会员注册 | 登录 | 微信快捷登录 支付宝快捷登录 QQ登录 微博登录 | 帮助中心 人人文库renrendoc.com美如初恋!
站内搜索 百度文库

热门搜索: 直缝焊接机 矿井提升机 循环球式转向器图纸 机器人手爪发展史 管道机器人dwg 动平衡试验台设计

   首页 人人文库网 > 资源分类 > PDF文档下载

SOM 神经网络在全液压钻机液压系统故障诊断中的应用.pdf

  • 资源星级:
  • 资源大小:385.37KB   全文页数:2页
  • 资源格式: PDF        下载权限:注册会员/VIP会员
您还没有登陆,请先登录。登陆后即可下载此文档。
  合作网站登录: 微信快捷登录 支付宝快捷登录   QQ登录   微博登录
友情提示
2:本站资源不支持迅雷下载,请使用浏览器直接下载(不支持QQ浏览器)
3:本站资源下载后的文档和图纸-无水印,预览文档经过压缩,下载后原文更清晰   

SOM 神经网络在全液压钻机液压系统故障诊断中的应用.pdf

煤矿机械CoalMineMachineryVol.32No.04Apr.2011第32卷第04期2011年04月0引言神经网络输入输出的非线性映射特性、信息的分布存储、并行处理和全局集体应用,特别是自组织和自学习能力,使其成为故障模式识别的一种有效方法和手段。本文以ZDY1900S型钻机为例,初步探讨了SOM神经网络在全液压钻机故障诊断中的应用。1SOM神经网络的结构自组织特征映射网络也称Kohonen网络,或者称为SelfOrganizingFeatureMap(SOM)网络,它是由芬兰学者TeuvoKohonen于1981年提出的。该网络是一个由全连接的神经元阵列组成的无教师自组织、自学习网络。Kohonen认为,处于空间不同区域的神经元有不同的分工,当一个神经网络接受外界输入模式时,将会分为不同的反应区域,各区域对输入模式具有不同的响应特性。图1二维SOM神经网络模型SOM网络的一个典型特性就是可以在一维或二维的处理单元阵列上,形成输入信号的特征拓扑分布,因此SOM网络具有抽取输入信号模式特征的能力。SOM网络一般只含有一维阵列和二维阵列,但也可以推广到多维处理单元阵列去。2SOM神经网络在钻机液压系统故障诊断中的应用2.1钻机液压系统的组成ZDY1900S型钻机液压系统原理图如图2所示。按照驱动执行元件所实现的功能,整个系统可分解为3个主要回路回转回路,给进/起拔回路,卡盘、夹持器动作回路。图2ZDY1900S型全液压钻机液压系统原理图1.电动机2.主变量泵3、29.吸油滤油器4、30、35.截止阀5.回油滤油器6.冷却器7.主泵系统压力表8.多路换向阀9.副泵系统压力表10.单向阀组11.液压马达12.液压卡盘13.精滤油器14.夹持器15.给进起拔油缸16、18、36.单向节流阀17、起拔压力表19.给进压力表20.夹持器功能转换阀21.起下钻功能转换阀22.空气滤清器23.支撑油缸24.液压锁25.回油压力表26.油箱27.卡盘回油阀28.副泵功能转换阀31.副变量泵32.安全溢流阀33.调压溢流阀34.单向减压阀SOM神经网络在全液压钻机液压系统故障诊断中的应用贺康,庞海荣,代粉蕾(煤炭科学研究总院西安研究院,西安710054)摘要利用神经网络的非线性映射及其高度的自组织和自学习能力,将SOM网络应用于钻机液压系统的故障诊断。根据钻机液压系统故障的特点,选取能够表征全液压钻机故障特点的样本,设计相应的SOM神经网络,并在MATLAB环境下实现了对网络的训练和仿真实验,表明该方法有很强的实用性,为全液压钻机的故障诊断提供了一种途径。关键词SOM神经网络故障诊断全液压钻机中图分类号TD421.2TP183文献标志码B文章编号1003-0794(2011)04-0249-02ApplicationofSOMNeuralNetworkinFaultDiagnosisforHydraulicSystemofHydraulicDrillingRigHEKang,PANGHairong,DAIFenleiXianResearchInstitute,ChinaCoalResearchInstitut,Xian710054,ChinaAbstractSOMnetworkisappliedtothefaultdiagnosisofhydraulicdrillingrigbyusingnonlinearmappingofneuralnetworkanditsabilityofselforganizationandselflearning.Accordingtothecharacteristicsofhydraulicsystemofdrillingrig,takefaultsamplethatcanbecharacterizethehydrauliccharacteristicsofdrillingrig,buildingtheSOMneuralnetworkcorrespondingsample,andtrainingandsimulationexperimentintheMATLABenvironment.Resultsshowthatthemethodiseffectiveonthefaultdiagnosisofhydraulicdrillrig.KeywordsSOMneuralnetworkfaultdiagnosishydraulicdrillingrig输出层输入层联接权值1011121314272035362123248725821(需要时配)342891231263430292256161718191532332492.2故障诊断思路首先收集常见故障现象,针对每个具体的故障现象,根据液压系统工作原理分析这种故障现象可能对应的所有故障原因,再选择若干个测试点的液压参数通常为压力或流量作为这些故障原因对应的故障特征分量,每一种故障原因对应故障特征分量的一组取值,从而可建立故障原因与故障特征分量的标准样本数据库。在液压系统发生某种故障时,利用SOM网络对各个测试点传感器采集的数据进行处理后,可对故障原因作出自动判断。2.3典型故障诊断实例回转钻进时,给进压力表显示无压力或压力不足,但起下钻及正反转动作均正常。这种故障原因复杂,涉及元件多,不易判断。经过对液压系统的分析,引起故障的主要原因有回转器内泄(P1)卡盘回路阀不能关闭(P2)卡盘油路故障(P3)调压溢流阀故障(P4)安全溢流阀故障(P5)副变量泵故障(P6)液压缸故障(P7)。(1)样本数据的建立分析液压系统的工作原理,针对上述7种故障原因,选择6个测试点的液压参数作为故障特征分量,7种故障与对应特征分量的标准样本数据如表1所示。表1故障原因与特征(2)故障诊断的仿真试验根据样本中的测点数目和实际情况,设计该SOM网络的结构如下输入层6个节点(神经元)输出层1010100个节点(神经元)其中输出层神经元个数的选取,将影响网络的性能,数目过多则增加计算量,降低网络的学习速度数目过少,则有可能把2个模式相近的故障诊断为一个故障,产生误诊。利用Matlab神经网络工具箱对表1中的标准故障样本进行训练,完成训练后对于每一个输入的故障模式,输出层中都有一个特定的神经元对其敏感,如图3所示。图中编号即为映射故障集中相应的故障,空格处表示对所有输入都不兴奋的神经元。神经网络程序如下netnewsomminmaxT,1010net.trainParam.epochs2000nettrainnet,T图3标准样本训练结果图将某个故障特征分量如T1011101输入训练过的SOM网络中,观察输出的敏感神经元,得到输出结果如图4所示。图4故障诊断结果从输出结果很容易知道,该方法有一定的可行性。3结语本文研究了SOM神经网络在钻机液压系统故障诊断中的应用。通过对钻机的典型液压系统故障原因的分析,建立了相应的SOM神经网络。通过MATLAB的神经网络工具箱函数对网络进行训练和仿真,证实该方法是有效可行的。参考文献[1]葛哲学,孙志强.神经网络理论与MATLAB2007实现[M].北京电子工业出版社,2006.[2]KohonenT.SelfOrganizingMaps[M].ThirdEdition,Springer,Berlin,Heidelberg,2001.[3]庞海荣.ZDY1900S型全液压钻机现场故障诊断[J].煤炭科学技术,2006(11)82-84.作者简介贺康(1984),陕西米脂人,2006年毕业于燕山大学机械设计专业,现为煤炭科学研究总院西安研究院在读硕士研究生,研究方向勘探机械设计,电子信箱hekangren163.com.责任编辑武伟民收稿日期2010-1108第32卷第04期Vol.32No.04SOM神经网络在全液压钻机液压系统故障诊断中的应用贺康,等101111110111100111011011011101011110011111中位时的给进压力齿轮箱泄油量卡盘泄油量调压溢流阀泄油量安全溢流阀泄油量液压缸泄油量P1P2P3P4P5P6P7特征原因1234567890246810P2P5P3P7P6P4P10246810P2P5123456789250

注意事项

本文(SOM 神经网络在全液压钻机液压系统故障诊断中的应用.pdf)为本站会员(abaodong)主动上传,人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知人人文库网([email protected]),我们立即给予删除!

温馨提示:如果因为网速或其他原因下载失败请重新下载,重复下载不扣分。

copyright@ 2015-2017 人人文库网网站版权所有
苏ICP备12009002号-5