一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法

文档序号:5506677阅读:590来源:国知局
专利名称:一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法
技术领域
本发明属于液压伺服系统的故障诊断技术领域,具体涉及ー种基于残差与双级Elman神经网络相结合的液压伺服系统的故障定位方法。
背景技术
在航空航天领域中,广泛地采用液压系统作为执行环节。液压系统具有功率大、响应快等优点,且随着其规模、功能、复杂程度及自动化水平的日益提高,要求液压系统具有很高的可靠性与可维修性。为此采取了提高液压元件可靠性、对系统进行高可靠及容错设计等ー些列措施,但是无论液压系统的可靠性有多高,由于负载、エ况、元器件的老化等诸多不可避免的因素,液压系统难免会出现故障。而作为复杂液压系统中的子系統-液压伺服系统,对液压系统的功能和效率有着巨大的影响,其故障将会直接导致液压系统失效,从而造成整个设备的控制系统崩溃,影响任务的完成。因此对液压伺服系统进行故障诊断具有重要的现实的意义。通常,基于神经网络故障观测器可以实现液压伺服系统的故障检测,但很难进行其故障定位,因此有效的故障定位方法一直是液压伺服系统故障诊断的瓶颈问题。故障观测器属于基于解析模型进行故障检测的其中ー种方法,而基于解析模型方法的基本思想为故障发生前后,系统分别处于正常状态和故障状态,建立正常状态时系统的解析模型,通过比较模型输出和真实系统的测量输出,产生称为“残差”的故障指示器。若故障发生,会影响系统的测量输出,导致残差发生变化,实现故障检测。但该残差反映的是整个液压伺服系统的故障与否,并不能诊断出何种故障引起的残差变化。状态跟随器由于是实时地在线学习,所以它实时记忆系统当前的状态。因此当系统正常时,状态跟随器通过在线学习,能准确地跟踪系统正常时的模型,并将正常模型分布记忆于网络连接权值等參数中。同样,当系统故障时,状态跟随器通过在线学习,准确记忆系统故障时的模型,并将故障模型分布记忆于网络连接权值中。不同的故障情况,系统的模型将发生不同的变化,状态跟随器则具有不同的网络连接权值,因此可以利用状态跟随器的连接权值作为故障模式识别的特征向量。液压伺服系统具有很多非线性特性,这使得液压系统的故障机理复杂,故障特征提取困难。目前现有的基于模型的故障检测与故障定位方法強烈依赖于数学模型的准确性,而实际液压伺服系统的非线性和耦合干扰又很难建模,因此基于近似线性模型的故障检测与故障定位方法鲁棒性较差。由于神经网络具有很强的非线性映射能力和容错能力,很容易实现液压伺服系统非线性和鲁棒性故障诊断。因此将故障检测与故障定位相结合已成为液压伺服系统故障诊断方法的新思路。

发明内容
本发明的目的是为了解决在进行液压伺服系统故障诊断时,常用的基于神经网络故障观测器可以实现故障检测,但很难进行故障定位的问题,提出一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法。本发明ー种基于残差与双级Elman神经网络的液压伺服系统故障定位方法,具体包括以下步骤步骤一、分别获取液压伺服系统在正常工作、电子放大器故障、以及泄漏故障三种状态下的η组输入和输出信号。步骤ニ、首先,建立并训练液压伺服系统正常时的故障观测器,具体是采用改进的Elman神经网络建立故障观测器,改进的Elman神经网络的外部输入信号为u (k_l),输出信号为y (k),隐层输出信号为χ (k),关联节点的输出信号为Xc;(k),在关联节点上増加了一个固定增益为α的自反馈连接,使得关联节点在k时刻的输出信号等于隐层在k-1时刻的输出信号加上关联节点在k-Ι时刻输出信号的α倍,α取值在O I之间;然后,获取液压伺服系统正常工作状态下的历史输入和输出信号,训练故障观测器,训练输入样本为获 取的历史输入和输出信号,训练输出样本为获取的历史输出信号;故障观测器训练完成后,获得液压伺服系统在正常工作状态下的残差信号,所述的残差信号由故障观测器的估计输出信号与对应的液压伺服系统的实际输出信号做差得到。