姚文洋，翟華，2，張?zhí)m軍

（1.合肥工業(yè)大學(xué)工業(yè)與裝備技術(shù)研究院，安徽合肥230009; 2.合肥工業(yè)大學(xué)機(jī)械與汽車工程學(xué)院，安徽合肥230009;3.合肥合鍛智能制造股份有限公司，安徽合肥230601）

基于故障樹(shù)反演的JH39機(jī)械壓力機(jī)潤(rùn)滑系統(tǒng)故障診斷方法

姚文洋1，翟華1，2，張?zhí)m軍3

（1.合肥工業(yè)大學(xué)工業(yè)與裝備技術(shù)研究院，安徽合肥230009; 2.合肥工業(yè)大學(xué)機(jī)械與汽車工程學(xué)院，安徽合肥230009;3.合肥合鍛智能制造股份有限公司，安徽合肥230601）

針對(duì)JH39-800機(jī)械壓力機(jī)潤(rùn)滑系統(tǒng)的主要故障，提出一種基于故障樹(shù)反演的故障診斷方法。使用故障樹(shù)分析法（FTA）分析出潤(rùn)滑系統(tǒng)的故障模式，算出最小割集，通過(guò)傳感器采集與底事件相關(guān)的故障信號(hào)；利用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)對(duì)采集到的數(shù)據(jù)進(jìn)行學(xué)習(xí)和處理，明確故障底事件;按照故障樹(shù)反演的方式進(jìn)行推理，分析出具體故障。經(jīng)檢驗(yàn)，本故障診斷方法有助于在線判斷JH39機(jī)械壓力機(jī)潤(rùn)滑系統(tǒng)導(dǎo)致的多種故障。

JH39-800機(jī)械壓力機(jī);故障樹(shù)反演;BP神經(jīng)網(wǎng)絡(luò);故障診斷

JH39-800型機(jī)械壓力機(jī)機(jī)身呈框架形，剛性好，精度高，適用于壓制大型零件，但構(gòu)件較多，若潤(rùn)滑系統(tǒng)發(fā)生故障，會(huì)導(dǎo)致機(jī)器各部件不能正常運(yùn)行，甚至產(chǎn)生更嚴(yán)重的后果。

故障樹(shù)和BP神經(jīng)網(wǎng)絡(luò)是故障診斷中的兩種重要方法：楊曉川[3]通過(guò)故障樹(shù)提取征兆集和故障集，確定某工程車輛模擬控制電路的故障位置。鞏文科[4]設(shè)計(jì)了一種基于BP神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的油田壓縮機(jī)故障診斷系統(tǒng),利用神經(jīng)網(wǎng)絡(luò)的數(shù)值推理、自學(xué)習(xí)能力,對(duì)油田壓縮機(jī)的故障進(jìn)行分析處理。PalshikarGK[5]提出了時(shí)間故障樹(shù)的定性分析技術(shù)(TFT)，在系統(tǒng)活動(dòng)的記錄下，通過(guò)匹配TFT檢測(cè)頂事件故障原因。Deyin Ma[6]將整個(gè)網(wǎng)絡(luò)分成許多子BP組，提出基于多BP專家系統(tǒng)診斷方法。

JH39機(jī)械壓力機(jī)潤(rùn)滑系統(tǒng)涉及零部件多，故障模式多，本文提出一種基于故障樹(shù)反演的故障診斷方法，結(jié)合故障樹(shù)分析法和BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行在線數(shù)據(jù)處理，按照故障樹(shù)反演的方式進(jìn)行判斷，分析出潤(rùn)滑系統(tǒng)的具體故障。仿真結(jié)果表明，本故障診斷方法有助于在線判斷JH39機(jī)械壓力機(jī)潤(rùn)滑系統(tǒng)導(dǎo)致的多種故障。

1 JH39機(jī)械壓力機(jī)故障樹(shù)分析

以JH39-800機(jī)械壓力機(jī)為例，由潤(rùn)滑系統(tǒng)引起的主要故障包括齒系磨損、連桿故障、氣墊導(dǎo)軌磨損、滑塊導(dǎo)軌磨損、平衡器故障這5種主要故障模式[19]，相應(yīng)的故障樹(shù)如圖1所示[15]。

