)明該診斷方法具有較高的準(zhǔn)確性和可靠性。

表3 部分BP神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果

4 結(jié)論

本研究在分析支架液壓系統(tǒng)工作原理和常見(jiàn)故障的基礎(chǔ)上，建立了支架液壓系統(tǒng)AMESim仿真模型并模擬了9類(lèi)常見(jiàn)故障工況，通過(guò)MATLAB故障仿真實(shí)驗(yàn)驗(yàn)證了該故障診斷方法的準(zhǔn)確性和可靠性，為進(jìn)一步開(kāi)展支架液壓系統(tǒng)智能故障診斷和健康監(jiān)測(cè)提供了故障樣本數(shù)據(jù)和奠定了研究基礎(chǔ)。同時(shí)，該故障仿真實(shí)驗(yàn)還存在部分?jǐn)?shù)據(jù)有偏差、訓(xùn)練次數(shù)較多、訓(xùn)練時(shí)間較長(zhǎng)等問(wèn)題，且對(duì)因多種故障原因引起的混合故障仿真尚未涉及，后續(xù)將進(jìn)一步優(yōu)化算法并繼續(xù)深入研究。