無(wú)軌膠輪車全液壓制動(dòng)系統(tǒng)故障診斷研究

劉志海，楊凱迪，張榮華，李祥千，李建忠

(1.山東科技大學(xué) 交通學(xué)院，山東 青島　266590；2.山東科技大學(xué) 機(jī)械電子工程學(xué)院，山東 青島　266590；3.兗州煤業(yè)股份有限公司 興隆莊煤礦，山東 濟(jì)寧　272102；4.陜西正通煤業(yè)有限責(zé)任公司，陜西 咸陽(yáng)　713600)

?

無(wú)軌膠輪車全液壓制動(dòng)系統(tǒng)故障診斷研究

劉志海1，楊凱迪2，張榮華2，李祥千3，李建忠4

(1.山東科技大學(xué) 交通學(xué)院，山東 青島266590；2.山東科技大學(xué) 機(jī)械電子工程學(xué)院，山東 青島266590；3.兗州煤業(yè)股份有限公司 興隆莊煤礦，山東 濟(jì)寧272102；4.陜西正通煤業(yè)有限責(zé)任公司，陜西 咸陽(yáng)713600)

針對(duì)無(wú)軌膠輪車全液壓制動(dòng)系統(tǒng)長(zhǎng)期工作在煤礦井下惡劣的環(huán)境中而易于發(fā)生故障的問(wèn)題，提出了基于支持向量機(jī)的故障診斷方法。應(yīng)用支持向量機(jī)回歸估計(jì)算法建立全液壓制動(dòng)系統(tǒng)的故障預(yù)測(cè)辨識(shí)模型，將支持向量機(jī)模式分類算法應(yīng)用于故障分離，并在Matlab環(huán)境下分別進(jìn)行了故障檢測(cè)與故障分離試驗(yàn)。試驗(yàn)結(jié)果表明，將支持向量機(jī)方法應(yīng)用于無(wú)軌膠輪車全液壓制動(dòng)系統(tǒng)故障診斷中是完全可行的，可以有效提高故障檢測(cè)效率和診斷準(zhǔn)確率。

無(wú)軌膠輪車；全液壓制動(dòng)系統(tǒng)；支持向量機(jī)；故障診斷

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160930.1015.015.html

0　引言

隨著現(xiàn)代化礦井的建設(shè)和高產(chǎn)高效工作面生產(chǎn)設(shè)備的采用，無(wú)軌膠輪車因其較高的運(yùn)輸效率得到廣泛應(yīng)用。為了滿足煤礦井下特殊的使用條件，無(wú)軌膠輪車大多采用全液壓雙回路制動(dòng)系統(tǒng)[1]。由于全液壓制動(dòng)系統(tǒng)長(zhǎng)期在井下惡劣的環(huán)境中工作，系統(tǒng)中的蓄能器、充液閥、制動(dòng)器及液壓管路等難免會(huì)發(fā)生一些故障，導(dǎo)致車輛失去穩(wěn)定性，造成礦井人員傷亡。因此，研究無(wú)軌膠輪車全液壓制動(dòng)系統(tǒng)的故障診斷對(duì)煤礦高效、安全生產(chǎn)具有重要意義。

無(wú)軌膠輪車全液壓制動(dòng)系統(tǒng)是一種典型的液壓系統(tǒng)，其故障診斷可通過(guò)分析系統(tǒng)失效形式和故障機(jī)理，對(duì)狀態(tài)檢測(cè)信號(hào)進(jìn)行模式識(shí)別或分類來(lái)實(shí)現(xiàn)?，F(xiàn)有的液壓系統(tǒng)故障智能診斷方法[2]主要有故障樹(shù)(FTA)[3]方法、BP神經(jīng)網(wǎng)絡(luò)[4]方法、專家系統(tǒng)(ES)[5]方法等。FTA方法是將系統(tǒng)故障形成的原因由總體至局部按樹(shù)狀進(jìn)行逐步細(xì)化的分析方法，應(yīng)用FTA原理無(wú)法快速將故障定位到真正發(fā)生問(wèn)題的底事件，因此，將FTA方法應(yīng)用于故障診斷尤其是在線診斷還存在很大限制。BP神經(jīng)網(wǎng)絡(luò)方法能學(xué)習(xí)和存儲(chǔ)大量的輸入與輸出模式映射關(guān)系，但是訓(xùn)練速度較低、容易隱入局部最小值，并且對(duì)樣本的數(shù)量和質(zhì)量要求較高。ES是一種基于知識(shí)的應(yīng)用系統(tǒng)軟件，可用來(lái)解決只有專家才能解決的困難問(wèn)題，但對(duì)于診斷知識(shí)不完備的診斷對(duì)象，在實(shí)際應(yīng)用中很難獲得理想效果。

