CN103544389B - 基于故障树和模糊神经网络的汽车起重机故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于故障树和模糊神经网络的汽车起重机故障诊断方法，步骤包括：1）采用演绎法建立汽车起重机顶事件故障树；2）根据故障树支路情况与经验知识确定模糊神经网络的输入、输出节点数目，建立模糊神经网络结构模型；3）根据故障树各分支中所蕴含的知识，提取训练样本，并对神经网络进行训练，建立神经网络推理计算所需的网络权值和阈值矩阵；4）利用现有汽车起重机状态监测平台上的数据，运用统计参数法中的3σ准则法确立模糊预处理所需的模糊隶属函数；5)将实测数据输入到模糊神经网络中进行计算，输出故障模式。本发明方法，避免了检测过程的盲目性与繁琐性，提高诊断准确率。

Description

基于故障树和模糊神经网络的汽车起重机故障诊断方法

技术领域

本发明属于汽车起重机故障检测技术领域，涉及一种基于故障树和模糊神经网络的汽车起重机故障诊断方法。

背景技术

汽车起重机是一种起重机械部分安装在汽车通用底盘或专用汽车底盘上，具有载重汽车行驶性能的轮式起重机，它机动性好，转移方便，运行速度快，广泛适用于工矿企业、建筑工地、车站、港口等进行货物装卸、转移、设备安装及高空作业等各种起重作业。它对减轻劳动强度、节省人力，降低建设成本，提高施工质量，加快建设速度，实现工程施工机械化起着十分重要的作用。但长期以来汽车起重机安全作业形势十分严峻，汽车起重机产品由于其系统组成复杂，工作环境恶劣，通常要求高负荷、长时间运行，加上维护保养体系的相对落后，因此系统经常会出现各种故障，机毁人亡重大事故时有发生，严重影响了建设项目的进度、效益以及人民财产安全。

从国内外对汽车起重机故障诊断的现状来看，一般还是采取传统的故障诊断方法，即维修人员在实践经验的指导下，根据系统原理图和动作循环表，通过比较、区域分析、综合分析等方法确定可疑液压零部件，然后对可疑液压零部件进行更换测试来判定故障原因，最后通过串换部件的方式来消除故障。这种方法要求维修人员掌握较深的相关专业基本理论及工作原理，具有较强的判断分析能力，方可保证诊断的有效性和准确性。诊断过程十分繁琐，要经过大量的检查、验证工作，系统故障检测过程中的盲目性不可避免，拆装工作量也较大，且只能是定性分析，而且对现代电子技术与液压控制技术方面的故障判别更为困难，因而诊断出的原因往往不够准确。因此，这种方式耗时、费力、低效、经济效益不佳。

发明内容

本发明提供了一种基于故障树和模糊神经网络的汽车起重机故障诊断方法，解决了现有汽车起重机故障诊断中，存在耗时、费力、低效、经济效益不佳的技术问题。

本发明的技术方案是，基于故障树和模糊神经网络的汽车起重机故障诊断方法，按照以下步骤实施：

1）采用演绎法建立汽车起重机顶事件故障树；

2）根据故障树支路情况与经验知识确定模糊神经网络的网络输入、网络输出节点数目，建立模糊神经网络结构模型；

3）根据故障树各分支中所蕴含的知识，提取训练样本，并对神经网络进行训练，建立神经网络推理计算所需的网络权值和阈值矩阵；

4）利用汽车起重机状态监测平台上的历史数据，运用统计参数法中的3σ准则法确立模糊预处理所需的模糊隶属函数；

5)将汽车起重机状态监测平台的实测数据输入到通过以上步骤建立好的模糊神经网络中进行计算，得到诊断结果，输出故障模式。

本发明的有益效果在于：利用汽车起重机现有状态监测平台的数据以及故障树知识，建立汽车起重机模糊神经网络模型进行故障诊断与预测，既可以模仿人脑的逻辑思维，又可以模仿人脑神经元的功能；既可以描述具有模糊概念的问题，又具有强大的学习能力和数据的直接处理能力；既具有较强的结构知识表达能力、自然语言处理能力，又具有很强的容错能力；保证诊断的有效性和准确性；维修人员无需掌握较深的相关专业基本理论及工作原理，也无需经过大量的拆装、检查、验证工作，避免了检测过程的盲目性与繁琐性，解决了诊断耗时、费力、低效、经济效益不佳的问题。

