摘 要：隨著礦山工程規(guī)模的不斷擴(kuò)大，企業(yè)對礦山機(jī)械設(shè)備性能與可靠性要求也日益提高。本文以卡特350液壓挖掘機(jī)為研究對象，主要研究挖掘鋁礦過程中液壓系統(tǒng)可能面臨的故障問題。研究人員通過收集和分析卡特350挖掘機(jī)實(shí)際工作中的大量數(shù)據(jù)，系統(tǒng)地歸納了液壓系統(tǒng)在挖鋁礦過程中的故障模式。通過對故障樣本的深入剖析，揭示了液壓系統(tǒng)在高強(qiáng)度工作條件下可能發(fā)生的各種壓力、溫度和流量異常，為提高挖掘機(jī)工作穩(wěn)定性和壽命提供了重要參考依據(jù)。

關(guān)鍵詞：液壓系統(tǒng)；信息融合技術(shù)；故障診斷

中圖分類號：TD 63 " " " 文獻(xiàn)標(biāo)志碼：A

作為礦山機(jī)械設(shè)備的核心組成部分，液壓系統(tǒng)負(fù)責(zé)提供動力、控制和執(zhí)行功能。然而，長期在惡劣環(huán)境下工作和高頻、高強(qiáng)度的作業(yè)條件可能導(dǎo)致液壓系統(tǒng)故障頻發(fā)，進(jìn)而影響設(shè)備的穩(wěn)定性和可靠性。本文針對該問題，對礦山機(jī)械設(shè)備液壓系統(tǒng)故障進(jìn)行了深入研究。特別是液壓挖掘機(jī)等設(shè)備在挖掘鋁礦等礦石過程中的穩(wěn)定性和可靠性，對保障生產(chǎn)進(jìn)度和安全尤為關(guān)鍵。在實(shí)際工作中，液壓系統(tǒng)故障可能由多種原因引起，如壓力異常、溫度過高和流量不穩(wěn)等。因此，深入了解液壓系統(tǒng)在礦山作業(yè)中可能遇到的故障類型、特征和針對這些故障采取的有效預(yù)防和修復(fù)措施，對提高設(shè)備的運(yùn)行效率、延長設(shè)備使用壽命并減少因故障導(dǎo)致的生產(chǎn)中斷具有重要意義。

1 礦山機(jī)械設(shè)備液壓系統(tǒng)構(gòu)成和常見故障形式

1.1 液壓系統(tǒng)構(gòu)成

卡特350液壓挖掘機(jī)是一款專門用于礦山挖掘工作的重型機(jī)械設(shè)備。其液壓系統(tǒng)是該挖掘機(jī)關(guān)鍵的組成部分，具有動力、控制和執(zhí)行功能。該設(shè)備液壓系統(tǒng)的主要構(gòu)成如下所示。1）主泵和主閥組?？ㄌ?50挖掘機(jī)采用高壓柱塞泵為主泵，通過主閥組將液壓油引導(dǎo)到各液壓元件。2）液壓缸。液壓挖掘機(jī)中的液壓缸負(fù)責(zé)執(zhí)行各種挖掘和移動動作。主要液壓缸包括挖掘臂液壓缸、斗桿液壓缸和斗液壓缸等，它們通過液壓系統(tǒng)提供的壓力實(shí)現(xiàn)伸縮、旋轉(zhuǎn)和提升等動作。3）液壓馬達(dá)。液壓挖掘機(jī)的行走和旋轉(zhuǎn)運(yùn)動由液壓馬達(dá)提供動力。這些馬達(dá)通過液壓系統(tǒng)中的油液壓力來驅(qū)動，使挖掘機(jī)能夠在工地上進(jìn)行精確定位與移動。4）液壓油箱和冷卻系統(tǒng)。液壓系統(tǒng)需要存儲液壓油的油箱和將液壓油的溫度保持在適當(dāng)范圍內(nèi)的冷卻系統(tǒng)，這有助于防止系統(tǒng)過熱，確保其長時間穩(wěn)定運(yùn)行。5）過濾器和閥門。為了確保液壓油的清潔度，系統(tǒng)中通常配置過濾器，用于過濾雜質(zhì)和顆粒。閥門則用于控制液壓油的流向和壓力，以實(shí)現(xiàn)對液壓系統(tǒng)的精確控制。該設(shè)備液壓系統(tǒng)具體參數(shù)見表1。

