基于SVM的液压设备仿真模型的故障诊断

维普资讯 http://www.cqvip.com 基于ＳＶＭ的液压设备仿真模型的故障诊断　杨（１．大连交通大学软件学院，大连琦　，　孙玉清　１１６０５２；２．大连海事大学轮机工程学院，大连１１６０２６）　摘要：阐述了ＳＶＭ算法在液压系统的故障诊断领域中的应用及其诊断效果．以全液压克　令吊模型为研究对象，将克令吊模型的回转回路作为一个独立系统，使用功率键合图方法建立　其数学模型，并用Ｍａｔｌａｂ中的Ｓｉｍｕｌｉｎｋ对模型进行计算机仿真，对回转回路选择不同的参数进　行流量的特性仿真，运用支持向量机理论依据流量值的特性对回转回路进行故障分类，得到了　令人满意的故障分类正确率．　关键词：支持向量机；液压设备故障诊断；数学建模；仿真　・’　中图分类号：ＴＰ３９１．９　文献标识码：Ａ　文章编号：１００５－８３５４（２００７）０５－００１４－０４　Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｏｆ　ｓｉｍｕｌａｔｉｏｎ　ｍｏｄｅｌ　ｏｆ　ｈｙｄｒａｕｌｉｃ　ｄｅｖｉｃｅｓ　ｂａｓｅｄ　ｏｎ　ＳＶＭ　ＹＡＮＧ　Ｑｉ　，ＳＵＮ　Ｙｕ—ｑｉｎｇ　（１・Ｓｏｆｔｗａｒｅ　Ｃｏｌｌｅｇｅ，Ｄａｌｉａｎ　ＪｉａｏＴｏｎｇ　Ｕｎｉｖ．，Ｄａｌｉａｎ　１　１６０５２，Ｃｈｉｎａ；２．Ｅｎｇｉｎｅ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｃｏｌｌｅｇｅ，　Ｄａｌｉａｎ　Ｍａｒｉｔｉｍｅ　Ｕｎｉｖ．，Ｄａｌｉａｎ　１　１　６０２６，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｔｈ／ｓ　ｐａｐｅｒ　ｉｎｔｒｏｄｕｃｅｓ　ｔｈｅ　ａｐｐｌｉｃａｔｉｏｎｓ　ａｎｄ　ｄｉａｇｎｏｓｉｓ　ｅｆｆｅｃｔ　ｏｆ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｓ（ＳＶＭ）ａｒｉｔｈ—　ｍｅｔｉｃ　ｉｎ　ｔｈｅ　ｉｆｅｌｄ　ｏｆ　ｆｎｕｌｔ　ｄｉａｇｎｏｓｅｓ　ｏｆ　ｈｙｄｒａｕｌｉｃ　ｓｙｓｔｅｍ．Ｔａｋｉｎｇ　ｆｕｌｌｙ　ｈｙｄｒａｕｌｉｃ　ｃｒａｎｅ　ａｓ　ｒｅｓｅａｒｃｈ　ｏｂｊｅｃｔ　ａｎｄ　ｓｌｅｗｉｎｇ　ｃｉｒｃｕｉｔ　ｏｆ　ｔｈｅ　ｃｒａｎｅ　ｍｏｄｅｌ　ａｓ　ａｎ　ｉｎｄｅｐｅｎｄｅｎｔ　ｓｙｓｔｅｍ，ｉｔ　ｂｕｉｌｄｓ　ｒｅｌｅｖａｎｔ　ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｄｅｌ　ｗｉｔｈ　ｐｏｗｅｒ　ｂｏｎｄ　ｇｒａｐｈ，ａｎｄ　ｓｉｍｕｌａｔｅｓ　ｔｈｅ　ｍｏｄｅｌ　ｗｉｔｈ　ｔｈｅ　Ｓｉｍｕｌｉｎｋ　ｏｆ　Ｍａｔｌａｂ，ａｔ　ｔｈｅ　ｓａｍｅ　ｔｉｍｅ　ｄｏｅｓ　ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　／ｚ　ｂｙ　ｓｅｌｅｃｔｉｎｇ　ｄｉｆｆｅｒｅｎｔ　ｐａｒａｍｅｔｅｒｓ　ｏｆ　ｔｈｅ　ｓｌｅｗｉｎｇ　ｃｉｒｃｕｉｔ．Ｆｉｎａｌｌｙ　ｂｙ　ａｄｏｐｔｉｎｇ　ｔｈｅ　ＳＶＭ　ｔｈｅｏｒｙ　ａｎｄ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆｆｌｕｘｉｎｇ　ｖａｌｕｅ，ｉｔ　ｃｌａｓｓｉｉｆｅｓ　ｔｈｅ如ｕｌｔ　ｏｆ　ｔｈｅ　ｓｌｅｗｉｎｇ　ｃｉｒｃｕｉｔ　ａｎｄ　ｇｅｔｓ　ａ　ｓａｔｓｉｆａｃｔｏｒｙ　ｕｌｔ　ｃｌａｓｓ　ｒａｔｅ．　