（机械电子工程专业论文）基于神经网络的agc系统液压缸内泄漏故障诊断方法的研究.pdf

东北大学硕士论文 摘要 基于神经网络的a g c 系统液压缸内泄漏故障诊断方法的研究 摘要 在液压a g c 系统故障诊断中，液压缸的故障检测比较复杂，由于液压缸的 工作环境属于重载、多尘的恶劣的环境，而且液压缸的工作行程短，由于活塞杆 只在这一段范围内往复运动，所以对液压缸的磨损是很严重的，直接的后果就是 造成液压缸的泄漏故障，对于外泄漏，由于泄漏特征比较明显，易于发觉和处 理；而对于内泄漏具有泄漏量少，而且是一个渐变的过程的特点，不借助一些特 殊的方法很难发现和处理。同时a g c 系统中的液压缸拆卸比较困难，这就给设 备维护和检测带来一定的难度。在生产过程中若只是凭着经验来定期地更换或者 修复液压缸，就会造成不必要的停机，影响生产或不能及时发现设备故障造成产 品中出现次品，造成严重的经济损失，因此找到一种简易有效的诊断手段是十分 必要的。 本文首先分析了基于b p 神经网络液压a g c 系统中液压缸泄漏故障诊断方 法的可行性，由于神经网络能够以任意精度逼近任何函数，因此可阻用神经网络 来建立液压缸内泄漏故障诊断模型。神经网络在处理问题过程中类似黑箱，无需 也无法表达过程的物理意义。本文主要在于利用伺服阀输入电流、轧机辊缝距 离、液压缸输出压力和液压缸内泄漏系数作为训练样本和测试样本，通过离线辨 识得到所需的得到液压缸内泄漏故障诊断的神经网络模型。 本文针对b p 网络收敛速度慢，容易陷入局部极小值等缺点，分别采用可变 学习速度算法( t r i a n g d x ) 、带动量及自调整学习率回传算法( t r a i n g d m ) 、 l e v e n b e r g m a r q u a r d t 回传算法神经网络的改进算法，来训练神经网络，找到最适 合液压a g c 系统中的液压缸内泄漏故障诊断的神经网络训练算法。 在建立的神经网络液压缸泄漏故障诊断模型的基础上，用b p 网络的改进算 法对神经网络进行训练和测试，结果表明神经网络故障诊断知识获取能力与学习 功能强，能够准确地映射液压缸的泄漏系数，因而适用于液压a g c 系统液压缸 内泄漏故障诊断，是一种大有发展前途的诊断手段。 关键词：人工神经网络a g c 系统故障诊断学习率内泄漏 东北大学硕士论文 a b s t r a c t s t u d y o nf a u l t d i a g n o s e o f h y d r a u f i c c r o c ki n s i d el e a k a g ei na g c s y s t e m b a s e do na n n a b s t r a c t b e c a u s et h eh y d r a u l i cc r o c kw o r k i n gc i r c u m s t a n c ei sb u r d e no v e rl o a d i n g ， e x c e s s i v ed i r tf u r t h e r m o r et h eh y d r a u l i cw o r k i n gs p a c ei s s h o r t ，t h e p i s t o no n l y w o r k i n g i nt h i ss h o r td i s t a n c es oi tc a n i n c r e a s ea b r a s i o no f t h er o c k h e a v i l y t h a tw i l l l e a dt ol e a kf a u l to ft h eh y d r a u l i cc r o c k i ti s d i f f i c u l t yt od i a g n o s ef a u l t o ft h e h y d r a u l i cc r o c ka m o n g t h ea c j cs y s t e mf o rt h e l e a k a g eo u t s i d e ，t h ef a u l ti s d i s t i n c t ， i tc a nb ef o u n da n dd e a l tw i t he a s i l y ；b u tf o rt h el e a k a g ei n s i d e ，t h ec h a r a c t e r i s t i ci s t h a tt h el e a k a g ei sl i t t l ea n dt h ec o u r s ec h a n g eg r a d u a l l y ，i ti sd i f f i c u l t yt of i n dt h e i n s i d el e a k a g ei fs o m es p e c i a lm e t h o dd o n tu s e d m e a n w h i l et h ed i s a s s e m b l yo ft h e h y d r a u l i cc r o c k i st o u g h , t