基于B-P神经网络的电液伺服阀的故障诊断

论文摘要

电液伺服阀作为液压伺服系统的核心元件,是故障诊断的重点对象,其故障原因经常呈现出不确定、非线性等复杂状态。本文简要介绍了电液伺服阀的构成、特性曲线、主要故障和故障机理,以及几种人工智能故障诊断方法,包括专家系统、模糊理论、灰色理论、人工神经网络等,分析和比较了几种方法各自的优缺点,结合电液伺服阀的特性,本文最终决定采用人工神经网络对电液伺服阀进行故障诊断。本论文中,以喷嘴挡板电液伺服阀为例,利用本实验室的试验台,在系统压力分别在3MPa,3.5MPa,4MPa,4.5MPa,5MPa时,人为设定阀的5种故障状态:1)正常状态; 2)阀芯一端限位;3)一侧固定节流孔堵塞;4)阀芯磨损;5)伺服阀零位不对中,然后测出阀的压力特性曲线,并对曲线进行分析和量化处理,处理后的数据为后面进行故障诊断提供样本。深入研究了人工神经网络中的单隐层B-P神经网络,设计出32个输入神经单元,5个输出神经单元,1个隐层单元数,隐层节点数目可变的B-P神经网络,对电液伺服阀故障模式进行识别。结合所测得的实验数据,通过大量的样本训练,调整网络的权值、阈值等参数,直到满足训练要求,训练得到的权值、阈值等参数会保存在计算机中,最后将电液伺服阀在3.5MPa下得到的归一化处理后的数据输入到已经训练好的网络,结果表明其输出误差在规定的范围内,这样就验证了网络的正确性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题提出及其意义
• 1.2 液压设备故障诊断的特点
• 1.3 液压设备故障诊断方法概述
• 1.4 液压设备故障诊断技术的国内外研究现状
• 1.5 本论文的主要研究内容
• 第二章 人工智能故障诊断方法研究
• 2.1 专家系统故障诊断方法
• 2.1.1 专家系统的基本概念
• 2.1.2 推理机制
• 2.1.3 知识表示
• 2.1.4 知识获取
• 2.2 模糊理论故障诊断方法
• 2.2.1 模糊理论概述
• 2.2.2 模糊诊断方法
• 2.3 灰色理论故障诊断方法
• 2.3.1 关联系数计算公式
• 2.3.2 关联度计算
• 2.3.3 关联度分析步骤
• 2.4 人工神经网络故障诊断方法
• 2.5 几种故障诊断方法优缺点比较
• 2.6 本章小结
• 第三章 电液伺服阀的特性及其故障机理研究
• 3.1 电液伺服阀的组成
• 3.1.1 力矩马达（或力马达）
• 3.1.2 液压放大器
• 3.1.3 反馈机构（或平衡机构）
• 3.2 电液伺服阀的分类
• 3.3 力反馈两级电液伺服阀
• 3.3.1 力反馈两级电液伺服阀的结构
• 3.3.2 力反馈两级电液伺服阀的工作原理
• 3.4 电液伺服阀的特性
• 3.4.1 电液伺服阀的静态特性
• 3.4.2 电液伺服阀的动态特性
• 3.5 电液伺服阀的主要故障及其机理研究
• 3.5.1 电液伺服阀的主要故障
• 3.5.2 电液伺服阀故障机理研究
• 第四章 电液伺服阀故障样本的提取
• 4.1 电液伺服阀的实验设计
• 4.1.1 实验对象
• 4.1.2 实验目的
• 4.1.3 实验原理
• 4.2 实验的具体内容和实施方案
• 4.3 特征曲线
• 4.4 特征曲线分析以及量化处理
• 4.5 本章小结
• 第五章 B-P神经网络在电液伺服阀的故障模式识别中的研究
• 5.1 人工神经网络概述
• 5.1.1 人工神经元
• 5.1.2 神经网络学习算法
• 5.2 B-P神经网络算法研究
• 5.2.1 前馈型（B-P）神经网络算法研究
• 5.2.2 单隐层B-P网络学习算法
• 5.3 B-P神经网络用于故障诊断的具体实现
• 5.3.1 B-P算法的程序实现
• 5.3.2 B-P网络输入输出层设计
• 5.4 B-P神经网络训练与故障模式识别结果
• 5.5 本章小结
• 第六章 总结与展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文