一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法

文档序号:6628172阅读:783来源:国知局
一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法
【专利摘要】本发明涉及一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法。所述系统包括特征参数提取模块、数据库模块、人机交互模块和分类器模块,其中:特征参数提取模块用于提取故障特征参数和检验相似度;数据库模块用于存储样本数据和临时数据;分类器模块用于设计分类器和对未知故障信号进行分类;人机交互模块用于根据用户输入完成相关查询显示功能。本发明公开了一种故障样本信号采集方法,用于在液压缸型式试验台上开展面向故障树底事件的分级模拟试验,采集故障样本信号和试验台状态信号。本发明的有益之处在于:所述系统故障诊断精度较高,可诊断出故障原因和故障等级;采集的故障样本信号杂质少便于提取特征参数。
【专利说明】一种工程机械液压缸故障诊断系统及与之适用的故障样本 信号采集方法

【技术领域】
[0001] 本发明属于计算机软件技术、信号分析与处理技术和故障诊断技术的交叉领域, 涉及一种液压缸故障诊断系统及与之适用的故障样本信号采集方法,尤其涉及一种工程机 械液压缸故障诊断系统及与之适用的故障样本信号采集方法。

【背景技术】
[0002] 液压缸是一个由多元件构成的液压关重件,故障现象多样、机理复杂,呈现综合性 和复杂性的特点。液压缸发生一种宏观故障现象,往往存在多方面的原因。例如,液压缸动 作失灵有可能是由于液压缸内泄漏、外载荷过大、液压缸内部别劲、缓冲作用失灵和液压回 路故障等原因引起的。上述每种故障原因的产生又有更为复杂的子原因,如引发液压缸内 泄漏的原因就有活塞杆弯曲、油液被污染、缸内壁拉伤磨损、活塞圆度差、活塞密封失效、活 塞杆密封失效和液压油油温过高等。显然,传统的人工拆卸排查液压缸故障根源的方法,不 仅费时费力,也易产生其他并发故障,致使故障复杂化。起源于航空、航天和核工业的经典 故障诊断技术虽然无需拆解液压缸,但受制于理论模型的复杂性(如基于数学模型的故障 诊断方法)和知识难以获取描述的特点(例如专家系统诊断法),其液压缸故障诊断精度 较低,技术尚不成熟。近年来,一种基于人工智能(Al)的故障诊断技术,即神经网络诊断法 逐步在工业应用领域兴起。该诊断法既不需要知识工程师整理、总结以及消化领域专家的 知识,也无需建立准确的被诊断对象的数学模型,只需用故障诊断样本来训练神经网络,就 可以对故障缸产生的测试信号即未知故障信号进行分类,从而达到故障诊断的目的,因此 该诊断法具备较广阔的应用前景。在神经网络诊断法中,故障诊断样本(或称实例)本质 上为典型故障与故障特征参数(或称故障征兆)的之间映射关系,其准确程度决定了神经 网络的训练精度,进而影响诊断精度。从现阶段来看,通常利用随车试验来采集已知故障液 压缸的动态响应信号即故障样本信号,并通过信号分析处理技术提取其故障特征参数来获 取故障诊断样本。但是由于现场测试环境复杂且难以人工干预控制,采集到的故障样本信 号往往因隐含有多种故障子原因(即含杂质信号)而难以准确提取出故障特征参数。文献 《基于神经网络的液压缸故障诊断专家系统》(作者:郑军华,昆明理工大学,2002年)描述 了一种用于阳极生产线的基于神经网络的液压缸故障诊断智能专家系统。该系统包括信号 监测、动态模拟及现场监测、学习系统、故障诊断决策系统和数据库模块。由于该系统回避 了两个亟需解决的关键问题:即故障样本信号如何采集及故障特征参数如何有效提取,因 此该系统实际的诊断精度无法获得保障。文献《液压油缸亚健康状态评估理论方法及实验 研究》(作者:周京干,燕山大学,2013年)在液压缸两腔体间外接节流阀,并通过调节节流 阀开口度来模拟液压缸不同的内泄漏状态,从而采集相应状态的故障样本信号和提取故障 特征参数。最后,基于BP神经网络状态分类器对液压缸进行亚健康状态评估。该文献也存 在两个方面的瓶颈:一方面,如前所述内泄漏故障实际上由多种复杂因素引起,而文献中内 泄漏故障模拟试验与工程实际相差较远,因此获取的故障样本信号存在失真,从而影响诊 断精度;另一方面,文献所建立的BP神经网络状态分类器仅能够预测内泄漏的严重程度, 无法对故障底层原因进行诊断分析。
[0003] 目前,针对工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法尚 未见报道。