h a tb r i n gm a n yd i f f i c u l t i e s 幻t h em a i n t e n a n c ea n di n s p e c t f o re q u i p m e n t s i nf a c tm a n yf a c t o r i e sr e p l a c ea n dr e p a i rt h eh y d r a u l i cp e r i o d i c a l l y b a s e do ne x p e r i e n c e s ，d oa st h a tw i l lb r i n gs o m eu n n e c e s s a r yw o r k i n g s t o p ，i n f e c tt h e m a n u f a c t u r eo rl e a dt oi n f e r i o rb e c a u s eg 孤tf i n dt h ef a u l to f t h e e q u i p m e n t s i nt i m e ag r e a td e a lo f p r o f i tw i l lb el o s t a tf i r s tt h i st h e s i sa n a l y s e st h ef e a s i b i l i t yo ft h e h y d r a u l i cl e a kf a u l td i a g n o s e o f t h ea g c s y s t e m b e c a u s et h ea n n c a n a p p r o a c ha n yf u n c t i o na ta n yp r e c i s i o n ，i t c a l lb eu s e dt os e tu ph y d r a u l i cf a u l td i a g n o s em o d e l t h ea n nl i k eab l a c kb o x d u r i n gd e a l i n gw i t ht h ep r o b l e m s , i tn e e d n ta n dc a l l te x p r e s st h ep h y s i c a lm e a n i n g t h i st h e s i su t i l i z es e r v 0v a l v ei n p u te l e c t r i c a lc u r r e n t ，t h er o l l e rg a u g e , t h e h y d r a u l i c c r o c ko u t p u tp r e s s u r ea n dt h eh y d r a u l i ci n s i d el e a km o d u l u sa st h et r a i n i n gd a t aa n d t h et e s t i n gd a m t h r o u g ht h eo f fl i n ed i f f e r e n t i a t ea n da n a l y z ew ec a r lg e tt h ea n n m o d e lt od i a g n o s et h e h y d r a u l i ci n s i d e l e a kf a u l t t h i st h e s i sa i ma tt h eb pa r t i f i c i a ln e u r a ln e tf l a w ss u c ha sl o w c o n v e r g e n c e s p e e d ，f a c i l i t yr u ni n t o t h el o c a lm i n i m u me t c , s e p a r a t eu s ea l t e r a b l el e a r nr a t e ( “n g d x ) m e t h o d ，w i t h t h em o m e n t u ma n dt h e 辨l f a d j u s l e a r nr a t eb a c k p r o p a g a t i o n o a a i n g d m ) m e t h o d ，l e v e n b e r g - m a r q u a r d tb a c kp r o p a g a t i o nm e t h o d t oi m p r o v et h e b pm e t h o d t h r o u g ht h e s em e t h o dw ec a nf i n dab e s t t r a i n i n g m e t h o df o rt h e h y d r a u l i ci n , d e l e a kd i a g n o s em o d e l ， 至i ! 