基于GA‑BP网络的液压制动系统多源融合故障预示方法与流程

本发明属于液压制动系统故障检测技术领域，尤其是一种基于GA-BP网络的液压制动系统多源融合故障预示方法。

背景技术：

随着节能减排工作的推进以及混合动力技术的成熟，基于轮胎吊混合动力技术的 RTG（轮胎吊） 节能系统逐步成熟起来。混合动力轮胎吊和常规柴油发电机驱动的轮胎吊相比较，其最突出的优点是节省燃油；其次，由于混合动力轮胎吊使用的是小功率柴油机，从而降低了噪音和废气的排放。混合动力轮胎吊消除了常规型轮胎吊的主要弊端，为轮胎吊这种集装箱作业机器得到广泛应用提供了技术上的支持。这些都使得混合动力轮胎吊在实际的应用中具有很大的应用前景。

而根据以往的经验及统计，在港口安全事故中，轮胎吊故障所导致的事故占了很大的一个部分，对于即将大量应用于生产的混合动力轮胎吊，研究它的制动系统的故障诊断方法来保证混合动力轮胎吊安全运行显得尤为重要。而轮胎吊的液压制动的正常运行与否，则与轮胎吊的安全性能息息相关。因此，研究混合动力轮胎吊的液压制动系统的故障检测具有重大的现实意义。

对于制动系统的故障检测主要集中在离线的检测以及故障出现以后的检测。而轮胎吊是一种需要长期在港口工作的设备，难免会出现故障，如果及时发现轮胎吊存在的问题，那么必然能够避免造成不必要的经济损失。目前的故障检测方法，通常只能采取定期故障检测的方法，不但人工成本高，而且工作效率低。一旦混合动力轮胎吊液压制动系统在港口出现故障，将会造成不可估量的设备损坏或者人员伤亡。因此，发明一种轮胎吊液压制动系统故障预示方法，不仅可以对系统所处状态进行预示，及时发现液压制动系统存在的问题，同时为轮胎吊液压制动系统故障智能化检测奠定基础。大力发展的混合动力轮胎吊需要一种有效的故障预示技术来尽可能减少故障造成的危害，提前预防故障的发生。

现有技术中的混合动力起重装置一般在环境复杂且恶劣的环境中工作，在信号检测过程中，故障信号很容易遭受环境干扰，容易被各种噪声淹没，加之液压系统故障具有隐蔽性、多样性、随机性和因果关系复杂性等特点，故障机理复杂多样，单一传感器提供的故障特征信息常常是模糊的、不完整的和不确定的，有时甚至是错误的，故其不能提供系统运行过程中完整的状态信息。为了后期能够实现对混合动力起重装置全面而准确故障诊断，使诊断系统具有更高的精度、可靠性，则需要综合利用多种故障信息源来检测系统故障，此时需要利用多源融合技术。从本质上来讲，多源信息融合就是通过充分利用各信息源之间的冗余和互补信息，按一定的规则加以综合处理和智能合成，产生比单一信息源关于设备运行状态更可靠、更准确和更全面的信息，并根据这些信息完成所需的判断、估计和决策任务。多源信息融合的基本原理其实就与人脑对外界复杂信息进行综合处理的过程相同，通过综合多个同类或异类的传感器测得的信息，依据设定的某种优化规则，充分利用多源信息在空域和时域上的冗余与互补性，产生比单一信息源关于被测环境更全面和合理的解释。而通过对各信息源获得的信息进行优化组合，推导出更多的有用信息，达到最佳协同作用的结果，使系统具有比单个传感器系统更优越的性能是信息融合的最终目的。与传统的信号处理方法不同，基于信息融合所处理的多源信息具有更复杂的表现形式，且是在多级别、多层次上对信息源的处理，能够实现多系统全方面的了解。

大多数的机械设备都采用润滑油或其它润滑剂进行润滑,这些油液在机器内部循环,含有丰富的有关机体运行状况的信息,通过油液检测分析方法可以提取润滑油中所包含的设备运转状况的信息。油液分析技术可以通过分析设备所用润滑油或其他工作介质的性能变化和携带的磨损微粒的情况，从而获得设备的润滑和磨损状态的信息，用于评价设备的工况、预测故障，并确定造成故障发生的原因、类型和位置的技术。通常，油液分析方法可以通过延长设备的换油期或者正确选用润滑剂而取得效益，更为重要的是通过及时预报潜在的故障，避免灾难性的损失，或是处于正常运转的设备维修来增加产值和效益。由于各种油液分析方法都有自己的特性，因此采用多种油液分析方法来对系统进行分析，不仅能够实现多种油液分析方法之间的取长补短，而且可以提高系统状态预示的准确性。

