（计算机软件与理论专业论文）基于神经网络的装载机故障诊断的研究与应用.pdf

基于神经网络的装载机故障诊断的研究与应用摘要 摘要 本文研究基于神经网络的装载机故障诊断的问题，其目的就是通过 装载机信号处理，提取装载机现场工作信息中的故障特征，由神经网络 模型来诊断装载机故障，以此增加装载机技术含量，提高其市场竞争力。 本文首先分析了故障诊断的常用方法及其优缺点；然后设计了装载 机故障诊断的流程，并阐述了流程中一些重要环节的设计和功能；接着 在分析装载机信号的基础上提取了装载机信号的故障特征；随后本文相 继建立了用于装载机故障诊断的b p 神经网络和组合神经网络模型，并比 较两者的优缺，选择更适合装载机故障诊断的模型。在此基础上，论文 设计并实现了装载机故障诊断系统，其功能主要包括：数据采集、信号 预处理、故障特征提取、故障诊断、神经网络训练、知识库管理和用户 管理。论文最后对全文进行了总结，并提出了今后需要进一步研究的内 容。 关键词：装载机，神经网络，信号处理，故障诊断 作者：曹青 指导教师：孙涌 竺! 翌竺 垦! ! ! 竺生竺! 皇婴! 堕苎! ! ! ! ! ! 竺! 里堡塑! ! 堡塑! ! ! ! ! ! g 竺竺! 塑! ! 竺! ! 竺望竺翌! 型! 坐! 坐 a b s t r a c t t h i sp a p e rr e s e a r c ho nl o a d i n gm a c h i n ef a u l td i a g n o s i sb a s e do nn e u r a l n e t w o r k i t s p u r p o s e i st o p r o m o t e t h e h i g h t e c hc o n t e n t a n dm a r k e t c o m p e t i t i o na b i l i t y o fl o a d i n gm a c h i n et h r o u g h l o a d i n g m a c h i n ef a u l t d i a g n o s i su s i n gl o a d i n gm a c h i n es i g n a lp r o c e s s 、f a u l tf e a t u r ee x t r a c t i o na n d n e u r a ln e t w o r k t h i sp a p e rb e g i n sw i t ht h ea n a l y z i n go fe x i s t i n gm e t h o d sf o rf a u l t d i a g n o s i sa n d t h e i ra d v a n t a g e sa n dd i s a d v a n t a g e s t h e ni td e s i g n st h ep r o c e s s o fl o a d i n gm a c h i n ef a u l td i a g n o s i sa n dg i v e st h ef u n c t i o n sa n dd e t a i ld e s i g n s o fs o m ei m p o r t a n tc o m p o n e n t si nt h ep r o c e s s i te x t r a c t sf a u l tf e a t u r e sb a s e d o na n a l y s i so ft h el o a d i n gm a c h i n es i g n a l a f t e rt h a ti tf o u n d st w on e u r a l n e t w o r km o d e l s o n ei sb pn e u r a ln e t w o r km o d e l ；t h eo t h e ri sa s s e m b l e d n e u r a ln e t w o r km o d e l c o m p a r e dw i t ht h ep e r f o r m a n c eo ft h et w om o d e l s ， t h i sp a p e rs e l e c t st h ef i to n ef o rl o a d i n gm a c h i n ef a u l td i a g n o s i s f i n a l l yi t d e s i g n sa n di m p l e m e n t sas o f t w a r es y s t e mn a m e dl o a d i n gm a c h i n ef a u l t d i a g n o s i ss y s t e m ，i t sf u n c t i o ni n c l u d e sd a t ac o l l e c t i o n 、s i g n a lp r e p r o c e s s 、f a u k e x t r a c t i o n 、f a u l td i