基于以上方法存在的問(wèn)題，為了更好地適應(yīng)小樣本情況，得到現(xiàn)有信息條件下的最優(yōu)解，提出將支持向量機(jī)(Support Vector Machine，SVM)方法[6]應(yīng)用于無(wú)軌膠輪車全液壓制動(dòng)系統(tǒng)故障診斷中。從理論上講，SVM方法得到的是全局最優(yōu)解，克服了其他方法易陷入局部極值的問(wèn)題。同時(shí)，SVM方法可以保證較高的故障診斷準(zhǔn)確率和診斷效率，為無(wú)軌膠輪車全液壓制動(dòng)系統(tǒng)的故障診斷提供了一種智能有效的方法。

1　SVM方法

1.1SVM非線性回歸估計(jì)算法

樣本訓(xùn)練集D={(xi,yi)|i=1,2,…,N}，xi∈Rn，yi∈R，N為樣本數(shù)。對(duì)于非線性回歸SVM，用于估計(jì)訓(xùn)練集的非線性回歸函數(shù)為

(1)

式中：ω為超平面法線；φ(xi)為非線性映射；b為截距。

訓(xùn)練集D中的N個(gè)樣本(xi,yi)均滿足以下約束條件：

(2)

優(yōu)化目標(biāo)為

(3)

式中C為規(guī)則化參數(shù)。

構(gòu)造拉格朗日函數(shù)為

(4)

根據(jù)KKT[7]條件，轉(zhuǎn)化為對(duì)偶問(wèn)題求解：

(5)

式中[φT(xi)·φ(xj)] 可由核函數(shù)K(xi,xj)替代。

得到非線性支持向量回歸(Support Vector Regression,SVR)的回歸函數(shù)為

(6)

1.2SVM非線性分類算法

對(duì)于支持向量機(jī)模式分類( Support Vector Machine Classification,SVC)問(wèn)題，取訓(xùn)練集D={(xi,yi)|i=1,2,…,N}，xi∈Rn,yi∈{±1}。非線性映射將輸入向量x從原空間Rn映射到一個(gè)高維空間Z，在高維空間中構(gòu)造最優(yōu)線性分類超平面y=(ωT·φ(xi))+b，空間中的分類約束條件為

(7)

定義拉格朗日函數(shù)為

{yi[(ωT·φ(xi))+b]+ξi-1}

(8)

對(duì)ω，b和ξi求偏導(dǎo)數(shù)，然后根據(jù)Mercer[9]條件，用核函數(shù)K(xi,xj)代替內(nèi)積[φT(xi)·φ(xj)]，轉(zhuǎn)化為拉格朗日對(duì)偶問(wèn)題：

(9)

求解式(9)得到的最優(yōu)分類函數(shù)為

(10)

2　全液壓制動(dòng)系統(tǒng)故障診斷原理

基于SVM的全液壓制動(dòng)系統(tǒng)故障診斷過(guò)程主要分為辨識(shí)建模、故障檢測(cè)及故障分離3個(gè)階段，故障診斷原理如圖1所示。

圖1　基于SVM的全液壓制動(dòng)系統(tǒng)故障診斷原理

圖1中，全液壓制動(dòng)系統(tǒng)在每k個(gè)采樣時(shí)刻的實(shí)際輸入為u(k)，實(shí)際輸出為y(k)，k=1,2,…,N，m、n分別為輸入/輸出的延遲，TDL表示多分頭時(shí)延系統(tǒng)，故障預(yù)測(cè)辨識(shí)模型為

yp(k)=fSVM[(y(k-1),y(k-2),…,y(k-n),

u(k-1),u(k-2),…,u(k-m)]

(11)

故障預(yù)測(cè)辨識(shí)建模就是對(duì)SVM進(jìn)行訓(xùn)練的過(guò)程，針對(duì)樣本對(duì){u(k),y(k)}構(gòu)造訓(xùn)練集：

(12)

X(k-m)={y(k-1),y(k-2),…,y(k-n),

u(k-1),u(k-2),…,u(k-m)}

(13)

Y(k-m)=y(k)

(14)

