莫明慧，黃玉森

（西安建筑科技大學(xué)，西安710000）

1 引言

隨著現(xiàn)代生產(chǎn)技術(shù)的發(fā)展和科學(xué)技術(shù)的進(jìn)步，挖掘機(jī)液壓系統(tǒng)變得越來越復(fù)雜，具有越來越多的自動性和智能性。挖掘機(jī)是一臺多功能機(jī)器，廣泛用于采礦開采過程中。挖掘機(jī)結(jié)構(gòu)主要由發(fā)動機(jī)、液壓系統(tǒng)、工作裝置、行走裝置和電子控制系統(tǒng)組成。當(dāng)挖掘機(jī)液壓系統(tǒng)出現(xiàn)故障時(shí)，如果不能及時(shí)處理，不僅會導(dǎo)致挖掘機(jī)液壓系統(tǒng)的長期運(yùn)行中斷，還會增加設(shè)備成本，降低工作效率，甚至帶來危險(xiǎn)。因此，在挖掘機(jī)運(yùn)行時(shí)，對挖掘機(jī)液壓系統(tǒng)故障診斷的準(zhǔn)確性、及時(shí)性提出了很高的要求。準(zhǔn)確、及時(shí)地確定故障原因和故障位置可以減少故障重復(fù)出現(xiàn)的概率，減少維護(hù)時(shí)間。因此，為了提高生產(chǎn)率和安全原因， 對自動預(yù)測維護(hù)和故障診斷系統(tǒng)的需求越來越大。

現(xiàn)代人工智能在故障診斷中得到了快速發(fā)展，BP 神經(jīng)網(wǎng)絡(luò)已被證明是一種非?？煽康脑\斷技術(shù)， 具有良好的學(xué)習(xí)能力。BP 神經(jīng)網(wǎng)絡(luò)在故障診斷的應(yīng)用是利用非線性映射的BP網(wǎng)絡(luò)對非線性相關(guān)的故障進(jìn)行信息采集。神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)是故障原因，輸出是故障類型【1】，BP 神經(jīng)網(wǎng)絡(luò)由神經(jīng)元組成，通過權(quán)重系數(shù)將各個(gè)神經(jīng)元相互聯(lián)系，使其具有較強(qiáng)的自學(xué)習(xí)能力。但目前傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則是梯度下降法，存在收斂速度慢、容易陷入局部最優(yōu)等缺點(diǎn)【2】。

針對BP 神經(jīng)網(wǎng)絡(luò)在訓(xùn)練挖掘機(jī)液壓系統(tǒng)故障診斷模型中學(xué)習(xí)收斂慢、容易陷入局部最優(yōu)等問題，本文提出了一種基于ACA-BP 神經(jīng)網(wǎng)絡(luò)算法的挖掘機(jī)液壓系統(tǒng)故障診斷方法。該算法主要將蟻群算法和BP 神經(jīng)網(wǎng)絡(luò)相融合，通過蟻群算法中的全局隨機(jī)搜索算法，使BP 神經(jīng)網(wǎng)絡(luò)生成一組較優(yōu)的初始權(quán)重和閾值，進(jìn)行BP 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，建立故障診斷模型，提高了故障診斷能力和近似模型誤差的能力。

2 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和多個(gè)隱含層組成，從輸入層開始到層間單向通信，傳遞到隱含層節(jié)點(diǎn)，最后到達(dá)輸出層。每一層包含多個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一個(gè)神經(jīng)元，節(jié)點(diǎn)與連接之間沒有關(guān)聯(lián)。網(wǎng)絡(luò)的層次由3 層（輸入層、輸出層和隱含層）傳感器網(wǎng)絡(luò)精確地建立，任何連續(xù)的函數(shù)都用三級傳感器來表示，因此，每一層神經(jīng)網(wǎng)絡(luò)參數(shù)都可以由對應(yīng)故障征兆的輸入層的神經(jīng)節(jié)點(diǎn)M，輸出層的神經(jīng)節(jié)點(diǎn)L 來確定。對應(yīng)故障原因的個(gè)數(shù)，用經(jīng)驗(yàn)公式描述隱含層的神經(jīng)節(jié)點(diǎn)數(shù)。

3 基于ACA-BP 的神經(jīng)網(wǎng)絡(luò)算法

改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)主要將蟻群算法和BP 神經(jīng)網(wǎng)絡(luò)相融合，通過蟻群算法中的全局隨機(jī)搜索算法，使BP 神經(jīng)網(wǎng)絡(luò)生成一組較優(yōu)的初始權(quán)重和閾值。提高了BP 神經(jīng)網(wǎng)絡(luò)的收斂速度，也降低了易陷入局部最優(yōu)解的風(fēng)險(xiǎn)。根據(jù)蟻群算法對BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)思想，一種新的ACA-BP 神經(jīng)網(wǎng)絡(luò)算法流程如下【3】:

