基于BP 神經(jīng)網(wǎng)絡(luò)的汽車液壓助力轉(zhuǎn)向系統(tǒng)故障診斷仿真

朱詩順，歐陽熙，朱道偉，駱?biāo)鼐?/p>

(1.軍事交通學(xué)院 軍用車輛系，天津300161;2.軍事交通學(xué)院 研究生管理大隊，天津300161;3.軍事交通學(xué)院 軍事物流系，天津300161)

由于液壓系統(tǒng)故障的隱蔽性、隨機(jī)性和交錯性，當(dāng)系統(tǒng)發(fā)生故障時，難以及時對故障點進(jìn)行準(zhǔn)確定位。在對液壓系統(tǒng)故障診斷的研究中發(fā)現(xiàn)，利用BP 神經(jīng)網(wǎng)絡(luò)對液壓系統(tǒng)進(jìn)行故障診斷，可避開模式識別中建模和特征提取的麻煩，較好地克服單純依靠維修人員經(jīng)驗判別故障的缺點，使故障狀態(tài)易于識別。蘇欣平等［1］在液壓馬達(dá)故障診斷中，以轉(zhuǎn)速下降等5 種故障現(xiàn)象作為BP 神經(jīng)網(wǎng)絡(luò)輸入，以馬達(dá)內(nèi)部柱塞與缸的配合不良等5 種故障原因的隸屬度作為BP 神經(jīng)網(wǎng)絡(luò)輸出。但是，此方法存在模糊概念難以準(zhǔn)確表達(dá)、隸屬函數(shù)的生成費時費力等問題，且此方法難以對液壓系統(tǒng)進(jìn)行實時的故障診斷。曹鳳才等［2］以油缸內(nèi)泄漏等8 種故障原因作為網(wǎng)絡(luò)輸入，正常、輕度故障、故障、重度故障作為網(wǎng)絡(luò)輸出。但是，汽車液壓轉(zhuǎn)向系統(tǒng)各零件相對封閉，不能實現(xiàn)對具體故障點的識別和診斷。鑒于此，本文提出一種利用壓力、流量等實時狀態(tài)信息作為輸入，各具體故障模式作為輸出的BP 神經(jīng)網(wǎng)絡(luò)液壓故障診斷方法，實現(xiàn)對汽車液壓助力轉(zhuǎn)向系統(tǒng)故障快捷診斷。

1 AMESim 液壓系統(tǒng)故障仿真

在汽車液壓助力轉(zhuǎn)向系統(tǒng)故障實際研究中，由于故障樣本數(shù)據(jù)相對缺乏，需要在裝備上進(jìn)行故障模擬，但在技術(shù)實現(xiàn)上比較困難。運用AMESim 仿真軟件對液壓系統(tǒng)進(jìn)行故障仿真建模，在各種故障模式下獲得對應(yīng)的系統(tǒng)故障樣本實時數(shù)據(jù)，可為獲取BP 神經(jīng)網(wǎng)絡(luò)故障診斷的訓(xùn)練樣本和測試樣本奠定基礎(chǔ)。

1.1 汽車液壓助力轉(zhuǎn)向系統(tǒng)AMESim 仿真模型的建立

利用AMESim 構(gòu)建的汽車液壓助力轉(zhuǎn)向系統(tǒng)包括方向盤、扭桿、齒輪齒條、儲油箱、液壓泵、電動機(jī)、轉(zhuǎn)向閥、液壓缸和液壓管路等構(gòu)件。液壓泵在電動機(jī)的作用下，將儲油罐中的液壓油高壓泵入系統(tǒng)中，轉(zhuǎn)化成液壓能。當(dāng)方向盤輸出轉(zhuǎn)動角度時，扭桿轉(zhuǎn)動，從而給轉(zhuǎn)向閥轉(zhuǎn)動信號，轉(zhuǎn)向閥打開，允許液壓油進(jìn)入液壓缸，此時液壓油的壓力與轉(zhuǎn)向閥閥門的開度成正比。液壓油壓力作用在活塞上，產(chǎn)生與壓力成正比的動力。這個動力通過活塞以及與之相連的機(jī)械構(gòu)件(如齒條)傳遞到車輪，實現(xiàn)助力轉(zhuǎn)向。汽車液壓助力轉(zhuǎn)向系統(tǒng)AMESim 模型如圖1 所示。