1.2 液壓系統(tǒng)常見故障形式

礦山機(jī)械設(shè)備液壓系統(tǒng)的故障類型多樣，主要故障模式為牽引無力或不牽引、僅能實(shí)現(xiàn)單向牽引、液壓系統(tǒng)異常聲響、液壓系統(tǒng)溫度過高、液壓泵箱漏油以及滾筒升起后自動下降，不同故障模型的常見原因、故障部位見表2。

2 基于RBF神經(jīng)網(wǎng)絡(luò)的礦山機(jī)械設(shè)備信息融合故障診斷方法

2.1 RBF神經(jīng)網(wǎng)絡(luò)介紹

2.1.1 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和實(shí)現(xiàn)原理

RBF神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成。輸入層設(shè)計(jì)有節(jié)點(diǎn)，用于輸入原始數(shù)據(jù)。隱含層設(shè)計(jì)有徑向基神經(jīng)元，用于處理輸入數(shù)據(jù)。輸出層輸出模型訓(xùn)練或?qū)W習(xí)結(jié)果，隱含層建立輸入層和輸出層聯(lián)系，模型輸入數(shù)據(jù)映射至隱含層，通過設(shè)置和調(diào)整權(quán)重逼近目標(biāo)，輸出相應(yīng)結(jié)果。

假設(shè)RBF神經(jīng)網(wǎng)絡(luò)有m個輸入節(jié)點(diǎn)、K個隱含節(jié)點(diǎn)和n個輸出節(jié)點(diǎn)，這種結(jié)構(gòu)被稱為m-K-n型RBF神經(jīng)網(wǎng)絡(luò)模型。輸入向量記為X，數(shù)據(jù)從隱含層到輸出層通過權(quán)重wkj映射，其中k是隱含層節(jié)點(diǎn)編號，j是輸出層節(jié)點(diǎn)編號。隱藏層節(jié)點(diǎn)的傳遞函數(shù)是Ψk（X），其數(shù)據(jù)中心記為Ck。隱藏層節(jié)點(diǎn)就是數(shù)據(jù)[1]。RBF神經(jīng)網(wǎng)絡(luò)第j個輸出層節(jié)點(diǎn)的輸出結(jié)果如公式（1）所示。

（1）

式中：ψk·（X·Ck）代表對輸入向量X進(jìn)行非線性變換處理。

2.1.2 徑向基函數(shù)

徑向基函數(shù)在RBF神經(jīng)網(wǎng)絡(luò)中具有關(guān)鍵作用，是網(wǎng)絡(luò)中隱含層的重要組成部分，能夠進(jìn)行數(shù)據(jù)映射處理。常用的徑向基核函數(shù)包括逆多二次函數(shù)、Sigmoid函數(shù)以及高斯核函數(shù)。以高斯函數(shù)為例，其數(shù)學(xué)表達(dá)式為Ψ（d）=e（-d2/σ2）。將輸入樣本x和數(shù)據(jù)中心（相對于集合X）c間的距離記為d，e為自然對數(shù)的底數(shù)，參數(shù)σ可用于調(diào)節(jié)核函數(shù)的寬度，RBF神經(jīng)網(wǎng)絡(luò)的寬度與參數(shù)σ的大小呈正相關(guān)[2]。

