王淑娇WANG Shu-jiao曰宋艳芳SONG Yan-fang曰李琳琳LI Lin-lin
（山东协和学院，济南250017）
摘要院液压设备的结构越来越复杂，发生故障的几率也随之增多，故障造成的危害和损失也更加严重。为便于及早地发现问题，解决隐患，避免重大事故的发生要对设备日常使用状态进行监测，对其质量进行评估。本文分析了质量评估方法中人工神经网络方法的优点及使用特点，针对某大型设备的液压系统，建立了基于神经网络的评估模型，为其液压系统设计了一个状态分类器，来检测液压系统的日常使用状态，避免事故的发生。
教育期刊网 http://www.jyqkw.com
关键词 院液压系统；使用状态质量；评估系统；神经网络
中图分类号院TP271+.2 文献标识码院A 文章编号院1006-4311（2015）27-0136-03
0 引言
液压系统是复杂的机、电、液混合的综合系统。现今社会对液压设备的自动化程度要求越来越高，使得液压设备只有具有越来越多的功能和结构才能满足相关要求。但因此液压设备的故障发生率也大大增加了，故障造成的危害和损失也更加严重。因此，如何在未造成严重损失和重大危害前杜绝事故的发生尤为重要。
现阶段，质量评估方法已应用在各个领域，这些方法主要包括人工神经网络方法、模糊综合评估法和层次分析法等，由于在现实生活中信息模糊、不完全或者不准确的情况屡见不鲜，而神经网络具有很强的处理不确定信息的能力，因此质量评估方法在液压系统的故障诊断中应用较多。
本文尝试建立基于BP 神经网络的状态质量评估模型，为某大型设备的液压系统设计一个状态分类器，用于检测液压系统的当前状态，希望能够及早地发现问题，解决隐患，避免重大事故的发生。
1 BP 神经网络结构及算法
BP 神经网络是一种多层前馈网络，其训练是依照误差逆传播算法进行的，能够对模式进行非线性分类[1]。一个具有任意的压缩型激活函数的单隐层前向网络，要想使其精度逼近一个有限维德波莱尔可测函数，只需满足一个条件，即适宜的隐层单元。换句话说，BP 网络的泛函逼近能力就可以被认为是基于BP 网络的使用状态质量评估模型以此来逼近状态质量的分类边界，实现特征空间到分类空间的非线性映射[2]。
F：Rn寅Rm
BP 网络的作用是分类器，需要注意的是必须选择一个最佳的隐层单元数，隐层单元数的多少将直接影响最终结果的准确性，若隐层单元数太少，会造成网络训练不收敛等现象，一旦遇到之前没有出现的样本数据就会出现无法识别的情况，出错率很高；而若隐层单元数太多，会导致学习时间增加，不利于获取最佳的误差，因此选择一个最佳的隐层单元数是很有必要的，具体可参考下述公式。
n1=姨n+m +a
其中a 取值为1耀10 之间的常数，n 表示输入神经元的个数，m 表示输出神经元的个数。
通常，BP 网络的学习和训练通过“模式顺传播”和“误差逆传播”来实现。其学习和训练过程如下：首先将选定的输入参数接入到输入层，然后利用各层之间的连接权值、阈值、响应函数等将参数传递到输出层，最后比较希望输出值和输出值之间的差别，并将该差别反向传递至输入层，然后有针对性的修正权值和阈值，如此反复的进行“正向”和“反向”传递，直到误差达到允许的范围内，就可以结束训练了。一个三层BP 网络的学习过程如图1 所示。
2 液压系统使用状态质量评估中BP 神经网络模型的建立
本文针对某液压系统，主要通过监测电机的电流与电压信号、液压泵的振动信号、液压系统的进油压力和回油压力、液压缸的应变信号来进行数据采集。分析发现，只要是系统出现了故障或者意外情况，某个或某些参数就会出现异常，两者之间有着直接的关系[3，4]。所以液压系统出现故障的实质就是其特征参数出现异常。