然后,获取液压伺服系统实时的残差信号,具体是每隔一段时间,获取当前t时刻工作状态下的液压伺服系统的输入信号r(t)和输出信号h(t),输入到已训练好的故障观测器,得到故障观测器的估计输出信号JUO,进一歩得到当前t时刻工作状态下液压伺服系统的残差信号ε (t),e{t) = yr{t)-yr{t)0步骤三、实时在线训练状态跟随器,所述的状态跟随器采用步骤ニ中所述的改进的Elman神经网络实现,实时获取液压伺服系统当前t时刻工作状态下的输入和输出信号,并实时训练状态跟随器,训练输入样本为实时获取的输入和输出信号,训练输出样本为实时获取的输出信号;在每次实时训练好状态跟随器之后,需要输出的结果为改进的Elman神经网络中关联节点到隐层单元、输入单元至隐层单元以及隐层单元到输出单元的连接权矩阵[W1,W2,W3]。步骤四、针对故障观测器得到的液压伺服系统的每组实时残差信号,提取时域特征值,每组残差信号得到I个时域特征值RMSe (t);所述的时域特征值采用均值、有效值、峭度或者波形因子来表示。步骤五、训练故障定位器,所述的故障定位器采用RBF (Radial Basis Function)神经网络实现,RBF神经网络的训练输入样本X为
权利要求
1.一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法,其特征在于,具体包括如下步骤 步骤一、分别获取液压伺服系统在正常工作、电子放大器故障、以及泄漏故障三种状态下的n组输入和输出信号; 步骤二、首先,建立并训练液压伺服系统正常时的故障观测器,具体是采用改进的Elman神经网络建立故障观测器,改进的Elman神经网络的外部输入信号为u (k_l),输出信号为y (k),隐层输出信号为X (k),关联节点的输出信号为Xc;(k),在关联节点上增加了一个固定增益为a的自反馈连接,使得关联节点在k时刻的输出信号等于隐层在k-1时刻的输出信号加上关联节点在k-1时刻输出信号的a倍,a取值在O I之间;然后,获取液压伺服系统正常工作状态下的历史输入和输出信号,训练故障观测器,训练输入样本为获取的历史输入和输出信号,训练输出样本为获取的历史输出信号;故障观测器训练完成后,获得液压伺服系统在正常工作状态下的残差信号,所述的残差信号由故障观测器的估计输出信号与对应的液压伺服系统的实际输出信号做差得到; 然后,获取液压伺服系统实时的残差信号,具体是每隔一段时间,获取当前t时刻工作状态下的液压伺服系统的输入信号r(t)和输出信号y Jt),输入到已训练好的故障观测器,得到故障观测器的估计输出信号兔《,进一步得到当前t时刻工作状态下液压伺服系统的残差号 e (t), s(t)= yr(0 - yr (0 > 步骤三、实时在线训练状态跟随器,所述的状态跟随器采用步骤二中所述的改进的Elman神经网络实现,实时获取液压伺服系统当前t时刻工作状态下的输入和输出信号,并实时训练状态跟随器,训练输入样本为实时获取的输入和输出信号,训练输出样本为实时获取的输出信号;在每次实时训练好状态跟随器之后,需要输出的结果为改进的Elman神经网络中关联节点到隐层单元、输入单元至隐层单元以及隐层单元到输出单元的连接权值[W1, W2, W3]; 步骤四、针对故障观测器得到的液压伺服系统的每组实时残差信号,提取时域特征值,每组残差信号得到I个时域特征值RMSew ;所述的时域特征值采用均值、有效值、峭度或者波形因子来表示; 步骤五、训练故障定位器,所述的故障定位器采用RBF神经网络实现,RBF神经网络的训练输入样本X为
2.根据权利要求I所述的一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法,其特征在于,所述的步骤一具体是在液压伺服系统正常运行时,给定系统输入指令为频率1Hz,幅值20mm的正弦信号,采集三种状态下的输入和输出信号 (1)采集系统正常工作状态下20组输入和输出信号; (2)修改实际液压伺服系统中PID控制器的比例系数Kp模拟电子放大器增益漂移故障,使比例系数Kp在第2秒时突变了 0. 5,时间持续2秒,采集电子放大器故障状态下20组输入和输出信号; (3)修改液压伺服系统的流量压力系数Km模拟泄漏故障,使流量压力系数Km增大两倍,采集泄漏故障状态下20组输入和输出信号。
