1 基于电动执行器的信号采集系统

      在传统方式下，要分析电动执行器的某些技术性能，都是直接通过手工对电动执行器作性能测试，如今在一些使用电动执行器的工业现场，大都是技术人员根据自己的经验结合理论知识进行测试，既浪费时间，测试效果又不甚理想。在计算机日益普及的情况下，就有必要借助计算机来分析和测试这些主要的性能指标。

      本系统是利用美国吉时利公司生产的Keithley 2000型数字万用表采集电动执行器的位置反馈电流信号，通过工控机的RS-232串行接口将数据送入计算机，采用VB 6.0的MSComm串行通信控件编程实现信号的采集。然后通过MathWorks公司的MatrixVB for VB软件，画出采集信号的曲线图，并进行拟合分析，得到反映系统状态的性能参数，从而有效地进行诊断。图1是数据采集的硬件接线图，多路继电器开关，它是通过一个ISA插卡同工控机相连，然后在工控机上发送相应指令控制其继电器点的开断，以达到控制电流信号源的通断功能。为了减小在信号源通断时刻所增加位置反馈的干扰，在线路连接上我们做了改进，即在断开信号源时候不是使电流信号源提供给伺服放大器输入端的信号开路，而是闭合继电器开关使其处于短路状态，这样就减小了在线路上额外增加的外界信号干扰。

      2 基于神经网络的智能诊断

      2.1 网络学习规则

      我们选用的自组织竞争型神经网络，是一种无教师示教，具有自组织功能的神经网络。网络通过自身训练，能自动对输入模式进行分类，并且可根据曾经见过的模式，识别出当前模式，做出*邻近的分类，即以竞争获胜的神经元节点来表述分类结果。

      2.2 电动执行器状态诊断

      根据现场的经验和相关的结论，把影响电动执行器工作状态的特征参数进行分类，并根据这些分类的组合把执行器的工作状况分为健康状态、亚健康状态和病态，从模式识别的角度看，状态诊断的任务就是识别执行器在工作时处于哪一种工作状态。如果所研究的系统有较丰富的状态信息，那么就可以利用神经网络对它们进行学习，用得到的参数映射系统所处于的状态。

        2.2.1 系统原理

      判断一个电动执行器的好坏是要对它的一些特性参数进行分析。用基于串行通信的数据采集装置可对电动执行器的参数信息进行采集。把采集过来的信号用线性*小二乘拟合，通过计算就可以得到电动执行器的一些主要特性指标，如纯滞后时间、上升率、下降率、死区、回差以及静差。

      2.2.2 电动执行器状态集

      诊断的基础首先是要确定电动执行器的状态集，也就是说要看电动执行器有哪些常见的典型状态，发生这些状态的原因是什么，根据实际运行经验和理论分析，将常见电动执行器的系统状态分为11种典型模式，记为u_i（i＝1，2，…，11）；并提取18个征兆，征兆x_j（j＝1，2….18）定义为：，1为征兆存在，0为征兆不存在。j＝1，2，…，18

      根据前面所述的参数分类，把系统状态对应的参数进行分类。电动执行器典型状态集见图3。表中对执行器的病态（故障状态）列出了常见的故障原因，具体修复可参考说明书。亚健康状态的对应处理方法与病态基本上是一致的，只是处理程度的大小而已。

图3 电动执行器典型状态集

      2.2.3 电动执行器状态的诊断

      有了系统的状态集就可以采用特定的手段对它进行诊断了，基于电动执行器的智能状态诊断，大多数是建立在理论分析的基础上，本文以实物为诊断模型，利用前面介绍过的分类性能优良的自组织竞争型神经网络对电动执行器进行状态诊断。

      根据自组织竞争型神经网络的原理，先确定网络的输入向量和输出向量。把征兆向量X_j（j＝1，2，…，18）作为输入，对应的系统状态作为输出，把X_j作为输入层神经元的输人，即18个输入节点（分别对应18种状态）构成输人层，11个输出节点（分别对应11种状态）构成输出层，当某个节点输出为1时，代表发生了相应的状态，可外接显示设备，及时反映电动执行器的状态。

      按照自组织竞争型神经网络的原理，用VB进行编程，学习率取0.01，学习过程的次数反映了网络对样本的分离情况，实践表明，经过2000次的训练，网络完全将各种状态分离出来，对应的权值大小适中，因为竞争网络结构和算法都较简单，训练耗时也很少。

      网络训练好以后，就可以进行诊断了，把权值读入，根据自组织竞争型神经网络的胜出规则，判别电动执行器常见的11种状态。

      2.3 状态诊断的软件实现

      本软件包以智能诊断模块为核心，数据库模块为后台，利用数据采集和曲线分析两个模块的功能对电动执行器进行状态分析，并*终实现电动执行器的状态诊断。

      当利用Matrix VB绘制好曲线后，就选定拟合区间对曲线进行拟合。它把非线性的曲线分段线性化，便于进行参数计算，也就是说通过曲线分析模块得到一系列反映电动执行器状态的参数，也就是前面所介绍的纯滞后时间、上升率、下降率、死区、回差以及静差，把这些参数放入智能诊断模块用自组织竞争型神经网络进行诊断，就可判别执行器现在的状态，并把结果显示到操作界面。

      3 程序应用测试和评价

      为了验证该软件包的实用性和可靠性，对两台已经知道其状态的电动执行器进行诊断，其中一台性能完好、另一台灵敏度差，反应为延时较大。使用软件包的数据采集功能，对两台电动执行器进行数据采集，并把数据写入数据库，然后利用曲线分析模块把采集到的数据用曲线的形式形象地表现出来，再经过拟合，求出能够反映出电动执行器状态的参数。其中健康的电动执行器的数据曲线图经拟合后如图4所示，再经分析后，把参数显示到操作初始界面的“执行器特性参数区”，把诊断的结果显示到“状态分析区”；同理，对另一台执行器进行诊断，得到这台执行器处于亚健康状态。它的纯滞后时间过大，参照电动执行器的说明书可以找到对应的解决办法。

      由此可见，该软件明确诊断出电动执行器所处的状态，并给出状态参数，具有较高的实用价值。在软件测试过程中，对多台电动执行器进行了多次诊断，并根据理论人为地制造了多种故障数据作为测试样本，试验表明，诊断结果可靠、有效，实现了*初设想和实用功能。

原创作者：浙江金锋自动化仪表有限公司