奎兰婴主丝苎 垒堡竺! b a s e do nt h ea n n h y d r a u l i ci n s i d el e a kf a u l td i a g n o s em o d e l ，u s i n gi m p r o v e d b pm e t h o dt ot r a i na n dt e s tt h ea n n d i a g n o s em o d e l ，t h er e s u l ti n d i c a t e st h a tu s i n g a n nt od i a g n o s ee q u i p m e n t sf a u l t sh a st h em a n yc h a r a c t e r i s t i c ss u c ha sg o o d o b t a i n k n o w l e d g ea n d l e a r nc a p a c i t y ，h i g hr e s i s td i s t u r bc a p a b i l i t y , e l e v a t et h e f i g h td i a g n o s e r a t e ，i tc a nr e f l e c tq u o t i e t yo fh y d r a u l i cc r o c ka c c u r a t e l y s oi tc a nb ea p p l i e d0 ut h e f a u l t d i a g n o s eo fh y d r a u l i cc r o c kl e a k a g ei n s i d e ，t h ea n nm e t h o di sad i a g n o s e m e a s u r et h a th a sg r e a td e v e l o pf u t u r e k e y w o r d s ：a r t i f i c i a ln e u r a ln e t w o r k ，a u t og a u g ec o n t r o l l e rs y s t e m ，f a u l td i a g n o s e ， l e a r nr a t e ，l e a k a g ei n s i d e i v 声明 本人声明所呈交的学位论文是在导师的指导下完成的。论文中 取得的研究成果除加以标注和致谢的地方外，不包含其他人已经发 表或撰写的研究成果，也不包括本人为获得其他学位而使用过的材 料。与我一同工作的同志对本研究所做的贡献均已在论文中作了明 确的说明并表示谢意。 本人签名： 日期： 盏f 隽勇 加雪争l 东北大学硕上论文 第一章绪论 第一章绪论 1 - 1 课题的背景和来源 由于轧机自动化水平及对板带材的质量要求越来越高，对轧机执行机构及 控制系统性能的要求也越来越高。目前，液压技术的应用程度和水平，已成为冶 金设备技术水平高低的一项重要衡量指标。其中液压a g c ( a u t o m a t i cg a u g e c o n t r 0 1 ) 系统是所有冶金设备中液压技术应用的典型代表，是现代化轧机设备的 核心技术。液压a g c 系统运行状态的好坏，直接决定了轧机的工作可靠性。长 期以来，由于机械设备水平的整体差距，我国的轧机设备主要依赖进口，在技术 特别是核心技术方面受到限制。虽然近年来在先进技术的应用方面有重大突破， 但仍然局限在单机应用的水平。因此，开展液压a g c 系统故障诊断技术的研究 不仅对提高轧机设备的生产率、提高设备的维护管理水平具有重要的意义，同时 也对提高国产轧机设备的应用水平具有重要的社会意义。 在液压a g c 系统故障诊断中，液压缸的故障检测比较复杂，由于液压缸的 工作环境属于重载、多尘的恶劣的环境，而且液压缸的工作行程短一般为 ( 1 3 r a m 左右) 由于活塞杆只在这一段范围内往复运动，所以对液压缸的磨损是 很严重的，直接的结果就是造成液压缸的泄漏故障，对于外泄漏，由于泄漏特征 比较明显，易于发觉和处理；而对于内泄漏具有泄漏量少，而且是一个渐变的过 程的特点，不借助一些特殊的方法很难发现和处理。同时a g c 系统中的液压缸 拆卸比较困难，这就给设备维护和检测带来一定的难度。在生产过程中若只是凭 着经验来定期地更换或者修复液压缸就会造成不必要的停机，影响生产或不能 及时发现设备故障导致产品中出现次品，造成严重的经济损失。 针对以上情况，找到一种液压缸内泄漏的切实可行的办法是很有必要的，传 统的液压系统泄漏诊断方法主要有两种：一是监视并计算液眶系统的流量，测量 液压回路中进油与出油的流量差；二是监视液压系统的静态压力，检测液压系统 各个重要测点静态压力是否存在异常下降。第一种方法，在理论上可行，但是流 量传感器的价格很高，又有一定的压力损失，而且流量传感器多数是以串联工作 方式接入液压系统的，不但安装不方便，而且使液压系统的可靠性变差。第二种 至苎查兰堡圭笙奎塑二兰堕堡 方法，虽然不存在这些问题，但是由于液压系统的静态压力对泄漏、特别是少量 泄漏不敏感，又加上噪声干扰，所以在线诊断效果比较差。对于这个难题，人们 一直期望采用既可靠又实用的方法，通过对液压系统的动态压力进行分析，实现 液压系统的泄漏故障在线诊断。