2.1.3 參數(shù)設(shè)置

設(shè)計(jì)RBF神經(jīng)網(wǎng)絡(luò)模型時，必須合理確定模型參數(shù)，如各層節(jié)點(diǎn)的數(shù)量、各層節(jié)點(diǎn)間的權(quán)重值以及擴(kuò)展常數(shù)。1）設(shè)置隱藏層相關(guān)參數(shù)。隱藏層的參數(shù)包括神經(jīng)元數(shù)量和數(shù)據(jù)中心，神經(jīng)原數(shù)量可根據(jù)經(jīng)驗(yàn)公式進(jìn)行計(jì)算。假設(shè)輸入層節(jié)點(diǎn)數(shù)量為m個，則隱藏層節(jié)點(diǎn)數(shù)為2m+1個，或者按照log2m進(jìn)行取值[3]。數(shù)據(jù)中心的確定方法為直接確定法、隨機(jī)確定法或者聚類法。以聚類法為例，在訓(xùn)練數(shù)據(jù)中隨機(jī)選取若干個樣本，將其作為初始的數(shù)據(jù)中心，記為ci，整個樣本集應(yīng)盡可能靠近該數(shù)據(jù)中心。然后求出初始數(shù)據(jù)中心的均值，將其作為新的數(shù)據(jù)中心，經(jīng)過多次迭代，直至獲得最穩(wěn)定的數(shù)據(jù)中心。2）確定擴(kuò)展常數(shù)。將算法的擴(kuò)展常數(shù)記為σi，可根據(jù)算法模型是否具有監(jiān)督機(jī)制采取不同的擴(kuò)展常數(shù)確定方法。在非監(jiān)督模式下，將數(shù)據(jù)中心間的最大距離記為cmax，隱藏層節(jié)點(diǎn)數(shù)量記為h，此時擴(kuò)展常數(shù)σi為cmax/（2h）1/2，i=1，2，...，h。

2.2 礦山機(jī)械設(shè)備液壓系統(tǒng)特征層故障診斷方法

2.2.1 問題分析

在礦山機(jī)械設(shè)備的管理中，利用傳感器、物聯(lián)網(wǎng)以及信息化平臺實(shí)時監(jiān)測其液壓系統(tǒng)的運(yùn)行數(shù)據(jù)，這些數(shù)據(jù)具有明顯的量化特征。但液壓系統(tǒng)的故障模式主要表現(xiàn)為定性的語言變量，可見故障模式和監(jiān)測數(shù)據(jù)存在顯著差異。RBF神經(jīng)網(wǎng)絡(luò)模型能夠?qū)⒘炕瘮?shù)據(jù)轉(zhuǎn)化為故障模式，實(shí)現(xiàn)這一目標(biāo)的關(guān)鍵步驟包括以下2個。1）信息預(yù)處理。礦山機(jī)械設(shè)備液壓系統(tǒng)設(shè)計(jì)有多重傳感器，用于采集液壓油的流量、壓力以及設(shè)備的振動信息，獲得原始數(shù)據(jù)后，需進(jìn)行信號特征提取，進(jìn)而建立壓力特征、幅值特征、頻域特征、時域特征，再根據(jù)特征量形成故障模式。2）構(gòu)建診斷模型。傳感器采集的數(shù)據(jù)為模擬信號，經(jīng)過特定處理后轉(zhuǎn)化為數(shù)字信號，再利用RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練轉(zhuǎn)換后的數(shù)據(jù)，建立故障診斷模型。待模型訓(xùn)練成熟后即可用于故障類型診斷。

2.2.2 基于特征層信息融合故障診斷方法的模型建立

2.2.2.1 模型整體架構(gòu)

診斷模型的整體架構(gòu)分為四個層級。在第一層級，使用傳感器采集液壓系統(tǒng)的信號，經(jīng)過數(shù)據(jù)層信息融合處理，實(shí)現(xiàn)信號特征提取，與此同時，將故障模式轉(zhuǎn)化為數(shù)字變量。在第二層級，將代表故障模式的數(shù)字變量和液壓系統(tǒng)的信號特征輸入RBF神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行特征層信息融合。在第三層級，向模型中輸入測試樣本。在第四層級，輸出模型的評價結(jié)果。

2.2.2.2 數(shù)據(jù)預(yù)處理

液壓系統(tǒng)傳感器采集的信號包括振動信號、壓力信號和流量信號等，進(jìn)行模型訓(xùn)練前應(yīng)對原始數(shù)據(jù)進(jìn)行適當(dāng)?shù)念A(yù)處理，使其符合計(jì)算要求。在振動數(shù)據(jù)的處理中，假設(shè)傳感器采集到一系列離散的振動信號，記為x0、x1、...、xN。振動信號通常具有時域特征和頻域特征，可據(jù)此進(jìn)行數(shù)據(jù)處理。將振動信號的均值記為xavg，則xavg的計(jì)算方法如公式（2）所示。

