基于驱动端电流检测的电磁阀故障诊断研究-论文.pdf

《基于驱动端电流检测的电磁阀故障诊断研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

第35卷第7期兵工学报Vo1．35NO．72014年7月ACTAARMAMENTARIIJu1．2014基于驱动端电流检测的电磁阀故障诊断研究刘志浩，高钦和，牛海龙，管文良，李碌胡(第二炮兵工程大学兵器发射理论与技术国家重点学科实验室，陕西西安710025)摘要：提出基于驱动端电流检测的电磁阀故障诊断方法，研究了电磁阀驱动端电流特性及故障阀电流特征分析和识别方法。利用AMEsim软件搭建电磁阀的机、电、液模型，分析其驱动端电流与阀芯位移的关系；采集正常、弹簧断裂、阀芯轻微卡滞和阀芯完全卡死4种状态下的电流信号，分析不同状态的电流特征；针对驱动端电流为直流阶跃信号的特点，选取电流变化率为特征曲线，采用“能量一故障”的诊断方法，利用3层小波包分解对信号进行重构，并提取相应频带能量作为特征向量；利用前馈反向传播(BP)神经网络对提取的特征向量，对电磁换向阀模式识别和故障诊断。实验结果表明：基于“能量一故障”的诊断方法能较好地区分电磁阀的不同状态，并且经过训练的BP神经网络能够准确判别电磁阀的正常、弹簧断裂和阀芯卡死3种状态。关键词：仪器仪表技术；电磁换向阀；电流检测；AMEsim；故障诊断；小波包分析；前馈反向传播神经网络中图分类号：TH137．523文献标志码：A文章编号：1000—1093(2014)07-1083-08DOI：10．3969／i．issn．1000-1093．2014．07．023TheFaultDiagnosisofElectromagneticValvesBasedonDrivingCurrentDetectionLIUZhi—hao，GAOQin—he，NIUHai—long，GUANWen—liang，LIJing—yue(NationalKeyDisciplineLaboratoryofArmamentLaunchTheory&Technology，theSecondArtilleryEngineeringUniversity，Xi’an710025，Shaanxi，China)Abstract：Thefaultdiagnosisofelectromagneticvalvesbasedondrivingendcurrentdetectionispro-posed．Thecurrentcharacteristicsofthefaultedelectromagneticvalvesandthefailuresignalareana—lyzed．Thefourconditionsofthevalvearedetected，includingnormalstate，springbreakstate，spoolseizureandun．resettingstate．Variationtrendisthecharactersignalontermsofthedirect—currentchar-acteristic．Forthetraitoftheeurrentsignal，thewaveletpacketdecompositionisusedtodistillthecorre—spondingfrequentbandenergyasfeaturevector．Thefeaturedatabaseiscombinedwiththeeachfrequentbandenergywhichisproducedafterreconfiguration．Thefeedforward—backpropagationnetworkisusedtoidentifythefaulttypeoftheelectromagneticvalves．Theresultshowsthatthediagnosismethodofenergy。faultcandistinguishthedifferentconditionsoftheelectromagneticvalves，andthefeedforward—backprop—agationnetworkaftertrainingcanidentifythe3faultconditions．