應(yīng)用SVR算法建立全液壓制動(dòng)系統(tǒng)故障預(yù)測(cè)辨識(shí)模型fSVM(·)，并選擇模型參數(shù)(包括核函數(shù)及其參數(shù)、規(guī)則化參數(shù)C、不敏感度ε)，然后通過(guò)所給的訓(xùn)練集D對(duì)fSVM(·)進(jìn)行訓(xùn)練并計(jì)算殘差值e(k)，直至殘差滿足要求為止。最終確定一組最優(yōu)的模型參數(shù)，從而得到性能良好的故障預(yù)測(cè)模型。

在實(shí)際情況下，由于噪聲等其他因素的影響，殘差不可能完全等于零。因此，在辨識(shí)建模時(shí)必須為殘差設(shè)置一個(gè)檢測(cè)閾值，依據(jù)閾值邏輯即可實(shí)現(xiàn)故障檢測(cè)，進(jìn)而實(shí)現(xiàn)故障分離，檢測(cè)閾值的判斷方程為

(15)

式中δ為檢測(cè)閾值，δ>0。

3　全液壓制動(dòng)系統(tǒng)故障診斷試驗(yàn)

3.1構(gòu)造訓(xùn)練集

全液壓制動(dòng)系統(tǒng)的典型故障為車輛制動(dòng)距離長(zhǎng)，制動(dòng)力不夠。產(chǎn)生此類故障的主要原因是蓄能器充氣壓力過(guò)低、制動(dòng)閥輸出壓力過(guò)低等。因此，制動(dòng)過(guò)程中蓄能器充液壓力及制動(dòng)閥出口壓力的動(dòng)態(tài)特性對(duì)分析系統(tǒng)故障具有重要意義。以WCJ12E型多功能防爆無(wú)軌膠輪車為研究對(duì)象，分別在前后橋蓄能器出口、制動(dòng)閥出口處安裝壓力傳感器，在制動(dòng)踏板處安裝踏板力傳感器，建立的測(cè)試系統(tǒng)如圖2所示。

圖2　測(cè)試系統(tǒng)

初始化測(cè)試系統(tǒng)的采樣時(shí)間為ts=0.01 s，樣本數(shù)N=200，然后給制動(dòng)踏板施加時(shí)間t=tsN=2 s的緊急制動(dòng)力，得到每一采樣時(shí)刻k的4個(gè)樣本對(duì){u(k),y1(k)}、{u(k),y2(k)}、{u(k),y3(k)}、{u(k),y4(k)}，k=1,2,…,200。其中，u(k)為踏板力傳感器信號(hào)；y1(k)、y2(k)分別為前、后橋蓄能器壓力；y3(k)、y4(k)分別為前、后橋制動(dòng)器出口壓力。取輸入/輸出延遲m=n=2，分別按照式(12)—式(14)構(gòu)造SVM訓(xùn)練集：前橋蓄能器訓(xùn)練集D1={X(k-2),Y1(k-2)}、 后橋蓄能器訓(xùn)練集D2={X(k-2),Y2(k-2)}、前橋制動(dòng)器訓(xùn)練集D3={X(k-2),Y3(k-2)}、后橋制動(dòng)器訓(xùn)練集D4={X(k-2),Y4(k-2)}，k=3,4,…,200。

3.2辨識(shí)建模

分別選取d階多項(xiàng)式核函數(shù)和RBF核函數(shù)，在Matlab環(huán)境下應(yīng)用SVR算法建立故障預(yù)測(cè)辨識(shí)模型，通過(guò)構(gòu)造的4個(gè)訓(xùn)練集分別對(duì)各個(gè)辨識(shí)模型進(jìn)行訓(xùn)練，得到如下模型參數(shù)：不敏感度ε=10-3，規(guī)則化參數(shù)C=500，RBF核函數(shù)寬度σ2=4，d階多項(xiàng)式核函數(shù)寬度d=4。在上述參數(shù)狀態(tài)下，各故障預(yù)測(cè)辨識(shí)模型的殘差變化曲線如圖3所示。

(a) 前橋蓄能器壓力預(yù)測(cè)模型殘差值

(b) 后橋蓄能器壓力預(yù)測(cè)模型殘差值

(c) 前橋制動(dòng)器壓力預(yù)測(cè)模型殘差值

(d) 后橋制動(dòng)器壓力預(yù)測(cè)模型殘差值

從圖3可看出，核函數(shù)不同，建模殘差也會(huì)有很大變化，但總體來(lái)看各個(gè)模型的殘差值精度均比較高，表明用SVR算法所建立的預(yù)測(cè)辨識(shí)模型具有較好的推廣能力。