Ｋｅｙ　ｗｏｒｄｓ：ＳＶＭ；ｈｙｄｒａｕｌｉｃ　ｄｅｖｉｃｅ如ｕｌｔ　ｄｉａｇｎｏｓｓ；ｍａｔｉｈｅｍａｔｉｃ　ｍｏｄｅｌ；ｓｉｍｕｌａｔｉｏｎ　Ｏ　引言　可以丰富液压系统故障诊断理论，提高液压系统故障　诊断技术的水平．　文章从支持向量机能够较好地解决小样本学习　问题　的实际出发，提出了用支持向量机解决液压　系统故障诊断的新方法．将该方法用于液压系统故障　１液压设备基本结构　本文以液压设备中常见的克令吊模型为研究对　象．全液压克令吊模型是依照回转式起货设备中的定　置式单克令吊设计的实物模型．克令吊主要由吊臂、　回转柱、液压马达、液压泵、吊货钩、钢丝绳和操纵室　诊断领域，有望使制约故障诊断向智能化方向发展　的瓶颈问题得到解决．通过提取液压系统的状态和对　相应的特征进行训练，得到一个基于支持向量机的故　障分类器，并且将大样本降为仅是支持向量的小样本　模式．把支持向量机理论引入到液压系统的故障诊断　中来，这是液压故障诊断领域的一个新的尝试，同时　收稿日期：２００７－０４－０２　基金项目：国家自然科学基金资助项目（５０５７５０２７）　等组成，其主要运动形式为：起升、变幅、回转，其中起　升由吊钩回路完成，变幅由吊臂回路完成，回转由回　作者简介：杨琦（１９７９一），女，工学硕士，研究方向为控制理论与控制工程　ｌ４第五期２００７年技术篇　维普资讯 http://www.cqvip.com 转回路完成．本文主要研究回转回路部分，对回转回　路部分建立数学模型，然后进行故障诊断的仿真　实验．　式进行了分类，故障诊断问题就是将现行工作状态归　到哪一类的问题，因此故障诊断的实质就是模式识别　问题．将这些已存在的样本模式（标准模式）与现有　的由特征征兆按不同方式组成的相应的待检状态模　式进行对比，从而决定待检模式应划为哪一类样本模　式，即对系统的当前状态进行智能模式识别．这样故　２　ＳＶＭ的故障诊断原理　诊断的基本方法是对信号的分析处理，其核心问　题是故障特征提取　并建立特征与状态之间的对应　障诊断问题就转化为一个模式识别的归类问题　．　关系，诊断的实质是模式识别问题　．　设被检测对象全部可能发生的状态（包括正常　３克令吊回转回路的数学模型及仿真　状态和故障状态）组成状态空间ｓ，它的可观测量特　将全液压克令吊模型的回转回路部分视作为一　征的取值范围构成特征空间】，，当系统处于某一状态　个独立的系统，建立其数学模型，进行Ｓｉｍｕｌｉｎｋ仿真，　时，系统具有确定的特征Ｙ，即存在映射ｇ：ｓ一】，；反之，　研究系统中的流量变化．在建模过程中忽略油液变质　一定的特征也对应确定的状态，即存在映射．厂：　一５．　及管路中油液温度产生的影响．　本文采用的支持向量机技术就是提取系统的状　３．１　系统的功率键合图　态和相应的特征Ｙ进行训练，得到一个基于支持向量　根据功率键合图构建方法，当供给源、排给源和　机的分类器，并且将大样本模式降低为仅是支持向量　系统负载一定时，画出的系统的功率键合图如图１　的小样本模式．由于事先已经对可能的故障空间的模　所示．　…　ｐｐ　ＩＡＱｐ　ＱＹ　Ａｐｖ　￣Ｑｖ　Ｕ　ＦＩ　ＩＰ　０　—　’　、　＿　—－’，，，』　　Ｐ　ｌＱｆ２　Ｐ　，　—　Ｔ　２　‘　图１　回转回路系统的功率健合图　ｊ＿．