液压支架液压系统故障仿真与诊断技术研究

陈敏捷, 羊荣金,2

(1.杭州科技职业技术学院 机电工程学院，浙江 杭州 311402；2.浙江大学 机械工程学院，浙江 杭州 310058)

引言

液压支架是用来控制采煤工作面矿山压力的结构物，能有效地为采煤设备和人员提供安全的工作空间。据统计，液压支架故障中80%以上是由其液压系统故障引起的，支架液压系统出现故障给煤矿安全生产带来严重的不利影响[1]。

在支架液压系统的故障诊断研究方面，国内外学者进行了大量研究。随着信息技术、计算机技术等的迅速发展，围绕支架液压系统在线诊断技术、智能诊断技术的探索也越来越多[2-4]。这些故障诊断与识别的开展都需要先获取支架液压系统的故障数据。但人为地对支架液压系统造成故障往往难以修复，且成本极高；而直接收集各种故障工况下的数据耗时且比较困难。因此，本研究提出了一种基于故障模拟仿真的支架液压系统故障诊断方法。首先通过AMESim软件对支架液压系统的常见故障工况进行模拟仿真并采集所需样本数据，然后基于BP神经网络的故障诊断算法通过MATLAB软件对常见故障工况进行仿真训练，最后通过支架液压系统故障诊断测试验证了该方法的有效性[5-9]。

1 支架液压系统常见故障分析

1.1 工作原理

以图1中的ZF3200/16/24型液压支架为例，支架液压系统主要由立柱控制回路、推移千斤顶控制回路、护帮千斤顶控制回路、侧推千斤顶控制回路、尾梁千斤顶控制回路、插板千斤顶控制回路和拉后溜千斤顶控制回路等组成，以液压泵站的高压油液为动力，通过若干液压阀件控制不同功能的液压缸以实现液压支架的升架、降架、推移和移架等动作。

1.截止阀 2.过滤器 3.操纵阀 4.液控单向阀 5.安全阀 6.双交替阀 7.双向锁 8.单向锁 9.断路阀

1.2 常见故障

针对支架立柱或千斤顶不能动作或动作缓慢、自降、达不到初撑力和工作阻力等主要故障现象进行分析，此类故障主要是由液压元件泄漏、油液出现杂质、温度升高导致油液黏度下降等原因引起，比较常见的故障类型主要有以下9种：

(1)x1：液压泵内泄漏；

(2)x2：操纵阀内泄漏；

(3)x3：操纵阀阀芯卡滞；

(4)x4：液控单向阀内泄漏；

(5)x5：液控单向阀阀芯卡滞；

(6)x6：安全阀阻尼孔堵塞；

(7)x7：安全阀阀芯卡滞；

(8)x8：液压缸内泄漏；

(9)x9：系统油液黏度下降。

2 基于AMESim 的支架液压系统故障模拟仿真

基于AMESim软件建立支架液压系统仿真模型，设置故障工况，并最终获取支架液压系统的故障工况样本数据[10]。

2.1 仿真模型

由于液压支架的各个基本控制回路之间为并联关系，且元件组成和工作原理基本类似，因此选取支架最重要的回路之一立柱控制回路进行仿真建模。图2是立柱控制回路的AMESim仿真模型，模型主要参数见表1。

图2 支架立柱回路AMESim仿真模型

表1 AMESim仿真模型的主要参数

2.2 故障模拟仿真

如表2所示，在建立AMESim仿真模型的基础上，模拟1类正常状态(x0)和9类常见的故障类型(x1～x9)，每种故障类型通过改变相应仿真参数进行故障模拟仿真，各故障类型可以用对应的故障向量表示。

表2 故障仿真参数与故障向量

故障模拟仿真后，模拟传感器采集液压系统状态信息的数据采集过程，同时对液压泵工作压力、液压泵实际流量、液压缸输入压力、液压缸输入流量、液压缸输出推力、活塞杆运动速度、活塞杆伸出位移、溢流阀入口压力和溢流阀溢流量等9个状态变量进行采集。故障模拟仿真时长设置为10 s，共采集1类正常样本(x0)和9类故障样本(x1～x9)，每类样本个数均为200。其中，故障样本通过修改相应参数处于故障状态范围内获得，正常样本通过修改上述9个参数均处于正常状态范围内获得。

3 BP神经网络算法用于故障诊断

3.1 基本原理

BP神经网络是应用最广泛的神经网络，是一种按照误差反向传播算法训练的多层前馈神经网络。如图3所示，其结构分为输入层、隐含层和输出层。

图3 BP神经网络拓扑结构

BP算法包括信号前向传播和误差反向传播2个过程：

(1)前向传播过程：输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。

(2)反向传播过程：输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。

3.2 结构设计

进行BP神经网络训练前需要先进行网络结构设计。层数过多会使得计算量增大，因此设计BP神经网络的层数为3层；状态变量作为神经网络的输入，故障向量作为神经网络的输出，因此输入层节点数为9，输出层节点数为故障向量的位数4[11]。隐含层节点数根据经验公式计算：

(1)

式中，n1—— 隐含层节点数

n—— 输入层节点数

m—— 输出层节点数

a——[0,10]之间的常数

将n=9，m=4，a=6带入式(1)中，确定隐含层节点数n1=10。

选取Sigmoid函数作为隐含层的激活函数；选取线性函数作为输出层的激活函数。

3.3 BP神经网络训练

在MATLAB环境中通过编写程序以实现样本数据对BP神经网络的训练。设置神经网络的最大循环次数为1000次，另外经过多次试验后，设置神经网络的学习率为0.05，目标误差为0.001[12]。分别取每一工况200组数据样本(x0～x9)中的180组共同组成训练数据(共1800组)，输入BP算法模型进行网络训练，表2中的故障向量作为输出。各工况剩余的20组数据样本共同组成测试数据(共200组)。由图4可知，经过迭代次数i为57次训练后达到了目标误差e为0.001，满足训练要求。

图4 BP神经网络训练误差曲线

3.4 故障诊断测试与结果分析

将测试数据输入训练好的BP神经网络进行故障诊断测试，运行程序后部分神经网络故障诊断结果见表3。从故障诊断测试看出，故障节点值接近1，非故障节点值接近0，故障均与实际故障相符，说明该诊断方法具有较高的准确性和可靠性。

表3 部分BP神经网络故障诊断结果

4 结论

本研究在分析支架液压系统工作原理和常见故障的基础上，建立了支架液压系统AMESim仿真模型并模拟了9类常见故障工况，通过MATLAB故障仿真实验验证了该故障诊断方法的准确性和可靠性，为进一步开展支架液压系统智能故障诊断和健康监测提供了故障样本数据和奠定了研究基础。同时，该故障仿真实验还存在部分数据有偏差、训练次数较多、训练时间较长等问题，且对因多种故障原因引起的混合故障仿真尚未涉及，后续将进一步优化算法并继续深入研究。