附图说明

图1为本发明方法的故障诊断流程图；

图2是本发明方法实施例1的起升系统原理图；

图3是本发明方法实施例1的故障树模型；

图4是本发明方法实施例1的模糊神经网络诊断模型；

图5是本发明方法实施例1对卷扬马达升口压力的隶属函数参数曲线。

图中，1、油箱；2、滤油器；3、变量泵；4、回转接头；5、溢流阀；6、减压阀；7、比例减压阀A；8、比例减压阀B；9、减压阀；10、二通电磁阀；11、换向阀；12、平衡阀；13、卷扬马达、14、液压制动缸；15、联轴器；16、减速器；17、卷筒。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

参照图1，本发明基于故障树和模糊神经网络的汽车起重机故障诊断方法，其故障诊断流程是，包括构建模糊神经网络模型，汽车起重机实测平台采集的实测数据输入该模糊神经网络模型中，最后输出故障模式。

汽车起重机实测平台实测数据的采集通过温度传感器、压力传感器、振动传感器、流量传感器、倾角传感器、以及相应的按钮和开关的电控手柄实现；其中的温度传感器设置在液压油箱内，压力传感器设置在泵、阀、马达等关键零部件的进出口油路上，振动传感器设置在泵、阀、马达等关键零部件的外壳壳体上，流量传感器设置在在泵、阀、马达等关键零部件的进出口油路上，倾角传感器设置在汽车起重机的臂架上。

按钮和开关，主要包含卷扬下降允许按钮、卷扬上升允许按钮、回转允许按钮、自动怠速压力开关、主工况按钮、副工况按钮及参数设置按钮等，设置在驾驶室内的电控手柄和操作面板上。

模糊神经网络模型的构建的硬件形式是构建模糊神经网络控制器，模糊神经网络控制器的输入端分别与上述的数据采集设备通过信号线连接；模糊神经网络控制器的输出端分别通过显示器、蜂鸣器通过信号线连接，实现故障模式的输出。

本发明的基于故障树和模糊神经网络的汽车起重机故障诊断方法，按照以下步骤实施：

1）采用演绎法建立汽车起重机顶事件故障树

首先是找出直接导致顶端事件发生的各种可能因素组合，如硬件故障、环境因素和人为差错等；其次找出第一步中各因素的直接原因，循此方法逐级向下演绎，一直追溯到引起系统发生故障的全部原因，即分析到不需要继续分析原因的底事件为止；然后把各级事件用相应的符号和适合于它们之间逻辑关系的逻辑门与顶事件相连接，得到一棵以顶事件为根，中间事件为节，底事件为叶的具有若干级的倒置故障树。

2）根据故障树支路情况与经验知识确定模糊神经网络的网络输入、网络输出节点数目，建立模糊神经网络结构模型；

3）根据故障树各分支中所蕴含的知识，提取训练样本，并对神经网络进行训练，建立神经网络推理计算所需的网络权值和阈值知识（或称为网络权值和阈值矩阵）；

4）利用现有汽车起重机状态监测平台上的历史数据，运用统计参数法中的3σ准则法确立模糊预处理所需的模糊隶属函数；

3σ准则：故障界限（诊断参数值偏高或偏低）为参数正常界限为

式中：参数Y_i为第i个样本；R为样本数量。

5)将汽车起重机状态监测平台的实测数据输入到通过以上步骤建立好的模糊神经网络中进行计算，得到诊断结果，输出故障模式。

实施例

对某汽车起重机“提升无动作”的故障进行诊断

1）采用演绎法建立某汽车起重机顶事件故障树

图2所示为某汽车起重机起升回路工作原理图，其结构主要包括，变量泵3与油箱1连通，变量泵3与油箱1之间另外设置有滤油器2，变量泵3与回转接头4连通，回转接头4分别与溢流阀5、减压阀6、减压阀9、换向阀11连通，减压阀6与换向阀11之间并联有比例减压阀A7和比例减压阀B8；换向阀11与卷扬马达13连通，换向阀11与卷扬马达13之间另外设置有平衡阀12；减压阀9通过二通电磁阀10与液压制动缸14连通；卷扬马达13依次通过联轴器15、减速器16与卷筒17传动连接，卷筒17通过滑轮吊挂重物。