1）網(wǎng)絡(luò)中有n個(gè)待優(yōu)化參數(shù)，包括d個(gè)權(quán)值和s個(gè)閾值。首先將這些參數(shù)記為P1，P2，…，Pn，其中，前d個(gè)參數(shù)值表示權(quán)值，后s個(gè)參數(shù)值表示閾值，對于每個(gè)參數(shù)Pi（1≤i≤n），螞蟻的數(shù)目為m，每個(gè)權(quán)值和閾值的取值范圍為[0.1]，將所有初始權(quán)值和閾值的定義域均勻地劃分成e個(gè)子區(qū)間，即將區(qū)間長度進(jìn)行e 等分，從這每個(gè)區(qū)間里面隨機(jī)選出一個(gè)初始值，初始時(shí)刻設(shè)定每一個(gè)子區(qū)間的元素有相同信息素量。信息素?fù)]發(fā)系數(shù)p，信息素增量強(qiáng)度Q，t 為循環(huán)次數(shù)，迭代次數(shù)CN，算法結(jié)束條件ε0【4】。

2）開始搜索：每一只螞蟻都從集合中隨機(jī)產(chǎn)生起始位置，開始搜索。然后，再在每次搜索中，每只螞蟻從集合I（i?（1，n））中選擇一個(gè)元素。對于集合I，第a（a=1，2，…，m）只螞蟻，根據(jù)下面的概率公式按照輪盤賭的方式隨機(jī)選擇其第j個(gè)元素，直到全部蟻群都到達(dá)食物源。其中的概率為：

其中，j0的概率為：

τij（t）表示t 次循環(huán)中螞蟻在點(diǎn)i，j 之間的信息量，q0是一個(gè)確定概率，它指出選取最佳解的節(jié)點(diǎn)值所在的子區(qū)間的概率，k 為第k 只螞蟻。

3）根據(jù)公式對螞蟻的路徑進(jìn)行信息素局部更新：

4）把每一個(gè)螞蟻選擇的食物作為權(quán)值和閾值，將這組數(shù)據(jù)帶入BP 網(wǎng)絡(luò)中，進(jìn)行一次學(xué)習(xí)，可以得到誤差ε。

5）記錄所有螞蟻中的最小誤差和其對應(yīng)的權(quán)值和閾值。當(dāng)循環(huán)次數(shù)大于CS，則轉(zhuǎn)到流程8），否則轉(zhuǎn)到流程6）。

6）根據(jù)公式對螞蟻的路徑進(jìn)行全局更新：

7）重復(fù)流程2）到流程5），直到完成迭代次數(shù)。

8）從所有的迭代中找出最小的誤差ε，及對應(yīng)的權(quán)值和閾值。對得到的最優(yōu)解作為BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行學(xué)習(xí)，直到滿足結(jié)束條件ε≤ε0。否則，繼續(xù)學(xué)習(xí)。

4 挖掘機(jī)液壓系統(tǒng)故障診斷仿真

本文實(shí)例以小松PC200 挖掘機(jī)的液態(tài)系統(tǒng)為研究對象，其中，小松PC200 挖掘機(jī)的液態(tài)系統(tǒng)的模型如圖1 所示。首先從小松PC200 挖掘機(jī)的生產(chǎn)集成管理系統(tǒng)中提取液壓系統(tǒng)發(fā)生故障時(shí)，反應(yīng)液壓系統(tǒng)狀態(tài)的數(shù)據(jù)。將其作為各組的訓(xùn)練樣本，各組訓(xùn)練樣本數(shù)據(jù)分別包括8 種故障類型，故障類型包括液壓泵周圍產(chǎn)生噪聲、整體無反應(yīng)、整機(jī)動作緩慢故障分析、系統(tǒng)總流量不足、系統(tǒng)工作壓力低、系統(tǒng)內(nèi)泄漏、系統(tǒng)外泄漏、振動或噪聲和每一種故障類型對應(yīng)多種故障原因【5】。其中，液壓泵周圍產(chǎn)生噪聲的故障原因是吸油濾油器有故障、油箱與液壓泵之間的油管或管卡松動、液壓泵油箱缺油、液壓油質(zhì)量不佳；整體無反應(yīng)的故障原因是液壓油供給不足、自減壓閥故障、柱塞泵破損、發(fā)動機(jī)的連續(xù)不穩(wěn)定、溢流閥故障；整機(jī)動作緩慢故障分析的故障原因是油泵壓力排量降低、故障子系統(tǒng)溢流閥故障、故障所在子系統(tǒng)液壓泵故障；系統(tǒng)總流量不足的故障原因是發(fā)動機(jī)功率不足、轉(zhuǎn)速偏低、液壓泵磨損、泵油不足或液壓泵變量機(jī)構(gòu)失靈、管路或?yàn)V油器堵塞、通油不暢、油箱缺油；系統(tǒng)工作壓力低的故障原因是液壓泵磨損內(nèi)泄漏或泵油壓力偏低、溢流閥調(diào)整不當(dāng)或閥芯臟、多路換向閥磨損或間隙過大或卡滯；系統(tǒng)內(nèi)泄漏的故障原因是液壓泵內(nèi)泄漏、液壓缸及液壓馬達(dá)內(nèi)泄漏、控制閥內(nèi)泄漏；系統(tǒng)外泄漏的故障原因是液壓附件漏油、液壓泵或密封損壞漏油、控制閥密封損壞漏油、液壓缸或液壓馬達(dá)漏油、液壓馬達(dá)漏油；振動或噪聲的故障原因是缺少液壓油或液壓油中進(jìn)入空氣或粗濾器堵塞、液壓泵密封失靈進(jìn)空氣或軸承或旋轉(zhuǎn)體損壞、溢流閥工作不良、液壓馬達(dá)內(nèi)部旋轉(zhuǎn)體損壞、控制閥失靈。提取液壓系統(tǒng)發(fā)生故障時(shí)，反應(yīng)液壓系統(tǒng)狀態(tài)的數(shù)據(jù)，將故障類型X=（x1，x2，x3，x4，x5，x6，x7，x8）作為BP 神經(jīng)網(wǎng)絡(luò)的輸入層，故障原因Y=（y1，y2，……，y31，y32）作為網(wǎng)絡(luò)的期望輸出，通過訓(xùn)練不同故障類型的數(shù)據(jù)，建立故障類型與故障原因的映射關(guān)系，組合出網(wǎng)絡(luò)的訓(xùn)練樣本，一共8 組訓(xùn)練樣本（見表1）。因此，ACA-BP 訓(xùn)練模型中輸入層的節(jié)點(diǎn)數(shù)為8，輸出層節(jié)點(diǎn)數(shù)為32，選取k=3，所以，隱含層的節(jié)點(diǎn)數(shù)為43。

