基于神經網絡的電動執行器狀態診斷

     在傳統方式下，要分析電動執行器的某些技術性能，都是直接通過手工對電動執行器作性能測試，如今在一些使用電動執行器的工業現場，大都是技術人員根據自己的經驗結合理論知識進行測試，既浪費時間，測試效果又不甚理想。在計算機日益普及的情況下，就有必要借助計算機來分析和測試這些主要的性能指標。

     本系統是利用美國吉時利公司生產的Keithley2000型數字萬用表采集電動執行器的位置反饋電流信號，通過工控機的RS-232串行接口將數據送入計算機，采用VB6.0的MSComm串行通信控件編程實現信號的采集。然后通過MathWorks公司的MatrixVB forVB軟件，畫出采集信號的曲線圖，并進行擬合分析，得到反映系統狀態的性能參數，從而有效地進行診斷。圖1是數據采集的硬件接線圖，多路繼電器開關，它是通過一個ISA插卡同工控機相連，然后在工控機上發送相應指令控制其繼電器點的開斷，以達到控制電流???號源的通斷功能。為了減小在信號源通斷時刻所增加位置反饋的干擾，在線路連接上我們做了改進，即在斷開信號源時候不是使電流信號源提供給伺服放大器輸入端的信號開路，而是閉合繼電器開關使其處于短路狀態，這樣就減小了在線路上額外增加的外界信號干擾。

      2 基于神經網絡的智能診斷

     2.1 網絡學習規則

     我們選用的自組織競爭型神經網絡，是一種無教師示教，具有自組織功能的神經網絡。網絡通過自身訓練，能自動對輸入模式進行分類，并且可根據曾經見過的模式，識別出當前模式，做出*鄰近的分類，即以競爭獲勝的神經元節點來表述分類結果。

      2.2 電動執行器狀態診斷

     根據現場的經驗和相關的結論，把影響電動執行器工作狀態的特征參數進行分類，并根據這些分類的組合把執行器的工作狀況分為健康狀態、亞健康狀態和病態，從模式識別的角度看，狀態診斷的任務就是識別執行器在工作時處于哪一種工作狀態。如果所研究的系統有較豐富的狀態信息，那么就可以利用神經網絡對它們進行學習，用得到的參數映射系統所處于的狀態。

       2.2.1 系統原理

     判斷一個電動執行器的好壞是要對它的一些特性參數進行分析。用基于串行通信的數據采集裝置可對電動執行器的參數信息進行采集。把采集過來的信號用線性*小二乘擬合，通過計算就可以得到電動執行器的一些主要特性指標，如純滯后時間、上升率、下降率、死區、回差以及靜差。

     2.2.2電動執行器狀態集

    診斷的基礎首先是要確定電動執行器的狀態集，也就是說要看電動執行器有哪些常見的典型狀態，發生這些狀態的原因是什么，根據實際運行經驗和理論分析，將常見電動執行器的系統狀態分為11種典型模式，記為u_i（i＝1，2，…，11）；并提取18個征兆，征兆x_j（j＝1，2….18）定義為：，1為征兆存在，0為征兆不存在。j＝1，2，…，18

     根據前面所述的參數分類，把系統狀態對應的參數進行分類。電動執行器典型狀態集見圖3。表中對執行器的病態（故障狀態）列出了常見的故障原因，具體修復可參考說明書。亞健康狀態的對應處理方法與病態基本上是一致的，只是處理程度的大小而已。

圖3 電動執行器典型狀態集

     2.2.3電動執行器狀態的診斷

    有了系統的狀態集就可以采用特定的手段對它進行診斷了，基于電動執行器的智能狀態診斷，大多數是建立在理論分析的基礎上，本文以實物為診斷模型，利用前面介紹過的分類性能優良的自組織競爭型神經網絡對電動執行器進行狀態診斷。

    根據自組織競爭型神經網絡的原理，先確定網絡的輸入向量和輸出向量。把征兆向量X_j（j＝1，2，…，18）作為輸入，對應的系統狀態作為輸出，把X_j作為輸入層神經元的輸人，即18個輸入節點（分別對應18種狀態）構成輸人層，11個輸出節點（分別對應11種狀態）構成輸出層，當某個節點輸出為1時，代表發生了相應的狀態，可外接顯示設備，及時反映電動執行器的狀態。

    按照自組織競爭型神經網絡的原理，用VB進行編程，學習率取0.01，學習過程的次數反映了網絡對樣本的分離情況，實踐表明，經過2000次的訓練，網絡完全將各種狀態分離出來，對應的權值大小適中，因為競爭網絡結構和算法都較簡單，訓練耗時也很少。

    網絡訓練好以后，就可以進行診斷了，把權值讀入，根據自組織競爭型神經網絡的勝出規則，判別電動執行器常見的11種狀態。

     2.3狀態診斷的軟件實現

    本軟件包以智能診斷模塊為核心，數據庫模塊為后臺，利用數據采集和曲線分析兩個模塊的功能對電動執行器進行狀態分析，并*終實現電動執行器的狀態診斷。

     當利用MatrixVB繪制好曲線后，就選定擬合區間對曲線進行擬合。它把非線性的曲線分段線性化，便于進行參數計算，也就是說通過曲線分析模塊得到一系列反映電動執行器狀態的參數，也就是前面所介紹的純滯后時間、上升率、下降率、死區、回差以及靜差，把這些參數放入智能診斷模塊用自組織競爭型神經網絡進行診斷，就可判別執行器現在的狀態，并把結果顯示到操作界面。

     3程序應用測試和評價

    為了驗證該軟件包的實用性和可靠性，對兩臺已經知道其狀態的電動執行器進行診斷，其中一臺性能完好、另一臺靈敏度差，反應為延時較大。使用軟件包的數據采集功能，對兩臺電動執行器進行數據采集，并把數據寫入數據庫，然后利用曲線分析模塊把采集到的數據用曲線的形式形象地表現出來，再經過擬合，求出能夠反映出電動執行器狀態的參數。其中健康的電動執行器的數據曲線圖經擬合后如圖4所示，再經分析后，把參數顯示到操作初始界面的“執行器特性參數區”，把診斷的結果顯示到“狀態分析區”；同理，對另一臺執行器進行診斷，得到這臺執行器處于亞健康狀態。它的純滯后時間過大，參照電動執行器的說明書可以找到對應的解決辦法。

     由此可見，該軟件明確診斷出電動執行器所處的狀態，并給出狀態參數，具有較高的實用價值。在軟件測試過程中，對多臺電動執行器進行了多次診斷，并根據理論人為地制造了多種故障數據作為測試樣本，試驗表明，診斷結果可靠、有效，實現了*初設想和實用功能。