基于虚拟仪器和BP神经网络液压系统故障诊断
1．2BP神经网络技术
BP神经网络是采用BP算法进行训练的网络，BP算法是应用广泛的神经网络算法，具有较强的非线性拟合能力，可以用来预测非线性时间序列数据的发展趋势。该网络具有1个输入层、1个输出层和至少1个隐藏层。增加隐藏层的层数不一定能提高网络的精度和表达能力，一般情况下，选用1个隐藏层即可。BP算法是非循环多级网络的训练算法，其学习过程由正向传播和反向传播组成。输入值经过非线性变换从输入层经隐藏单元逐层处理，并传向输出层，每一层神经元的状态将影响到下一层神经元状态。如果在输出层不能得到期望的输出值，则转入反向传播，通过修改各神经元权值以及阀值，使误差信号最小。本文引用地址：//m.amcfsurvey.com/article/194618.htm
通过压力、流量和温度传感器等测得的相关数据，经数据融合，进行滤波，剔除噪声，得到训练集和测试集。以训练集为学习样本，采用BP算法修正神经网络的权值和阀值，直到满足精度要求为止。若训练后的神经网络仍不能使用，必须使用附加样本进行性能验证。若不能满足要求，则需要重新训练网络，所以神经网络的训练是一个反复的过程。经训练和测试后的BP神经网络就可以用来对液压系统将来的工作状况进行预测，发现潜在故障，做好预防，减少损失。
2液压系统故障诊断原理
液压元件和液压系统性能监测中，常见的监测指标有压力、温度、流量、转速及其他响应类型的参数。工作中若这些参数偏离了预定值，则系统有可能出现故障。所以液压系统产生故障的实质就是这些检测参数的异常变化。当液压系统发生故障时，必然是系统中某一回路的某些元件有故障，进一步可断定液压回路的检测参数已经偏离了预定值。因此，对系统参数进行在线检测十分必要。在液压系统中需要检测的主要参数有压力和流量，同时还有油温和液位等。对于压力、流量和温度等，可采用动态的在线检测，能及时反映出系统的运行状态和故障情况。典型的液压系统故障检测与诊断原理如图3所示。
评论