a g n o s i s 、n e u r a ln e t w o r kt r a i n i n g 、k n o w l e d g em a n a g e m e n t a n du s e rm a n a g e m e n t a tt h el a s tp a r to f t h i sp a p e ri st h ec o n c l u s i o nf o l l o w e d b y f u t u r ew o r k s k e yw o r d s ：l o a d i n gm a c h i n e ，n e u r a ln e t w o r k ，s i g n a lp r o c e s s ，f a u l t d i a g n o s i s i i w r i t t e nb y ：c a oq i n g s u p e r v i s e db y ：s u ny o n g 苏州大学学位论文独创性声明及使用授权声明 x9 5 6 6 0 8u 学位论文独创性声明 本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进行研究工 作所取得的成果。除文中已经注明引用的内容外，本论文不含其他个人或集 体已经发表或撰写过的研究成果，也不含为获得苏州大学或其它教育机构的 学位证书而使用过的材料。对本文的研究作出重要贡献的个人和集体，均已 在文中以明确方式标明。本人承担本声明的法律责任。 研究生签名 娅日期：避：乒 学位论文使用授权声明 苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论文合作部、 中国社科院文献信息情报中心有权保留本人所送交学位论文的复印件和电 子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内 容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅 研究生签名：整氧日期：迎垂： 以 导师签名：摊日期：必蟛、涕 基于神经网络的装载机故障诊断的研究与应用第一章绪论 1 1 研究背景和意义 第一章绪论 工程机械产品中装载机不仅应用最为广泛，而且在国内，其产量和 销量也一直高居榜首。国内装载机市场国内厂商自主品牌的产品占有绝 对优势，但是这些产品技术含量低，只适用于国内用户群，无法在国际 市场上竞争。虽然目前中国装载机行业在国内装载机市场占有率处于垄 断地位，但是随着市场需求向高档装载机倾斜，国内市场由国内企业之 间竞争的格局将会打破，国外知名厂商会凭借产品的性能、质量和服务 的优势和中国加入w t o 后的有利时机在国内市场与国内企业展开竞 争。装载机行业在今后的发展过程中会不会重蹈挖掘机行业的衰退覆辙， 这是摆在我们面前的一个十分严峻和现实的问题。考虑到国家继续执行 扩大内需的积极财政政策，加大对交通、能源、水利、环保等基础设施 建设的力度和西部大开发战略正在加快实施，青藏铁路、南水北调、西 电东送、西气东输等一系列国家重点项目刚刚进入施工高峰期等因素， 如果国产品牌的装载机能在同类产品的价格优势下，进行技术提升，提 高产品科技含量，发展成为智能化的工程机械产品，不仅可以适应国家 发展的需要，而且也可以提高市场竞争力。 国内厂家生产的装载机与国外同类产品相比较而言，由于动力、液 压、传动部件进行国际化采购，技术水平与国际先进技术水平差距不大， 整机主参数与国际先进技术水平相当，主要差距表现在基于以电子技术 为平台的信息技术、自动化技术和人工智能技术方面。国外各著名工程 机械制造商，通过自行研制开发和技术买断等方式，将这些技术作为核 心技术控制在自己的手里，从而阻断了中国装载机行业通过国际化采购 渠道来实现技术进步的捷径。中国装载机在国内市场国际化竞争的环境 下，最终将抵御不了高新技术的冲击。研制智能化的装载机是反击的必 由之路。 智能化装载机的一个必备条件就是装载机的故障诊断。随着工程的 规模和复杂程度的提高，装载机经常被要求工作于恶劣的环境和一些人 第一章绪论基于神经叫络的装载机故障诊断的研究与应用 类能力所不及的施工现场从事土石方工作，从而加强了装载机的工作强 度，装载机发生故障的可能性也随之增大。装载机一旦发生故障小则影 响工程进度，大则发生事故造成严重的经济损失，所以故障诊断技术一 直以来都备受关注。现代装载机结构复杂，元部件精密，故障类型也层 出不穷，传统的诊断技术往往不能准确的进行诊断，所以往往需要借助 仪器、计算机和人工智能理论等手段来进行故障诊断，及时发现和维修 装载机的故障，避免损失。国内外各著名的装载机生产厂家都积极投入， 研究先进的装载机故障诊断技术，因为它是提高装载机的技术含量和市 场竞争力的有力砝码。 1 2 国内外研究现状 国外装载机技术已经达到相当高的水平，信息技术的飞速发展又给 装载机技术的发展插上了飞跃的翅膀。基于微电子技术和信息技术的计 算机监控和故障诊断，使得国外装载机在原来基础上更加精制；其自动 化程度也得到提高，进一步提高了生产效率，使其性能、安全性、可靠 性、操作性都更上一层楼。 