圖1 汽車液壓助力轉(zhuǎn)向系統(tǒng)AMESim 模型

1.2 汽車液壓助力轉(zhuǎn)向系統(tǒng)AMESim 模型的故障注入

通過仿真模型參數(shù)的修改，對液壓助力轉(zhuǎn)向系統(tǒng)的故障模式進(jìn)行仿真，可以方便地考察各種故障現(xiàn)象所對應(yīng)的參數(shù)狀態(tài)及其對液壓助力轉(zhuǎn)向系統(tǒng)的影響。

(1)溢流閥彈簧松動。溢流閥彈簧松動將導(dǎo)致溢流閥開啟壓力降低，即未達(dá)到系統(tǒng)工作壓力時，溢流閥便開啟泄壓，圖1 中“4”為溢流閥模塊。

溢流閥的開閉取決于系統(tǒng)壓力與溢流閥開啟壓力的差值dp:

式中:pin為入口處壓力;pout為出口處壓力;pcract為開啟壓力。

pcract的大小可在模型屬性中修改。當(dāng)dp為正時，溢流閥開啟;當(dāng)dp為負(fù)時，溢流閥關(guān)閉。所以，通過修改模型中溢流閥元件的“開啟壓力”屬性，可仿真溢流閥彈簧松動故障模式。

(2)液壓泵轉(zhuǎn)速不足。通過修改模型中液壓泵元件的“液壓泵轉(zhuǎn)速”屬性，可模擬液壓泵轉(zhuǎn)速不足故障模式。

(3)液壓缸內(nèi)泄漏。液壓缸內(nèi)泄漏指工作缸與非工作缸之間存在泄漏，使得液壓油在壓力的作用下從工作缸流向非工作缸，圖1 中“7”為液壓缸模塊。在此模塊中，液壓缸內(nèi)泄漏流量Qleak為

式中:p1為工作缸入口壓力;p2為非工作缸入口壓力;lleak為內(nèi)泄漏率，L/min/MPa。

lleak的大小可在模型屬性中修改，即通過修改模型中液壓缸元件的“泄漏率”屬性，來模擬液壓缸內(nèi)泄露故障模式。

(4)系統(tǒng)外泄漏。系統(tǒng)外泄漏指的是液壓油從元件或管路中流到外部。在模型中加入固定節(jié)流孔，圖1 中“5”為節(jié)流孔模塊?？赏ㄟ^修改流量控制閥模塊的“等效口徑”屬性，來控制液壓油通過液流孔的流量，從而模擬系統(tǒng)外泄漏故障模式［3］。

(5)系統(tǒng)超量進(jìn)氣。當(dāng)系統(tǒng)超量進(jìn)氣時，液壓油的體積彈性模量將大大減小，液壓油的可壓縮性將顯著提高，并將嚴(yán)重影響液壓系統(tǒng)的工作性能。所以，通過大幅修改油液屬性中“體積模量”的大小，來模擬系統(tǒng)超量進(jìn)氣故障模式。

2 基于改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)的液壓故障診斷

神經(jīng)網(wǎng)絡(luò)工具箱不僅包括常規(guī)BP 神經(jīng)網(wǎng)絡(luò)，還包括各種常用的神經(jīng)網(wǎng)絡(luò)改進(jìn)算法。其中，自適應(yīng)學(xué)習(xí)率調(diào)整、附加動量的梯度下降法、共軛梯度法、L-M 等4 種方法比較見表1［4］。

表1 MATLAB 中幾種改進(jìn)BP 算法比較

針對液壓故障診斷的具體情況，可設(shè)計合適的改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)模型，并將仿真得到的數(shù)據(jù)作為輸入信息，利用該BP 神經(jīng)網(wǎng)絡(luò)模型對汽車液壓助力轉(zhuǎn)向系統(tǒng)進(jìn)行故障診斷。

2.1 液壓故障診斷的BP 模型設(shè)計

將AMESim 汽車液壓助力轉(zhuǎn)向模型中各個故障模式下采集的數(shù)據(jù)作為輸入信息，分別為液壓閥P 口流量、液壓閥P 口壓力、液壓閥T 口流量、液壓閥T 口壓力、液壓缸左缸流量、液壓缸左缸壓力、液壓缸右缸流量、液壓缸右缸壓力、液壓泵流量、液壓泵壓力，它們向量為X=［x1，x2，x3，x4，x5，x6，x7，x8，x9，x10］。將在AMESim 仿真模型中注入的溢流閥彈簧松動、液壓泵轉(zhuǎn)速不足、液壓缸內(nèi)泄露、系統(tǒng)外泄漏、系統(tǒng)超量進(jìn)氣5 種故障模式以及正常模式作為輸出信息，它們向量為Y =［y1，y2，y3，y4，y5，y6］。