Themethodisanefectiveassistantmethodforthemaintenanceoftheelectr0magneticvalves，whichcanbewidelyusedforthefaultdiagnosisofotherelectromagneticvalves．Keywords：apparatusandinstrumentstechnology；electromagneticreversingvalve；currentdetection；收稿日期：2013-09—16作者简介：刘志浩(1989一)，男，博士研究生。E—mail：liuzhihaoainana@126．tom高钦和(1967一)，男，教授，博士生导师。E-mail：gao202@189．tom 兵工学报第35卷AMEsim；faultdiagnosis；waveletpacketanalysis；feedforward-backpropagationnetwork0引言设置特征阀+电磁换向阀是液压系统的关键部件，其安全性提取特征曲线和可靠性将直接决定整个液压系统的效率和性能。+提取特征向量随着液压设备对安全性和可靠性需求的加大，研究+人员对液压设备故障诊断研究也不断增多。I故障分类l随着自动化程度的提高，故障诊断由利用简单I的仪器和凭个人的感官及实践经验转变为传感器和I输出故障l智能诊断阶段，蔡伟等、肖永超、周颉等利用图1故障诊断总流程图磁场传感器和加速度传感器检测磁场信号和振动信号来对电磁阀进行故障诊断，谢芳、郝圣桥等根据电路原理，不考虑温度对电阻的影响，电路分别对液压阀进出油口压力、流量变化进行检测，来方程为判别电磁阀的故障。采用压力、流量、磁场和加速度传感器间接检测电磁阀状态的方法，不易于工程实(R+RL)+(L+LI)十，，(1)现，且操作复杂，有的甚至需要改变原有的液压系式中：U为线圈励磁电压；，为线圈电流；R为线圈电统。阻；R为线圈回路附加电阻；L为线圈电感；L。为线Li等开展了基于电流传感器的电磁阀正常圈回路附加电感。和阀芯卡滞状态分析。文献[7—9]利用电流检测电磁部分等效磁路方程¨为的方法对电磁阀的缓变失效过程进行研究。基于电流检测的电磁阀状态监测与故障诊断方法具有操作=，简单，易于实现等优点，驱动端电流信息包含内容丰式中：为线圈电感；。为真空磁导率；D为阀芯直富，且可间接反映阀芯的运动状况。但¨等只是径；N为线圈匝数；l为阀芯衔铁部分长度；l。为工从直观上分析电流曲线的拐点，并没有进行两种状作气隙最大宽度；r为工作气隙最大宽度；为阀芯态的智能识别研究，文献[7—9]也只是分析了电磁位移。阀失效过程中的电流特性，并没有分析具体故障下则的电流特性和故障诊断技术。dL。盯DNl：4L()本文提出了通过检测电磁换向阀驱动端电流来(4／(Z0一)+rO)一。1fDN(3)dx分析故障的方法。提取电磁换向阀通电吸合过程中利用AMESim软件中的电磁库(EM)构建电磁的电流值，针对提取的电磁阀故障电流值为直流信换向阀的电磁模型，如图2所示。号的特点，取电流变化率作为特征曲线，采用3层小机械方程：波包分解的方法来提取不同故障的特征值；然后利用前馈反向传播(BP)神经网络对故障特征值进行⑦模式识别，经过训练、测试，BP神经网络可以满足故障诊断的要求。故障诊断流程如图1所示。1电磁阀电流特性分析由于线圈的电磁特性和阀芯的机械特性，电磁换向阀整个工作过程分为：吸合触动阶段，吸合运动阶段，通电保持阶段，释放触动阶段，释放运动阶段5个阶段⋯。本文对电磁换向阀吸合触动和吸合运动阶段进行分析。将其通电吸合过程简化为3个图2电磁换向阀电磁模型数学方程，分别是电路方程、磁路方程和机械方程。Fig．2Electromagneticmodelofreversingvalve 第7期基于驱动端电流检测的电磁阀故障诊断研究-～～F=dL0一=ll，(4)④；一，一(c)=m，(5)≤．一●媛～式中：F为电磁力；k为弹簧系数；C为阀芯与阀体普蒋之间的动摩擦系数；C为粘滞性阻尼系数；m为阀芯质量。利用基本原件设计库(HCD)建立电磁换向阀的机、液动力学模型如图3所示。时间，s(a)电磁换向阀通电电流和阀芯位移④(a)Currentandspooldisplacementg宝均屡图3电磁换向阀机、液模型时间Fig．3Mechanic—hydraulicmodelofreversingvalve(b)驱动端电流与阀芯位移放大图(h)Amplifiedfigureofdrivingcurrentandspooldisplacement综合电磁换向阀的电磁模型和机、液动力学模型，得出电磁换向阀动态模型，如图4所示。