国外研制的装载机计算机监控和故障诊断管理系统监控装载机数十 项参数，记录并处理装载机各种信息，利用无线数据传输把部件工作状 态和故障提示信息显示在装载机液晶显示器上，以听觉和视觉相结合的 方式提醒司机的注意。 卡特彼勒公司( c a t ) 【l 】的开发的f 系列和g 系列装载机安装有电子 计算机监控系统( c m s ) ，用于取代e 系列装载机上安装的电子监控系 统( e m s ) 。司机台上装有条形液晶显示器，该系统能同时监控发动机 燃油温度、冷却水温、变速箱油温、液压油温等1 1 种参数的功能，同时 具备故障诊断能力并可通过液晶显示器向司机提供三级报警。1 9 9 8 年推 出的c a t 9 5 0 g 计算机监控系统还具备指导诊断系统和以维修工具为基 础的c a t 软件包，使维修人员用笔记本电脑能迅速而容易地诊断和排除 故障。c a t9 9 2 g 在监控装载机各功能状况并做出诊断的同时还能把这 些信息数据记录下来，无线发送到办公室利用计算机进行分析，将故障 防患于未来。c a t9 9 4 d 功能进一步完善，可密切监控装载机的健康状 态并做出诊断，通过集成网络控制系统根据出错信息提示司机故障原因， 基于神经网络的装载机故障诊断的研究与应用 第一章绪论 该系统已经安装在l 1 3 5 9 0 型矿用装载机上。沃尔沃公司( v l o v o ) 2 1 的 l 系列装载机也安装有m a t r i s 软件包，用以监控和分析装载机的工作状 态，其小型装载机上的电子伺服控制及信息系统( e s i s ) ，由液晶显示 屏和键盘组成，用来显示和记录各种信息，其自动诊断功能记录其故障 并存储所有相关信息。凯斯( c a s e ) 2 1 公司的2 1 b 、c 系列装载机采用 计算机监控系统，其微处理器安装在司机座椅的右侧，具有故障诊断和 工作状态液晶显示功能。阿特拉斯公司( a t i l a s ) 【】推出的5 5 、6 5 、7 0 和8 0 型装载机配有一个a d s 系统，可为司机提供故障类型、原因等重 要的技术信息。 美国国家仪器公司开发了l a b v i e w 虚拟仪器技术，集仪器控制、 数据采集、数据分析、数据显示等领域，并适用于w i n d o w s3 1 9 5 9 8 、 w i n d o w sn t 、m a c i n t o s h 、u n i x 等多种不同的操作平台。l a b v i e w 使 得虚拟仪器和计算机系统的结合成为可能，为提高网络故障诊断的准确 性、引入智能控制( 神经网络) 等成为可能，诊断效果更加理想。 国内一些主要的工程机械生产厂商和科研单位都已参加了智能化工 程机械的研究开发工作，如徐州工程机械集团有限公司、柳州工程机械 集团股份有限公司、三一重工股份有限公司、天津工程机械研究院，目 前已经完成了装载机单机的智能化改造，并掌握机群智能化工程机械系 统的设计和制造技术，下一步目标将是自主开发的机群智能化装载机在 实际工程操作中的应用。 相比较而言，国外装载机的计算机监控和故障诊断已经趋于成熟， 国内的装载机计算机监控和故障诊断还处于技术研究和实验阶段，还需 要完善系统的稳定性，提高其实用价值，融入到装载机的实际生产中去， 两者还有一定的差距。 1 3 装载机故障诊断技术研究综述 装载机故障通常依赖于维修人员的经验利用主观诊断方法进行诊 断。随着信号处理和人工智能技术的发展，现代装载机的故障诊断中越 来越多的运用到信号处理与人工智能这些技术。 第一章绪论 基于神经网络的装载机故障诊断韵研究与应用 1 3 1 主观诊断方法 主观诊断方法是利用简单仪器，凭借个人实践经验，找出装载机故 障发生的部位和原因。主观诊断方法方便快捷，但是由于个人的感觉不 同，判断能力和实践经验的差别，诊断结果也会不同。主观诊断方法适 合诊断装载机的一些简单的故障。通常通过以下方法进行诊断： 1 视觉诊断：通过观察装载机执行机构的运动速度、装载机系统各 测点数值、油液、各接头处是否渗漏、活塞杆或工作台等运动部 件的振动情况来确定压力有无波动，油是否变质，油粘稠度是否 合格，运动部件有无跳动冲击等异常现象，从而判断装载机有无 故障。 2 听觉诊断：通过倾听装载机系统噪声、各部件换向的冲击声、泄 漏声来确定系统噪声、冲击声是否过大，油路板内部有无细微而 连续不断的声音，从而判断装载机有无故障。 3 触觉诊断：通过触摸，感觉装载机的油温、振动、松紧度来确定 是否油温过高，运行部件和油管有无振动，从而判断装载机有无 故障。 1 3 2 基于信号处理的诊断方法 基于信号处理的诊断方法是以传感器技术和动态测试技术为手段， 以信号处理为基础的诊断技术。这种诊断技术是装载机故障诊断方法研 究的一个十分活跃的分支，在装载机故障诊断中发挥着极其重要的作用。 装载机现场工作时，装载机信号通过各部件上安装的传感器采集。 采集的信号是装载机信息的载体，包含了丰富的信息。传感器的输出信 号经采样和a d 转换为数字信号传送入计算机，这样的信号往往需要预 处理才能交付给后面的应用程序使用。信号预处理利用数字信号滤波对 信号进行平滑，提高其有用信号的比重，消除和减少干扰和噪声。信号 可以从幅值域、频率域、时间域来描述。它们之间可以通过一定的数学 运算进行转换。通过分析装载机无故障工况和故障工况下各部件信号在 这三个域上的特性，可以归纳出信号故障特征与故障源之间的关联。