２糸统嗣数芋模型　液压泵泄漏Ｒ　Ｑ　＝Ｒ　Ｐｐ　供给源　＝常量　液压马达泄漏Ｒ　Ｑ　＝Ｒ　△Ｊｐ　排给源Ｐ　＝常量　溢流阀尺　：Ｑ　＝尺　＝Ｏ，Ｐｐ　＜Ｐ￣　被驱动惯量　：　：丁１』（　一　）ｄｆ　，），ＪＤ　＞Ｊｐ调　控制阀中心　液容Ｃｐ：Ｐｐ＝　１／△Ｑｌｆｔ（≥一１个大气压）　ｆＲ　：Ｑ　：ｓｇｎ（ＡＰ　）ｋｖｙＸ　ＡＰ；，Ｒ，＝ｋｖｙＸ　ＬＲ　：Ｑ　＝ｓｇｎ（ＡＰ　）后　Ｘ　△Ｐ二，Ｒ　：ｋｖｚＸ　液容Ｃｙ：Ｊｐ　＝　１／△Ｑｙｄｔ（≥一１个大气压）　负载摩擦　：　＝　液容ｃ　：ＪＤ：＝　１／△Ｑ　（≥一１个大气压）　液压泵变换　｛　技术篇２００７年第五期　１５　维普资讯 http://www.cqvip.com 液压马达变换　：【Ｑ。：　Ｉ　＝Ｖ　Ｐ　Ｔ￣ｙ　，　马达的１节点：　＝　一　：　：负载的１节点：Ｔ　＝　一　其中Ｑ　为液压泵的理论排量，Ｑ　为控制阀的进　口流量，Ｑ　为控制阀的出口流量，Ｑ，为溢流阀的溢流　量，Ｑ　为液压泵的泄漏流量，Ｑ　为液压马达的泄漏　流量．　＝　Ｐ：　‘【Ｑ　＝　马达０节点：△　＝Ｑ　一Ｑ　一Ｑ，一Ｑ，，　△Ｑ　＝Ｑ　一Ｑ。　一Ｑ　，　△Ｑ：＝Ｑ　＋Ｑ　一Ｑ；　３．３系统的仿真模型　控制阀的１节点：△Ｐ　＝Ｐ　一Ｐ　，　ＡＰ：根据功率键合图所建的模型以及设备处于工作　状态时回转回路运行的动态数学关系式，用ｓｉｍｕｌｉｎｋ　Ｐ一Ｐ　，　ｚ　：ＡＰ　＝Ｐ　一Ｐ　完成其仿真部分，结构图如图２所示．　图２用ｓｉｍｕｌｉｎｋ设计的全液压克令吊回转回路部分的仿真结构　３．４系统流量特性的仿真　１／　＝１０，Ｒ　＝１．７６ｅ一０１１，Ｒｋ＝１．３２ｅ一０１１，Ｒ，＝１／　测量实际系统正常运行时各个元件进出口的压　４ｅ＋００９，Ｋ　＝１．０５ｅ一００５，Ｋ　＝１．０５ｅ一００５，ｖ＝　力、流量值，依据所测量的数据调整仿真模型的各个　０．０００１６／６．２８，ＴＩ＝０，　：９．５４９３ｅ一００７．　参数，并用支持向量机对仿真模型所产生的样本数据　进行训练来实现故障诊断．在ｓｉｍｕｌｉｎｋ中对系统的参　４运用ＳＶＭ对仿真模型进行故障诊断　数进行设置，当系统处于正常工作状态时，Ｐ　＝０，Ｐ　４．１故障分类　＝ｌｅ＋００６，　ｐ＝１４９．７４９２，１／Ｃｏ＝１／２．９１ｅ一０１０，　针对系统的主要元件人为设置故障，即针对图１　＝１／１１，１／Ｃ　＝１／３．９１ｅ一０１２，１／Ｃ：＝１／３．９１ｅ一０１２，　中的液压泵（双作用叶片泵）、液压马达、电磁溢流阀　１６第五期２００７年技术篇　维普资讯 http://www.cqvip.com 这三个元件设置了４种简单故障以及由二个以上元　件所构成的３种复杂故障．　４．２仿真实验　对建立的实验模型进行故障诊断分类实验，将系　统运行状态分为正常工作状态和７类故障状态共计８　类状态．考虑到实际因素，监测点不宜选取过多，被选　作监测点的各个量之间没有关联关系，彼此相互独　立，以确保故障特征提取的准确性，因此选取Ｑ　、Ｑ：、　Ｑ　、Ｑ　Ｑ　和Ｑ。共６个量做为监测点．在正常工况　下，对仿真模型进行４０秒观察，发现当系统运行２０　秒以后处于稳定状态，所以每个监测点取０—２０秒内　的４００个数据点作为样本，即分类器要识别的模式，６　个监测点共计２４００个点，维数为２４００．