公开/公告号CN103336189A
专利类型发明专利
公开/公告日2013-10-02
原文格式PDF
申请/专利权人 中国人民解放军第二炮兵工程大学;
申请/专利号CN201310209422.5
申请日2013-05-24
分类号G01R31/00(20060101);G01M13/00(20060101);
代理机构
代理人
地址 710025 陕西省西安市灞桥区第二炮兵工程学院科研部
入库时间 2024-02-19 20:12:27
法律状态公告日
法律状态信息
法律状态
2016-06-08
授权
授权
2016-04-13
发明专利公报更正 卷:32 号:01 IPC(主分类):G01R0031000000 更正项目:变更后第四发明人 误:官文良 正:管文良 申请日:20130524
发明专利更正
2016-01-06
著录事项变更 IPC(主分类):G01R31/00 变更前: 变更后: 申请日:20130524
著录事项变更
2013-11-06
实质审查的生效 IPC(主分类):G01R31/00 申请日:20130524
实质审查的生效
2013-10-02
公开
公开
技术领域:
本发明属于液压系统故障诊断技术领域,涉及一种电磁换向阀故障诊断方法,尤其涉及一种基于电流检测方式,并采用三层小波能量分解提取特征值和BP神经网络进行模式识别的故障诊断方法。
背景技术:
电磁阀作为液压系统的关键部件,其性能、安全性将直接影响整个液压系统的效率、安全性和可靠性。为了确保液压设备安全、可靠地工作,对液压设备故障诊断的研究日趋活跃。随着自动化程度的的提高,故障诊断由利用简单的仪器和凭个人的感官及实践经验转变为传感器和智能诊断阶段。其中诊断系统中常采用压力、流量、磁场和加速度传感器。
在本发明以前的现有技术中,关于电磁阀故障诊断的研究有浙江大学的吴根茂教授和学生李伟波,哈尔滨工业大学的张东来教授,上海航天控制工程研究所的马鑫,第二炮兵工程大学的蔡伟教授,电子科技大学的王皓副教授和学生谢芳,上海交通大学研究生郝圣桥。他们的研究成果主要体现在:李伟波2002年博士学位论文《基于现场总线的智能阀极其信号提取与二线传输模式研究》,张东来教“基于驱动端电流变化的电磁控制元件故障诊断方法及装置”,国家发明专利:CN200810216015,2010年12月第12期的《电子学报》中的《基于驱动端电流的矿用液压电磁阀缓变失效预测方法》,蔡伟教授“电磁阀工作状态非介入式自动化测试方法及装置”,国家发明专利:200710160799.0,及其学生肖永超2009年硕士学位论文《液压电磁阀的快速检测与故障诊断研究》和周颉2010年硕士学位论文《典型液压电磁阀故障识别技术研究》,电子科技大学谢芳的硕士学位论文《支架液压阀测试系统的故障诊断与软件可靠性研究》,上海交通大学郝圣桥的硕士学位论文《液压AGC伺服阀在线故障智能诊断的研究》。其中浙江大学的吴根茂教授和学生李伟波对电磁阀正常电流和阀芯卡滞电流进行分析,只是利用电流曲线的拐点来从直观上分析,但并没有进行两种状态的智能识别;哈尔滨工业大学的张东来教授,上海航天控制工程研究所的马鑫针对电磁阀的缓变失效过程进行研究,并没有分析具体故障;第二炮兵工程大学的蔡伟教授及其学生肖永超、周颉利用磁场传感器和加速度传感器进行检测磁场信号和振动信号,但没有对电流信号进行分析;电子科技大学的谢芳和上海交通大学的郝圣桥分别对液压阀进出油口压力、流量变化进行检测,改变了液压系统刚性。