傅 立叶变换是信号处理中常见的数学变换，它是把信号从时域变到频域分 基于神经网络的装载机故障诊断的研究与应用 第一章绪论 析的数学手段。通过傅立叶变换进行故障诊断的例子很多，例如，t t l e t 3 】 利用动态压力信号的倒频谱分析方法来提取液压系统的泄漏故障特征， 诊断故障，取得满意结果；王文林 4 1 利用频谱分析方法对轴向柱塞泵进 行故障诊断；n f r e e b o d y 5 l n 立频谱分析取出故障特征量，对电液压力控 制系统的故障进行诊断，并且把这个诊断方法成功应用到实际生产过程 中。傅立叶变换主要针对周期信号或平稳的随机信号，在满足此条件的 情况下它将是一种十分有效的故障诊断方法。傅立叶变换也有固有的缺 陷，它只能给出信号频域上的信息，无法给出信号在时域上的信息。针 对非平稳信号的处理和分析，近年来，小波分析成为强有力的工具来分 析信号的非平稳性和突变性，进而诊断故障，取得了满意结果。 现代装载机结构日益复杂，故障类型层出不穷，基于信号的装载机 故障诊断对故障的分类相对来说过于简单，同时，它的信号检测手段和 诊断方法大多是利用装载机所表现出来的特征信号来诊断故障，未能有 效地考虑多故障同时发生和各故障间可能存在的相互联系和影响，故障 分类精度不高。因此基于信号的故障诊断技术必须寻求与人工智能技术 的结合，以解决日益复杂的装载机系统故障诊断问题。 1 3 3 基于人工智能的诊断方法 装载机故障的多样性、突发性和复杂性，以及进行故障诊断所需要 的知识对领域专家的实践经验和诊断策略的依赖，使得基于人工智能的 装载机故障诊断成为当前的研究热点。基于人工智能的装载机故障诊断 方法的基础是知识处理，它的主要内容是知识表示、知识获取和知识运 用。基于人工智能的故障诊断就是有效地获取、传递、处理、再生和利 用诊断信息，从而具有对给定状态下的诊断对象进行有效的故障诊断能 力。目前国内外关于人工智能的诊断方法研究成果很多，不过投入实际 运行的还不多见。基于人工智能的诊断方法主要包括基于神经网络 【6 】切【哪! 1 i 的方法、基于模糊系统和模糊集的诊断方法和基于专家系统的方 法。 神经网络由于其本身的特性在故障诊断中被广泛采用。训练过的神 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， 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 第一章绪论基于神经捌络的装载机故障诊断的研究与应用 比较，以确定故障；人工神经网络可以在有噪声的情况下滤出噪声得出 正确的结论；人工神经网络具有分辨原因及故障类型的能力。 近年来，基于神经网络的故障诊断虽然取得了成效，但是仍然存在 着许多问题有待研究和解决： 1 多故障同时诊断中的故障组合爆炸问题，故障的组合将使解的搜 索空间变得非常巨大，从而使诊断求解的工作量增大，甚至大到 不能实现的程度。 2 现代装载机发生的故障类型层出不穷，当新故障出现的时候，神 经网络需要抹去记忆，重新训练，学习能力和扩展性不强。 组合神经网络【7 】【1 0 l 在这样的客观情况下应运而生，组合神经网络由 多个子神经网络组成，子神经网络将单神经网络的诊断任务分解，负责 诊断对象中某个子系统的故障。子神经网络结构简单，训练所需样本少， 训练成功迅速。当装载机出现新的故障的时候，组合神经网络可以添加 新的子网络来处理。 基于人工智能的诊断方法在多故障的诊断中具有很大的优越性，但 对该诊断方法的研究偏重于对故障特征的分类上，基于信号处理的诊断 对故障的分类又过于简单，如果能把两者结合，发挥各自的优势，势必 能提高故障诊断的准确率和诊断效率。本文即探讨了怎样结合信号处理 和神经网络来诊断装载机故障。拟对装载机系统信号的处理，故障特征 提取，单神经网络诊断装载机故障，组合神经网络诊断装载机故障作详 细讨论，并实现装载机故障诊断系统。 1 4 课题来源及本文主要研究工作 本文结合广西柳工机械股份有限公司联合苏州大学、华中科技大学、 桂林电子工业学院申请的8 6 3 计划“装载机远程服务系统与智能化挖掘 机”课题部分工作就基于神经网络的装载机故障诊断进行深入研究，主 要研究内容如下： 1 系统评述了装载机故障诊断在国内外的发展状况，论述了课题的 研究意义。 2 设计装载机故障诊断的流程以及流程中重要的环节，包括：机载 数据采集模块、远程通信模块、装载机通信协议、诊断中心。 基于神经网络的装载机故障诊断的研究与应用第一章绪论 3 利用数字信号滤波，快速傅立叶变化处理装载机信号，通过对装 载机无故障工况和故障工况下所采集信号的时域和频域的分析， 提取信号的故障特征，并实现了装载机信号分析软件。 4 构建用于装载机故障诊断的b p 神经网络和组合神经网络，比较 两者间的优缺点，确定使用何种网络来诊断装载机故障。 5 在上述基础上开发装载机故障诊断系统。系统主要完成如下功 能：采集装载机信号，提取信号故障特征，利用神经网络诊断装 载机故障并给出故障原因、外在现象和故障解决对策。此外，系 统还具备神经网络训练、知识库管理和用户管理功能。 根据上述内容，本文分为七章进行讨论。 