圖1故障樹(shù)中各字母序號(hào)所代表含義為：A-齒系磨損；B-滑塊導(dǎo)軌磨損；C-平衡器運(yùn)行故障；D-連桿運(yùn)行故障；E-氣墊導(dǎo)軌磨損；F-系統(tǒng)供油不足；G-油溫過(guò)高；A1-油有顆粒雜質(zhì)；A2-齒輪處油量不足；A3-齒輪溫度過(guò)高；B1-軸瓦磨損；B2-軸瓦油量不足；C1-滑塊運(yùn)行溫度過(guò)高；C2-滑塊導(dǎo)軌油量不足；D1-平衡器內(nèi)部油量不足。

故障樹(shù)中的底事件為：X1-過(guò)濾裝置失效；X2-清潔不到位；X3-齒輪處漏油；X4-齒輪運(yùn)行過(guò)度；X5-滑塊運(yùn)行過(guò)度；X6-滑塊處漏油；X7-平衡器漏油；X8-軸瓦處漏油；X9-氣墊導(dǎo)軌處漏油；X10-油管破損；X11-主分油器故障；X12-濾清器堵塞；X13-溢流閥故障；X14-齒輪泵吸油不足；X15-油箱油量不足；X16-油箱油溫高；X17-冷卻系統(tǒng)故障；X18-齒輪泵嚴(yán)重摩擦。

為便于發(fā)現(xiàn)系統(tǒng)故障的全部可能起因，識(shí)別系統(tǒng)的薄弱環(huán)節(jié)，需要對(duì)故障樹(shù)進(jìn)行定性分析，采用上行法求解不同故障樹(shù)的最小割集[14]。

圖1 JH39-800機(jī)械壓力機(jī)潤(rùn)滑系統(tǒng)故障樹(shù)

先根據(jù)故障樹(shù)寫出各門事件的邏輯表達(dá)式：

運(yùn)用結(jié)合律和分配律，逐級(jí)代換并簡(jiǎn)化，得出圖1中7個(gè)故障樹(shù)的最小割集為：[X1]，[X2]，[X3]，[X4]，[X5]，[X6]，[X9]，[X10]，[X11]，[X12]，[X13]，[X14]，[X15]，[X16，X17]，[X17，X18]。

2 BP神經(jīng)網(wǎng)絡(luò)仿真訓(xùn)練

以最小割集中部分事件作為BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出，在Matlab軟件中進(jìn)行仿真訓(xùn)練，可形成一種精度較高輸入-輸出映射關(guān)系[18]。

2.1 BP神經(jīng)網(wǎng)絡(luò)運(yùn)算過(guò)程

BP神經(jīng)網(wǎng)絡(luò)用于故障診斷中可提高診斷正確率[8]。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)標(biāo)準(zhǔn)模型

圖2 中的神經(jīng)元輸入信號(hào)X1，X2，....，Xn與神經(jīng)元輸出信號(hào)Y1，Y2，....，Yn之間通過(guò)權(quán)值和閾值實(shí)現(xiàn)相互聯(lián)系，從而完成信息的傳遞，BP神經(jīng)網(wǎng)絡(luò)對(duì)輸入信號(hào)的處理包括兩個(gè)過(guò)程[2]：

（1）節(jié)點(diǎn)輸出計(jì)算過(guò)程

將輸入信號(hào)與權(quán)值wi求加權(quán)和，再減去閾值變量θ，得到凈輸入net，即：

之后對(duì)凈輸入net進(jìn)行函數(shù)運(yùn)算，得出神經(jīng)元的輸出y，即：

其中，f[·]是一種變換函數(shù)，由不同的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)決定其種類。

（2）自學(xué)習(xí)過(guò)程

BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)過(guò)程可以通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和Epj達(dá)到最小[7]：

