基于BP神经网络的某型叉车液压系统故障诊断模型研究

《基于BP神经网络的某型叉车液压系统故障诊断模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP神经网络的某型叉车液压系统故障诊断模型研究朱洁赵应生闰育京1军事交通学院研究生大队天津300161269325部队喀什844900摘要：阐述了液压系统故障诊断的特点和现状，对BP神经网络的结构、训练方法和算法流程进行了说明，并由此建立了某型叉车的故障诊断模型。将该型叉车液压系统的经验故障诊断特征库转化为可以被神经网络模型利用的样本数据，并利用Matlab软件进行了仿真实验，验证其收敛性能达到相关要求。关键词：BP神经网络；叉车；液压系统；故障诊断中图分类号：TH242：TP277文献标识码：A文章编号：1001—0785(2014)

2、02—0097—04Abstract：Thepaperdescribesthecharacteristicsoffaultdiagnosisforthehydraulicsystemanditscurrentsituations，andpresentsthestructure，trainingmethod，andalgorithmflowofBPneuralnetwork．Thefaultdiagnosismodelforcertainforkliftisbuiltbasedonthis．Thefaultdiagnosisfeatureli

3、braryoftheforklifthydraulicsystemcanbeconvertedtothesam-piedataavailableforneuralnetworkmodel，withthesimulationtestbyMatlab．It’Sverifiedthattheconvergenceperform—anceisuptorelatedrequirements．Keywords：BPneuralnetwork；forklift；hydraulicsystem；faultdiagnosis叉车是装卸搬运领域常见装备之一，主

4、要用以将这个过程用如下数学形式来表示于进行取货、上架、堆垛等作业。液压传动系统DP=(，，，，E，X)由于功率大、响应快、精度高等优点，在叉车和式中：X=(1，2，3，4⋯)，为非空的其他装运机械上得到了广泛应用。及时诊断与排所有故障征兆的集合；Y=(Y，Y：，Y，，Y⋯Y)，除液压系统故障，是保证叉车作业安全与高效的为非空的所有故障类型的集合；EX×Y，为定义重要环节。在X×Y上的关系子集，即故障征兆与故障类型之叉车液压系统是一个高度非线性系统。各回间因果对应关系的相关知识；X∈X，表示目前路之间相互干涉，各主要组成元件的失效形式复已观测

5、到的特定故障征兆。杂多样，故障特征信息提取困难且故障征兆与故在传统的诊断模型中，E可以是故障引起的相障原因之间存在着复杂的非线性映射关系。这些应征兆的概率，也可以是定义在XXY上的因果二都使得常规的信号处理和故障诊断方法难以取得元有序模糊关系的隶属函数。在神经网络诊断模较好的成效。而神经网络技术具有大规模的信息型中，E最终表现为神经网络输入层与输出层之间并行处理能力，特别适用于复杂、多因素和不精的连接权值和阈值。确诊断问题的处理。本文利用神经网络原理，在2BP神经网络的结构及训练算法对叉车液压系统常见故障进行分析归类的基础上，建立了一种高效

6、准确的诊断模型，为未来构建液2．1BP神经网络的结构压系统故障诊断专家系统奠定了理论基础。在故障诊断领域中被广泛应用的就是BP神经网络。这是一种按误差逆向传播算法训练的多层1液压系统故障诊断概述前馈网络(MFNN)，神经元的变换函数采用型函液压系统故障诊断实际上是一个模式识别问数。BP网络能学习和存贮大量的输入一输出模式题，其过程就是根据诊断对象出现的异常征兆查映射关系，因此输出量是0—1之间的连续量。它明对象发生的故障类型以及产生故障的原因。可的学习规则是使用最快下降法，通过反向传播来《起重运输机械》2014(2)一97—不断调整网络的权

7、值和阈值，使网络的误差平方一：∑WkjOj和最小。JoBP网络可以包含不同的隐含层。理论证明，在不限制隐含层节点数的情况下，3层(输入层、式中：k=1，2，3⋯，m；W枷=一^；0o=1。隐含层、输出层)的BP网络可以实现任意的非线2．2BP神经网络的训练性映射。本文所讨论的故障诊断模型如图1所示，BP算法的主要思路是根据训练网络的误差函第1层为输人层，第3层为输出层，中间层为隐含数对各个神经元的偏导数计算出误差对所有连接层。每一层包含了若干个节点，每个节点代表一权值的偏导数，从而利用非线性优化问题的梯度个神经元。同一层上的各节点之间无耦合

8、连接关下降法来修改各个连接权值。设BP网络的输入学系，信息从输入层开始在各层之间单向传播，依习样本为(，：⋯，)，目标样本为(t．，t⋯次经过各隐含层节点，最后到达输出层节点。，