最初的油液分析只包含污染度分析，其主要是通过分析油品的理化指标，以评价其质量的变化。现在，油液分析方法的研究热点和开发热点主要集中在在线油液监测、磨粒自动识别技术和基于油液监测的智能诊断系统三个方面。①在线油液监测，它仅能提供油液磨损颗粒尺寸的分布信息，用以初步判断设备的运行状态，确定是采用其他方法进行进一步的故障诊断。②磨粒识别技术中油液分析中最具有特色的铁谱分析的技术核心，而这一分析方法主要依赖于分析人员的知识和经验的多少，并且操作费时枯燥；虽然磨粒识别这一研究方向吸引了很多的研究者，但是由于铁谱分析的清晰度和颗粒分散度较低，制约了图谱的自动识别的实现，没能取得突破性的进展，目前的磨粒识别依然无法离开分析人员。③基于油液监测的故障诊断专家系统由一个驱动程序、一个专家系统和一个数据库三部分组成，用于解释油液理化指标和磨损信息分析的结果。

随着计算机通信技术越来越发达普及，制动系统故障预示也逐渐向智能化发展。从混合动力轮胎吊故障诊断角度出发，混合动力轮胎吊与传统的轮胎吊相比，它内部的结构复杂了许多，器件也多了很多，这也使得故障的形式更加多样化，因此而给系统的建模增加了难度。与此同时，人工神经网络因其所具有的易建模，抗干扰性强，容错能力强，而在故障诊断方面展现了不可忽视的优势，利用人工神经网络来进行故障，为故障预示提供了一种新的方法。

技术实现要素：

为了克服现有技术的不足，本发明提供了一种基于GA-BP网络的液压制动系统故障预示方法，该方法可以为液压制动系统提供在线检测，同时推动了液压制动系统故障预示的智能化发展，提高故障预示的精确性和快速性。

为了实现上述目的，本发明采用的技术方案是：一种基于GA-BP网络的液压制动系统多源融合故障预示方法，其特征在于，包括以下步骤：

第一步，对液压制动系统中的油液进行采样，并随机将样本分成两个样本集，分别为训练集和测试集；

第二步，对样本进行光谱分析、污染颗粒含量分析、铁含量分析和粘度分析，获得油品的性能数值、磨粒尺寸、形貌、含量和成分信息；

第三步，对第二步中各油液分析结果进行多源信息融合，得到油液相关的分析数据，获得全面的油液信息，具体信息包括Fe、Cu、Pb的质量分数，油液粘度，油品性能，油液磨粒尺寸，油液磨粒形貌，油液磨粒成分；

第四步，利用遗传算法来对神经网络的初始值进行优化；

第五步，将训练集的分析数据用于GA-BP网络的建模；

第六步，将测试集用到训练出来的神经网络中进行测试，直到神经网络的性能测试合格；

第七步，利用训练好的GA-BP神经网络来对液压制动系统状态进行分析，对可能存在的故障进行预示。

进一步的，所述第一步中对液压制动系统中的油液进行采样，并随机将样本分成两个样本集的具体过程如下：

(1)模拟液压制动系统的不同工况：系统正常工作和异常工作；异常工作包括离合器摩擦片故障、阀卡故障、汇流行星排故障，配流套铸铁密封故障；

(2)对制动主缸和液压缸的油液进行取样；

(3)让获取的油液样本通过按过滤孔径大小依次排列的硝酸纤维素滤膜；

(4)在载玻片上，将（3）中的硝酸纤维素过滤膜按过滤孔径尺寸从小到大依次排列；并通过二甲基甲酰胺水融解硝酸纤维素滤膜，从而得到按颗粒尺寸大小梯度依次排列的磨损颗粒样本；

(5)重复步骤(1)-(4)直到完成对液压制动系统的可能存在的状态都模拟完毕；

(6)按照随机抽取原则，在获取的所有样本中进行抽样，组成油液样本训练集、测试集，它们分别占总体样本的2/3和1/3。

进一步的，所述第四步中用遗传算法来对神经网络的初始值进行优化，具体过程为：首先用遗传算法对初始值进行快速的全局搜索，再利用BP 算法在局部进行最优搜索，获得 BP 神经网络的初始值的最优值。

