第31卷第11期
文章编号：10069348(2014)11036205
计算机仿真
2014年11月
压缩式垃圾车液压系统故障诊断方法研究
杨忠焖，徐康，周立强，姜东身（中南大学机电工程学院，长沙湖南410083）
摘要：针对传统液压系统故障诊断方法诊断效率低、诊断精度不高等间题，以垃圾车渡压系统为研究对象，提出了基于支持向最机的液压系统故障诊断方法。运用AMEsim软件建立垃圾车液压系统仿真模型、采集故障数据，利用故障数据建立支持向量机分类模型并进行参数寻优，最后利用分类模型对液压系统未知故障样本进行测试。仿真结果表明，上述函数和慧罚因子的选择对诊断精度影响较大；支持向量机诊断方法能更加有效提取液压系统故障信息，有更高的故障诊断精度和诊断效率。
关键调：压缩式垃圾车；液压系统；故障诊断；液压仿真；支持向量机
中图分类号：TP391.9
文献标识码：B
FaultDiagnosisforHydraulicSystemofBack-loading
CompressionRefuseCollectorBasedonSupportVectorMachine
YANGZhong-jiong,XUKang,ZHOULi-qiang,JIANGDongshen
( College of Mechanical and Electrical Engineering, Central South University, Changsha Hunan 410083, China) ABSTRACT; For the lower diagnostic efficiency and accuracy of conventional fault diagnosis method in hydraulic sys-tem,a diagnostic method base on Support Vector Machine (SVM) model was proposed in hydraulic system of Back-loading compression refuse collector. The simulation model and failure data of Backloading compression refuse col-lector hydraulic system were established in AMEsim,followed by establishing the SVM model with failure-data and op timization of the parameters of SVM model. Then the unknown failure data were tested with the SVM model. Simula-tion result show that kemel function and the choice of penalty faclor have greater impact on the diagnostic accuracy the method of SVM can be more effective to extract failure information in the failure data with higher diagnostic accu racy and efficiency.
KEYWORDS :Backloading compression refuse collector; Hydraulic system; Fault diagnosis; Hydraulic simulation; SupportVectorMachine(SVM)
1
引言
液压系统是压缩式垃圾车的核心组成部分，其工作可靠性的高低直接影响整个垃圾车的运行。长期以来，对于液压系统故障诊断方法的研究主要集中在以下方法：基于规则的专家系统故障诊断1-2]、神经网络故障诊断(3]、故障树诊断系统[4]、模糊诊断系统[5]以及其它一些基础统计学方法[6-] 上。基于规则的专家系统故障诊断的缺点在于规则之间不透明的逻辑关系，低效的搜索策略，没有学习能力；神经网络故障诊断虽然有较好的学习能力，但是受样本数量的限制，搜索时容易达到局部最优；故障树诊断在对故障机理不清楚时难以构造故障树；模糊诊断的主要缺点就是故障与征兆之间的关系很难用精确的数学模型来表示，传统统计学方法的
收稿日期：2014-0114
-362 万方数据
修回日期：2014-03-01
缺点在于样本个数趋于无穷大时结果才有较高的可信度。
支持向量机是Vapnik等人根据统计学习理论提出的种新的机器学习方法，能够较好地解决小样本、非线性、高维数和局部极小点等实际问题，在旋转机械故障诊断等领域有很好的应用19-13)，它克服了神经网络等其它理论收敛速度慢，诊断精度不高等缺点，但是以往的研究(14]大多没有对所建立的模型进行参数优化，实际上模型参数对最终的结果影响很大，进行参数优化是有必要的。
目前尚未有针对压缩式垃圾车液压系统进行故障诊断的研究，本文将SVM方法引入到垃圾车液压系统故障诊断中，同时采用网格优化方法对模型参数进行优化，利用仿真验证了SVM诊断方法的有效性以及高效性。