【发明内容】

[0004] 本发明的目的是提供一种工程机械液压缸故障诊断系统及与之配合的故障样本 信号采集方法,以克服故障诊断精度低,故障样本信号杂质多且难以分离提取故障特征参 数,以及难以同时诊断故障原因和故障等级等不足。
[0005] -种故障样本信号采集方法,包括如下步骤:
[0006] 步骤一:对售后维修数据进行统计分析,获取给定型号液压缸的所有故障形式,并 根据故障事件间的逻辑关系,建立该型液压缸的故障树;
[0007] 步骤二:对所有故障树底事件的发生概率进行赋值,并确定各故障树底事件的模 拟方法;根据再制造难易程度及对工程机械工作性能的影响程度,划分故障树底事件的等 级,并为每个故障等级确定分级阀值;
[0008] 步骤三:选取同一型号的正常液压缸作为被试缸,参照故障树底事件的模拟方法 和分级阀值,在液压缸型式试验台上开展面向故障树底事件的分级模拟试验;
[0009] 步骤四:采集步骤三中产生的故障样本信号和试验台状态信号。
[0010] 一种工程机械液压缸故障诊断系统,包括特征参数提取模块、数据库模块、人机交 互模块和分类器模块,其中:
[0011] 1)特征参数提取模块,用于对采集到的故障信号(故障样本信号和未知故障信 号)进行小波分析和主成分分析,并提取故障特征参数;所述特征参数提取模块还用于检 验该故障特征参数相对于数据库模块中同一故障树底事件在同一故障等级下的故障特征 参数样本集的相似度;
[0012] 2)数据库模块,用于存储与故障相关的样本数据和临时数据;所述样本数据包括 采集到的故障样本信号、与故障样本信号相对应的试验台状态参数和故障特征参数、故障 树底事件发生概率;所述临时数据包括未知故障信号、与未知故障信号相对应的试验台状 态参数和故障特征参数;所述样本数据与液压缸型号、故障树底事件及故障等级一一对应; 所述临时数据与液压缸型号一一对应;
[0013] 3)分类器模块,用于设计分类器,并利用所述分类器对未知故障信号进行分类;
[0014] 4)人机交互模块,用于根据用户输入完成如下功能:精确或模糊查询数据库模块 中的样本数据、对样本数据进行统计学分析并显示分析结果、进行故障树定性/定量分析 并显示分析结果、增删样本数据、进行分类器参数设置和显示分类器模块的诊断结果,进行 特征参数提取模块的参数设置和显示该模块提取的故障特征参数;
[0015] 各模块间的连接关系为:人机交互模块分别与特征参数提取模块、数据库模块和 分类器模块连接;数据库模块、特征参数提取模块和分类器模块之间两两连接。
[0016] 故障诊断的基本流程包括:
[0017] 步骤一:根据所述故障样本信号采集方法,采集给定型号液压缸在给定故障树底 事件和给定等级下的故障样本信号和试验台状态信号,并将其作为样本数据存储于数据库 模块;
[0018] 步骤二:利用特征参数提取模块提取所述故障样本信号中的故障特征参数,并检 验其相似度;若检验通过,则转入步骤三;否则放弃所述故障特征参数,并删除数据库模块 中相关样本数据,返回步骤一重新进行采集;
[0019] 步骤三:将步骤二提取的故障特征参数作为样本数据存储于数据库模块,并检验 数据库模块中的样本规模;若检验通过,则转入步骤四;否则返回步骤一,重复采集给定型 号液压缸在同一故障树底事件和故障等级下的故障样本信号和试验台状态信号,或者采集 给定型号液压缸在不同故障树底事件和故障等级下的故障样本信号和试验台状态信号;
[0020] 步骤四:设计分类器,并训练、检验该分类器;若检验通过,则转入步骤五,否则重 新设计分类器,直至检验通过;
[0021] 作为优选,设计分类器时,采用BP神经网络,其输入节点数等于故障特征参数的 个数,其输出节点数等于故障树底事件个数与故障等级数之积;
[0022] 作为优选,利用数据库模块中的样本数据训练、检验所述分类器;
[0023] 作为优选,利用所述数据库模块中的三分之二的样本数据训练分类器;利用剩余 的三分之一的样本数据检验生成的分类器;
[0024] 步骤五:将同一型号的待诊断液压缸作为液压缸型式试验台的被试缸,采集未知 故障信号和试验台状态信号,并将其作为临时数据存储于数据库模块;
[0025] 步骤六:利用特征参数提取模块提取该未知故障信号的故障特征参数,并将其作 为临时数据存储于数据库模块;
[0026] 步骤七:利用分类器模块对步骤六中提取的故障特征参数进行分类;由于用于训 练和检验所述分类器的样本数据均与故障树底事件及故障等级一一对应,因此分类器模块 能够诊断出未知故障信号的故障底事件名称及所处等级。
[0027] 步骤八:根据步骤七获得的故障诊断结果,将临时数据作为样本数据转存于数据 库模块;
[0028] 步骤九:利用人机交互模块查看故障诊断结果。
[0029] 本发明的有益之处在于:本发明提供了一种工程机械液压缸故障诊断系统及与之 配合的故障样本信号采集方法。所述系统的故障诊断精度较高,可诊断出故障原因和故障 等级;所述方法采集到的故障样本信号杂质少便于提取特征参数。