為了更好地對(duì)比2類不同核函數(shù)的SVR預(yù)測(cè)辨識(shí)模型的性能，選取均方根誤差(RMSE)來(lái)衡量建模效果，均方根誤差定義：

(16)

2類SVR預(yù)測(cè)辨識(shí)模型的均方根誤差和運(yùn)算耗時(shí)見(jiàn)表1。

表1　2類SVR預(yù)測(cè)辨識(shí)模型性能分析

從表1明顯看出，基于d階多項(xiàng)式核函數(shù)的預(yù)測(cè)辨識(shí)模型在預(yù)測(cè)精度和運(yùn)算速度方面均明顯優(yōu)于RBF核函數(shù)模型，因此，在全液壓制動(dòng)系統(tǒng)的故障診斷中具有更好的推廣能力和診斷效率。

3.3故障檢測(cè)試驗(yàn)

由于樣本的采集是在無(wú)故障的情況下獲取的，且全液壓制動(dòng)系統(tǒng)故障的發(fā)生具有一定的突發(fā)性，一般不可重復(fù)或模擬，因此，故障輸出和殘差檢測(cè)閾值的選取均需要通過(guò)計(jì)算機(jī)仿真實(shí)現(xiàn)。依次設(shè)定制動(dòng)系統(tǒng)的輸出壓力y1(k)、y2(k)、y3(k)、y4(k)在t=0.6 s和t=1.8 s(即采樣時(shí)刻k=t/ts)時(shí)降低到正常情況的0.1～0.3倍。選取建立的基于d階多項(xiàng)式核函數(shù)的SVR預(yù)測(cè)辨識(shí)模型對(duì)上述4處壓力進(jìn)行故障檢測(cè)，檢測(cè)效果如圖4所示。

從圖4可看出，當(dāng)系統(tǒng)發(fā)生故障時(shí)，基于d階多項(xiàng)式核函數(shù)的SVR預(yù)測(cè)辨識(shí)模型產(chǎn)生的殘差值發(fā)生突變，故能夠根據(jù)殘差閾值及時(shí)檢測(cè)出故障，4個(gè)基于d階多項(xiàng)式核函數(shù)的SVR預(yù)測(cè)辨識(shí)模型的診斷耗時(shí)見(jiàn)表2。經(jīng)對(duì)比發(fā)現(xiàn)：各個(gè)預(yù)測(cè)辨識(shí)模型運(yùn)行耗時(shí)均在10-6—10-3數(shù)量級(jí)，具有較高的診斷效率。

表2　SVR預(yù)測(cè)辨識(shí)模型故障診斷耗時(shí)

3.4故障分離試驗(yàn)

利用預(yù)測(cè)辨識(shí)模型檢測(cè)出故障后，還需要進(jìn)一步對(duì)各類故障進(jìn)行分離。給正常樣本和故障樣本數(shù)據(jù)標(biāo)定分類標(biāo)簽[10]，標(biāo)簽“1”代表無(wú)故障情況，標(biāo)簽“2”、“3”、“4”、“5”分別代表前橋蓄能器、前橋制動(dòng)器、后橋蓄能器、后橋制動(dòng)器故障。基于SVC算法，采用“l(fā)ibsvm”工具箱[11]中相關(guān)分類模型進(jìn)行故障分離試驗(yàn)，故障分離效果如圖5所示。結(jié)果表明，故障診斷準(zhǔn)確率高達(dá)96.633 7%。

(a) 前橋蓄能器殘差曲線

(b) 后橋蓄能器殘差曲線

(c) 前橋制動(dòng)器殘差曲線

(d) 后橋制動(dòng)器殘差曲線

圖5　故障分離效果

4　結(jié)語(yǔ)

利用SVM方法在解決小樣本問(wèn)題中所具有的獨(dú)特優(yōu)勢(shì)，提出將SVM方法應(yīng)用于無(wú)軌膠輪車全液壓制動(dòng)系統(tǒng)的故障診斷中。應(yīng)用SVR算法建立故障預(yù)測(cè)辨識(shí)模型，將SVC算法應(yīng)用于故障分離，然后分別進(jìn)行了故障檢測(cè)與故障分離仿真試驗(yàn)。試驗(yàn)結(jié)果表明，基于SVM的全液壓制動(dòng)系統(tǒng)故障診斷方法具有較高的預(yù)測(cè)精度和診斷準(zhǔn)確率，同時(shí)可以有效提高診斷效率。

[1]陳永峰，劉杰，王彥清，等.WC5E 型防爆膠輪車全液壓制動(dòng)系統(tǒng)設(shè)計(jì)研究[J].煤礦機(jī)械,2010,31(3):26-28.

