液壓設備的自動化程度越高、功能越多、結構越復雜, 發生故障的幾率也隨之越多, 故障造成的危害和損失也越加嚴重. 由于液壓系統各元件在封閉的油路內工作, 液壓裝置的損壞和失效, 往往發生在內部, 隱蔽性強, 能夠正確而果斷地判斷出故障的部位, 迅速排除故障就顯得尤為重要. 目前, 液壓故障診斷領域應用較多的理論主要有自動控制理論以及生物神經研究相關的技術理論, 其中應用較多的是BP 神經網絡. 本文將討論 BP 神經網絡如何應用于液壓故障診斷, 并編制了基于 BP 神經網絡的某航天發射塔旋轉平臺液壓系統故障診斷系統。

    液壓系統是機器的一部分, 是一個復雜的非線性動力學系統. 從結構組成看, 液壓系統由信號控制和液壓動力兩部分組成, 是一個由液壓、 機械、 電氣和有關儀表組合在一起的復雜機電設備. 信號控制部分用于驅動液壓動力部分中的控制閥動作. 目前, 應用于液壓系統的故障診斷方法中, 需要測量和檢測的動態參數主要有: 壓力信號、 流量信號、 振動與噪聲信號、溫度信號、油液污染度等。本文以某航天發射塔旋轉平臺液壓系統液壓回路作為實驗對象,實驗中測量的信號主要為壓力和流量, 液壓回路中的測量傳感器主要有流量傳感器、 壓力傳感器、 電壓傳感器和電流傳感器, 用來檢測各個測試點相對應的輸出值. 同時, 將液壓泵振動信號、 功率信號、 壓力信號、 液壓缸的應變信號進行預處理和特征提取. 這樣就建立了基于 BP 人工神經網絡的液壓系統狀態檢測與故障診斷系統.     經驗可知: 液壓系統故障現象有 8 種: 油缸內泄漏F1; 換向閥的出口溢流閥損壞 F2 ; 系統安全閥阻尼孔堵塞或彈簧損壞 F3 ; 油泵泄漏F4 ; 電磁閥燒壞F5 ; 壓力補償閥阻尼孔堵塞 F6 ; 油泵超負荷F7; 過濾網堵塞F8. 為了建立準確的發射塔旋轉平臺液壓系統液壓泵模型, 需對故障點進行振動測試, 從而為故障診斷提供依據. 采集的信號變量通過安裝在泵體各敏感點的壓電加速度傳感器拾取, 實驗采樣頻率為 80 Hz, 轉換成采樣時間間隔為 13 ms. 用數據采集、 處理系統處理信號, 將所采集信號振幅的大小作為液壓泵傳動系統故障與否的判據. 共選取 8 個測試點作為檢測對象. 采用多層前饋神經網絡結構, 采用的結構為: 8 輸入 4 輸出單隱層9 節點的BP 網絡. 實驗證明, 這種神經網絡模型能較好地反映出液壓泵頭部的故障程度.對測量的特征數據進行歸一化處理后的 8 組樣本, 用訓練好的 網絡對液壓系統液壓泵的運行情況進行預報, 預測結果與實際情況基本吻合.