其中，tpj為輸入第p個(gè)樣本時(shí)第j個(gè)神經(jīng)元的理想輸出，opj是它的實(shí)際輸出，Epj則是輸出誤差。因此，想要減小誤差就必須調(diào)整權(quán)值，權(quán)值的第n+1次調(diào)整值Δwij(n+1)與第n次調(diào)整值Δwij（n）之間的關(guān)系為：

該式表示在第p個(gè)樣本下，第i層神經(jīng)元和第j層神經(jīng)元之間的權(quán)值調(diào)整情況，h為學(xué)習(xí)因子，δpi是輸出節(jié)點(diǎn)i的計(jì)算誤差，opj是輸出節(jié)點(diǎn)j的計(jì)算輸出，a是動(dòng)量因子。

2.2 BP神經(jīng)網(wǎng)絡(luò)仿真訓(xùn)練

從圖1中7個(gè)故障樹(shù)的最小割集中選取9個(gè)目標(biāo)輸出，并安排好相應(yīng)的檢測(cè)點(diǎn)進(jìn)行信號(hào)采集[10]，將傳感器的檢測(cè)信號(hào)進(jìn)行歸一化處理[17]，再使用數(shù)字0和1來(lái)分別表示檢測(cè)信號(hào)的正常和故障。網(wǎng)絡(luò)的輸入征兆P可以表現(xiàn)為矩陣形式：

同理，用數(shù)字0和1表示輸出的正常和故障，BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出T也可表示為矩陣的形式：

JH39機(jī)械壓力機(jī)潤(rùn)滑系統(tǒng)的故障征兆與故障原因的對(duì)應(yīng)模式[12]如表1所示。

由表1可知，神經(jīng)網(wǎng)絡(luò)輸入層和輸出層的神經(jīng)元個(gè)數(shù)分別是17和9。至于隱含層的數(shù)目，一般可按照經(jīng)驗(yàn)公式[11]計(jì)算：

式中，nH、n1和n0分別為隱含層、輸入層和輸出層神經(jīng)元數(shù)目，L為1～10之間的整數(shù)。在Matlab軟件中設(shè)計(jì)相關(guān)的訓(xùn)練代碼進(jìn)行計(jì)算，由于輸入值與輸出值均在0～1的范圍內(nèi)，因此隱含層和輸出層可以采用logsig（S型對(duì)數(shù)函數(shù)）作為傳遞函數(shù)[16]；為了盡可能減小計(jì)算誤差，采用trainlm（L-M優(yōu)化算法）作為訓(xùn)練函數(shù)[13]。代碼運(yùn)行結(jié)果見(jiàn)表2所示。

表1 故障征兆與故障原因?qū)?yīng)模式

表2 隱含層數(shù)目計(jì)算結(jié)果

結(jié)果顯示，隱含層數(shù)目選取12最為合適，再進(jìn)行訓(xùn)練得出誤差收斂情況如圖3所示。

由圖3可知，在經(jīng)過(guò)33次的訓(xùn)練后，BP神經(jīng)網(wǎng)絡(luò)的輸出誤差降低到0.012左右，達(dá)到診斷要求。

此時(shí)將傳感器檢測(cè)到的數(shù)據(jù)進(jìn)行歸一化處理后為p=[0.81 0.98 0.91 0.82 0.96 0.92 0.99 0.91 0.955 0.91 0.003 0.032 0.921 0.02 0.91 0.1 0.93]，輸入至BP神經(jīng)網(wǎng)絡(luò)中，經(jīng)過(guò)運(yùn)算得出結(jié)果為[0.99 00 0.97 0 0.93 0 0 0]，根據(jù)表1可推測(cè)出存在“油箱油溫高”、“齒輪泵吸油不足”以及“濾清器堵塞”三種故障原因。