发明内容:
针对上述现有技术概况,本发明的目的在于:提出一种基于电流检测的易于提取电流 信号的液压阀故障诊断方法。
现将本发明方法构思及技术解决方案叙述如下:
本发明一种基于电流检测的电磁阀故障诊断方法的,其特征在于根据电流阶跃信号的特点,在电磁阀驱动端串联接入电量隔离传感器,对电流变化率进行三层小波分解,并提取相应能量值作为特征向量,而后利用BP神经网络对正常阀信号、阀芯卡滞阀、弹簧断裂阀和阀芯不能复位阀四种进行分类,准确判断电磁阀相应状态,具体步骤如下:
步骤1:设置阀芯卡滞、弹簧断裂和阀芯不能复位故障;
步骤2:搭接液压实验回路,在驱动端串接电量隔离传感器,系统上电,使其正常工作;
步骤3:检测驱动端电流信号,为特征提取提供条件:
步骤3.1检测正常阀电流,分析电磁阀电流与阀芯位移关系;
步骤3.2检测正常阀信号,阀芯卡滞阀,弹簧断裂阀和阀芯不能复位阀四种驱动端电流信号,确定特征曲线;
步骤4:故障信号特征向量提取:
步骤4.1对电磁阀启动电流求导后的信号进行三层小波包分解,分别提取第三层从低频到高频8个频率成分的信号特征;
步骤4.2对小波包分解系数进行重构,提取各频带范围的信号特征;
步骤4.3提取各个频带信号的总能量;
步骤4.4构造特征向量。由于电磁阀故障时,其电流变化率各频带能量会有较大变化,因此以能量为元素进行归一化处理;
步骤5:基于BP神经网络对正常阀信号,阀芯卡滞阀信号,弹簧断裂阀信号和阀芯不能复位阀信号四种电流信号进行模式识别;
步骤5.1BP神经网络建模;
步骤5.2BP神经网络训练;
步骤5.3BP神经网络测试;
步骤6:确定电磁阀故障类型。
附图说明
图1:液压原理图
图2:正常阀驱动端电流与电流变化率对比图
图3:正常阀与弹簧断裂发电流对比图
图4:阀芯卡滞和阀芯不复位电流对比图
图5:正常阀与弹簧断裂电流变化率
图6:阀芯卡滞和阀芯不能复位电流变化率
图7:小波包分解重构波形
图8:误差曲线
同现有技术相比,本发明提出的基于电流检测的电磁阀故障诊断方法,利用检测电磁阀驱动电流的方式,采用智能算法进行信号特征值提取和模式识别,通过对电流信号的分析,判断电磁阀故障状态,具有信号易于提取,准确性高,成本低等优点。
具体实施方式:
现结合附图对本发明具体实施方式阐述如下:
实施例:
步骤1:设置阀芯卡滞、弹簧断裂和阀芯不能复位故障
步骤1.1:电磁阀一端弹簧断裂。方法是取出电磁阀一端顶杆与阀芯间的弹簧。当另一端电磁线圈通电,可以可靠换向,但断开时由于缺少阀芯恢复中位机能的弹簧弹力,阀芯仍然处于工作位置,故通电状态模拟出弹簧断裂时的故障,而在工作位置加电可模拟出阀芯不能正常复位故障;
步骤1.2:电磁阀一端完全卡滞。方法是取出电磁阀一端顶杆与阀芯间的弹簧,改用多块硬质纸片代替。当线圈通电时,电磁阀仍处于中位机能,不能可靠换向,模拟出电磁阀一端完全卡滞的故障;
步骤2:搭接液压实验回路,液压原理图如图1所示,在驱动端串接电量隔离传感器;实验中利用NI公司的USB-6356的采集卡采集电磁阀驱动端电流,物理通道分别为AI1,采样率为1K。电流传感器为维博电子有限公司的电量隔离传感器(WBI342S01_0.2);
步骤3:检测驱动端电流信号,为特征提取提供条件。
步骤3.1:检测正常阀电流,分析电流值与阀芯位移之间关系。参见图3,其中图中电流曲线单位为安培A;