进一步的，所述第五步和第六步中的GA-BP网络的训练和测试，具体的步骤如下：（1）利用油液分析数据中的训练数据和GA算法来对神经网络的初始值进行优化；（2）利用BP算法来对神经网络进行训练使得训练得到的神经网络的误差能够满足实际的需求；（3）将油液分析数据中的测试数据用于检测GA-BP神经网络的性能直到该GA-BP神经网络的性能满足要求测试合格。

采用上述方案，本发明与传统的轮胎吊制动系统故障检测方法相比，不需要复杂的数学建模过程；可以对混合动力轮胎吊液压制动系统进行多种故障类型的故障预示；而且本发明实现了多种油液分析法的融合，它丰富了油液分析的数据类型，使得它故障预示的准确性比单一的油液分析技术要高。同时，本发明采用了人工智能的诊断方法——GA-BP网络，使得故障诊断过程更加智能化，检测的准确性更高；并对多种油液分析方法进行融合，实现了不同油液分析方法之间的取长补短；而且，本发明中的GA算法可以有效避免神经网络易陷入局部最优点的缺陷。

下面结合附图对本发明作进一步描述。

附图说明

附图1为本发明具体实施例混合动力轮胎吊液压制动系统系统框图；

附图2为本发明具体实施例混合动力轮胎吊液压制动系统故障设置点；

附图3为本发明具体实施例磨损颗粒按颗粒尺寸梯度依次排在载玻片上的结构示意图；

附图4为本发明具体实施例混合动力轮胎吊故障检测系统流程图；

附图5为本发明具体实施例GA-BP神经网络的结构图。

具体实施方式

本发明的具体实施例如图1所示是混合动力轮胎吊液压制动系统的系统框图，混合动力轮胎吊液压制动系统主要由供能装置、控制装置、传动装置、制动器、制动力调节装置组成。控制装置主要包括制动踏板，传动装置主要包括真空助力器、制动主缸、制动轮缸；制动力调节装置包括限压阀、干载阀、比例阀、惯性阀等。

如图4所示，是基于GA-BP网络的液压制动系统多源融合故障预示方法来实现液压制动系统的在线诊断，其具体步骤如下：

第一步，对液压制动系统中的油液进行采样，并随机将样本分成两个样本集，即训练集和测试集；具体过程如下：

(1) 模拟液压制动系统的不同工况：系统正常工作和异常工作；异常工作即出现故障，如离合器摩擦片故障、阀卡故障、汇流行星排故障，配流套铸铁密封故障如图2所示；

(2) 对制动主缸和液压缸的油液进行取样；

(3) 让获取的油液样本通过过滤孔径大小依次排列的硝酸纤维素滤膜；

(4) 在载玻片上，按过滤孔径尺寸从小到大依次排列硝酸纤维素过滤膜；并通过二甲基甲酰胺水融解硝酸纤维素滤膜，从而得到按颗粒尺寸大小梯度依次排列特定尺寸的磨损颗粒样本如图3所示；

(5) 重复步骤(1)-(4)直到完成对液压制动系统的可能存在的状态都模拟完毕，再执行(6)；

(6) 按照随机抽取原则，在获取所有样本进行抽样，组成油液样本训练集、测试集，它们分别占总体样本的2/3和1/3；

第二步，对样本进行光谱分析、污染颗粒含量分析、铁含量分析和粘度分析；利用这几种分析方法来得到油品的性能数值和磨粒尺寸、形貌、含量和成分等信息。

第三步，对多种油液分析结果进行多源信息融合，得到油液相关的分析数据，获得全面的油液信息，具体信息如下：Fe、Cu、Pb的质量分数，油液粘度，油品性能，油液磨粒尺寸，油液磨粒形貌，油液磨粒成分；多源信息融合的具体过程为：将第二步的油液分析结果进行综合、比较来得到全面的油液的信息，去除掉多种分析结果之间的冗余信息，使相关信息的数值更为精确。同时，弥补单一信息源得到的油液信息不全面的缺点。

第四步，利用遗传算法来对神经网络的初始值进行优化；首先用遗传算法对初始值进行快速的全局搜索，再利用BP 算法在局部进行最优搜索，获得 BP 神经网络的初始值的最优值。