圖3 BP神經(jīng)網(wǎng)絡(luò)誤差收斂情況

3 基于故障樹(shù)反演的故障推理

根據(jù)BP神經(jīng)網(wǎng)絡(luò)計(jì)算出的“油箱油溫高”、“齒輪泵吸油不足”以及“濾清器堵塞”三種故障原因進(jìn)行反演推理，可推導(dǎo)出設(shè)備發(fā)生了“齒系磨損”和“滑塊導(dǎo)軌磨損”兩種故障模式。但是對(duì)于另外三種故障模式，由于底事件信息的缺乏，不足以判斷是否發(fā)生。

為了解決這個(gè)問(wèn)題，此處采用定量分析的方法，從底事件開(kāi)始計(jì)算可靠度[1]，再依次往上計(jì)算上一級(jí)事件的概率，最終確定頂事件的發(fā)生概率[9]。以“連桿運(yùn)行故障”為例分析故障樹(shù)，如圖4所示。

圖4 “連桿運(yùn)行故障”故障樹(shù)局部關(guān)系圖

由圖可知，該故障樹(shù)呈現(xiàn)出與門的關(guān)系。將“齒輪泵吸油不足”和“濾清器堵塞”進(jìn)行反演，可推導(dǎo)出“軸瓦油量不足”的發(fā)生，由此可寫出概率關(guān)系式：

此時(shí)，再以“油溫過(guò)高”為例分析故障樹(shù)。在“油箱油溫高”已發(fā)生的基礎(chǔ)上，通過(guò)計(jì)算底事件可靠度的方法得出“油溫過(guò)高”的發(fā)生概率為

所以，“連桿運(yùn)行故障”的概率為36％。再運(yùn)用此方法計(jì)算其余兩種故障模式，得到相應(yīng)的概率值。最后將反演推理的結(jié)果按照概率由大到小排序列出：

（1）齒輪發(fā)生磨損（概率：100％）；

（2）滑塊導(dǎo)軌磨損（概率：100％）；

（3）氣墊導(dǎo)軌磨損（概率：53％）；

（4）連桿運(yùn)行故障（概率：36％）；

（5）平衡器故障（概率：18％）；

經(jīng)過(guò)故障樹(shù)反演，可以確定潤(rùn)滑系統(tǒng)故障產(chǎn)生的JH39-800機(jī)械壓力機(jī)“齒系磨損”和“滑塊導(dǎo)軌磨損”故障的發(fā)生，結(jié)合傳感器信息的輸入以及故障樹(shù)的定量分析可以計(jì)算出其余故障發(fā)生的概率?？梢跃C合評(píng)價(jià)系統(tǒng)運(yùn)行情況。

4 結(jié)論

運(yùn)用故障樹(shù)分析法，可以全面分析潤(rùn)滑系統(tǒng)的故障模式，便于進(jìn)行故障的推理；BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了具體故障原因的識(shí)別，依靠其運(yùn)算能力和自學(xué)習(xí)能力提高診斷精度；綜合兩種方法提出了基于故障樹(shù)反演的故障診斷方法。仿真結(jié)果表明，本故障診斷方法有助于在線判斷JH39機(jī)械壓力機(jī)潤(rùn)滑系統(tǒng)導(dǎo)致的多種故障。此方法也適用于其他同類型機(jī)械壓力機(jī)故障診斷。

[1]劉惟信.機(jī)械可靠性設(shè)計(jì)[M].北京:清華大學(xué)出版社，1995,49-103.

[2]馮定.神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)[M].科學(xué)出版社，2006，57-218.

[3]楊曉川，謝慶華,何俊，等.基于故障樹(shù)的模糊故障診斷方法[J].同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版，2001，29(9):1058-1060.

[4]鞏文科，李心廣，趙潔.基于BP神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的故障診斷系統(tǒng)[J].計(jì)算機(jī)工程，2007，33(8):199-200.

[5]Palshikar G K.Temporal fault trees[J].Information＆amp;Software Technology,2002,44(3):137-150.

[6]Deyin Ma,Yanchun Liang,Xiaoshe Zhao,et al.Multi-BP expert system for fault diagnosis of powersystem[J].Engineering Applications of Artificial Intelligence,2013,26(26):937-944.