神经瞬络是一个正在迅速发展的学科，它在解决 许多传统方法无法处理的问题时有非常好的处理效果，如模式识别、最优化、智 能控制等。神经网络具有较强容错能力和自适应能力，能够对大量数据进行并行 处理。本课题就是利用神经网络的这些优良特性，通过对液压系统的动态进行分 析、学习与综合，从而实现液压压下系统中的液压缸内泄漏故障的诊断。 1 2 液压a g c 系统的组成及工艺特点 1 2 1 液压a 6 c 系统的组成 板带轧机的a g c 系统通过测厚仪、位移传感器、压力传感器和张力计等对 相应参数的连续测量，连续调整液压压下缸位移、压力以及张力或轧制速度等， 控制板带材的厚差f “”。此外，油膜厚度变化补偿、轧棍偏心补偿、前馈控制、 物流控制及速度张力优化等功能使板厚精度得到进一步的提高。其中液压a g c 系统是其中的核心设备。 圈1 1 轧机液压a g c 系统功能框图 f i g 1 1 f u n c t i o nd i a g r a no f r o l l i n g m i l li _ l g cs y s t e i n 2 蔓j ! 查堂里圭笙苎笙二里堕堡 从功能上，液压a g c 系统分为液压控制系统部分和液压能源部分3 1 。 1 2 1 1 液压控制系统部分 控制系统中由电液伺服阀控制压下油缸，实现轧机辊缝或轧制压力的设定与 控制。为了提高控制系统的响应性能，一般采用电液伺服阀控制油缸的一腔( 工 作腔) ，另一腔( 背压腔) 则由能源部分提供一个衡值压力。从控制功能出发， 一个完整的液压a g c 系统由若干个厚度自动控制系统组成，其中最主要的控制 环有f 见图1 1 1 。 ( 1 ) 压下缸位置闭环控制l随轧制条件变化及时准确地控制压下位移。 x ，l 、：分别是操作侧和传动侧活塞相对缸体的位移，取其平均值工耐作为实测 位移值，x p 0 为给定信号，疵，是测厚仪监控环的反馈量。 ( 2 ) 轧制压力闭环控制2 通过控制轧制压力来达到控制厚度的目的。岛是 g l s r j 压力的实测值，n 为初始给定值，肇为修正值。 3 测厚仪监控闭环控制3 消除轧棍磨损、热膨胀及设定值误差等的影 响。m ，为轧机纵向刚度，形为轧件的塑性刚度系数，九为实测轧件厚度，丸为 设定轧制厚度。 1 2 1 2 液压能源部分 液压a g c 系统中，液压能源的功能是为液压控制系统提供压力稳定的、清 洁的功能介质，为电液伺服阀提供稳定的阀前压力，保证电液伺服系统的控制能 力，同时也能为压下油缸的背压腔提供压力稳定的工作介质。液压a g c 系统的 能源一般采用恒压变量泵一蓄能器一安全阀式的结构形式，此外，为了保证系统 工作介质的清洁度、温度等，在能源部分设置了压力油高压过滤器和回油压力过 滤器、冷却器等部件。 1 2 2 液压a g c 系统的工艺特点 液压a o c 系统的可靠运行是整个轧机系统正常化生产的保证。由于液压 a g c 系统是一个复杂的机、电、液综台系统，机械系统、电器系统和液压系统中 任一系统或其某一部件的故障都会引发整个系统产生故障。因此，液压a o c 系 统的维护和故障诊断具有相当的难度 查苎查兰堡主兰兰茎二兰竺至 在现代液压a g c 系统中，设计时大都采用了可靠性设计技术，例如液压 泵、过滤器、传感器、控制器等采用冗余设计，液压系统的一些基本参量如油箱 液位、油温、过滤器堵塞报警、压力等设计了检测点，此外，还有直接参与控制 的位移和压力信号等。对于液匿系统的一些简单故障，可以依据这些信号状态， 由有经验的操作技术人员进行故障判别和处理。然而，液压a g c 系统是一个集 机、电、液于一体的综合控制系统，系统的故障形式和原因也是多方面的，从功 能上，系统不仅有静态性能指标，还有动态性能指标。系统中的信号也是复杂多 样的，有一部分是随时闻变化较慢的缓变信号( 如油箱液位、油温等) ，而另一 些是瞬变的高频信号。同时，由于液压系统本身的特点( 如动力传递的封闭性、 参数的可测性差等) ，因此，单凭经验，仅仅依靠这些信号还不能对系统的故障 进行分析处理，无法对系统进行全面、准确的故障诊断和预报。为此，必须依据 设备的结构特点和故障机理增加一些监控点，以获取能够反映系统功能的状态信 号，并采用先进的故障诊断技术( 专家系统、人工神经网络等) 进行液压a g c 系统的状态检测和故障诊断。 1 2 3 液压a g c 系统故障诊断的策略 液压伺服系统以其功率大、响应快、精度高为特点，已经广泛应用于冶金机 械领域。在热轧轧机上以a g c ( 自动辊缝控制) 和c v c ( 可变凸度控制) 为代表，结 合精确的数学模型和计算机控制理论的应用，使产品质量稳步提高。但另一方 面，设备故障或劣化则直接影响或威胁正常生产，它往往造成全线停机或产生次 品。液压伺服系统是一结构复杂的机、电、液综合系统，结构和工作原理均比较 复杂，其可能的故障源既有结构性的又有参数性的，导致系统具有机液耦合、时 变性和非线性等特性。另外，液压伺服系统具有良好的自校正功能，即当某一环 节发生故障时不易直接查觉。据统计，对液压系统来说，绝大多数故障是由于油 液污染和磨损所引起的( 约占7 0 和3 0 ) ，同时由于制造材料和生产工艺缺陷、 以及疲劳、气蚀等原因致使液压系统发生故障，最后导致液压系统失效。