第五步，将训练集的分析数据用于GA-BP网络的建模；

第六步，利用测试集来训练出来的神经网络进行测试，直到神经网络的性能能够符合要求；具体的步骤如下：1）利用油液分析数据中的训练数据和GA算法来对神经网络的初始值进行优化；2）利用BP算法来对神经网络进行训练使得训练得到的神经网络的误差能够满足实际的需求；3）将油液分析数据中的测试数据用于检测GA-BP神经网络的性能。如果该GA-BP神经网络的性能不能满足要求，则需要对神经网络重新进行训练；

第七步，利用训练好的GA-BP神经网络来对液压制动系统状态进行分析，对可能存在的故障如阀卡类故障，离合器摩擦片故障，汇流行星排故障，配流套铸铁密封故障，理化性能下降等故障进行预示；该神经网络可以定性和定量地评价被监测液压制动系统的状态，并预测其发展趋势。

如图5所示，上述神经网络的结构为三层结构，一个输入层，一个输出层，一个隐含层，输入层节点个数为n，输出层节点个数为m，隐含层节点个数为q，输入层的节点个数与传感器的油液分析得到的分析数据的种类一致，输出层节点与所能预示的故障类型的个数相对应，隐含层的个数运用试凑法来确定。每个输入节点与隐含层节点之间的加权系数记为wij，i∈[1，n]，j∈[1，q]；每个隐含层节点与输出层节点之间的加权系数记为wjk，j∈[1，q]，k∈[1，m]。隐含层各个节点的偏值记为bj，j∈[1，q]，输出层的各个节点记为bk，k∈[1，m]。隐含层和输出层节点的激活函数采用Sigmoid函数，即g(x)=1/(1+exp(-x))，将神经网络的学习因子记为η。而所述GA-BP神经网络的混合动力轮胎吊液压制动系统故障诊断方法的具体步骤如下：

1)GA-BP神经网络训练数据和测试数据的处理

通过对混合动力轮胎吊制动系统进行各种故障类型的模拟，如弹簧故障等。从而获得制动系统所处的状态以及相应的油液分析的数据。获得的油液分析数据和制动系统状态的数据随机分成两个部分，其中一部分用于训练神经网络，另一部分用于检验神经网络的有效性。对于用于训练的那部分数据，可以将传感器数据作为神经网络的输入，记为X={x⁽¹⁾，x⁽²⁾ ….x^(N)}，x^(p)=[ x₁^p，x₂ ^p …. x_n^p]，p={1,2,… N}，N为传感器采集的数据组数，n为传感器的个数，即神经网络输入层的节点个数。同时，将制动系统所处的状态作为神经网络的期望输出，记为T={ t⁽¹⁾，t⁽²⁾ ….t^(N)}，t^(p)=[ t₁ ^p，t₂ ^p …. t_m^p]，p={1,2,… N} ，N为油液分析得到的数据种类，m为能够预示的故障类型的个数，即神经网络输出层的节点个数。神经网络输出层中的每一个节点的输出对应的是液压制动系统的一种故障类型，如果制动系统存在某种故障类型，则该种故障类型的输出节点对应的其期望输出为1，反之，则其对应的期望输出为0。

2)GA-BP神经网络训练阶段的具体步骤如下：

a)初始化：利用遗传算法(GA算法)来对神经网络中的各个节点和节点上的偏置进行初始化，即置所有的加权系数w_ij(0)，w_jk(0)和偏值b_j(0)和b_k(0)为相对较为优化的数值，从而缩短神经网络的训练时间；GA算法主要包括如下几个步骤：种群初始化，神经网络中的一个权重、偏值和种群的一个个体相对应；利用适应度函数计算每个个体的适应值；利用选择算法来对种群中的个体进行选择，选择较优的个体；利用交叉算法来对选择出的较优的个体进行交叉来得到下一代的个体；利用变异算法对种群中的个体进行变异；重复上述步骤，直到达到设定的迭代次数，此时在选出种群中最有的个体将其作为神经网络的中权值和偏值的初始值；

b)提供训练集：给出输入向量集{x⁽¹⁾，x⁽²⁾ ….x^(N)}和期望输出向量集{t⁽¹⁾，t⁽²⁾ ….t^(N)}；同时需要对给出的输入向量进行归一化处理，得到归一化后的输入向量集。归一化公式为：