[7]Nima Khakzad,FaisalKhan,PaulAmyotte.Safety analysis in process facilities:Comparison of fault tree and Bayesian network approaches[J].Reliability Engineering＆amp;System Safety,2011,96 (8):925-932.

[8]Ma C,Gu X,Wang Y.Fault diagnosis of power electronic system based on fault gradation and neural network group[J].Neurocomputing,2009,72(13):2909-2914.

[9]Ferdous R,Khan F I,Veitch B,et al.Methodology for Computer-Aided Fault Tree Analysis[J].Process Safety＆amp;Environmental Protection,2007,85(1):70-80.

[10]Duan R X,Zhou H L.A New Fault Diagnosis Method Based on Fault Tree and Bayesian Networks[J].Energy Procedia,2012, 17(17):1376-1382.

[11]Liu Q,Zhou S,Mu A.Design of Combined Intelligent Fault Diagnosis ES Based on ANN[J].Computer Automated easurement ＆amp;Control,2004,12(7):613-612.

[12]龍泉，劉永前，楊勇平.基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷方法[J].太陽(yáng)能學(xué)報(bào)，2012，33(1):120-125.

[13]葛哲學(xué)，孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實(shí)現(xiàn)[M].電子工業(yè)出版社，2007，10-180.

[14]朱大奇，于盛林.基于故障樹(shù)最小割集的故障診斷方法研究[J].數(shù)據(jù)采集與處理，2002，17(3):341-344.

[15]黃洪鐘，李彥鋒，孫健，等.太陽(yáng)翼驅(qū)動(dòng)機(jī)構(gòu)的模糊動(dòng)態(tài)故障樹(shù)分析[J].機(jī)械工程學(xué)報(bào)，2013，49(19):70-76.

[16]吳今培，肖健華.智能故障診斷與專家系統(tǒng)[M].科學(xué)出版社，1997，161-227.

[17]江麗，甄少華.基于BP神經(jīng)網(wǎng)絡(luò)的液壓系統(tǒng)故障診斷專家系統(tǒng)[J].機(jī)床與液壓，2002，(4):169-170.

[18]譚險(xiǎn)峰，王有遠(yuǎn).人工神經(jīng)網(wǎng)絡(luò)在鍛壓機(jī)械故障診斷中的應(yīng)用[J].鍛壓裝備與制造技術(shù)，1999，34(6):39-40.

[19]彭二寶，王宏穎.機(jī)床液壓設(shè)備故障診斷及維修方法[J].鍛壓裝備與制造技術(shù)，2008，43(4):20-22.

Fault diagnosismethod of lubrication system for JH39 mechanical press based on inversion of fault tree

YAO Wenyang1，ZHAI Hua1，2，ZHANG Lanjun3
（1.Institute of Industry＆amp;Equipment Technology,HFUT,Hefei 230009,Anhui China; 2.School of Mechanical and Automotive Engineering,HFUT,Hefei 230009,Anhui China; 3.Hefei Metalforming Intelligent Manufacturing Co.,Ltd.,Hefei 230601,Anhui China）

In order to discover the main faults of lubrication system for JH39-800 mechanical press,a fault diagnosis method has been proposed on the basis of inversion offault tree in the text.The fault tree analysis method(FTA) has been adopted to analyze the fault mode of the lubrication system.The minimum cut set has been calculated and the fault signal related to the bottom event has been collected through sensor.The data collected by use of BP (Back Propagation)neural network has been studied and processed.The fault bottom event has been clarified.Deduction has been conducted according to the inversion of the fault tree.The specified fault has been analyzed.Upon examination,the fault diagnosis method can help to online judge the faults caused by the lubrication system of JH39 mechanical press.

JH39-800 mechanical press;Inversion of fault tree;BP neural network;Fault diagnosis

TH17

A

10.16316/j.issn.1672-0121.2016.05.008

1672-0121（2016）05-0029-04

2016-05-25；

2016-07-20

姚文洋（1992-），男，安徽合肥人，碩士，研究方向?yàn)闄C(jī)電控制與自動(dòng)化。E-mail：553664537@qq.com