[发明专利]一种基于ACA-BP算法的挖掘机液压系统的故障诊断方法

说明书

一种基于ACA‑BP算法的挖掘机液压系统的故障诊断方法，提取液压系统发生故障时反应液压系统状态的数据，得到训练样本，建立神经网络模型结构，导入训练样本，采用蚁群算法改进的BP神经网络建立故障模型，将测试数据输入模型中，进行模型检测，输出故障原因，本发明在BP神经网络的权值训练过程中引入了蚁群算法，吸收蚁群的行为特征，通过其内在搜索机制，优化神经网络学习过程中权值，并将改进的算法用于挖掘机液态系统的故障诊断中。解决了目前BP神经网络主要采用梯度下降法对连接权值进行训练，收敛时间长、易于陷入局部极值等难题，增强了模型的故障诊断能力和误差逼近能力，提高了挖掘机的液态系统故障诊断的效率。

技术领域

本发明属于机械故障诊断技术领域，同时属于计算机应用领域、数据挖掘技术领域，特别涉及一种基于ACA-BP算法的挖掘机液压系统的故障诊断方法。

背景技术

随着现代生产的发展和科学技术的进步，挖掘机液压系统变得越来越复杂，越来越自动化和智能化。挖掘机是一种多功能机械，被广泛应用于水利工程，交通运输，电力工程和矿山采掘等机械施工中，它在减轻繁重的体力劳动，保证工程质量，加快建设速度以及提高劳动生产率方面起着十分重要的作用。其结构主要是由发动机、液压系统、工作装置、行走装置和电控系统等部分组成。由于挖掘机的工作条件恶劣，挖掘机液压系统出现故障时不能及时处理，这不仅可能导致液压系统长时间操作中断，而且增加了成本，降低了机器质量，并给操作者的安全带来极大的危险。于是它对液压系统的故障诊断提出了很高的要求，其液压系统也是工程机械液压系统中最为复杂的。因此，对挖掘机液压系统的故障诊断已经成为维护挖掘机的重要一环。

早期确定故障原因和故障位置可以减少故障，减少维护时间。此外对液压挖掘机故障检测进行故障诊断已成为近年来研究的课题，避免了液压挖掘机运行的停顿。为了提高生产率和安全原因,对自动预测维护和故障诊断系统的需求越来越大。

现代人工智能在故障诊断中得到了快速发展。BP神经网络由许多具有非线性映射能力的神经元组成。神经元通过权重系数相互联系，具有较强的自组织和自学习能力。由于BP神经网络的学习规则是梯度下降法，存在收敛速度慢、容易陷入全局优化导致的局部极小点等缺点。

发明内容

为了克服上述神经网络学习收敛慢、容易陷入局部极小点等问题，本发明的目的在于提供一种基于ACA-BP算法的挖掘机液压系统的故障诊断方法，在BP神经网络的权值训练过程中引入了一种新的随机型全局搜索算法——蚁群算法，利用这种源于自然界的新型仿生学算法，吸收蚁群的行为特征,通过其内在搜索机制，优化神经网络学习过程中权值，并将改进的算法用于挖掘机液态系统的故障诊断中。解决了目前BP神经网络主要采用梯度下降法对连接权值进行训练，收敛时间长、易于陷入局部极值等难题，增强了模型的故障诊断能力和误差逼近能力，提高了挖掘机的液态系统故障诊断的效率，为其它类型挖掘机的液态系统故障诊断建模提供了有益参考。

为了实现上述目的，本发明采用的技术方案是：

一种基于ACA-BP算法的挖掘机液压系统的故障诊断方法，其特征在于，包括如下步骤：

步骤一：提取液压系统发生故障时反应液压系统状态的数据，得到训练样本；

步骤二：建立神经网络模型结构；

步骤三：导入训练样本，采用蚁群算法改进的BP神经网络建立故障模型；

步骤四：将测试数据输入模型中，进行模型检测；

步骤五：输出故障原因。

所述步骤一中，训练样本有多组，将提取的数据分别作为各组的训练样本，每组训练样本数据包括1种故障类型对应的多种故障原因，所述故障类型共8种，相应地，有8组训练样本，8种故障类型分别为液压泵周围产生噪声、整体无反应、整机动作缓慢故障分析、系统总流量不足、系统工作压力低、系统内泄漏、系统外泄漏、振动或噪声，每一种故障类型对应多种故障原因，如表1。