（2）

將振動信號的方差記為σz，其計(jì)算方法如公式（3）所示。

（3）

礦山機(jī)械設(shè)備液壓系統(tǒng)的壓力信號包括脈沖和流量信息，以壓力信號為基礎(chǔ)，可提取壓力變化的特征頻率，以流量信息為基礎(chǔ)，可提取容積效率。以容積效率為例，其計(jì)算方法為ρ=qr/ql，其中ρ為容積效率；qr為實(shí)際測得的液壓油流量；ql為液壓系統(tǒng)液壓油的理想流量[4]。

為了提高算法模型的數(shù)據(jù)運(yùn)算效率，還應(yīng)對各類特征信息進(jìn)行歸一化處理，具體可采用min-max方法。將樣本信息記為zij，其中i表示特征數(shù)據(jù)的類型，j表示液壓系統(tǒng)當(dāng)前的狀態(tài)，則歸一化的計(jì)算方法如公式（4）所示。

（4）

式中：z* ij為歸一化處理后的數(shù)據(jù)；min（zij）為樣本信息中的最小值；max（zij）為樣本信息中的最大值；N為同類樣本的數(shù)量。

2.2.2.3 故障模式的數(shù)字化轉(zhuǎn)換

液壓系統(tǒng)的故障模式分類與其自身的設(shè)計(jì)方案密切相關(guān)，產(chǎn)品的生產(chǎn)廠家會提供相應(yīng)的故障信息。故障模式通常通過語言變量進(jìn)行描述，但算法模型需要數(shù)字化的表示方式，因此將其轉(zhuǎn)化為數(shù)字形式。將語言變量集記為V，則有V={優(yōu)，良，中，差}。采用二進(jìn)制的方式表示語言變量，“優(yōu)”的二進(jìn)制表示方法為（1，0，0，0），“良”的表示方法為（0，1，0，0），“中”的表示方法為（0，0，1，0），“差”的表示方法為（0，0，0，1）。

2.2.2.4 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練

確定RBF神經(jīng)網(wǎng)絡(luò)模型的所有參數(shù)后，將預(yù)處理后的數(shù)據(jù)作為訓(xùn)練樣本集，對其進(jìn)行模型訓(xùn)練。除了節(jié)點(diǎn)數(shù)量、數(shù)據(jù)中心和樣本量，還應(yīng)設(shè)置故障模式數(shù)量F。

2.2.2.5 模型評價

故障模型在診斷過程中可能存在一定誤差，制約了模型的實(shí)用效果。因此，完成模型訓(xùn)練后應(yīng)評價其診斷精度。將模型實(shí)際輸出與理想輸出結(jié)果的吻合度記為Esa，實(shí)際評價結(jié)果與理想結(jié)果的不匹配性記為Enca，模型精度評價指標(biāo)記為Ea，則Ea的計(jì)算方法如公式（5）所示。

（5）

公式（5）中Ea的計(jì)算結(jié)果為（0，1），當(dāng)計(jì)算結(jié)果趨近于0時，模型的診斷精度更高[5]。

2.2.3 模型應(yīng)用測試

2.2.3.1 特征層故障診斷模型應(yīng)用背景

在模型測試階段，將礦山機(jī)械設(shè)備軸承故障作為診斷目標(biāo)，軸承的故障模式為內(nèi)圈故障、滾動體故障以及外圈故障，故障模式的代號為Q1、Q2和Q3。故障診斷信息為振動信號，在軸承的徑向、垂向分別設(shè)置一個振動傳感器。采集的信息經(jīng)過處理后，形成均值、偏態(tài)量、峭度、峰值和有效值5種特征量，分別記為I1、I2、I3、I4和I5。每個傳感器采集15組數(shù)據(jù)，每種故障模式共計(jì)可得10組數(shù)據(jù)。以徑向傳感器采集的Q1模式數(shù)據(jù)為例，I1～I(xiàn)5的數(shù)據(jù)量分別為{0.8106，0.6679，0.8357，0.7865，0.7535}。對故障模式Q1、Q2和Q3進(jìn)行二進(jìn)制編碼，結(jié)果分別為（1，0，0）、（0，1，0）和（0，0，1）。

