基于工程机械液压装置故障诊断的仿真研究

王颖娴

摘 要： 针对工程机械液压系统，在分析了机械液压装置故障诊断现状的基础上，提出了一种基于多网络模型的故障诊断方法。应用该方法时需先针对多个目标故障建立对应动态回归神经网络目标故障模型，并得出各目标故障模型的检测阈值，在此基础上将测试故障样本代入各目标故障模型中，最终故障类型根据其残差平方所在阈值范围确定。为进一步完善诊断与维护工程机械液压故障提供参考。

关键词： 工程机械液压系统; 故障诊断; 广义回归神经网络

中图分类号： TU 603      文献标志码： A

Abstract： Based on the analysis of the status quo of mechanical hydraulic equipment fault diagnosis， this paper proposes a fault diagnosis method based on multi-network model. When this method is applied， it is necessary to complete the corresponding dynamic regression for multiple target faults. A neural network target failure model is established， and the detection thresholds of each target failure model are obtained. On this basis， the test failure samples are substituted into each target failure model， and the final fault type is determined according to the threshold range in which the residual square is located. The test result provides a reference for further improving the diagnosis and maintenance of engineering machinery hydraulic faults.

Key words： engineering machinery hydraulic system; fault diagnosis; generalized regression neural network

0 引言

各種大型的机械设备在建筑行业中的应用范围不断扩大，维护及检测这些设备是确保设备正常运转使用并产生经济价值的重要环节，随着工程施工规模及复杂程度的不断提升，对工程机械的要求也不断提高，工程机械使大量繁重的人力劳动过程被有效替代，在降低施工企业施工成本的同时提升了施工的整体效率。由于液压传动系统是大部分工程机械所采用的动力系统，整个机械系统能否安全稳定的运行在很大程度上取决于液压系统的运转情况，提升工程机械液压系统性能已成为施工企业提升市场竞争力的有效方式之一。作为一个复杂整体，液压系统具有多元件有机密切联系的特点，其所表现出的故障现象往往难以同具体的故障原因一一对应，具备系统性和综合性特点的液压故障问题极大的增加了诊断故障的难度，目前施工过程对液压系统的要求不断提高，传统的机械故障诊断方法已经难以满足现代液压系统维修需求。

1 现状分析

工程机械在基础设施建设中起到重要作用，是一种重要的施工生产装备，而工程机械的关键构成部分即为液压系统，诊断与预报液压系统故障的技术仍然是工程机械领域的研究重点之一，在实际施工过程中负载变动大的工程机械通常需持续工作较长时间且面临着恶劣的工作环境，导致液压系统故障的发生概率显著增加。传统机械液压故障诊断大多重点针对某一工程机械类型或某类故障模式，并且缺少准确的分析过程，通常只能对较为明显的故障现象及特征完成故障的准确诊断，降低了故障诊断结果的准确率同时限制了故障诊断应用范围。目前工程机械液压故障诊断研究虽然取得了一定的进展，但仍需从理论和实际应用上进一步提高故障诊断水平。研究不断深入的多模型自适应控制理论在故障诊断领域的应用范围不断扩大。根据液压系统故障机理，发生机械液压故障过程大多涉及到系统物理或数学模型参数的改变过程。根据实际多模型故障诊断研究过程，大都为线性的解析型的数学模型（如状态方程）是限制模型选择的主要因素，基于神经网络的多模型故障诊断方法研究有待进一步完善[1]。为此本文基于动态 GRNN 模型提出了一种多网络模型故障诊断方法，在广义回归神经网络的基础上，通过全局递归反馈机制的引入完成了动态回归神经网络模型的构建，以期优化工程机械液压故障诊断过程。