x_i ^p= (x_i ^p- min{ x₁^p，x₂ ^p ….x_n^p })/( max{ x₁^p，x₂ ^p ….x_n^p }- min{ x₁^p，x₂ ^p ….x_n^p })，i={1,2,… n}，p={1,2,… N}；

c)计算神经网络中各节点的实际输出：计算所有数据点对应的隐含层节点的输出和输出层节点的输出，计算公式如下：

o_j^p= g(w_1j(r)x₁^p + w_2j(r)x₂ ^p + w_3j(r)x₃ ^p + …+ w_n-1j(r)x _n-1^p + w_nj(r)x _n^p +b_j(r))，j={1,2,… q} ，p={1,2,… N}，r表示当前迭代次数；

其中o_j^p表示隐含层的第j个节点在第p组数据作用下的输出；

y_k^p = g(w_1k(r)o₁^p + w_2j(r)o₂ ^p + w_3j(r)o₃ ^p + …+ w_q-1j(r)o _q-1^p + w_qj(r)o _q-1^p + b_k(r))，k={1,2,… m}，p={1,2,… N}，r表示当前迭代次数；

其中y_k表示输出层第k个节点在第p组数据作用下的输出；

d)计算各层的误差：计算隐含层和输入层各节点的误差，误差计算的公式如下：

δ_k^p = y_k ^p (1- y_k ^p)(t_k ^p- y_k ^p)，k={1,2,… m}，p={1,2,… N}；

其中δ_k^p表示输出层的第k个节点在第p组数据作用下的输出误差；

δ_i^p = (w_i1(r)δ₁^p + w_i2(r)δ₂^p + … +w_im(r)δ_m^p)o_i^p(1- o_i^p)，i={1,2,… q}，p={1,2,… N}，r表示当前迭代次数；

其中δ_k表示隐含层的第i个节点在第p组数据作用下的输出误差；

e)调整各层的加权系数及偏值，输出层和输入层的加权系数及其偏值的修正公式如下：

w_jk(r+1)= w_jk(r) +η(y_k ¹ o_j¹ + y_k ² o_j²+ … + y_k^N o_j^N)，

b_k(r+1)= b_k(r) +η(y_k ¹ + y_k ² + … + y_k^N)，

其中w_jk(r+1)为r+1代隐含层第j个节点与输出层第k个节点之间的权重系数，b_k(r+1)为r+1代输出层第k个节点的偏值；

w_ij(r+1)= w_jk(r) +η(δ_j¹x_i¹+δ_j²x_i²+ … +δ_j^Nx_i^N)，

b_j(r+1)= b_j(r) +η(δ_j¹ +δ_j² + … +δ_j^N)，

其中w_jk(r+1)为r+1代隐含层第j个节点与输出层第k个节点之间的权重系数，b_k(r+1)为r+1代输出层第k个节点的偏值；

f)计算误差，即

J _p= 1/2((t₁ ^p- y₁ ^p)² +(t₂ ^p- y₂ ^p)²+ … + (t_m ^p- y_m ^p)²)；

J = J₁+ J₂+ … + J_N；

其中J _p为第p组数据作用下神经网络的输出误差，J为神经网络的整体误差；

将神经网络的误差精度设定为ε>0，如果J<ε,说明训练出的神经网络已经能够满足误差要求；反之，返回步骤c)重新计算；

3)GA-BP神经网络检测阶段

在完成神经网络的训练后，需要对神经网络诊断故障的能力进行验证，需要利用采集的剩余部分数据来对神经网络进行，将获得的数据中的剩余部分数据用于校验GA-BP神经网络。如果建立的GA-BP神经网络的性能不能满足要求，那么则需要重新调节参数来对GA-BP神经网络进行训练，可以调整的参数有隐含层的节点个数q，学习因子η。校验的具体过程如下：

将剩余的样本数据作为神经网络的输入和期望输出，将神经网络得到的输出与期望的输出进行比较，得到验证过程中神经网络的系统误差E以及故障诊断的正确率，如果系统误差和诊断的正确率不能满足要求，那么需要调整参数，重新进行神经网络的训练，直到达到要求的精度。

本发明不局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其他多种具体实施方式实施本发明的，或者凡是采用本发明的设计结构和思路，做简单变化或更改的，都落入本发明的保护范围。