利用开关信号控制开关管的通断，从而控制电磁换向阀≤进／出油口油液的通断。磐督时l'~3／s1(c)仿真与实验电流对比Cc)Simulatedandexperimentalcurrents图5电磁换向阀驱动端电流与阀芯位移对比图Fig．5Drivingcurrentandspooldisplacement流是一个渐变的过程，此时线圈中磁通量变化所产图4电磁换向阀模型生的电磁力不足以克服静摩擦力和弹簧的预压缩Fig．4Modelofreversingvalve力，阀芯处于静止状态，此时电磁阀处于吸合触动阶仿真结果如图5所示。段；电磁换向阀正常状态下开启时驱动端电流波形3)当回路中电流增大到1．75A时，电磁力克如图5(b)所示。服静摩擦力和弹簧的压力，阀芯开始运动，此时电磁结果分析如下：阀处于吸合运动阶段，增大，增大，dL／dt增大，1)驱动端通电前，回路中电流为0A，阀芯位移dI／dt、I减小，阀芯挤压弹簧Ax，阀芯运动速度较为0nl；慢，回路中电流持续加大；2)通电后，回路中电流增大，线圈自感现象的4)当阀芯运动到最大位移处之前，阀芯速度不原因，回路中电流不能瞬间增大到稳态值，回路中电断增大，导致回路中感应电动势增大，电流变化率逐 兵工学报第35卷渐降低，运动到最大位移处即点时，电流变化率降为最低，由于阀芯不运动，线圈自感系数不在变化，线圈电流单调递增。由图5(c)可知该电磁换向阀的吸合触动延迟时间为59ms，吸合运动时间为16ms．结果表明：分析电流曲线可以判断电磁换向阀的动态性能，验证了基于驱动端电流的电磁阀特性分析的可行性。2故障阀电流信号提取及分析图7电流检测实验系统2．1实验系统搭建Fig．7Theexperimentalsystemforcurrentdetecting本文模拟了液压系统中常见的弹簧断裂和阀芯卡滞故障进行分析，选用4wE6E6x／EG24N9K4型电磁阀进行破坏性实验，通过改变正常阀的内部结构和零部件状态，来模拟液压阀典型故障，其中弹簧断裂故障是通过取出电磁阀一端弹簧来进行模拟，阀芯轻微卡滞是在阀芯一侧加入纸片来模拟，阀芯卡死故障是在阀芯一侧加入硬物来卡住阀芯来模拟。确定故障阀后，分别搭建液压回路，如图6所示。时间／ms(a)弹簧断裂阀驱动端电流(a)Drivingcurrentsofspring-breakvalve时间，n1s图6实验液压原理图(b)阀芯卡滞及完全卡死阀驱动端电流(h)DrivingekiiTent．~ofspoolseizkireandkin-resettingvalvesFig．6Experimentalhydraulicscheme图8典型故障阀驱动端电流图利用美国NI公司的USB一6356的采集卡采集电Fig．8Drivingcurrentsoftypicalfaultedvalves磁阀驱动端电流，物理通道为AI1，采样率为1kHz．电流传感器为绵阳维博电子有限公司的WBI342S01_0．2开始运动。当弹簧断裂时，阀芯不需要克服弹簧力电量隔离传感器，实物图如图7所示。或是弹簧力降低时，相同的电磁力下，阀芯的加速度2．2故障信号提取及分析和速度都升高，电流曲线第1个拐点下降趋势明显。针对正常阀，弹簧断裂、阀芯轻微卡滞和阀芯卡可从图8(a)中发现，弹簧断裂端电流比正常电流在死4种情况进行实验，每种情况各采集50组数据，第1个拐点有明显区别；4种状态的电流信号如图8所示。2)阀芯轻微卡滞和完全卡死则明显不同，阀芯结果如下：不动或是阀芯运动摩擦力增大，导致电流曲线第11)电磁换向阀在通电后，阀芯并没有立即运个拐点不明显乃至消失。由图8(b)分析可知，轻微动，而当电磁力大于摩擦力和油液动摩擦力时，阀芯卡滞阀在电流升至1．4A时，有轻微下降，但对于完 第7期基于驱动端电流检测的电磁阀故障诊断研究1087全卡死阀，电流由0增大到最大值，一直都没有下降。提取电磁阀阀芯通电吸合过程电流值，针对提暑芋取的电磁阀故障电流值为直流信号的特点，特征值S薄提取不明显，因此取电流变化率作为特征曲线，如图9～图10所示。媛脚时间／ms磐幅(a1弹簧断裂阀驱动端电流群(a)Drivingcurrentsofspring·breakvalve匿厘鲻挺图9电磁换向阀驱动端电流避Fig．