[2]黃志堅(jiān).液壓系統(tǒng)故障智能診斷與監(jiān)測(cè)[M].北京：電子工業(yè)出版社,2013.

[3]唐宏賓，吳運(yùn)新.基于T-S模糊故障樹(shù)的混凝土泵車泵送液壓系統(tǒng)故障診斷[J].計(jì)算機(jī)應(yīng)用研究，2012，29(2)：561-568.

[4]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(bào)(自然科學(xué)版)，2010，31(6)：596-599.

[5]劉治國(guó)，蔡增杰，穆志韜，等.基于CLIPS的飛機(jī)液壓系統(tǒng)故障診斷專家系統(tǒng)構(gòu)建研究[J].海軍航空工程學(xué)院學(xué)報(bào)，2011，26(1)：45-48.

[6]喬志剛.基于網(wǎng)格搜索和支持向量機(jī)的礦用風(fēng)機(jī)故障診斷研究[J].中州煤炭，2015(2)：81-83.

[7]BOYD S，VANDENBERGHE L.Convex optimization[M].Cambridge:Cambridge University Press，2004.

[8]FLACH P.Machine learning:the art and science of algorithms that make sense of data first edition[M].段菲,譯.北京:人民郵電出版社，2016.

[9]VAPNIK V N.The nature of statistical learning theory [M].張學(xué)工,譯.北京:清華大學(xué)出版社,2000.

[10]李萌.基于支持向量機(jī)的汽車ESP系統(tǒng)故障診斷[D].長(zhǎng)春：吉林大學(xué)，2011.

[11]王小川，史峰，郁磊，等.Matlab神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2011.

Fault diagnosis research for full hydraulic braking system of trackless tyred vehicle

LIU Zhihai1,YANG Kaidi2,ZHANG Ronghua2,LI Xiangqian3,LI Jianzhong4

(1.Transportation College,Shandong University of Science and Technology,Qingdao 266590,China; 2.College of Machinery and Electronics Engineering,Shandong University of Science and Technology, Qingdao 266590,China; 3.Xilongzhuang Coal Mine,Yanzhou Coal Mining Co.,Ltd., Jining 272102,China; 4.Shaanxi Zhengtong Coal Mining Co.,Ltd.,Xianyang 713600,China)

To solve problem that full hydraulic braking system of trackless tyred vehicle was prone to failure in harsh environment of coal mine,a fault diagnosis method based on support vector machine was proposed.The support vector machine regression estimate algorithm was applied to establish fault prediction model of the full hydraulic braking system,while pattern classification algorithm was used to isolate fault,and fault diagnosis tests and isolation experiments were carried out in Matlab environment.The experiment results show that it is entirely feasible to use fault diagnosis method based on support vector machine to diagnose fault of full hydraulic braking system of trackless tyred vehicle,which can improve fault detection efficiency and diagnostic accuracy.

trackless tyred vehicle; full hydraulic braking system; support vector machine; fault diagnosis

1671-251X(2016)10-0030-05DOI:10.13272/j.issn.1671-251x.2016.10.007

劉志海，楊凱迪，張榮華，等.無(wú)軌膠輪車全液壓制動(dòng)系統(tǒng)故障診斷研究[J].工礦自動(dòng)化，2016,42(10)：30-34.

2016-04-15；

2016-06-16；責(zé)任編輯：張強(qiáng)。

國(guó)家自然科學(xué)基金項(xiàng)目(51375282)；山東省科技發(fā)展計(jì)劃課題(2014GGX103043)；山東省科技重大專項(xiàng)項(xiàng)目(2015ZDXX0601C01)；山東省研究生教育創(chuàng)新計(jì)劃項(xiàng)目(SDYY14084)。

劉志海(1972-)，男，山東新泰人，副教授，主要研究方向?yàn)楣收显\斷、專家系統(tǒng)、信息技術(shù)等，E-mail:zhihliu@sdust.edu.cn。

TD525

A網(wǎng)絡(luò)出版時(shí)間：2016-09-30 10:15