2 动态 GRNN 网络模型

考虑到GRNN不具备全局动态递归能力，通过在动态网络中引入全局反馈功能后，即可适用于系统故障诊断建模，可有效提高辨识非线性动态系统建模的能力，在实际维护工程机械液压系统装置过程中会受到不同施工环境及技术上的限制，为确保不同的机械问题和隐患能够被及时发现，本文将全局递归反馈机制融入到广义回归神经网络GRNN 模型中完成了动态回归神经网络模型的构建，该模型在继承了GRNN模型优势的同时可更加有效的完成动态数据处理过程。针对处于某种故障状态的液压系统建立故障模型，N 种目标故障则对应建立N 个目标故障模型 ，再通过检测故障模型完成故障诊断过程。

2.1 广义回归网络

4 实验测试与结果分析

为检测本文所设计的工程机械液压故障检测模型及方法的有效性，以SWE50 型挖掘机作为实验平台进行试验测试，该挖掘机液压系统以工作装置驱动油缸、变量液压泵（带负载敏感系统）、多路换向阀、行走及回转液压马达等作为主要构成，本实验中以液压系统的压力和流量作为主要实验测量信号，使用的包括6 通道手持式测量仪、高性能压力及流量传感器在内的测量仪器为工程机械液压系统专用仪器，以确保实验测量的可靠性和精准度。考虑到最终实验结果受到故障设置情况的影响较大，本文通过单一故障的设置以确保实验同实际故障间的一致性，具体故障类型及设置方式为：F1为正常无故障;F2为活塞磨损，在活塞密封圈表面开一个宽x高为2 mm×1 mm的小槽;F3表示阀芯运动不到位，将3 mm厚的圆形铁片固定于阀芯顶端;F4表示阀芯磨损，使用磨床将正常阀芯直径通过研磨减小 0.1 mm;F5表示球头松动，将正常部件替换为结合部磨损较为严重的柱塞与滑靴;F6表示配油盘磨损故障。实验以包括柱塞泵出口流量及出口压力（分别由QP、pP表示）、铲斗液压缸无杆腔压力及有杆腔压力（分别由pA和pB表示）在内的4 个信号变量作为主要测量对象，先完成 1 次加载和卸载的动作（通过操纵铲斗油缸控制手柄），加卸载间的切换时间需超过1 s，然后对QP、pP、pA及pB的变化情况进行记录，在 20 s的采样时间内，以5 ms作为采样间隔，完成1次采样后在Multi-System 存储器中保存命名后的样本。各种故障均重复上述操作5次（各获取5组样本），完成共30组采集样本的获取。

某个样本使用多模型故障诊断方法时产生属于一个或多个故障的可能性较大，如第8个测试样本对应ΓF5和ΓF6的残差平方和小于对应的阈值（0.113<0.208，0.195<0.205），由于0.113<0.195将该故障确定为F5，第9个测试样本的故障同样为F5，综合20组测试样本，测试采集故障样本结果表明该诊断方法的准确率基本可达到100%，验证了本文所设计的故障诊断方法在工程机械液压诊断过程中的有效性。

5 总结

为有效满足现代工程机械液压系统故障检测需求，本文完成了基于多网络模型的故障诊断方法的设计过程，根据液压系统的不同目标故障完成同等数量的动态GRNN模型的构建，通过检测这些目标故障模型的故障完成机械液压故障的最终诊断过程。通过在挖掘机（SWE50 型）液压系统上设置6类典型实验故障作为实验故障样本，对本文所设计的诊断机械液压故障方法的有效性进行验证，该诊断方法具有较高的准确率，使机械液压故障的检测及诊断质量和效率得以显著提升，证明该动态GRNN模型具有较高的实际应用价值。

参考文献

[1] 许建伟.工程机械液压系统的现场故障诊断与维修技术研究[J].自动化与仪器仪表，2018（10）：54-56.

[2] 鄂东辰，张立杰. 基于分块多向主成分分析的翻车机液压系统故障诊断[J].中国机械工程，2018（8）：958-964.

[3] 周奇才，黄克，赵炯，等. 基于改进型滑动窗主元分析的盾构液压系统故障诊断研究[J].中国机械工程，2017（5）：638-643.

（收稿日期： 2019.06.12）