如图3所示，采用演绎法建立汽车起重机顶事件故障树对于“提升无动作”顶事件的故障树模型，并对该顶事件的各底事件对进行编码，如表1所示。

表1底事件编码表

2）根据故障树支路情况与经验知识确定模糊神经网络的网络输入、网络输出节点数目，建立模糊神经网络结构模型。

表1的19个底事件中，每个独立的底事件就是一个最小割集。根据图2的故障树知识可知，共有2个支路会导致故障树顶事件的发生。支路CL-1表示马达升口压力不足直接造成提升无动作的事件链。支路CL-2描述了马达升口压力过大的故障异常原因。因此，可以建立2个模糊神经网络分别对支路CL-1与支路CL-2进行并行诊断，然后根据故障树各分支中所蕴含的知识确定各自网络的结构。

限于篇幅，这里以支路CL-2为例。支路CL-2包括6个最小割集为卷扬马达故障（底事件14）、卷扬减速器故障（底事件15）、制动器卡死（底事件16）、减压阀9故障（底事件17）、二通电磁阀故障（底事件18）、制动缸活塞磨损泄漏（底事件19）。设备在正常工况下马达是不会出现憋压的，而以上6个最小割集的任一个最小割集发生都会引起马达憋压，马达升口压力P_m过大。最小割集X₁₄或X₁₅的发生，不会对制动缸控口压力P_d产生影响，而X₁₆的发生会使P_d值高出正常范围值且有较大的压力波动，X₁₇、X₁₈或X₁₉的发生则会使P_d值低于正常范围值，但X₁₉的发生会使P_d保持较大的压力波动，而X₁₇或X₁₈的发生会使P_d则保持较小的压力波动。P_d的压力波动情况可以采用其均方差D_Pd来表征。系统仅需通过对P_m和P_d的状态检测，获得3个输入变量：P_m、P_d、D_Pd，便可区分以下5种故障模式：正常工作、{X₁₄或X₁₅}、X₁₆、{X₁₇或X₁₈}、X₁₉。由此可确定支路CL-2对应的模糊神经网络结构具有3输入5输出的结构，隐含层神经元节点数根据经验取为6，即3×6×5，如图4所示。其中，隐层中的神经元采用对数Sigmoid型函数，输出层的神经元采用纯线性purelin变换函数。

3）根据故障树各分支中所蕴含的知识，提取训练样本，并对神经网络进行训练，建立神经网络推理计算所需的网络权值和阈值知识（权值和阈值矩阵）；

根据步骤2）的分析，提取模糊神经网络的训练样本数据，如表2所示。表中，取值0.1、0.5、0.9分别表示马达升口压力P_m过低、正常、过高；取值0.1、0.5、0.9分别表示Pd制动缸控口压力过低、正常、过高，D_Pd取值0.1、0.5、0.9分别表示制动缸控口压力均方差过低、正常、过高。

表2神经网络训练样本

4）利用汽车起重机状态监测平台上的历史数据，运用统计参数法中的3σ准则法确立模糊预处理所需的模糊隶属函数；

首先，依据输入变量的样本集在输入变量取值区间的分布情况确定每个输入变量的隶属函数，状态变量域低的转换采用降半梯形分布的隶属函数，其表达式如式（3），并确定权值系数为0.1；状态变量域正常的转换都采用梯形分布的隶属函数，其表达式如式（4），并确定权值系数为0.5；状态变量域高的转换采用升半梯形分布的隶属函数，其表达式如式（5），并确定权值系数为0.9，其中权值的设定是为了处理处于两个状态间的检测数据，利用各隶属函数的加权平均的方法将处于两状态间的数据转换成模糊数据。

其次，确定隶属函数各参数的值。设备正常工作时的诊断参数y服从正态分布规律，对正常工作时诊断参数收集一定量的样本数据，对这些数据进行统计处理，如果测试样本与均值；距离在2倍或3倍方差以上，则认为该测试样本是不确定的，故可判为异常。于是可以得到报警界限：故障界限（参数值偏高或偏低）为；参数正常界限为。这便是3σ准则。为获得更符合客观实际的隶属函数，使上步所建立的模糊网络模型进入实际应用，在此运用统计参数法中的3σ准则法确定隶属函数各参数的值。对输入变量（P_m、P_d、D_Pd）的样本数据应用3σ准则法，得到各输入变量的隶属函数参数a、b、c、d的值，接着代入到式（3）～式（5）中，得到各输入变量的隶属函数，即确立了模糊神经网络的隶属函数。图5为应用3σ参数统计法得到的神经网络输入变量卷扬马达升口压力Pm的隶属函数参数值曲线。