第一章是绪论部分，主要介绍了课题的背景意义、国内外研究现状、 课题来源、课题的主要研究内容和论文组织结构。 第二章为相关技术介绍，介绍了本文涉及的信号处理技术和神经网 络技术。 第三章为装载机故障诊断流程的分析和设计，这章详细介绍了装载 机故障诊断流程以及诊断流程中一些重要的细节设计。 第四章为装载机信号处理与故障特征提取，这章运用信号处理技术 处理了装载机信号并通过分析提取了装载机故障特征。 第五章为装载机故障诊断的神经网络的构建和仿真训练，这章构建 并训练了b p 神经网络和组合神经网络，比较两种网络的优缺点，确定 了装载机故障诊断使用何种神经网络。 第六章为装载机故障诊断系统的设计与实现，这章设计了系统整体 结构和系统中的主要模块，并给出相应的故障诊断运行实例来说明系统 的实现。、 第七章为总结和展望，这章从总体上总结了本文所研究内容的解决 方法，并讨论了该方法需要进一步完善的地方以及下一步该做的工作。 基于神经网络的装载机故障诊断的研究与应用笫二章信号处理与人工神经网络概述 2 1 引言 第二章信号处理与人工神经网络概述 装载机信号主要使用了快速傅立叶变换和数字信号滤波对之进行处 理，并在此基础上提取其故障特征。人工神经网络以故障特征为输入对 装载机故障进行推断。本章主要对本文使用的信号处理和人工神经网络 理论作些介绍。 2 2 信号处理 信号处理就是运用数字信号滤波、快速傅立叶变换等方法对采集的 信号进行处理，它是故障特征提取的前提，是故障诊断中的一个重宴环 节。 2 2 1 信号处理与特征提取 实际应用中，故障与征兆之间往往不存在简单的一一对应关系，一 种故障对应多种故障，一种征兆也可能是由于多种故障所致。通常可以 借助信号处理等手段从采集的原始数据中加工特征信息，提取故障特征， 从而保证有效、准确的进行故障诊断。信号处理、特征提取是故障诊断 中必不可少的一个重要环节。 信号在采集过程中，常常因为冲击等因素的干扰，夹杂噪声。由于 噪声的影响使得有用信号的成分减弱，增加了特征提取的难度。通常可 以使用数字信号滤波来对信号进行处理，突出有用信号。 特征提取常常会直接利用时域信号进行分析并给出结果，这是最简 单且最直接的方法。进行时域信号波形分析时，主要采用如下特征：幅 值、方差和平均幅值、周期等等。频谱是在频域中对原始信号分布情况 的描述，通常能够提供比时域波形更加直观的特征信息。频谱被广泛用 作为故障诊断的依据。频谱可以通过傅立叶变化的方式获取。频谱分析 时，应当关注幅值较高的谱峰，分析产生这些频率分量的原因。频谱中 第二章信号处理与人r t 神经网络概述基于神经网络的装载机故障诊断的研究与应用 有些分量虽然较大，但是不随时间变化，对机器正常运行不会构成威胁， 相反有一些幅值较小，但是增长很快的分量往往预示着故障的产生和发 展。本文将分析装载机信号时域波形，并利用快速傅立叶变换( f f t ) 将 时域信号转换成频域信号，分析信号的频谱来提取信号的故障特征。 2 2 2 数字信号滤波 夹杂噪声的信号要进行数字滤波，可以运用高通或者低通滤波，分 别滤去低频或高频噪声：也许只处理某个频带内的信号，则需要带通滤 波器。 装载机连续信号变化缓慢且受到随机噪声干扰，可以使用低通滤波 器对它进行平滑处理，消除噪声。通常可以利用信号中某一点周围的平 均值代替该点，由于周围点值与该点的值差别不大，平均只会减少噪声 而不会给该点值带来太大偏差。本文选用s a v i t z t c y g o l a y 低通滤波器( s - g 滤波器) 】对装载机连续信号进行滤波。s g 滤波器不像通常那样先在 频域中定义特性，然后转到时间域，它是直接来自时间域内数据平滑问 题的特殊公式。s g 滤波的设计思想是寻找合适的滤波系数。一以保护高阶 矩，在对基础函数进行近似的时候，不是用常数窗口，而是用高阶多项 式。对每个点，t ，利用最小二乘方拟合，将窗口内所有点拟合成一个多 项式，然后令滤波后数据点g 为多项式在i 点的值。当窗口移动到下一点 ，“时，将对新窗口进行新的最小二乘方拟合。最小二乘方拟合相当复杂， 由于最小二乘方拟合过程仅涉及一个线性矩阵取反，则拟合多项式本身 与数据值成线性关系数。可以事先对一组假设值做拟合，然后通过线性 组合来拟合真实数据。s g 滤波器的关键是存在一组特殊的滤波系数“， 它能自动完成活动窗口内的最小二乘方拟合。 假设在第i 窗口中对值j c l 一拟合一个m 阶多项式 口0 + q h + 口m ，“，以下是滤波后数据点g ，推导过程。 a 口= i ( 2 1 ) ( 2 2 ) 基于神经网络的装载机故障诊断的研究与应用第二章信母处理与人工神经网络概述 乜7 4 l = 乜r 厂l ：艺， c 。= ( 4 7 4 ) 。) h “ m ，0 0 n l 铲兰c 。z 。 其中+ 吼窗口宽度，m 为多项式最高阶数，i 2 一玎”， 2 2 3 傅立叶变换 ( 2 3 ) ( 2 4 ) ( 2 5 ) ( 2 6 ) ，= o ，一。 一个物理过程既可以在时域内，通过物理量“作为时间，的函数州， 来描述，也可以在频域内，通过振幅作为频率，的函数爿uj 来描述。 在许多情况下把厅w 和爿l ，考虑为同一种函数的两种不同表达方式是很 有用的，傅立叶变换可以实现这两个表达式间的相互转变。