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Self-OrganizingFeatureMap（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：TD421.2；TP183文献标志码：B文章编号：10030794（2011）04024902ApplicationofSOMNeuralNetworkinFaultDiagnosisforHydraulicSystemofHydraulicDrillingRigHEKang,PANGHai-rong,DAIFen-lei(XianResearchInstitute,ChinaCoalResearchInstitut,Xian710054，China)Abstract:SOMnetworkisappliedtothefaultdiagnosisofhydraulicdrillingrigbyusingnonlinearmappingofneuralnetworkanditsabilityofself-organizationandself-learning.Accordingtothecharacteristicsofhydraulicsystemofdrillingrig,takefaultsamplethatcanbecharacterizethehydrauliccharacteristicsofdrillingrig,buildingtheSOMneuralnetworkcorrespondingsample,andtrainingandsimulationexperimentintheMATLABenvironment.Resultsshowthatthemethodiseffectiveonthefaultdiagnosisofhydraulicdrillrig.Keywords:SOMneuralnetwork；faultdiagnosis；hydraulicdrillingrig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：1010=100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：net=newsom(minmax(T),1010)；net.trainParam.epochs=2000；net=train(net,T)；图3标准样本训练结果图将某个故障特征分量如：T1=011101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，2006.2KohonenT.Self-OrganizingMapsM.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）：8284.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：.责任编辑：武伟民收稿日期：201011-08第32卷第04期Vol.32No.04SOM神经网络在全液