2.1 输入层输出层节点数的确定
通常有量纲参数的值常常因为负载、转速等外部条件的变化而变化，因此不适合作为BP 网络的输入信号，所以引入无量纲参数，它们对信号幅值和频率的变化不敏感，但对故障足够敏感。因此，本文共选取了均方根值和无量纲参量峭度指标、均方根值和峭度指标等十项指标作为神经网络的输入，所以网络输入层可因此确定为十个参数，换句话说，输入层的节点数是十个。通过分析试验中的各项实际数据，再加上现场观测分析，可将液压系统的四种状态模式用二进制格式表示出来，如表1 所示。所以能够确定神经网络的输出节点数为2 个。
2.2 网络层数和隐层节点数的确定
对于隐层的选择，一般情况下先采用一个隐层，Hecht-Nielsen 曾证明对于在任何闭区间内的一个连续函数，当各节点具有不同的门限时，都可以用一个隐含层的网络来逼近。所以只有当一个隐层的隐节点数很多，但是其网络性能仍不能满足要求时才考虑增加隐层数。本文试验系统训练时采用的是一个隐层，12 个隐节点。当网络期望误差选择为0.0001 时，训练收敛误差曲线如图2 所示。
2.3 网络权值、学习速率和训练误差的选择
由于最终的解和网络权值、学习速率和训练误差的选择有着直接的关系，必须选择合理的网络权值、学习速率和训练误差。选择网络权值时应注意由于该值是由计算机在（-1，+1）之间随意选出的，为了保证整个工序的科学性和完整性，应多进行几次训练，从中选择最优的网络权值。
在未确定最优的学习速率之前，应先多选用几个不同的学习速率进行网络训练，然后比较每个速率训练后网络的误差平方和移E2，之后通过分析误差平方和移E2 来选择合适的学习速率。若移E2 出现异常情况，则说明学习速率过大，只有当误差平方和下降速度快且下降曲线平滑时，才表示学习速率适宜。通常，为了保证系统的稳定性，学习速率都会在0.01耀0.8 之间，最好不要选用较大的学习速率。
本网络综合考虑上述各项因素，采用了0.0001 作为训练误差，符合相关的规范要求。
3 BP 神经网络系统结构的实现
3.1 用软件实现BP 神经网络的设计流程与步骤系统设计流程如图3 所示。
用Matlab 语言实现BP 神经网络的参数设置如下：利用newff 函数生成一个三层BP 神经网络。网络的参数设置为：输入层设置为10 个神经元用于输入10 个特征指标，中间层设置为12 个神经元，输出层设置为2 个神经元，采用梯度下降算法。网络的性能函数取默认值mse，学习函数取默认值learngdm，训练函数为trainlm。训练误差设置为0.0001，其余训练参数取默认值。
3.2 BP 网络的训练
通过对试验数据的分析和对实际工况的观察，选择八组状态样本数据进行网络训练。训练后的实际输出结果和理想分类结果如表2 所示。
分析表2 发现，训练样本的实际输出结果和训练样本的理想输出结果基本是一致的，为了更加确保结果的公正性和客观性，我们又随机输入了三组数据进行验证，结果也是一样的，因此，这表明用此BP 网络来对液压系统进行状态质量评估是完全可行的。
4 小结
本文提出并建立了液压系统使用状态质量评估的BP神经网络模型，然后通过采用训练好的网络对试验对象进行模式识别与质量评估。尽管BP 网络在很多领域都很常见，但是在神经网络结构中依然没有通用的理论方法。最常用的方式还是依据不同的情况，有针对性地选用适宜的网络结构设计方法，然后试探和经验并用，进行反复的试验，最终确定最优的设计方案。通过分析最终的试验结果发现，BP 网络来对液压系统进行状态质量评估是完全可行的。