9Drivingcurrentsofelectr0magneticreversingvalve因为阀芯卡滞为电磁阀阀芯运动受阻造成的，时间／ms是一个不能完全定量的状态，所以本文将只对电磁(b)轻微卡滞阀驱动端电流(b)Drivingcurrentsofspoolseizurevalve换向阀的正常、弹簧断裂和阀芯卡死3种状态进行处理和分类。f3电磁阀故障特征提取鲁小波包分解技术，可以将包括正弦信号在内的槲任意信号无冗余、无疏漏且正交地分解到独立的、任媛意精细的频带上，利用能量一故障的特征值提取方法建立电流变化率各频带能量值与电磁阀各个故障状态间的映射关系引。这种在频带上作能量统计，时间／ms形成特征向量的方法，更趋合理，因此可实现对电磁(c)完全卡死阀驱动端电流rcDrivingcurrentsofun-resettingvalve阀状态有效地检测。对驱动端电流变化率进行3层小波包分解，如图11所示。图10电磁换向阀驱动端电流变化率Fig．10Thecurrentvariationtrendofthedrivingcurrent提取第3层从低频到高频8个频率成分的信号特征，如图12所示。提取各个频带信号的总能量，并针对电磁阀故障时，其电流变化率各频带能量会有较大变化的特点，对各频带的能量进行归一化处理，将归一化后的能量值作为该故障类型的特征值，如(6)式一(8)式所示。图11小波包分解示意图E=∑IxI。，(6)Fig．11Waveletpacketdecomposition式中：(．J．=1：7，k：1：n)表示重构信号Js，离散点的幅值。T=[EE31'EEEEEE37]，(7)特征向量则 1088兵工学报第35卷6巨三三n6臣【．．，．二．．=．j=．=．二．．。．巨三-0．1———0一0．1O1O0200~010020。∽程EI∞＼温c￡H∽=喜葛一∞删譬一∽频率，Hz频率／Hz面耐频率，H000_0500w—=—==—罂。臣三三季n。5lFO==l===二高-0．1罱—0．05—]0要-0．05—o01002000'30．01．,3-mz0n一0．0100l0-0．0l5O50．020一O．020．0l0一0．010．0l0兰一0．O1频率／Hz频率／Hz频率，Hz(a)正常阀(b)弹簧断裂阀(c)阀芯卡死阀(a】Normalvalve【b)Spring-breakvalve(c)Un-resettingvalve图12小波重构信号Fig．12Wavelet-constructedsignalsE=(j主，=0E32／，E33／E，E34／E，E35／E，E36／E，E37／E]式中：各故障类型特征向量为T=[E。／E，E。／E，各故障类型特征向量如表1所示。表13种故障状态特征向量Tab．1Featurevectorsofthreefauhstates信息进行处理，从中提取相应特征信息，将特征信息4基于神经网络的电磁阀故障识别与对应故障模式组成神经网络的训练样本对，通过基于BP神经网络的故障识别过程分为两建立训练样本与故障模式之间的关系，来对网络进步¨：1)训练阶段。通过传感器或专家知识等手段行训练。2)诊断阶段。将待诊断的特征信息输入获取系统各种模式的状态信息，而后对获取的状态至已训练好的神经网络，神经网络的输出即为故障 第7期基于驱动端电流检测的电磁阀故障诊断研究1089诊断的结果。4．I输入、输出层设计输入层神经元个数一般等于样本中包含的特征值的个数，本文对电磁阀驱动端的电流变化率进行小波包分解，提取第3层各频带能量作为特征值，所以神经网络中输入层神经元的个数为8个。本文对正常、弹簧断裂和阀芯卡死3种状态进行分类，输出层神经元的个数为log：4：2，采用二进制码的方法来区分不同电磁阀故障(见表2)。隐含层个数(a)测试误差均值表2故障状态与二进制码对应表(a)AveragevalueoftrainingelTOrSTab．2Binarycodeoffaultstate4．2隐含层设计单隐层的BP网络可以逼近闭区间内的任意1个连续函数，因而单隐层的3层BP网络就可以映射由任意的n维到m维。在本文的故障诊断中，只需采用1个隐含层的3层BP神经网络就可实现故隐含层个数(b)测试误差标准差障的分类。(b)StandarddeviationoftrainingerFor隐含层神经元数目的选择，仍不能表示成1个图13不同隐含层网络训练误差理想的解析式，其确定的过程往往是设计者的经验Fig．13Networktrainingerrorofdifferenthiddenlayer和多次实验交叉进行的过程。