在实际工作 中，几乎从来不给出一个连续函数”t t ) 来计算，而是给出离散集，上一系 列测量值“，。 离散傅立叶变换( d f t ) 是连续信号经过采样和a d 转换后的时域 数字信号转换到频域的工具，它实质上是把离散信号分解成为许多不同 频率的正弦波的叠加和。离散信号的频谱通常能够反映信号在时域所不 能体现的特征，频谱分析是特征提取的重要手段。以下是计算信号 ( 七= o n 一1 ，n 为采样点数) 标准的d f t 公式。 一1 日。= “h k i ；o ( 2 7 ) w = e 2 别” ( 2 8 ) d f t 呈现d ( 2 ) 过程，对于n 大的值，d f t 运算量相当大，必须研 究快速的傅立叶算法。 事实上已经研究出来的快速傅利叶变换( f f t ) 1 1 k i 需o ( n l o g z ) 次 运算，f f t 与d f t 之间的运算量差别是巨大的。f f t 的本质是把界长n 第二章信号处理与人工神经网络概述基于神经网络的装载机故障诊断的研究与应用 的d f t 计算适当简化成为两个界长n 2 的d f t 计算。f f t 假设n 为以2 为底的正整数方次，这样分为两组，偶数一组，奇数一组。可以再做 同样的简化，递归使用。f f t 的简单证明如下。 r - 1 h ，= e 矿“fn h k k = 0 = e e 2 州2 州h 2 ie e 2 州2 h 2 i + i k = 0士k = 0 ，2 - l 2 一i = p 2 “m ”h 2 w ”e 2 ”州2 吃 k = 0+i - 0 2 + 彤 ( 2 9 ) 孵是中偶分量得到的，界长为n 2 的d f t 变换的第n 个分量； 而彤是由奇分量得到的界长为n 2 的对应变换。 2 3 人工神经网络 人工神经网络是在现代神经学研究成果的基础上发展起来的。人工 神经网络是一种模仿人脑信息处理机制的网络系统，它由大量简单的人 工神经元广泛连接而成的；它虽然不是人脑神经系统的逼真复制，但确 实反映了人脑功能的若干特性，它可以完成学习、记忆、识别和推理等 功能。 2 3 1 生物神经元 神经元是大脑的建筑材料，人类大脑皮层大约由1 0 “个神经元组成， 每个神经元约有1 0 4 个连接。神经元由细胞体、轴突和树突组成。树突是 树状的神经纤维接受网络，它将电信号传送到细胞体，细胞体对这些信 号进行整合并进行阈值处理。轴突是单根纤维，它把细胞体的输出信号 导向其他神经元。一个细胞体的轴突和另一个细胞体的树突的结合点称 为突触。神经元的排列和突触的强度确定了神经网络的功能。 神经元具有时空整合功能，对于不同时间通过同一突触传入的神经 冲动具有时间整合功能，对于同一时间通过不同突触传入的神经冲动具 基于神经网络的装载机故障诊断的研究与应用 第二章信号处理与人工神经网络概述 有空间整合功能。传入神经元的神经冲动经过时空整合，导致神经元的 两种常规工作状态：兴奋和抑制。神经元处于兴奋状态是由于时空整合 结果使得细胞膜电位升高，超过闽值。神经元处于抑制状态是由于时空 整合的结果使得细胞膜电位下降低于阈值。突触对神经冲动的作用可增 强或减弱，甚至达到饱和，这就是神经元的可塑性，所以神经元具有相 应的学习功能，遗忘或者饱和效应。 随着脑科学和生物控制论研究的进展，人们对神经元结构的功能有 了进一步的了解，神经元并不是简单的双稳态逻辑元件，而是超级微型 生物信息处理机。神经元细胞含有复杂的结构，某些结构可能构成记忆 对象的载体。神经元之间由不同的频谱、不同的持续时间、不同能量的 电信号以及化学反应，以特殊的编码传递复杂的生物信息。神经元结构 在受到上述能量传递后，将发生结构、组合状态和能量的改变，作为对 接受到的生物信息的响应。 2 3 2 人工神经元 神经网络的信息处理由功能由神经元之间相互作用来实现。知识与 信息的存储表现为网络元件互连间分布式的物理联系。网络的学习和识 别决定于各种神经元件联结权系数和动态演化过程。 神经元一般是一个多输入、单输出的非线性器件，其结构如图2 1 。 赣 神疑元 ! a = f i w p 嘲 图2 1 人工神经元结构 图中，神经元拥有r 个输入p ( a ，p 2 ，p r ) ，分别对应权值矩阵w 。 w p 与偏置值一起送入累加器后得到净输入n ，它被送入一个传输函数， 第二章信呼处理与人工神经网络概述燕于神经删络的裟载机放障诊断的研究与麻用 在中产生神经元的标量输出a 。 神经元的实际输出取决与所选择的特定传输函数。常见的有三 种：硬极限传输函数、线性传输函数、对数一s 形传输函数。 对数一s 形传输函数的输入在( ，+ 。o ) 之间取值，输出在0 到1 之 间。对数一s 形传输函数是可微的，反传算法( b p ) 训练的多层网络常 采用该传输函数。 2 3 3 人工神经网络的结构和特点 由大量神经元广泛互连构成了人工神经网络，根据人工神经网络对 生物神经系统的不同组织层次和抽象层次的模拟，可以组成各种层次的 人工神经网络模型。本文将利用多层前馈人工神经网络进行装载机故障 诊断。图2 - 2 是一个多层前馈神经网络的结构。 图2 2 多层前馈人工神经网络的结构 前馈神经网络通常由输入层、隐层和输出层组成，隐层层数可以为 根据实际问题而确定。 人工神经网络在信息处理上有自己独特的优点，相对计算机来说有 一定的优势。 