液压系 统故障的发生具有一定的随机性，其故障又可分为寿命性和突发性故障。从现代 科技发展水平与我们所做的研究工作来看，若能对机组的常见故障进行分析，对 4 东北大学硕士论文第一蕈绪论 轧机的运行状态参量进行在线检测和分析，并对系统做出趋势性分柝，完全可有 效地预防系统故障发生和意外停机带来的巨大损失巾“。其原因如下： 对寿命性故障，如能对故障的形成和发展趋势做出预测，就可保证在发生故 障前对系统做出处理，从而避免故障的发生。许多现代科学技术手段被广泛地应 用到机械故障诊断中来，如信号处理、模式识别、模糊数学、人工智能技术等。 在8 0 年代中后期，国际上兴起了人工神经网络的研究热潮，它在故障诊断理论 和实际应用上得到了飞速的发展”“3 。 神经网络技术代表了一种新的方法体系，它以分布的方式存储信息，利用网 络的拓扑结构和权值分布实现非线性的映射，并利用全局并行处理实现从输入空 间到输出空间的非线性变换。对于特定问题是建立神经网络故障诊断系统，可以 从其输入数据( 代表设备状态) 直接推出输出数据( 代表故障原因) ，从而实现 故障检测与诊断。在众多的神经网络中，尤其以基于b p 算法的多层感知器( m l p ) 神经网络理论最坚实，应用最广泛且最成功n 2 “。 人工神经网络是由许多有非线性映射能力的处理单元，按照一定的拓扑结构 相互连接而成的一种具有并行计算能力的网络系统。这种网络系统具有非线性大 规模自适应的动力学特性。人工神经网络的信息分布式地存储于连接权的系数之 中，使网络具有很高的容错性和鲁棒性。人工神经网络还具有良好的映射逼近能 力，任何一种非线性映射都可以用一个三层前向网络来实现，也就是说三层前向 网络可以逼近任何复杂函数。 由于神经网络能够以任意精度逼近任何函数，因此可以用神经网络来建立 液压缸内泄漏故障诊断模型。神经网络在处理问题过程中类似黑箱，无需也无法 表达过程的物理意义。本文主要在于利用伺服阅输入电流、轧机辊缝距离、液压 缸输出压力和液压缸内泄漏系数作为训练样本，通过离线辨识得到所需的得到液 压缸内泄漏故障诊断的神经网络模型。 1 3 神经网络及其在故障诊断中应用研究现状 1 3 1 基于神经网络的智能诊断的形成 神经网络用用于设备故障诊断起源于8 0 年代末期。1 9 8 9 年美国泊杜大学的 v e n k a t v e n k a t a s u b r a m a n i a n 和k i n g c h a n 等人将人工神经网络用于故障诊断中，并 5 东北大学硕士论文第一苹绪论 与基于知识的专家系统进行比较。它们诊断的设备是一个流化态催化裂化单元故 障，确定了1 8 种征兆( 输入节点) 和1 3 种故障类型( 输出节点) ，隐层有5 屯7 个节点。所用的算法是反向传播算法，获得了理想的结果；它能正确地确定 9 4 9 8 的故障原因。美中不足的是训练的时间太长，并且训练时输入的数据不 是实时的；人工神经网络映射连续变量比映射布尔变量要困难得多，尽管存在这 些局限性，但他们仍是第一次将人工神经网络成功地应用于模式匹配和故障诊断 中。与传统的专家系统相比，神经网络具有如下优点【“j ： ( 1 ) 人工神经网络可以实时运行，这对于专家系统是一种挑战。 ( 2 ) 人工神经网络能直接使用时间序列数据，而专家系统需要将数据转换成 符号信息。 同年，日本庆应义塾大学的k a j i r o 、w a t a n a b e 等人将神经网络用于诊断化工 过程的初期故障。他们认为人工神经网络用过联想记忆有学习和存储故障信息的 能力，并且具有联想诊断过程故障的能力。网络可以从稳态过程变量数值中学习 到故障知识，这些参量既有正常状态下采集的也有故障状态下采集的，用来表示 故障的程度。提出了一个两级多层神经网络用于故障诊断，一级网络用于识别含 有噪声的故障，一旦识别出故障，二级就来估算故障的程度，这样可以诊断出早 期故障。 美国德克萨斯大学的h o s i d n s 和h i m m e l b l a u 等人应用人工神经网络进行故障 诊断时采用连续变量作为输入，但其工作的一个限制是只适合于稳态系统。诊断 的对象是3 个等温连续搅拌釜反应器，h o s k i n s 和h i m m e l b l a u 等人应用人工神经 网络识别六种可能的故障。他们根据一个标量决策函数采用人工神经网络对输入 模式进行分类，人工神经网络的故障诊率仅为2 0 ：有1 2 个模式时，系统的诊 断正确率为1 0 0 。通过他们的研究表明人工神经网络能将定量数值转化为定性 解释。 v e n k a t a s u b r a m a n i a n 等人也研究了组合故障问题，即辨别两种或两种以上同 时发生的故障。这是一个很难解决的问题，很多专家有时也束手无策，大多数故 障诊断策略采用没有考虑组合故障的“鼓掌数”。结果表明；人工神经网络有轻 视故障的倾向，即人工神经网络将实际故障看作噪声并予以滤除从而未能很好地 检测出组合故障。 6 查! ! 奎兰堡圭笙奎兰二皇竺丝 t i m os o r s a 等人论述了过程自动化领域的神经网络诊断法，他们认为几种结 构的神经网络比基于模型的方法和专家系统更适合故障诊断，并指出双曲正切多 层感知器网络单元最适合故障诊断。