本文利用对具有不同单元数的神经网络进行多次训练来确定隐含层数目，求取多次训练的误差，根据实验误差最小原则确定网络的隐单元数。通过训练和学习，找到网络误差最小的隐含层神经元数目为l4(见图13)。：}l}IJ趔4．3网络的训练和测试S采用s型正切函数tansig作为隐含层神经元的传递函数，并采用s型对数函数logsig作为输出层神经元的传递函数。网络训练过程是一个不断修正的过程，将特征向量样本输入BP神经网络进行训练，设定全局误差为10～，最大训练次数为1000，图14误差曲线网络训练过程误差变化情况如图l4所示。Fig．14Traininge／ToE网络训练后，另选取3种电磁阀故障的特征值，将测试结果近似取整，(0，0)为正常阀，(0，1)测试网络，结果如表3所示。为弹簧断裂故障，(1，1)为阀芯卡死故障，将每种状表3BP网络测试结果表态的50组数据进行测试，测试结果表明，经训练后Tab．3TestresultofBPnetwork的BP神经网络能准确识别电磁换向阀故障状态。5结论本文提出了基于驱动端电流检测的电磁阀故障诊断方法。利用AMEsim软件对电磁阀的通电吸合过程进行分析，研究驱动端电流与阀芯运动之间的 1090兵工学报第35卷关系。模拟电磁阀4种状态：正常、弹簧断裂、阀芯HAOSheng—qiao，XULi-ming，SHENWei，eta1．On-linefaultfeatureextractionandabnormalitydetectionofelectro—hydraulic轻微卡滞和阀芯卡死，并分析不同状态下的电流特servovalve~condition[J]．JournalofShanghaiJiaotongUniversi-性。针对驱动端电流为直流阶跃的特点，选取驱动ty，2010，44(12)：1747—1752．(inChinese)端电流变化率作为特征曲线，采用小波能量分解的[6]LIWei，LIWei．bo，WANGGen—mao．eta1．Researchonthe方法，利用能量一故障的特征值提取方法将3层分methodsofdetectingandremovingslidevalvefailure[J]．Journal解后的能量值作为故障特征值。采用BP神经网络ofZhejiangUniversityScience，2000，1(1)：56—6O．对电磁阀的正常、弹簧断裂及阀芯卡死3种状态进[7]张东来．基于驱动端电流变化的电磁控制元件故障诊断方法及装置：中国，200810216015．6[P]．2008-09-09．行分类。ZHANGDong·lai．Faultdiagnosticmethodanddeviceforelectro-研究表明：1)电磁阀的驱动端电流可反映阀芯magneticcontrolelementbasedondriveendcurrentchanges：Chi—的运动状况，并可区分电磁阀的正常、弹簧断裂和阀na，200810216015．6[P]．2008-09-09．(inChinese)芯卡死故障；2)基于电磁阀驱动端电流的故障诊断[8]张东来，马鑫．基于驱动端电流的矿用液压电磁阀缓变失效预方法可实现对电磁阀的实时诊断，对电磁阀的正常、测方法[J]．电子学报，2010，38(12)：2805—2809．ZHANGDong—lai，MAXin．Predictionmethodformininghydrau—弹簧断裂和阀芯卡死3种状态可准确识别。ljcelectromagneticvalvedegradationfailurebasedondrivingcur—基于驱动端电流检测的电磁阀故障诊断研究为rent[J]AetaEleetronieaSinica，2010，38(12)：2805—2809．电磁阀的故障、维护和修理提供了依据，提高了生产(inChinese)效率和安全性，适用于工业现场，具有一定的应用前[9]MaX，ZhangDL，XuD．Degradationfailurepredictionfromcoilcurrentsignalsofelectromagneticvalvesincoalminingbasedon景。neuralnetwork[C]∥FifthInternationalConferenceonNaturalComputation．Tianjin：IEEE，2009：208—213．