由于在仿真模型中采集了10 個點的狀態(tài)信息，所以輸入層的神經(jīng)元數(shù)為10。為了簡化網(wǎng)絡(luò)結(jié)構(gòu)，輸出層使用3 個神經(jīng)元，溢流閥彈簧松動、液壓泵轉(zhuǎn)速不足、液壓缸內(nèi)泄露、系統(tǒng)外泄漏、系統(tǒng)超量進(jìn)氣、正常模式分別表示為(0，0，0)，(0，0，1)，(0，1，0)，(0，1，1)，(1，0，0)，(1，0，1)。

輸入層到隱層的傳遞函數(shù)選為tansig，隱層到輸出層的傳遞函數(shù)選為purelin，根據(jù)經(jīng)驗結(jié)合實驗，選取隱層節(jié)點數(shù)為13。在算法改進(jìn)的選擇上，當(dāng)選用L-M 改進(jìn)算法時，此神經(jīng)網(wǎng)絡(luò)收斂速度最快，訓(xùn)練精度最高，所以，訓(xùn)練函數(shù)用trainlm。

2.2 網(wǎng)絡(luò)訓(xùn)練及測試

根據(jù)1.2 中的故障注入，按照故障程度由輕到重，在AMESim 汽車液壓助力轉(zhuǎn)向系統(tǒng)中設(shè)置不同的參數(shù)，對5 種故障模式各采集7 組不同狀態(tài)數(shù)據(jù)，將其中4 組作為BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，另外3 組數(shù)據(jù)作為測試樣本。訓(xùn)練樣本和測試樣本分別見表2 和表3。

表2 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

表3 BP 神經(jīng)網(wǎng)絡(luò)測試樣本

經(jīng)過42 次訓(xùn)練滿足誤差要求，達(dá)到訓(xùn)練目標(biāo)。神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，進(jìn)行測試的期望輸出，其結(jié)果見表4，測試樣本的診斷結(jié)果見表5，網(wǎng)絡(luò)訓(xùn)練梯度如圖2 所示。

表4 測試樣本期望輸出及對應(yīng)的故障模式

表5 測試樣本診斷結(jié)果

圖2 網(wǎng)絡(luò)訓(xùn)練梯度圖

表5 為測試樣本的診斷結(jié)果，即15 組測試樣本對應(yīng)的診斷結(jié)果的代碼。如果診斷準(zhǔn)確，則測試樣本診斷結(jié)果的代碼將與期望輸出的代碼相吻合。將15 組測試樣本診斷結(jié)果的代碼(表5)與期望輸出的代碼(表4)對比，診斷結(jié)果平均相對誤差為0.512 4%。測試結(jié)果表明，此實時狀態(tài)信息作為輸入的改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)對液壓故障的診斷是準(zhǔn)確的。

3 結(jié) 論

(1)將壓力、流量等實時狀態(tài)信息作為網(wǎng)絡(luò)輸入，具體的故障點判斷作為網(wǎng)絡(luò)輸出的改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，能夠?qū)崿F(xiàn)對汽車液壓助力轉(zhuǎn)向系統(tǒng)的故障診斷。仿真表明，診斷比較準(zhǔn)確，平均相對誤差為0.512 4%。

(2)利用AMESim 仿真軟件建立仿真模型對汽車液壓助力轉(zhuǎn)向系統(tǒng)的各故障模式進(jìn)行仿真，得到相對應(yīng)的狀態(tài)信息，用作BP 神經(jīng)網(wǎng)絡(luò)的輸入信息，對解決液壓助力轉(zhuǎn)向系統(tǒng)在實際故障樣本數(shù)據(jù)難以獲得、相對缺乏的問題上有參考意義。

［1］ 蘇欣平，解亞，周鑫，等.基于BP 神經(jīng)網(wǎng)絡(luò)的液壓馬達(dá)故障診斷［J］.中國工程機(jī)械學(xué)報，2010，10(2):288-231.

［2］ 曹鳳才，岳鳳英.基于BP 神經(jīng)網(wǎng)絡(luò)的液壓系統(tǒng)故障診斷研究［J］.中北大學(xué)學(xué)報:自然科學(xué)版，2010(31):596-599.

［3］ 汪宇亮. 基于AMESim 工程機(jī)械液壓系統(tǒng)故障仿真研究［D］.武漢:武漢理工大學(xué)，2012.

［4］ 周黃斌，周永華，朱麗娟. 基于MATLAB 的改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)的實現(xiàn)與比較［J］.計算機(jī)技術(shù)與自動化，2008，27(11):28-31.