将其用于热交换器一连续搅拌反应器系统， 系统有1 4 个含有噪声的测量结果和1 0 种故障，该网络经3 0 0 0 次学习后能将故障 正确检测并分类，并用主分量分析法描述故障诊断问题。 f a n 等人将人工神经网络用于化工过程故障诊断，在传统的b p 网络的输入层 中加入一定量的功能单元使其得到加强，这个技术大大地加强了神经网络表示复 杂非线性关系的能力并且能够同时诊断多故障以及确定它们的程度。 神经网络诊断问题可以看成模式识别。通过对一系列过程参量进行测量，然 后用神经网络从测量空间映射到故障空间，实现故障诊断。 可见，人工神经网络之所以适合于故障诊断，有以下3 个原因1 8 l ： ( 1 ) 经过训练的神经网络能存储有关过程的知识，能直接从定量的、历史故 障信息中学习。可以根据对象的正常历史数据训练网络，然后将此信息与当前测 量数据进行比较，以确定故障。 ( 2 ) 人工神经网络具有滤除噪声及在有噪声情况下得出正确结论的能力，可 以训练人工神经网络来识别故障信息，使其能在噪声环境中有效的工作。这种滤 除噪声的能力使得人工神经网络适合在线故障检测和诊断。 ( 3 ) 人工神经网络具有分辨原因及故障类型的能力。 1 3 2 神经网络的故障诊断能力 1 3 2 1b p 网络在故障诊断中的应用 b p 网络在设备故障诊断中有广泛的应用。基于故障诊断的研究内容，b p 网 络在以下三个方面得到了广泛应用，并且其应用领域还在不断扩大1 2 0 , ”1 。 ( a ) 故障状态分类器 工况监测与故障诊断就是根据从系统运行过程中得到的信息，对工况故障状 态进行分析和判断，确定系统是否存在故障及存在何种故障。这个过程实际上是 对系统运行状态进行识别和分类，是一个模式识别的过程，b p 网络在该研究方向 应用极为广泛。 7 奎! ! 奎兰雯主笙茎笙二兰丝笙 尽管用于故障诊断的传统模式识别分类器，如统计模型分析法、函数分析 法、基于概率密度的b a y e s 法、近邻分类法和模糊集聚类判别法等等，已广泛应 用于故障诊断中，并得到了良好的效果，但与神经网络分类器相比有以下不足之 处： ( 1 ) 传统的分类器仅表达了诊断过程某个环节所用的科学理论与工具，并不 能反映诊断过程的本质l 蜘； ( 2 ) 前馈多层网络较传统的分类器的静态模式识别能力强，主要在于它的隐 层能实现一种特殊的非线性变换，它把输入模式映射到隐层的输出展开 中，使对模式的学习和对模式空间的判别归类变得简单和容易，传统的 模式识别分类器则受到其线性决策的内在局限性； ( 3 ) 尽管传统的分类器，如k - 近邻分类法可实现任意复杂的判决表面，但它 远不如神经网络分类器对这一任务的实现。另外，神经网络分类器具有 自学习及自适应能力； ( 4 ) 神经网络分类器一般对输入模式信息的不完备或特征的缺损不太敏感， 与传统分类器相比，神经网络分类器在背景噪声统计特性未知的情况 下，其性能更好，而且网络具有更好的泛化能力。 ( b ) 故障特征提取 故障特征提取是故障诊断最为重要的环节之一，其主要内容是寻找最有效的 故障特征构成较低维的模式向量。在故障检测的原始信号中存在着许多与工况状 态相关的信息，所提取的特征量应能反映工况的规律性和敏感性，使特征量既含 有故障规律性又有较好的故障可分离性。基于信号处理的特征提取方法，主要有 时域特征参数及波形特征法、时差域特征法、幅值域特征法、信息特征法、频谱 分析及频谱特征再分析法、时间序列法、小波变换特征提取法等。用多层感知器 可以对线性或非线性的特征进行提取，b p 网络对原始数据或对一次处理数据能快 速压缩高维向量空间，达到特征提取的目的。实际上，对含有一个隐层的多层感 知器，若隐层单元的个数小于输入、输出层单元个数，那么隐单元就起到了特征 压缩的作用。文献 3 h 对压缩机的阀板和阀簧等故障进行了诊断，用1 2 9 1 6 1 2 9 ( 输入层隐层输出层) 结构的b p 网络对声信号作了特征提取，其网络学习误 8 东北大学硕士论文第一章绪论 差比1 2 9 4 8 1 6 4 8 1 2 9 结构的网络要小。因此，用三层b p 网络作特征提取较 好。 ( c ) 故障综合决策与专家系统 b p 网络经过学习后，具备对多参数、多特征信息的综合决策能力。将在线 获取的当前时刻的状态信息输入网络，便可对系统的运行状态进行实时诊断和决 策，同时也可以离线分析和决策。文献【3 9 将两级b p 网络建立的伺服阀故障诊断 专家系统应用于液压a g c 测控系统，两级网络之间的推理由因果逻辑推理完 成，克服了传统的专家系统在故障诊断过程中缺乏联想、类比和容错能力的不 足。b p 网络等训练型模型的应用及它们与其它方法的结合被认为是在分类与识别 方面有特殊优点的模型之一。它们为实现通用型模块化、集成化、智能化的具备 自学习训练与自适应调整功能的多传感器、多参数、多模型综合决策故障诊断全 息化系统的发展提供了强有力的基础，并具有广泛的应用潜力和发展前景f 捌。 