同理，可得到制动缸控口压力Pd隶属函数参数值为：{a，b，c，d|制动缸压力(bar)}={36.1001，36.3344，36.5688，36.6031}。为了使制动缸控口压力均方差D_Pd的隶属函数参数值的计算也可应用3σ参数统计法，选取m个连续数据求取均方差后进行滑动处理；m越大越能反映真实的情况，然而m选取过大会影响在线诊断的实时性，在此取值为50，最后应用3σ参数统计法得到D_Pd的隶属函数参数值为：{a，b，c，d|制动缸压力均方差}={0.0294，0.0733，0.1173，0.1613}。

5)将监测平台采集得到的实测数据输入到通过以上步骤建立好的模糊神经网络中进行计算，得到诊断结果。

为验证上文所建立的模糊神经网络故障推理模型的有效性，将之应用于起重机的在线故障诊断。

首先，将上述提取到的表2训练样本，应用Levenberg-Marquardt算法对模糊神经网络模型进行训练，经过4次优化计算迅速收敛，目标函数达到1.93659e-006，得到良好的效果。接着，将输入变量数据进行模糊量化预处理后，送入训练好后的神经网络进行计算，获得输出层各神经元的输出Y_j（j=1，2...，5），最后根据如下阈值原则判断故障状态及原因事件：当Y_j≥0.8时，表示故障模式F_j发生；当0.4≤Y_j<0.8时，表示故障模式F_j可能发生。

已知（298.6843，0.773，0.0327）是一组马达升口压力、制动缸控口压力及制动缸控口压力均方差实际工况数据。将该组工况数据经模糊化后，各输入变量对各自论域的隶属度为（0.9000，0.1000，0.1608），经过网络计算得到输出为：（-0.0321-0.10470.03810.99320.1031），按上述判别原则可判断该故障对应的故障模式为F₄，即最小割集X₁₇减压阀9故障或最小割集X18二通电磁阀故障。实际状况是二通电磁阀断接。诊断结果与实际状况一致。另外，模糊神经网络对空载和40吨（钢丝绳倍率为8）无故障工况下的输入变量数据进行计算，输出结果分别为（0.9996-0.0012-0.00020.0001-0.0015）、（0.94180.1473-0.07440.0250-0.0419）。

由此可知，本发明方法中的模糊神经网络对这二者都做出了正确的判断：系统对应的故障模式为F₁，即系统正常工作，无故障。以上诊断结果，表明本发明的起重机诊断方法实用有效。

Claims (1)

1.一种基于故障树和模糊神经网络的汽车起重机故障诊断方法，其特征是，对某汽车起重机“提升无动作”的故障进行诊断，按照以下步骤实施：

1)采用演绎法建立某汽车起重机顶事件故障树

某汽车起重机起升回路，其结构主要包括，变量泵(3)与油箱(1)连通，变量泵(3)与油箱(1)之间另外设置有滤油器(2)，变量泵(3)与回转接头(4)连通，回转接头(4)分别与溢流阀(5)、第一减压阀(6)、第二减压阀(9)、换向阀(11)连通，第一减压阀(6)与换向阀(11)之间并联有比例减压阀(A7)和比例减压阀(B8)；换向阀(11)与卷扬马达(13)连通，换向阀(11)与卷扬马达(13)之间另外设置有平衡阀(12)；第二减压阀(9)通过二通电磁阀(10)与液压制动缸(14)连通；卷扬马达(13)依次通过联轴器(15)、减速器(16)与卷筒(17)传动连接，卷筒(17)通过滑轮吊挂重物；

采用演绎法建立汽车起重机顶事件故障树对于“提升无动作”顶事件的故障树模型，并对该顶事件的各底事件对进行编码，如表1所示，

表1 底事件编码表

2)根据故障树支路情况与经验知识确定模糊神经网络的网络输入、网络输出节点数目，建立模糊神经网络结构模型；

表1的19个底事件中，每个独立的底事件就是一个最小割集，共有2个支路会导致故障树顶事件的发生，支路CL-1表示马达升口压力不足直接造成提升无动作的事件链，支路CL-2描述了马达升口压力过大的故障异常原因；因此，建立2个模糊神经网络分别对支路CL-1与支路CL-2进行并行诊断，然后根据故障树各分支中所蕴含的知识确定各自网络的结构；