参考文献(References)[10]李丕茂，张幽彤，倪成群，等．共轨喷油电磁阀动态特性仿真蔡伟，肖永超，黄先祥．基于无线传感器网络的大型武器装备与实验[J]．农业机械学报，2013，44(5)：7—12．液压系统状态监测研究[j]．液压与气动，2009(9)：14—19．LlPi—mao，ZHANGYou-tong，NICheng—qun，eta1．SimulationCAIWei，XIAOYong-chao，HUANGXian—xiang．Researchonandexperimentofdynamiccharacteristicsofcommon-railinjectorWSN-basedmonitoringforhydraulicsystemoflargeweaponequip·-solenoidvalve[J]．TransactionsoftheChineseSocietyofAgri—merit[J]．ChineseHydraulics＆Pneumatics，2009(9)：t4—19．culturalMachinery，2013，44(5)：7—12．(inChinese)(inChinese)[11]蔡伟，郑贤林，张志利，等．液压电磁阀故障机理分析与瞬态[2]肖永超．液压电磁阀的快速检测与故障诊断研究[D]．西安：特性仿真[J]．仪器仪表学报，2011，32(12)：2726—2733第二炮兵工程大学，2009．CAIWei，ZHENGXian—lin，ZHANGZhi—li，eta1．Failuremecha-XIAOYong—chao．Rapiddetectionandfaultdiagnosisofhydraulicnismanalysisandtransientcharacteristicssimulationofhydraulicsolenoidvalves[D]Xi’an：theSecondArtilleryEngineeringUni-solenoidvalve[j]．ChineseJournalofScientificInstrument，veisity，2009．(inChinese)2011，32(12)：2726—2733．(inChinese)[3]周颉，蔡伟．应用时间序列双谱分析的电磁换向阀故障诊断法[12]李洪儒，许葆华．某型导弹发射装置液压泵故障预测研究[J]．兵[J]．机床与液压，2010，38(7)：146—148．工学报，2009，30(7)：900—906．ZHOUJie，CAIWei．Faultdiagnosisofelectromagneticdirection-LIHong-ru，XUBao—hua．Fauhprognosisofhydraulicpumpinalvalvesbasedontimeseriesbi—spectrumanalysis[J]．Machinethemissilelauncher[J]．ActaArmamentarii，2009，30(7)：900—Tool＆Hydraulics，2010，38(7)：146—148．(inChinese)906．(inChinese)[4]谢芳．支架液压阀测试系统的故障诊断与软件可靠性研究[13]贾跃，赵学涛，林贤杰，等．基于BP神经网络的鱼雷作战效能[D]．成都：电子科技大学，2011．模糊综合评估模型及其仿真[】]．兵工学报，2009，30(9)：XIEFang．Researchonfauhdiagnosisandsoftwarereliabilityofl232一l235．thehydraulicvalvetestingsystem[D]．Chengdu：UniversityofJIAYue，ZHAOXue—tao，L1NXian-jie，eta1．Fuzzymuhifactori-ElectronicScienceandTechnologyofChina，2011．(inChinese)alevaluationmodeloftorpedooperationaleffectivenessbasedon[5]郝圣桥，许黎明，沈伟，等．电液伺服阀状态在线特征提取和异常检BPneuralnetworkanditssimulation『J]．ActaArmamentarii，测方法[J]．上海交通大学学报，2010，44(12)：1747—1752．2009，30(9)：1232一l235．(inChinese)