基于上述b p 网络及其在故障诊断中的应用，b p 网络尚需进一步的研究和发 展，主要有以下几方面：1 2 q ( 1 ) 提高网络的容错性、鲁棒性和泛化能力，实现准确在线实时故障诊断、 监测和预报； ( 2 ) 故障特征的b p 网络描述，敏感和可分离故障特征提取； ( 3 ) 多传感器数据层、特征提取层和决策层信息融合，局部子网络的建立或 生成与子网络之间的关系研究； ( 4 ) b p 网络与其他方法，如传统方法、模糊分析等相结合实现故障的多种 模型综合诊断； ( 5 ) 网络结构的学习和优化，确定合理的诊断模型和参数i 研究开发b p 网络故障诊断传感器，实现信息获取与诊断算法一体化，并能 够首先自检，即先排除传感器自身的故障，再诊断系统的故障。 1 4 本文的主要工作 在l1 节中我们已经介绍了液压a g c 系统中，液压缸内泄漏故障诊断的必要 性，以及利用人工神经网络进行液压缸内泄漏故障诊断的可行性。在对液压a g c 东北大学硕士论文第一章绪论 系统的动态特性的分析的基础上，本文进行了大量的理论分析研究及仿真研究工 作，论文的主要工作包括一下几个方面： ( 1 ) 基于神经网络的液压缸内泄漏故障诊断的建模 本文利用能够反映液压a g c 系统中液压缸内泄漏的故障征兆，作为神经网 络的训练样本和测试样本，来训练和测试建立的神经网络模型。神经网络建模包 括输入输出节点选取、训练算法的选取、初始权值的确定、闽值矢量的选取等。 神经网络模型建立以后，要用训练样本对神经网络进行训练，当训练误差达到要 求以后，用测试样本检验神经网络的联想记忆能力能否达到要求。测试样本必须 不包含在训练样本当中。 ( 2 )对b p 神经网络算法进行改进 针对神经网络本身的收敛速度慢，容易陷入局部极小值等缺点，对神经网络 算法进行改进。分别采用可变学习速度算法( t r i a n g d x ) 、带动量及自调整学习率 回传算法( t r a i n g d m ) 、l e v e n b e r g - m a r q u a r d t 回传算法神经网络的改进算法，来 训练神经网络，比较各个算法的对网络训练的速度及精度的差别，找到最适合液 压a g c 系统中的液压缸内泄漏故障诊断的神经网络训练算法。 ( 3 ) 利用b p 神经网络对液压缸内泄漏故障进行诊断 建立故障诊断系统的故障征兆集和故障集，并作好它们的对应关系，作为神 经网络训练样本和测试样本，利用训练样本对故障诊断神经网络模型进行训练， 达到训练误差以后，再用测试样本对训练完成的网络进行测试，以考查网络的联 想记忆能力，若是达到要求即可以用此神经网络进行实际的故障诊断。 1 0 东北大学硕士论文第二章人工神经网络基本原理及应用 第二章人工神经网络基本原理及应用 2 1 神经网络发展史 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s 简称a n n ) 是人工智能的一 个分支，它的研究已有近半个世纪的历史，但它的发展并不是一帆风顺的，而是 经过两起一落中间呈马鞍形的过程，它的发展大体上可分为四个阶段。3 1 3 。 2 1 1 早期阶段 人工神经网络的研究可以追溯到1 8 0 0 年f r e e d 的前精神分析学时期，他做 了一些初步工作。1 9 4 3 年美国心里学家w a r r e nsm e c u l l o c h 与数学家w a t e rh p i t t s 合作，用逻辑的数学工具研究客观事件在形式神经网络中的描述，从此开创 了对神经网络的理论研究。他们在分析、总结神经元基本特征的基础上，首先提 出了神经元的数学模型，简称m p 模型。从脑科学研究来看，m p 模型不愧为第 一个用数理语言描述脑的信息处理过程的模型。后来m p 模型经过数学家的精心 真理和抽象，最终发展成一种有限自动机理论，再一次实现了m p 模型的价值。 此模型沿用至今，直接影响着这一领域研究的进展。 1 9 5 7 年f r o s e n b l a t t 首次提出并设计制作了著名的感知器( p e r c e p t r o n ) ， 第一次从理论研究转入工程实现阶段，掀起了研究人工神经元网络的第一个高 潮。 1 9 6 2 年b e r n a r dw i d r o w 和m a r c i a nh o f f 提出了自适应线性元件网络，简称 为a d a l i n e ( a d a p t i v el i n e a rd e m e n t ) 。它是一种连续取值的线性加权求和阙值网 络，它可以看成为感知器的变形，它实质上是一个两层前馈感知机型网络。它成 功地应用于自适应信号处理和雷达天线控制等连续可调过程。 2 1 22 0 世纪7 0 年代的过渡阶段 进入2 0 世纪7 0 年代后，虽然神经网络相对处于低潮时期，但是仍有不少科 学家在及其困难的条件下坚持不懈地努力奋斗，主要是提出了各种不同的网络模 查j ! 查堂婴主笙苎苎三兰三塑丝塑竺茎查垦里墨堡旦 型，开展了人工神经网络理论、增加网络的功能和各种学习算法的研究等，为今 后研究神经网络理论、数学模型和体系结构等方面打下了坚实的基础。 1 9 7 1 年，芬兰的t u e v ok o h o n v n 开始从事随机连接变化表的研究工作。从 1 9 7 2 年开始，他很快集中到联想记忆( 相关矩阵) 方面。最近，k o h o n e n 已经将 l v q 应用到语音识别、模式识别和图像识别上面。k o h o n e n 的工作已经集中到联 想记忆的三个专题：系统理论方法、相联存储器( 内容可寻址) 和自组织及联想 记忆。 