支路CL-2包括6个最小割集为卷扬马达卡死(底事件14)、卷扬减速器故障(底事件15)、制动器卡死(底事件16)、第二减压阀(9)故障(底事件17)、二通电磁阀故障(底事件18)、制动缸活塞磨损泄漏(底事件19)；设备在正常工况下马达不会出现憋压，而以上6个最小割集的任一个最小割集发生都会引起马达憋压，马达升口压力P_m过大；最小割集X₁₄或X₁₅的发生，不会对制动缸控口压力P_d产生影响，而X₁₆的发生会使P_d值高出正常范围值且有较大的压力波动，X₁₇、X₁₈或X₁₉的发生则会使P_d值低于正常范围值，X₁₉的发生会使P_d保持较大的压力波动，而X₁₇或X₁₈的发生会使P_d则保持较小的压力波动；P_d的压力波动情况采用其均方差D_Pd来表征；系统仅需通过对P_m和P_d的状态检测，获得3个输入变量：P_m、P_d、D_Pd，便可区分以下5种故障模式：正常工作、{X₁₄或X₁₅}、X₁₆、{X₁₇或X₁₈}、X₁₉；由此可确定支路CL-2对应的模糊神经网络结构具有3输入5输出的结构，隐含层神经元节点数根据经验取为6，即3×6×5；其中，隐层中的神经元采用对数Sigmoid型函数，输出层的神经元采用纯线性purelin变换函数；

3)根据故障树各分支中所蕴含的知识，提取训练样本，并对神经网络进行训练，建立神经网络推理计算所需的网络权值和阈值矩阵；

根据步骤2)的分析，提取模糊神经网络的训练样本数据，如表2所示，表中，取值0.1、0.5、0.9分别表示马达升口压力P_m过低、正常、过高；取值0.1、0.5、0.9分别表示P_d制动缸控口压力过低、正常、过高，D_Pd取值0.1、0.5、0.9分别表示制动缸控口压力均方差过低、正常、过高；

表2 神经网络训练样本

4)利用汽车起重机状态监测平台上的历史数据，运用统计参数法中的3σ准则法确立模糊预处理所需的模糊隶属函数；

首先，依据输入变量的样本集在输入变量取值区间的分布情况确定每个输入变量的隶属函数，状态变量域低的转换采用降半梯形分布的隶属函数，其表达式如式(3)，并确定权值系数为0.1；状态变量域正常的转换都采用梯形分布的隶属函数，其表达式如式(4)，并确定权值系数为0.5；状态变量域高的转换采用升半梯形分布的隶属函数，其表达式如式(5)，并确定权值系数为0.9，其中权值的设定是为了处理处于两个状态间的检测数据，利用各隶属函数的加权平均的方法将处于两状态间的数据转换成模糊数据；

其次，确定隶属函数各参数的值，设备正常工作时的诊断参数y服从正态分布规律，对正常工作时诊断参数收集一定量的样本数据，对这些数据进行统计处理，如果测试样本与均值距离在2倍或3倍方差以上，则认为该测试样本是不确定的，故可判为异常；于是得到报警界限：故障界限参数值偏高或偏低为参数正常界限为为获得更符合客观实际的隶属函数，使上步所建立的模糊网络模型进入实际应用，在此运用统计参数法中的3σ准则法确定隶属函数各参数的值；对输入变量(P_m、P_d、D_Pd)的样本数据应用3σ准则法，得到各输入变量的隶属函数参数a、b、c、d的值，接着代入到式(3)～式(5)中，得到各输入变量的隶属函数，即确立了模糊神经网络的隶属函数；

同理，得到制动缸控口压力P_d隶属函数参数值为：{a，b，c，d|制动缸压力(bar)}＝{36.1001，36.3344，36.5688，36.6031}；选取m个连续数据求取均方差后进行滑动处理；m越大越能反映真实的情况，然而m选取过大会影响在线诊断的实时性，在此取值为50，最后应用3σ参数统计法得到D_Pd的隶属函数参数值为：{a，b，c，d|制动缸压力均方差}＝{0.0294，0.0733，0.1173，0.1613}；

5)将监测平台采集得到的实测数据输入到通过以上步骤建立好的模糊神经网络中进行计算，得到诊断结果。