《电液伺服阀故障模糊诊断及学习方法研究》由会员分享，可在线阅读，更多相关《电液伺服阀故障模糊诊断及学习方法研究（9页珍藏版）》请在金锄头文库上搜索。
1、编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第1页 共1页伺服阀故障模糊诊断及学习方法研究1 广东省教育厅自然科学基金资助项目，项目号：2000-60黄志坚（广州珠江钢铁有限责任公司 广东广州 510730）摘要 本文提出一种电液伺服阀故障模糊综合评判方法，其基本依据是：当故障yi出现时常出现症状xj，且当症状xj出现时常出现故障yi，则故障yi发生的可能性大。这种评判方法突出了较密切的故障-症状的关系。本文提出一种基于故障-症状实际关系的学习方法。根据经验或统计数据初步确定故障-症状关系密切系数矩阵R中各元素rij的初值。后将对象实际的故障-症状因果关系r的数据加入到R
2、 中去，由此对R进行修正，由此使R逐步符合实际情况。本文列举轧机D761型电液伺服阀模糊诊断、学习及程序的实例验证了有关理论的正确性和实用性。关键词：伺服阀 故障 模糊 诊断 学习1液压故障模糊综合评判的途径由于液压设备故障症状因果关系的交错性、重叠性、和随机性，一个症状往往对应多个可能的故障，一个故障发生时，也有多个症状出现；同时，由于故障的隐蔽性，难以直接检测液压系统的内部状况。模糊评判常用于评判各故障可能性的大小。文献15对有关模糊理论及其在液压故障诊断中的应用作了一定的研究。模糊评判的一般表达式为： 式中为故障集；为症状集，xj的取值范围是0或1，症状出现即为1，否则为0。R为关系密切
3、系数，反映症状xj与故障yi的关系密切程度，为模糊算子。 y i越大则它所代表的故障的可能性也越大，相关。本文提出一种统筹、全面的模糊评判方法，其基本依据是当故障yi出现的同时经常出现症状xj，且当症状xj出现的同时经常出现故障yi；则故障yi发生的可能性大。R建立之初，其中不可避免地含有不切实际的成分或主观成分，这是模糊评判的通常问题。为使评判式得出的结论更加符合实际，就必须通过学习不断修正R。本文提出一种基于故障-症状实际关系的学习方法，其过程是：根据经验或统计数据初步确定故障-症状关系密切系数矩阵R中各元素rij的初值。每次系统出现异常时用模糊系统进行评判，求出目前症状组对应的故障及可能
4、性大小。 根据评判结论找到实际的故障，求出其实际的故障-症状因果关系r。将对象实际的因果关系r的数据加入到R 中去，由此对R进行修正。2 模糊系统的构建 设tij为由初步统计得出的症状xj出现且故障yi也出现的次数，由此得到矩阵T0 。 故障yi出现的总次数是tyi则Ty=（ty1， ty2，。，tyn）, tyi 症状xj故出现的总次数是txj则Tx=（tx1， tx2，。，txm），txj 设故障yi 出现的前提下症状xj出现的概率为p（xj / yi），则 p（x/ yi） 为（ ti1 / tyi，ti2/ tyi，tim /tyi）， p（x/ y）= (1)对于故障yi来说，（ t
5、i1 / tyi，ti2/ tyi，tim /tyi）中较大者所对应的症状与它的关系更加密切。（ ti1 / tyi，ti2/ tyi，tim /tyi）中各元素最大值是1，它表明故障yi每次出现时，症状xj都会出现；最小值是0，它表明症状xj与故障yi无关。设症状x j出现的前提下故障yi出现的概率为p（yi / xj），则 p（y/xj） 为（ ti1 / txj，ti2/ txj，tim /txj）， p（y/xj）= (2)对于症状xj来说，（ ti1 / txj，ti2/ txj，tim /txj）中较大者所对应的故障与它的关系更加密切。（ ti1 / txj，ti2/ txj，ti
6、m /txj）中各元素最大值是1，它表明症状x j每次出现时，故障yi都会出现；最小值是0，它表明症状xj与故障yi无关。R中i行代表故障yi与各症状的关系密切程度，R中j列代表症状xj 与各故障的关系密切程度。如果以R作为X与Y的关系密切系数矩阵，是从故障的角度来考察问题，评判的准则是：当故障yi出现的同时经常出现症状xj（根据纪录与统计）；症状xj在此次评判中出现了；则故障yi发生的可能性大。如果以R”作为X与Y的关系密切系数矩阵，是从症状的角度来考察问题，评判的准则是：当症状xj出现的同时经常出现故障yi（根据纪录与统计）；症状xj在此次评判中出现了；则故障yi发生的可能性大。这两种评判
7、方法得到的结果经常是不一致的。例如，在液压系统中，液压泵发生故障时经常出现压力下降的症状，但压力下降的原因主要是调压系统故障。因此，需要统筹、全面地考察问题，评判的准则应该是：当故障yi出现的同时经常出现症状xj，且当症状xj出现的同时经常出现故障yi；症状xj在此次评判中出现了；则故障yi发生的可能性大。为了实现这一目的，可将R与R”中对应的元素相乘，构成矩阵R。故在R中 3 关系密切系数矩阵R的学习由于关系密切系数矩阵R是根据一些初步的、不太完整甚至是假定的数据建立起来的，因此它不可能很精确，需要用系统实际故障诊断过程中得出的故障-症状因果关系对其进行修正。学习的过程如下：用R对系统实际出