1 并行性。计算机处理信息的方式为串行处理，处理速度快，但是 处理的信息是有限的。计算机与存储相互独立，存储器与运算器 基于神经网络的装载机故障诊断的研究与应用 第二章信号处理与人工神经网络概述 之间的通道是计算机的瓶颈。人工神经网络中的神经元之间有着 大量的相互连接，信息输入之后可以很快地传递到各个神经元进 行并行处理，运算效率非常高。 2 自学习，自组织性。人工神经网络具有很强地自学习能力，系统 可以在学习过程中不断完善自己，具有创造性。 3 联想记忆功能。在网络训练地过程中，输出端给出要记忆的模式， 通过学习合理地调节网络中的权系数，网络就能记忆所输入信息。 4 具有很好的鲁棒性和容错性。人工神经网络中，信息的存储分布 式的存在整个网络中相互连接的权值上，少数的神经元损坏或者 断几根连接线，只会降低系统性能，但是整个系统不会遭到破坏。 2 3 4 人工神经网络的学习方式 人工神经网络的学习过程可以分为有导师学习和无导师学习。有导 师学习是指待诊断的模式类别属性已知，对于每次模式样本的输入，输 出端都有一个对应的指导信号与其属性匹配。基于输出端监督信号和实 际输出的某种准则，不断调整网络的连接权值，使得网络输出端的输出 与监督信号的误差逐渐减小到要求的限度内。无导师学习是指待诊断模 式类别属性未知，网络结构和连接权值根据某种聚类法则，自动对周围 环境的模式样本进行学习与调整，直至网络的结构和连接权值能合理地 反映训练样本的统计分布。 本文将利用b p 算法【7 】【1 2 】【1 3 1 对三层前馈神经网络进行训练，以下介绍 b p 算法。 b p 算法是一种有导师学习算法。b p 的学习过程由正向传播和反向 传播两部分组成，正向传播过程中，输入从输入层经过隐层神经元的处 理后，传向输出层，每一层神经元的状态只影响下一层神经元。如果输 出层得不到期望的输出，则转入反向传播，此时误差信号从输出层向输 入层传播并沿途调整各层间连接权值和闽值，以使误差不断减小，直到 达到精度要求。该算法实际上是求误差函数得极小值，通过多个样本的 反复训练，采用最快下降法使得权值沿着误差函数负梯度方向改变，并 收敛于最小点。 假设一是输入层第i 输入，w 。为隐层第j 个神经元与输入层第i 个神 第二章信号处理与人工神经网络概述基于神经网络的装载机故障诊断的研究与应用 经元之间的权值，v 。为输出层第k 个神经元与隐层第j 个神经元之间的权 值。y 。为输出层第k 个实际输出，输出层第k 个神经元期望输出为y ，。e 。， 为训练目标函数。 b p 算法得正向传播过程叙述如下。 输入层单元i 的输出值o ，等于输入值，对于隐层( 隐层数为l 的情 况) 的第j 个单元，其输入值n e t 。等于输入层各单元的输出值0 ，的加权和， 隐层神经元输出函数为s i g m o i d 函数f ，输出值为口。 n e t j = w f l 0 + 只 ( 2 1 0 ) 巳2 f ( n e t j ) 2 瓦丽1 ( 2 1 1 ) 输出层神经元的输出函数为线性函数，输入值等于输出值，对于第k 个输出单元，输出值为n 等于隐层各单元的输出值口，的加权和。 y 。= y v 。a ， ( 2 1 2 ) b p 算法得反向传播过程叙述如下。 第k 个输出层神经元误差e 可以由期望输出和实际输出求得。 e k = 妻( 卜j ，。) 2 i ( 2 i3 ) 输出端总的平方误差瞬间值为e 。 e = e k ( 2 1 4 ) 上式中c 一所有输出单元的集合。 。 b p 学习算法采用梯度下降法调整权值，每一次调整量为。 = 一叩瓦o e k ( 2 1 5 ) 上式中叩称为学习率，o 叩 1 。由此可以得到权值修正量的公式。 输出层第k 个神经元和隐层第j 个神经元之间的连接权值的调整量为”目。 基于神经网络的装载机故障诊断的研究与应用第二章信号处理与人工神经网络概述 隐层第j 个神经元和输入层第i 个神经元之间的连接权值的调整量为。 a v 目= r a 口( 2 1 6 ) 巩= y k ( 1 一y k ) ( f 。一y k )( 2 1 7 ) 蛳i t = q 8 i o i 钆= 口月一口，) a 。v 目 假设训练集中样本总数为n ，则学习的目标函数为 = 专善鼬， ( 2 1 8 ) ( 2 1 9 ) f 2 2 0 ) 上式中n 一迭代次数 实际应用中，训练时输入样本，每输入一次全部样本为一个训练周 期，学习要一个周期一个周期地进行，直到目标函数达到最小或者规定 的误差范围。 2 3 5 反向传播( b p ) 算法的改进措施 在实际应用中b p 算法存在两个主要的问题：网络训练的收敛速度 慢、目标函数存在局部极小。 为了加快网络训练的收敛速度，提出了许多措施： 1 各权值和阂值的起始值应选为均匀分布的小数； 2 当用b p 网络作为分类或函数逼近的时候需要作些前处理，例如， 变量维数压缩、变量归一化； 3 在设置训练样本的理想输出分量时，可以设置成为接近0 ，1 的数， 而不直接取为0 ，1 ； 第二章信号处理与人工神经网络概述基于神经网络的装载机故障诊断的研究与应用 4 每一周期的训练样本的输入顺序都要重新随机排序。 