[发明专利]一种基于故障观测器与SOM的液压系统健康评估方法

说明书

技术领域

本发明属于液压系统的故障诊断技术领域，具体涉及一种基于故障观测器与自组织映射(SOM)相结合的液压系统的健康评估方法。

背景技术

由于科技水平的不断提高，机械设备的自动化和智能化水平显著增长，机械结构变得越来越复杂，可靠性在工业产品中起着重要的作用。但是，无论产品的可靠性有多的高，由于过大的负载、恶劣的工况环境等因素的影响，机器的性能会随着时间的推移而不断地发生退化，设备最终会出现功能失效。机器设备维修作为一种有效的方式，在一定程度上可以保证机器设备具有持续的高可靠性。但这种单纯依靠维修方式来提高设备的可靠性，在实际中常常会面临好设备误修、坏设备漏修、影响原装备寿命等情况的出现，也会增加维修成本。因此如何对设备当前的健康状态进行评估，间接地知道设备的剩余寿命，已成为目前设备健康状态监测的研究热点之一。

观测器属于基于解析模型进行故障检测的其中一种方法，而基于解析模型方法的基本思想为：故障发生前后，系统分别处于正常状态和故障状态，建立正常状态时系统的解析模型，通过比较模型输出和真实系统的测量输出，产生称为“残差”的故障指示器。若故障发生，会影响系统的测量输出，导致残差发生变化，对该残差进行评价，既可故障检测，又可对系统的退化状态进行评估。

自组织映射(SOM)是基于无监督学习方法的神经网络的一种重要类型，且是神经网络最富有魅力的研究领域之一。它能够通过其输入样本学会检测其规律性和输入样本相互之间的关系，并且根据这些输入样本的信息自适应调整网络，使网络以后的响应与输入样本相适应。不但能学习输入向量的分布情况，还可以学习输入向量的拓扑结构，其单个神经元对模式分类不起决定性作用，而要靠多个神经元的协同作用才能完成模式分类。

目前，对于液压系统的健康评估正处于起步阶段，而且大部分的现有评估方法都是在故障的特征识别的基础上对当前状态进行评估的。这种方法的关键之一在于需要有待评估设备的历史故障数据，因为只有需要通过比较当前状态与各种故障程度的历史特征模式才能实现健康状态评估。然而，设备的历史故障数据往往较难获取，尤其是针对一些新安装使用的设备来说，根本没有历史故障数据，评估效果差、鲁棒性差，因此在实际工程中此方法的应用受到了很大的限制。

发明内容

本发明的目的是为了解决在进行液压系统健康状态评估时，现有方法评估效果差、鲁棒性差且依赖于历史数据的问题，提出一种基于故障观测器与自组织映射相结合的液压系统健康评估方法。

本发明一种基于故障观测器与自组织映射相结合的液压系统健康评估方法，具体包括以下步骤：

步骤一、建立并训练故障观测器，所述的故障观测器采用神经网络实现，输入为液压系统的输入和输出信号，输出信号通过一个模拟真实液压系统输出滞后功能的迟滞环节后输入，获取液压系统正常工作状态下的历史输入和输出信号，训练故障观测器，训练输入样本为获取的历史输入和输出信号，训练输出样本为获取的历史输出信号，在故障观测器训练完成后，获得液压系统在正常工作状态下的残差信号；所述的残差信号由故障观测器的估计输出信号与对应的液压系统的输出信号做差得到。

每隔一段时间，获取当前时刻t工作状态下的液压系统的输入信号r(t)和输出信号y_r(t)，输入故障观测器，得到故障观测器的估计输出信号进一步得到当前t时刻工作状态下液压系统的残差信号ε(t)；所述的残差信号ε(t)由故障观测器的估计输出信号与对应的液压系统的输出信号y_r(t)做差得到。

步骤二、针对每个残差信号，将其分成k组，在每一组中抽取n个样本，对每一组提取特征量，得到k个特征量；所述的特征量采用均值、有效值、峭度或者波形因子来表示。

步骤三、构建自组织映射模型，所述的自组织隐射模型是一个输入层+输出层的神经网络结构，在训练前设定训练次数、初始健康度和整个神经网络总的神经元的个数，然后用从液压系统正常工作状态下的残差信号提取的k个特征量组成输入层的输入向量，进行自组织映射模型的训练。

步骤四、对液压系统进行实时健康评估：将在时刻t工作状态下的液压系统的残差信号的特征量输入训练好的自组织映射模型，得到时刻t工作状态下的液压系统的健康度A。

步骤五、将时刻t工作状态下的液压系统的健康度A与设定的液压系统的最低健康度B比较，若A＞B，则液压系统运行良好，若A≤B，则液压系统存在故障，停止运行液压系统，进行故障排除。

本发明的优点与积极效果在于：