电磁阀正常状态下开启时驱动端电流波形如图1所示,驱动端通电时,回路中电流为0A,电磁力为0N;由于线圈自感现象的原因,回路中电流不能瞬间增大到稳态值,回路中电流是一个渐变的过程,此时线圈中磁通量变化所产生的电磁力不足以克服静摩擦力和弹簧的预压缩力,此时阀芯处于静止状态;当通电13ms时,回路中电流增大到0.66A时,电磁力克服静摩擦力和弹簧的压力,阀芯开始运动,此时电流变化率为0.029A/s2,阀 芯位移增大,线圈自感系数增大,同时阀芯挤压弹簧Δx,阀芯运动速度较慢,回路中电流持续加大;当通电70ms时阀芯运动到最大位移处之前,阀芯速度不断增大,导致回路中感应电动势增大,电流变化率逐渐降低,到运动到最大位移处时,电流变化率降为最低,阀芯运动到终点后,线圈自感系数不在变化,线圈电流单调递增。通过电流曲线的几个拐点可以分析电磁阀的动态性能;
步骤3.2:检测正常阀信号,阀芯卡滞阀,弹簧断裂阀和阀芯不能复位阀四种驱动端电流信号,确定特征曲线。针对正常阀,弹簧断裂、阀芯卡滞和阀芯不能正常复位四种情况进行实验,每种情况采集50组数据,为接下来特征提取和模式识别;
参见图4:为弹簧断裂的电磁阀驱动端电流,由于缺少弹簧的挤压,电磁阀阀芯在运动过程中加速度较大,产生的自感应电动势大,电流曲线下降明显;
参见图5:为阀芯卡滞状态下的电磁阀驱动端电流,由于阀芯卡死,驱动端电流没有下凹段,只是单调递增;
参见图6、7:针对提取的电磁阀故障电流值为直流信号的特点,取电流变化率作为特征曲线;
步骤4:故障信号特征向量提取;
步骤4.1:对电磁阀启动电流求导后的信号进行三层小波包分解,分别提取第三层从低频到高频8个频率成分的信号特征;
步骤4.2:对小波包分解系数进行重构,提取各频带范围的信号征;
步骤4.3:提取各个频带信号的总能量;
步骤4.4:构造特征向量。由于电磁阀故障时,其电流变化率各频带能量会有较大变化,因此可以能量为元素进行归一化处理;
表1四种状态数据频带能量表
步骤5:BP神经网络模式识别
步骤5.1:BP网络建模;神经网络中输入层神经元的个数为8个,本发明对弹簧卡滞在中位、弹簧断裂、阀芯不能正常复位和正常四种状态进行分类,因此输出层神经元的个数为log24=2,用二进制码分别代表所模拟的故障,如表2所示:
表2故障状态与二进制码对应表
在设计神经网络时,使神经元可变,通过训练和学习,找到网络误差最小的隐含层神经元数目为27;
表3BP网络误差训练表
步骤5.2:BP神经网络训练
网络训练中,神经网络输入为8,输出为2,隐含层神经元数为27.采用S型正切函数tansig作为隐含层神经元的传递函数,并采用S型对数函数logsig作为输出层神经元的传递函数,将每种特征向量样本选取40组,共160组输入BP神经网络进行训练,设定全局误差为10-6,最大训练次数为1000,电磁阀驱动端电流变化率网络训练过程误差变化情况如图8所示。
步骤5.3:BP神经网络测试:网络训练后,对每一种故障进行重新选择,对网络进行测试,测试结果如表4、5所示:
表4BP网络测试样本数据表
表5BP网络测试结果表
步骤6:确定电磁阀故障类型
将测试结果近似取整,(0,0)为阀芯卡死故障,(0,1)为弹簧断裂故障,(1,0)为阀芯不能复位故障,(1,1)为正常阀,将每种状态的10组数据进行测试,测试结果发现,均能准确识别电磁阀故障状态。
机译: 一种基于噪声检测的电磁阀诊断方法
机译: 一种基于噪声检测的电磁阀诊断方法
机译: 电磁阀驱动电路的控制和电磁阀驱动电路的故障诊断方法