为了解决目标函数局部极小的问题，通常我们加入动量项： a w ( n ) = a a w j , ( n 一1 ) + r i o ，0 ，0 口 1( 2 2 1 ) 上式中第一项称为动量项，第二项是常规b p 算法的修正量。动量项 的引入可使网络权值的变化不仅反映局部的梯度信息，而且反映误差曲 面附近的变化趋势。动量项在一定程度上可以解决局部极小的问题，但 网络训练速度仍然很慢。 2 4 组合神经网络 单人工神经网络通过多类故障样本学习，可以记住故障的特性，进 行故障诊断，但是单人工神经网络的缺点很明显。单人工神经网络需要 大量的样本来实现多个故障的诊断，然而构造大量且有效的样本很困难。 单人工神经网络往往结构复杂，难以训练。单人工神经网络对新故障的 接受能力很差，需要对网络进行重新训练。组合神经网络的出现解决了 上述问题，它把单人工神经网络的诊断任务分解，利用多个子神经网络 来取代单神经网络。子神经网络由于只负责一类故障的诊断，所以结构 相对单神经网络简单，训练成功迅速而且只需要组织少量的样本，使得 工作量大大下降。图2 3 是单神经网络把诊断任务分解由组合神经网络完 成的示意图。 基于神经网络的装载机故障诊断的研究与应用第二章信号处理与人工神经网络概述 羹 鎏 f 一一一一一l一 删竺一 l -敞掉特扯2 t 一t t , - + l ： | l 被障特祉” i - 叫 i 蜘 图2 3 单神经网络故障诊断任务分解 组合神经网络中各个子网络互不干扰，它对于新的故障通常是增加 新的子网络来进行处理，不影响原有的网络。本文第五章将设计用于装 载机故障诊断的单神经网络和组合神经网络，通过仿真训练的数据和误 差曲线来比较它们之间的性能。 基于神经网络的装载机故障诊断的研究j 应用 第三章装载机故障诊断流程的设计 3 1 引言 第三章装载机故障诊断流程的设计 本章设计了装载机故障诊断的流程，包括对装载机采集模块、装载 机远程通信模块、装载机通信协议、故障诊断中心的设计。 3 2 装载机故障诊断流程 柳工z l 5 0 g 型装载机通过改造作为本课题的实验样机。z l 5 0 g 装载 机铺设了c a n 总线，在各个部件加装了传感器接口，并安装了数据采集 模块和数据远程传输模块。装载机故障诊断是利用数据采集模块采集装 载机故障现场工作数据后传输到故障诊断中心，由诊断系统来诊断故障， 然后反馈给装载机其故障类型、原因和可能的对策。 装载机故障诊断模式共有三种：远程故障诊断、短程无线故障诊断、 便携机。装载机故障诊断的流程见图3 1 。 图3 1 装载机故障诊断流程 1 9 第三章装载机故障诊断流程的设计基于神经网络的装载机故障诊断的研究与应用 装载机远程故障诊断的方式有装载机请求进行诊断以及诊断中心主 动进行诊断。这两种方式都是利用装载机上安装的传感器，c a n 总线和 数据采集模块采集装载机现场工作的信息，d s p 主控器与远程通信模块 交互，通过g p r s 网关连接到i n t e m e t ，将现场工作信息发送到诊断中心， 诊断中心接收到信息后，进行数据预处理并提取故障特征，人工神经网 络根据提取的故障特征进行故障推理，结合无故障数据库以及故障知识 库诊断出装载机故障并提示故障现象、原因和解决对策。诊断中心然后 把诊断结果远程传输到装载机，在驾驶室中安装的液晶显示器上显示。 在无线通信网络信号覆盖范围以外工作的装载机，便携机可以连接 到机载数据采集模块的r s 2 3 2 串口，从而得到其现场工作信息，由便携 机上安装的诊断系统进行诊断，或者通过i n t e r n e t 回传信息到诊断中心， 由诊断中心进行诊断得出诊断结果。 短程的无线故障诊断通过便携机以无线数传模块与装载机进行信息 交互，得到现场工作信息，由便携机专家系统进行诊断，或者通过i n t e m e t 网回传数据到诊断中心，由诊断中心进行诊断得出诊断结果。 3 3 数据采集模块 柳工自主开发的机载数据采集模块，用于对装载机进行智能化改造。 数据采集模块主要功能是采集装载机现场工作信息并与数据传输模块进 行交互。 3 3 1 数据采集模块结构 z l 5 0 g 型装载机部件上安装的各种类型的传感器用于采集部件产生 的信号。整机铺设的c a n 总线用来进行数据交换和信息传输。装载机数 据采集模块通过c a n 总线得到装载机发动机工作状态参数，收集传感器 的采集的信号后利用c a n 总线与信号传输的各个模块交互，根据外部指 令把采集的信号传送到指定的信号传输模块，如图3 2 。 图中数据采集模块由d s p 主控器、液晶仪表和键盘输入装置、电器 集中控制器等组成。装载机数据采集模块是装载机故障诊断所需信息的 来源，它采集信息的准确性以及工作的稳定性决定了故障诊断是否能正 基于神经网络的装载机故障诊断的研究与应用第三章装载机故障诊断流程的设计 常运行，诊断结果是否准确。 图3 2 装载机数据采集模块 3 3 2d s p 主控器的功能 d s p 主控器是装载机的控制核心，其主要具备的功能是： 1 对传感器输入的信号进行实时采集和数据处理。 2 通过s p i 总线对集中控制器和液晶显示器进行数据交换和控制。 3 通过c a n 总线获取发动机的工作状态和参数以及故障代码。 4 通过c a n 总线与g p r s 通讯，响应服务器的数据请求和