基于GA-BP网络的液压制动系统多源融合故障预示方法技术方案

本发明专利技术公开了一种GA‑BP网络的液压制动系统多源融合故障预示方法，其具体如下：对液压制动系统中的油液进行采样，并随机分成训练集、测试集，对样本进行分析，并进行多源信息融合，得到油液相关的分析数据；利用遗传算法来对神经网络的初始值进行优化；将训练集的分析数据用于GA‑BP网络的建模；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；最后，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。本发明专利技术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；使得故障诊断过程更加智能化，检测的准确性更高。

【技术实现步骤摘要】

本专利技术属于液压制动系统故障检测
，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。
技术介绍
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，专利技术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。
技术实现思路
为了克服现有技术的不足，本专利技术提供了一种基于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，本专利技术采用的技术方案是：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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
1.一种基于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。2.根据权利要求1所述的一种基于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，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...

【专利技术属性】
技术研发人员：戴瑜兴，朱志亮，谢晓青，张申波，曾国强，张正江，王环，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江;33