根据数据模　型，训练数据（　，Ｙ　），…，（　，Ｙ　），其中：　＝［Ｑ　（１：　４００），Ｑ：　（１：４００），Ｑ，　（１：４００），Ｑ　（１：４００），Ｑ　（１　：４００），Ｑ　（１：４００）］，并且　∈Ｒ　，Ｙ∈｛１，２，３，４，５，　６，７，８｝．这是一个多值分类问题，又由于回转回路是　一个非线性系统，因此，需要建立非线性支持向量机．　运行ｓｉｍｕｌｉｎｋ仿真程序，对每种状态类型采集４个故　障样本，合计３２个样本一起作为训练样本．图３给出　了正常状态和某类故障状态的Ｑ　、Ｑ　、Ｑ　、Ｑ　、Ｑ　和　Ｑ。曲线．　４．３实验结果　训练阶段的主要工作是根据样本选择适当的分　类器参数，这里的参数包括核函数的参数和惩罚因子　ｃ．选择高斯函数Ｋ（　，　）：ｅｘｐ（一ｌ　ｌ—　，ｌ　ｌ／２ｏ＂　）　作为核函数，因此最终影响分类器的只有高斯函数中　的　和另一个参数Ｃ．由于Ｃ对分类器的影响不　大　，所以实验中对参数　的选取很慎重．取　：　０．５，载入训练样本，对数据模型进行训练，得到多值　分类的支持向量机．将训练样本作为测试样本，得出　分类正确率为９３．７５％，各类别均没有错分的情况；然　后对测试样本进行测试分类，得出了正确率能达到　８５％以卜．　５结论　本文介绍的液压设备故障诊断方法是基于统计　学习理论的ＳＶＭ方法，对建立的仿真模型做故障诊　断测试，发现采用ＳＶＭ方法得到的故障分类的准确　率很高．由于液压设备的成本很高，故障样本难以获　取，而ＳＶＭ可以在少量训练样本条件下进行故障分　类，并得到很高的故障分类率，因此该方法在液压设　备的故障诊断领域具有一定的优势．　０．５．１Ｏ一４　／／　Ｔ　０　—一　／　一０．５．１０—４　－１．０．１０－４　…１　５　１Ｏ一４　．　Ｏ　１Ｏ　２Ｏ　３Ｏ　时间／ｓ　一一———一　．／　／｛　血Ｉ　时间／ｓ　图３　正常状态和某故障状态的流量曲线　参考文献：　［１］Ｖｌａｄｉｍｉｒ　Ｎ．Ｖａｐｎｉｋ著，张学工译．统计学习理论的本　质［Ｍ］．清华大学出版社，２０００．１－２１６．　［２］崔伟东，周志华，李星．支持向量机研究［Ｊ］．计算机工　程与应用，２００１，（１）：５８—６１．　［３］李凌均，张周锁，何正嘉．支持向量机在机械故障诊断　中的应用研究［Ｊ］．计算机工程与应用，２００２，（１９）：　ｌ９—２１．　［４］屈梁生，张海军．机械故障诊断的几个基本问题［Ｊ］．　中国机械工程，２０００，１０（１－２）：２１１—２１６．　［５］刘永健，胡培金．液压故障诊断分析［Ｍ］．北京：人民　交通出版社，１９９８．　［６］Ｃｈａｐｅｌｌｅ　０，Ｈａｆｆｎｅｒ　Ｐ，Ｖａｐｎｉｋ　Ｖ　Ｎ，Ｓｕｐｐｏ￣ｖｅｃｔｏｒ　ｍａ—　ｃｈｉｎｅ　ｆｏｒ　ｈｉｓｔｏｇｒａｍ—ｂａｓｅｄ　ｉｍａｇｅ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ［Ｊ］，ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ｎａｔｕｒａｌ　Ｎｅｔｗｏｒｋｓ，１９９９，１０（５）：１０５５—１０６４．　［７］董云杰．支持向量机及其在模式识别中应用的研究　［Ｄ］．兰州理工大学，硕士学位，２００３．　［８］吴娟，范玉妹，王丽．关于改进的支持向量机的研究　［Ｊ］．攀枝花学院学报，２００６，（１０）：１０２—１０５．　［９］艾青，刘洋，秦玉平．支持向量训练算法研究［Ｊ］．渤海　大学学报（自然科学版），２００６，２７（３）：２６６—２６８．　技术篇２００７年第五期　ｌ７