【专利附图】

【附图说明】
[0030] 下面结合附图和实施例对本发明专利进一步说明。
[0031] 图1为某型支腿油缸故障树结构示意图。
[0032] 图2为工程机械液压缸故障诊断系统构成及各子模块连接示意图。
[0033] 图3为数据库中样本数据与液压缸型号、故障树底事件及故障等级映射关系示意 图。
[0034] 图4为BP神经网络分类器结构示意图。
[0035] 图5为工程机械液压缸故障诊断系统的故障诊断基本流程图。

【具体实施方式】
[0036] 结合图1-5和表1说明本发明【具体实施方式】:
[0037] 根据故障树理论可知,尽管液压缸故障诱因复杂且各因素间存在相互耦合作用, 但导致液压缸发生顶事件(宏观故障现象)和各类中间事件(故障原因、子原因)的底事 件彼此却相互独立,表现形式简单,因此易于在液压缸型式试验台上模拟再现。根据液压缸 故障树层级关系及内涵,开展面向故障树底事件的故障分级模拟试验,可以获取单一故障 的故障样本信号,信号杂质少,便于分离提取故障特征参数。
[0038] 以某型支腿油缸为例,说明本发明中故障样本信号采集方法的实施步骤:
[0039] 步骤一:通过对该型支腿油缸的售后维修数据进行统计分析,获取该型液压缸的 所有故障形式,并根据故障事件间的逻辑关系,建立如图1所示故障树。图中,T液压缸故 障为顶层事件,其下包括Ml动作不正常、M2漏油、M3零部件失效和M4液压缸工作时声音异 常等四个一级中间事件。各一级中间事件下又包含二级中间事件和三级中间事件,且各级 中间事件可能包含底事件,因篇幅限制仅画出了 Ml的故障树结构。
[0040] 步骤二:对所有故障树底事件的发生概率进行赋值,并确定各故障树底事件的模 拟方法;根据再制造难易程度及对工程机械工作性能的影响程度,划分故障树底事件的等 级,并为每个故障等级确定分级阀值。简单起见,以该型支腿油缸的第三级中间事件M17内 泄漏严重为例,进一步说明本步骤实施过程。如图1所示,M17由X2活塞杆弯曲、XlO油液 固体颗粒污染、X17缸内壁拉伤、X23缸内壁磨损、X41活塞密封老化、X42活塞杆密封老化 和X43液压油油温过高等底事件引发。X17的故障树底事件概率赋值为1. 74%,其他底事 件概率值不再赘述。假定所有底事件均可划分为三级,则M17下所有故障树底事件的等级 划分阀值如下表1所示:
[0041] 表1某型支腿油缸中间事件M17下所有故障树底事件的等级划分阀值表(表中阀 值仅作举例描述用)
[0042]

