模糊ARX-RBF模型在车辆液压制动系统故障诊断中的应用*

黄珊珊

（陕西交通职业技术学院汽车工程系 陕西 西安 710018）

引言

车辆工程机械作为重要的施工生产装备，在国民经济发展和基础设施建设中具有重要的地位[1]。液压制动系统是车辆工程机械运行的关键部件，针对它的故障诊断与预报技术一直是工程机械的关键技术之一[2]。对于复杂的系统，模糊理论提供了一种理解系统的特殊方法，它能够有效地和可靠地降低系统建模的难度。因此，模糊理论为描述非线性时变动态系统提供了强有力的工具。本文提出了一种基于模糊理论架构的ARX模型[3]。模糊ARX模型是一种非线性模型，与普通的模糊模型或ARX模型相比，能够实现对非线性故障特征更为准确的刻画[4-7]。径向基函数（Radial Basis Function，RBF）网络分类器一类基于核函数的神经网络分类器，具有很强的自学习、自组织能力和非线性模式分类性能。

针对工程机械液压制动系统的非线性时变特点，本文研究了基于模糊ARX模型的液压制动系统的故障特征提取方法。该方法首先建立工程机械液压制动系统不同目标故障状态的模糊ARX模型，然后通过RBF网络分类器，对故障特征向量进行分类，判断系统的故障类型和故障状态。

1 RBF-ARX液压制动系统故障诊断方法

液压制动系统中主要的元件包括液压泵、控制阀、液压缸、液压马达等等。液压制动系统中信号变量主要包括：液压泵出口流量QS、液压泵出口压力PS、液压缸无杆腔压力PA、液压缸有杆腔压力PB，则可以定义液压回路的模糊ARX模型方程组为

在建立液压回路的模糊ARX模型后，分别得到子模型 FARX1 和 FARX2 的参数矩阵Θ^F1和Θ^F2，通过加权处理得到子模型FARX1和FARX2的特征向量θf1和θf2，合并θf1和θf2得到总的故障特征向量θf。如果系统有N种目标故障，则认为N种目标故障状态建立相应的模糊ARX模型，并提取其故障诊断特征组成目标故障库的集合，该集合表示为

RBF网络故障分类方法首先要利用目标故障特征库对RBF网络分类器进行训练，然后将测试样本的故障特征带入RBF网络分类器，网络输出故障诊断结果。

1.1 RBF网络训练

RBF网络训练的步骤如下：

1）初始化各参数，构建N项分类判别式g1（x），g2（x），…，gN（x）；

2）运用k-均值迭代算法计算矩阵U(r)，得到k个中心位置 c1，c2，…，ck；

3）将 n 个故障特征向量 θ1，θ2，…，θN及 k 个中心位置 c1，c2，…，ck代入基函数，得到 n 个 k 维向量 y1，y2，…，yn；

1.2 测试样本分类

具体分类步骤包括如下两步：

1）将测试样本的故障特征向量θtfest进行代入RBF网络分类器，得到g（1），g（2），…，gN

2）如果g（i）=max（g（1），g（2t），…，gN（）），则测试样本为第i类故障；否则，RBF网络分类器无法找到与测试故障匹配的目标故障。

2 实验分析

2.1 实验模型

本文中的实验平台为EBZ30型掘进机，该掘进机液压制动系统主要的组成部分包括：带负载敏感（Load Sensing，LS）系统的变量液压泵、高性能先导式多路换向阀、行走液压马达、回转液压马达、工作装置驱动油缸等。

故障设置的合理与否对于最终的实验结果影响很大。为了保证实验故障与实际故障具有较大的一致性，实验中设置了5类单一故障及其对应代号（Q0、Q1、Q2、Q3、Q4、Q5），故障的类型和故障的具体设置方式如表1所示。

实验中主要测量4个信号变量，包括：柱塞泵出口流量QP、柱塞泵出口压力PP、液压缸无杆腔压力PA、液压缸有杆腔压力PB。

2.2 故障特征提取

定义故障诊断模糊ARX模型表达式为：

表1 实验中单一故障

可得到6个目标故障的模糊ARX模型，提取子模型FARX1参数矩阵和模型FARX2参数矩阵并分别计算加权向量特征向量 θf1和 θf2，合并后得到故障特征向量θf，最终可得到6种目标故障的故障特征向量，如表2所示。

2.3 故障特征分类

将目标故障特征集合对RBF网络进行训练，得到RBF网络故障分类器；将10组测试样本的故障特征向量带入RBF网络故障分类器，可以得到故障分类结果，其分类结果如表3所示。

表3 RBF网络分类器分类结果

3 结论

深入地分析了模糊ARX模型的基本结构，提出了建立模糊ARX模型以及基于模糊ARX模型的故障特征提取步骤。该方法首先使用目标故障特征库集合对RBF网络进行训练，获得RBF网络故障分类器；然后将测试样本的故障特征代入RBF网络故障分类器，分类器的输出故障诊断结果。

在EBZ30型掘进机液压制动系统上设置了5类典型实验故障。利用实验故障样本，对基于模糊ARX模型及RBF网络的工程机械液压制动系统故障诊断方法进行了检验，诊断正确率达到了90%以上。故障诊断结果表明该方法能够有效地应用于液压制动系统的故障诊断。

1 傅建平，宋明明，李龙云.某装备液压制动系统故障检测与诊断技术研究[J].机床与液压，2013，41（23）：166-168

2 刘学慧.某运输车液压制动系统故障分析与改进[J].液压与气动，2015（1）：114-116

3 贺湘宇，何清华，邹湘伏.基于RBF网络和ARX模型的液压制动系统故障诊断方法[J].系统仿真学报，2009（1）：282-285

4 曾小勇，彭辉，吴军.基于RBF-ARX模型的改进多变量预测控制及应用[J].中南大学学报（自然科学版），2015（10）：3710-3717

5 宋鹏，彭继慎.基于FARX和RBFNN模型的压铸机液压制动系统故障诊断[J].特种铸造及有色合金，2011（1）：50-53，105

6 任林，彭辉.RBF—ARX模型在液位系统建模中的应用[J].计算机测量与控制，2007（8）：1023-1026

7 Celik Ozkan,Ertugrul Seniz.Predictive human operator model to be utilized as a controller using linear,Neuro-fuzzy and fuzzy-ARX modeling techniques[J].Engineering Applications of Artificial Intelligence,2010,23(4):595-603