8、现的症状进行评判，计算出。根据Y中各yi的大小，按顺序进一步检查系统，确定故障（找到yi）。 在Ty=（ty1， ty2，。，tyn）中，yi对应的 tyi，加1；在Tx=（tx1， tx2，。，txm）中，此次诊断中出现的xj所对应的txj均加1；在矩阵T里，yi对应的 ti 行中，此次诊断中出现的xj所对应的tij均加1。 用修改过的Ty=（ty1， ty2，。，tyn），Tx=（tx1， tx2，。，txm），矩阵T，运用式9-1、9-2计算出新的R与R”，并最终计算出关系密切系数矩阵R。 每次故障发生和诊断之后都作上述运算，R将逐步精确起来，因为它将实际的故障-症状的对应关系融合进来了
9、。这种学习方法有充分的事实根据，简洁且易于实现，值得现场推广使用，在同类系统较多的地方则更加适用。如果系统出现了新的故障与症状，只要把相关的数据输入，也可方便地修正评判系统。4 程序实现6症状、故障信息以及两者相互对应发生的次数已经存在于知识库，可以直接从知识库中调出。由于R、R、R都是矩阵，所以在程序实现的时候，采用动态二维数组来处理，只在程序初始化时，将数据库中的值赋予数组和在运算结束时将结果更新到数据库，其它中间运算都是针对数组进行。这样可以提高计算效率。程序流程如图1所示。5 电液伺服阀模糊综合评判诊断及学习的实例现以珠钢CSP轧机AGC控制装置D761-2716AS63JOGMGUP
10、L型电液伺服阀力矩马达部分模糊故障诊断系统为例，进一步研究电液伺服阀故障的模糊诊断。这种阀由Moog公司提供，广泛应用于钢铁冶金液压控制系统。如珠钢CSP液压系统在AGC、CVC等控制回路中就采用了这种阀。阀主要故障是：y1-线圈匝间短路，y2-衔铁卡住，y3-气隙中有脏物，y4-导磁体螺钉松动，y5-紧固件松动，y6-放大器零点与机械零点不重合，y7-弹簧管疲劳，y8-反馈杆球头磨损或损坏。主要症状是：x1-零点偏移电流增大，x2-零点不稳定，x3-控制电流I下降，x4-控制电流I存在但系统不工作，x5-系统位移工作受限，x6-系统不稳定。 设由初步统计及相关资料9 得出的矩阵T0、Ty=（
11、ty1， ty2，。，tyn）、Tx=（tx1， tx2，。，txm）如下： 初始化系数数组显示症状、故障信息用户确定最终出现症状、故障对应症状、故障发生次数+1归一化数组并计算R、R以及R结果存入知识库结束图1 统计学习算法的程序流程图 由此计算出R与R”，并最后计算关系密切系数矩阵R0如下： R0= 实际故障诊断中，出现的症状是零点偏移电流增大与系统不稳定(症状x1与x6出现，亦即XT=(1, 0, 0, 0, 0, 0, 1)，用R0进行评判，得YT=（0.0871, 0, 0, 0.1707, 0.1951, 0.1463, 0.0325, 0.3658）, 得到的故障结论是反馈杆球头
12、磨损(y8成立)。经核实以后, 用x1与x6对应y8这一结论对R0进行修正, 则矩阵T、Ty=（ty1， ty2，。，tyn）、Tx=（tx1， tx2，。，txm）等变为： 由此计算R与R”，并最后计算出R1。 R1= 学习子程序的矩阵如图2与图3所示。比较R1与R0，可发现x1与x6对应y8的关系密切系数r81与r86相对增大，分别由0.1553与0.2105增至0.1632与0.2380，与此同时其他一些关系密切系数（位于第1列与第8行）有所减小。由此可见，症状xj对应故障yi同时出现的次数多, 通过学习后R中关系密切系数rij也不断增大，这样，R所反映的症状-故障关系密切程度就更切合实
13、际了。同时需要指出的是，在轧钢生产线，同一类型的伺服阀很多，例如珠钢CSP生产线上D761型伺服阀近近百个，要找出若干实例用于修正R是很容易的。图2 初始矩阵界面6 结论模糊综合评判适用于涉及因素众多、症状与故障有重叠关系的电液伺服阀故障诊断。本文提出的电液伺服阀故障模糊综合评判方法，其基本依据是：当故障yi出现时常出现症状xj，且当症状xj出现时常出现故障yi，则故障yi发生的可能性大。这种评判方法从两个角度考虑实际发生的症状与故障同时出现的次数，并由此确定相互间关系密切程度，有利于找到最可能发生的故障。在模糊评判系统中，由于关系密切系数矩阵R是根据一些初步的、不太完整甚至是假定的数据建立起
14、来的，因此它不可能很精确，需要用系统实际故障诊断过程中得出的故障-症状因果关系对其进行修正。为了实现综合评判，可将R与R”中对应的元素相乘，构成矩阵R。这种学习方法具有较好的实用性。图3 学习后矩阵界面参考文献1黄志坚 湛从昌 周 敏 液压系统故障模糊诊断方法探讨 第四届全国机械设备故障诊断学术会议论文集 杭州 1994：7497542王益群 高英杰 液压AGC系统故障诊断专家系统的实现 液压气动与密封 2000（1）：29313Zhang, R.;Zhu, R.;Cai, L. Study on on-line fault diagnosis intelligence for a subme
15、rsible pump Chinese Journal of Mechanical Engineering v 37 n 4 April 2001. p 57-604 Lazzari A, Wang H.F, Moore P. Fault diagnosis in distribution systems based on artificial intelligence Proceedings of the Universities Power Engineering Conference 2000. p 75795邱忠宇等 基于规则的模糊神经网络故障诊断专家系统 机械科学与技术 1999（4）：17216滕召旗 黄志坚等 轧机泵站故障智能诊断系统的研究开发 机床与液压2001（增）19217