2 1 3 2 0 世纪8 0 年代的新高潮阶段 神经网络研究第二次高潮到来的标志和揭开神经网络计算机研制序幕的是美 国加州工学院物理学家j o h nh o p f i e l d ，他于1 9 8 2 年和1 9 8 4 年在美国科学院院刊 上发表了两篇文章，提出了模仿人脑的神经网络模型，即著名的h o p f i e l d 模型。 h o p f i e l d 网络是一个互相连接的非线性动力学网络，它解决问题的方法是一种反 复运算的动态过程，这是符合逻辑处理方法所不具备的性质。 t e r e n c es e j n o w s k i 于1 9 7 6 年开始从事人工神经元系统方面的工作，他是少 数研究人员中具有强数学和生物背景的一位研究人员。他的第一项工作集中在寻 找对于协方差学习规则的神经逻辑学上的证明。1 9 8 4 年和1 9 8 5 年他与h i n t o n ， a c k l e y 用统计物理学的概念和方法研究神经网络，提出b o l t z m a n n ( 玻尔兹曼) 机。 m c c l e l l a n d 和r u m e l h a r t 是认知心理学家。他们最初感兴趣的是：用人工神 经网络系统模型去帮助理解思维的心理学功能。1 9 8 1 年和1 9 8 2 年经过他们的共 同努力，设计了交互激活模型的第一个a n s 变化表，它被用来解释词的识别。 后来，推广到其他的a n s 结构，并用于并行分布处理( p a r a l l e ld i m f i b u t e d p r o c e s s i n g 。p d p ) 来描述他们的工作，引起了许多其他研究人员的兴趣。1 9 8 6 年 他们提出了多层网络的误差反传算法( b a c kp r o p a g a t i o n ，简称为b p 算法) 。b p 网络是理论最为成熟，也是现在应用最为广泛的网络模型。 2 1 4 2 0 世纪8 0 年代后期以来的热潮 1 9 8 7 年6 月2 1 日在美国圣地亚哥召开了第一届国际神经网络学术会议，宣 告了国际神经网络协会正式成立，与会者1 6 0 0 多人，会上不但宣告了神经网络 1 2 查j ! 查堂堡圭笙奎兰三兰三塑丝婴堑墨查堕望墨窒旦 计算机学科的诞生，而且还展示了有关公司、大学所开发的神经网络计算机方面 的产品和芯片，掀起了人类向生物学习、研究和发展及应用神经网络的新热潮。 在这以后，每年都要召开神经网络和神经计算机的国际性和地区性会议，促进神 经网络的研制、开发和应用。 近期以来，神经网络理论的应用取得了令人瞩目的进展特别是在人工智能、 自动控制、计算机科学、信息处理、机器人、模式识别、c a d c a m 等方面都有 重大的应用实例。下面列出一些主要的应用领域h 1 】： ( 1 )模式识别和图像处理印刷体和手写体字符识别、语音识别、签字识 别、指纹识别、人脸识别、人体病理分析、目标检测与识别、图像压缩和图像复 原等。 ( 2 )控制和优化化工过程过程控制、机器人运动控制、家电控制、半导 体生产中掺杂控制、石油精炼优化控制和超大规模集成电路布线设计等。 ( 3 ) 预报和智能信息管理股票市场预测、地震预报、有价证券管理、 借赁风险分析、i c 卡管理和交通管理。 ( 4 )通信自适应均衡、回波抵消、路由选择和a t m 网络中的呼叫接纳 识别及控制等。 ( 5 )空间科学空间交会对接控制、导航信息管理智能管理、飞行器制 导和飞行程序优化管理等。 神经网络与专家系统相结合已成为重要的发展趋势，这两者的结合能更好地 发挥出各自的专长。目前各国在神经网络的发展方向的重点是以应用为导向，以 发展更高性能的混合计算机为目标。这些计划是以长远发展目标与近期效果相结 合的，充分考虑到了与当前发展技术水平相适应。 在近几年里，我国在人工神经网络的研究方面发展规模大、速度快，而且取 得了不少成果。1 9 8 8 年由北京大学组织召开了第一次国内关于神经网络的研讨 会，一些国际知名学者在会上做了专题报告。1 9 9 2 年中国神经网络委员会在北京 承办了世界性的国际神经网络学术大会。这届大会受到i e e e 委员会、国际神经 网络学会等国际学术组织的大力支持。这标志着我国神经网络的研究工作者第一 次大规模地走向世界这必将会进一步推动我嗣的神经网络研究。 t ， 东北大学硕士论文第二章人工种经网络基本原理及应用 2 2 人工神经网络基本原理 】 x 鲁 3 输入隐单元输出 3 图2 1 神经网络结构模型 f i g 2 1t h em o d e lo fl l o u r a an o t w o r kc o n f i g u r a t i o n 人工神经网络是由大量处理单元组成的非线性大规模自适应动力系统1 3 卯。其 网络结构模型如图21 所示。人工神经网络理论是在现代神经科学研究成果的基 础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式设计一种新的机 器使之具有人脑那样的信息处理能力。同时，对这种人工神经网络的研究将迸一 步加深对思维及智能的认识。人工神经网络是由大量处理单元( 处理元件、电子 元件、光电子元件等) 也就是人工神经元