液压系统故障诊断

    液压设备的自动化程度越高、功能越多、结构越复杂, 发生故障的几率也随之越多, 故障造成的危害和损失也越加严重. 由于液压系统各元件在封闭的油路内工作, 液压装置的损坏和失效, 往往发生在内部, 隐蔽性强, 能够正确而果断地判断出故障的部位, 迅速排除故障就显得尤为重要. 目前, 液压故障诊断领域应用较多的理论主要有自动控制理论以及生物神经研究相关的技术理论, 其中应用较多的是BP 神经网络. 本文将讨论 BP 神经网络如何应用于液压故障诊断, 并编制了基于 BP 神经网络的某航天发射塔旋转平台液压系统故障诊断系统。

    液压系统是机器的一部分, 是一个复杂的非线性动力学系统. 从结构组成看, 液压系统由信号控制和液压动力两部分组成, 是一个由液压、 机械、 电气和有关仪表组合在一起的复杂机电设备. 信号控制部分用于驱动液压动力部分中的控制阀动作. 目前, 应用于液压系统的故障诊断方法中, 需要测量和检测的动态参数主要有: 压力信号、 流量信号、 振动与噪声信号、温度信号、油液污染度等。本文以某航天发射塔旋转平台液压系统液压回路作为实验对象,实验中测量的信号主要为压力和流量, 液压回路中的测量传感器主要有流量传感器、 压力传感器、 电压传感器和电流传感器, 用来检测各个测试点相对应的输出值. 同时, 将液压泵振动信号、 功率信号、 压力信号、 液压缸的应变信号进行预处理和特征提取. 这样就建立了基于 BP 人工神经网络的液压系统状态检测与故障诊断系统.     经验可知: 液压系统故障现象有 8 种: 油缸内泄漏F1; 换向阀的出口溢流阀损坏 F2 ; 系统安全阀阻尼孔堵塞或弹簧损坏 F3 ; 油泵泄漏F4 ; 电磁阀烧坏F5 ; 压力补偿阀阻尼孔堵塞 F6 ; 油泵超负荷F7; 过滤网堵塞F8. 为了建立准确的发射塔旋转平台液压系统液压泵模型, 需对故障点进行振动测试, 从而为故障诊断提供依据. 采集的信号变量通过安装在泵体各敏感点的压电加速度传感器拾取, 实验采样频率为 80 Hz, 转换成采样时间间隔为 13 ms. 用数据采集、 处理系统处理信号, 将所采集信号振幅的大小作为液压泵传动系统故障与否的判据. 共选取 8 个测试点作为检测对象. 采用多层前馈神经网络结构, 采用的结构为: 8 输入 4 输出单隐层9 节点的BP 网络. 实验证明, 这种神经网络模型能较好地反映出液压泵头部的故障程度.对测量的特征数据进行归一化处理后的 8 组样本, 用训练好的 网络对液压系统液压泵的运行情况进行预报, 预测结果与实际情况基本吻合.