【权利要求】
1. 一种故障样本信号采集方法,其特征在于,该方法包括如下步骤: 步骤一:对售后维修数据进行统计分析,获取给定型号液压缸的所有故障形式,并根据 故障事件间的逻辑关系,建立该型液压缸的故障树; 步骤二:对所有故障树底事件的发生概率进行赋值,并确定各故障树底事件的模拟方 法;根据再制造难易程度及对工程机械工作性能的影响程度,划分故障树底事件的等级,并 为每个故障等级确定分级阀值; 步骤三:选取同一型号的正常液压缸作为被试缸,参照故障树底事件的模拟方法和分 级阀值,在液压缸型式试验台上开展面向故障树底事件的分级模拟试验; 步骤四:采集步骤三中产生的故障样本信号和试验台状态信号。
2. -种工程机械液压缸故障诊断系统,其特征在于,该系统包括特征参数提取模块、数 据库模块、人机交互模块和分类器模块,其中: 特征参数提取模块,用于对采集到的故障信号进行小波分析和主成分分析,并提取故 障特征参数;所述特征参数提取模块还用于检验该故障特征参数相对于数据库模块中同一 故障树底事件在同一故障等级下的故障特征参数样本集的相似度; 数据库模块,用于存储与故障相关的样本数据和临时数据;所述样本数据包括采集到 的故障样本信号、与故障样本信号相对应的试验台状态参数和故障特征参数、故障树底事 件发生概率;所述临时数据包括未知故障信号、与未知故障信号相对应的试验台状态参数 和故障特征参数; 分类器模块,用于设计分类器,并利用所述分类器对未知故障信号进行分类; 人机交互模块,用于根据用户输入完成如下功能:精确或模糊查询数据库模块中的样 本数据、对样本数据进行统计学分析并显示分析结果、进行故障树定性/定量分析并显示 分析结果、增删样本数据、进行分类器参数设置和显示分类器模块的诊断结果,进行特征参 数提取模块的参数设置和显示该模块提取的故障特征参数。
3. 根据权利要求2所述的工程机械液压缸故障诊断系统,其特征在于,所述样本数据 与液压缸型号、故障树底事件及故障等级一一对应;所述临时数据与液压缸型号一一对应。
4. 根据权利要求2所述的工程机械液压缸故障诊断系统,其特征在于,各模块间的连 接关系为:人机交互模块分别与特征参数提取模块、数据库模块和分类器模块连接;数据 库模块、特征参数提取模块和分类器模块之间两两连接。
5. 根据权利要求2所述的工程机械液压缸故障诊断系统,其特征在于,故障诊断的基 本流程包括: 步骤一:根据所述故障样本信号采集方法,采集给定型号液压缸在给定故障树底事件 和给定等级下的故障样本信号和试验台状态信号,并将其作为样本数据存储于数据库模 块; 步骤二:利用特征参数提取模块提取所述故障样本信号中的故障特征参数,并检验其 相似度;若检验通过,则转入步骤三;否则放弃所述故障特征参数,并删除数据库模块中相 关样本数据,返回步骤一重新进行采集; 步骤三:将步骤二提取的故障特征参数作为样本数据存储于数据库模块,并检验数据 库模块中的样本规模;若检验通过,则转入步骤四;否则返回步骤一,重复采集给定型号液 压缸在同一故障树底事件和故障等级下的故障样本信号和试验台状态信号,或者采集给定 型号液压缸在不同故障树底事件和故障等级下的故障样本信号和试验台状态信号; 步骤四:设计分类器,并训练、检验该分类器;若检验通过,则转入步骤五,否则重新设 计分类器,直至检验通过; 步骤五:将同一型号的待诊断液压缸作为液压缸型式试验台的被试缸,采集未知故障 信号和试验台状态信号,并将其作为临时数据存储于数据库模块; 步骤六:利用特征参数提取模块提取该未知故障信号的故障特征参数,并将其作为临 时数据存储于数据库模块; 步骤七:利用分类器模块对步骤六中提取的故障特征参数进行分类; 步骤八:根据步骤七获得的故障诊断结果,将临时数据作为样本数据转存于数据库模 块; 步骤九:利用人机交互模块查看故障诊断结果。
6. 根据权利要求5所述的工程机械液压缸故障诊断系统,其特征在于,利用数据库模 块中的样本数据训练、检验所述分类器。
7. 根据权利要求6所述的工程机械液压缸故障诊断系统,其特征在于,所述分类器采 用BP神经网络,其输入节点数等于故障特征参数的个数,其输出节点数等于故障树底事件 个数与故障等级数之积。
8. 根据权利要求2和权利要求5所述的工程机械液压缸故障诊断系统,其特征在于,所 述分类器模块能够诊断出未知故障信号的故障底事件名称及所处故障等级。
【文档编号】G06F19/00GK104454785SQ201410495180
【公开日】2015年3月25日 申请日期:2014年9月25日 优先权日:2014年9月25日
【发明者】夏毅敏, 张魁, 曾雷, 傅杰, 金耀, 张欢, 熊志宏, 兰浩, 吴才章, 张睿 申请人:中南大学
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