3.根据权利要求I所述的一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法,其特征在于,步骤二中所述的改进的Elman神经网络中的输入、输出信号为
4.根据权利要求I所述的一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法,其特征在于,步骤四中所述的每组残差信号得到I个时域特征值,采用有效值表示时域特征值时,残差信号的有效值RMSew为-.RMSsm =昇+ <:…,其中,P表示在该残差信号中选取的样本量,X1, X2……Xp分别表示第I个、第2个……第p个样本的值。
5.根据权利要求I所述的一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法,其特征在于,步骤五中所述的故障定位器采用RBF神经网络实现,具体采用改进的K均值聚类方法建立RBF神经网络来实现,包括如下步骤 (1)选择一个合适的高斯函数宽度r,令第一个训练输入样本X1作为第一个聚类中心C1, C1 = X1,此时建立的RBF神经网络只有一个隐单元,该隐单元的中心为C1 ; (2)确定第二个训练输入样本X2和聚类中心C1之间的距离,若距离IIX2-C1I I <1■,则将X2归为第一类,同时(,V2+X1)诺I X2-C1 I > r,则X2作为新的聚类中心C2,C2 = 丄X2,此时建立的RBF神经网络有2个隐单元,隐单元的中心分别为C1和C2 ; (3)分别确定第i个训练输入样本Xi与已存在的m个聚类中心的距离I Xi-Cj II, i = 3,4,5,... n, j = 1,2,...,m ;找出与样本Xi距离最近的聚类中心Ch,||X,-C/ I = IninIx,- -CiI ,若 | |X「Ch| | < r,则 Xi 归为第 h 类,并令G = Ex-,否则 Xi 作为新的聚类中心并令Cm+1 = Xi ; 重复上面(3)中过程,直到N个训练输入样本分类完毕,确定全部聚类中心,设共有n'个聚类中心; (4)按K均值聚类方法重新调整聚类中心,将所有训练输入样本Xp按最近邻规则分组,当||X^ -Ql = mm I \ -C\,i = IX-,n' 则将第P个训练输入样本Xp归划到聚类中心Ci所在的第i类,p = 1,2,. . .,N ; (5)调整聚类中心Ci ('=丄丫 X'" 'N1-Ni为第i类的样本数; (6)重复(4)和(5),直至所有聚类中心不再变化;将最终得到的聚类中心赋值给各RBF单元,作为各RBF单元的聚类中心; (7)确定(6)中每一个聚类中心所对应的RBF单元的径向基函数的宽度Oi :
6.根据权利要求I所述的一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法,其特征在于,步骤六中所述的故障阈值为步骤五中的RBF神经网络离线训练误差的最大值与3倍的噪声标准差的和。
全文摘要
本发明提出一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法,首先获取液压伺服系统在正常工作、电子放大器故障和泄漏故障三种状态的输入输出信号,利用正常状态的输入输出信号,训练故障观测器,通过故障观测器获取实时残差信号,然后实时在线训练状态跟随器,得到实时信号对应的网络连接权值,将残差信号的时域特征值和网络连接权值作为RBF故障定位器的训练输入样本训练RBF故障定位器。故障观测器和状态跟随器都采用改进的Elman网络实现。将时域特征值与故障阈值比较,可判断当前系统是否出现故障,通过故障定位器可得到故障类型。本发明实现了对液压伺服系统的故障定位,定位精确度高,具有工程应用性。
文档编号F15B19/00GK102705303SQ20121015245
公开日2012年10月3日 申请日期2012年5月16日 优先权日2012年5月16日
发明者刘大伟, 刘红梅, 吕琛, 欧阳平超, 王靖 申请人:北京航空航天大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1