2.2.3.2 基于RBF神經(jīng)網(wǎng)絡(luò)的信息融合實(shí)施步驟

在模型訓(xùn)練階段，需要使用RBF神經(jīng)網(wǎng)路模型進(jìn)行故障特征融合，該過程包括4個實(shí)施步驟。1）充分調(diào)研液壓系統(tǒng)，對其故障模式進(jìn)行分類，建立完善的故障模式庫，并且以向量（二進(jìn)制）的形式對故障模式進(jìn)行編碼。2）利用傳感器采集液壓系統(tǒng)的運(yùn)行數(shù)據(jù)，完成預(yù)處理后，將其輸入模型進(jìn)行訓(xùn)練，該模型的輸出結(jié)果為故障模式，此時建立了第一個神經(jīng)網(wǎng)絡(luò)信息融合模型。3）液壓系統(tǒng)的運(yùn)行數(shù)據(jù)具有多樣性，以不同類別的數(shù)據(jù)進(jìn)行模型訓(xùn)練，可產(chǎn)生新的神經(jīng)網(wǎng)絡(luò)信息融合模型。4）將測試樣本輸入訓(xùn)練完成的模型，并輸出故障診斷結(jié)果。

2.2.3.3 數(shù)據(jù)規(guī)范化處理

根據(jù)公式（4）進(jìn)行數(shù)據(jù)規(guī)范化處理，徑向傳感器數(shù)據(jù)規(guī)范化處理結(jié)果示例見表3。

2.2.3.4 故障診斷結(jié)果分析

由于診斷過程設(shè)置了2個振動傳感器，一個位于徑向，另一個位于垂向，因此利用2個傳感器的數(shù)據(jù)可訓(xùn)練出2個故障神經(jīng)網(wǎng)絡(luò)模型。2個神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果見表4，從中可知，2個神經(jīng)網(wǎng)絡(luò)的前5個診斷結(jié)果完全相同，僅有最后一組診斷結(jié)果不一致。從診斷結(jié)果可得出以下3個結(jié)論。第一，徑向振動數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果與真實(shí)的故障情況完全一致。第二，單一信息源對診斷精度的影響較大，容易產(chǎn)生誤差。第三，利用多信息源訓(xùn)練模型時，診斷結(jié)果有可能不一致，應(yīng)改進(jìn)診斷模型，強(qiáng)化對多數(shù)據(jù)源的分析。

3 結(jié)語

本文將卡特350液壓挖掘機(jī)的液壓系統(tǒng)作為分析對象，其常見的故障形式包括牽引力下降或消失、液壓油過熱、液壓系統(tǒng)異常和漏油等。由于故障原因較復(fù)雜且存在多因素耦合作用，故障診斷難度增加，因此利用RBF神經(jīng)網(wǎng)絡(luò)建立診斷模型、提取故障特征并進(jìn)行特征融合。經(jīng)測試，該模型能夠較準(zhǔn)確地判斷故障類型，但也存在一定缺陷，下一步需要改進(jìn)其多源數(shù)據(jù)分析與融合能力，降低診斷誤差。

參考文獻(xiàn)

[1]王雪艷.機(jī)電一體化技術(shù)在液壓挖掘機(jī)中的應(yīng)用探究[J].液壓與氣動，2012（5）：45-47.

[2]梁光輝，李兆軍.液壓挖掘機(jī)回轉(zhuǎn)系統(tǒng)故障樹分析[J].液壓與氣動，2012（4）：107-110.

[3]李麗云.挖掘機(jī)液壓回路故障診斷分析[J].煤礦機(jī)械，2011，32（12）：252-254.

[4]李國平，張慶偉.基于BP神經(jīng)網(wǎng)絡(luò)的液壓挖掘機(jī)故障診斷的研究[J].機(jī)床與液壓，2011，39（23）：160-164.

[5]杜德軍.礦用液壓挖掘機(jī)柴油機(jī)曲軸的修復(fù)與改進(jìn)[J].礦山機(jī)械，2010，38（18）：87-88.