圖1 PC200 挖掘機(jī)的液壓系統(tǒng)原理

為了驗(yàn)證本文所提出的ACA-BP 算法，本文選擇傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)算法與ACA-BP 算法進(jìn)行了對比實(shí)驗(yàn)研究。

根據(jù)上述ACA-BP 算法的訓(xùn)練步驟，進(jìn)行模型的訓(xùn)練。選擇迭代次數(shù)為1000，誤差收斂因子為0.00048，隱層和輸出層的激活函數(shù)為非線性S 形函數(shù)，網(wǎng)絡(luò)連接權(quán)數(shù)n＝72。設(shè)置蟻群算法列表的基本參數(shù)如下：殘差信息量r＝0.7，螞蟻數(shù)m＝40，信息總量q＝100。

通過對上述輸入輸出樣本的統(tǒng)計(jì)分析，可以得到算法訓(xùn)練誤差圖。橫坐標(biāo)表示網(wǎng)絡(luò)訓(xùn)練次數(shù)，垂直軸表示網(wǎng)絡(luò)性能目標(biāo)，即所需的系統(tǒng)誤差，改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)算法的誤差可達(dá)0.001。訓(xùn)練結(jié)果如圖2 所示。從圖可以看出，神經(jīng)網(wǎng)絡(luò)經(jīng)過600 次訓(xùn)練即已達(dá)到期望目標(biāo)。

表1 網(wǎng)絡(luò)的8 組訓(xùn)練樣本數(shù)據(jù)

通過訓(xùn)練結(jié)果的比較，傳統(tǒng)的BP 算法在950 訓(xùn)練次數(shù)時(shí)達(dá)到最優(yōu)，ACA-BP 算法在600 訓(xùn)練次數(shù)時(shí)達(dá)到最優(yōu)。蟻群算法改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)算法法優(yōu)于傳統(tǒng)的BP 算法，ACA-BP 算法優(yōu)先達(dá)到最優(yōu)。

采用故障模式（x1，x4）的值作為測試數(shù)據(jù)，輸出值（＞0.90）即為合理。故障節(jié)點(diǎn)接近1，其他節(jié)點(diǎn)的輸出值接近0，表明診斷結(jié)果是正確的，得到基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)得到了理想的網(wǎng)絡(luò)輸出（見表2），說明基于ACABP 神經(jīng)網(wǎng)絡(luò)具有良好的性能。

5 結(jié)語

表2 x1，x4 故障模式測試數(shù)據(jù)的輸出結(jié)果

針對傳統(tǒng)的故障推理算法難以滿足挖掘機(jī)液壓系統(tǒng)故障診斷的要求，綜合考慮蟻群算法和BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)及特點(diǎn)，提出了一種基于ACA-BP 算法的挖掘機(jī)液壓系統(tǒng)的故障診斷方法。并將該算法應(yīng)用于挖掘機(jī)液壓系統(tǒng)的故障診斷中，通過具體的應(yīng)用， 得出該算法具有良好的性能，故障診斷的準(zhǔn)確性高。根據(jù)測試樣本，可以實(shí)現(xiàn)挖掘機(jī)液壓系統(tǒng)的早期故障隱患的診斷和處理。因此，采用多種智能故障診斷方法的應(yīng)用前景十分樂觀，下一步，將算法運(yùn)用到更實(shí)際的問題中，提高算法的解決實(shí)際問題能力。

圖2 目標(biāo)函數(shù)訓(xùn)練曲線