基于小波包和支持向量机的液压泵故障诊断.pdf

2 0 1 1 年 5月 第3 9卷 第9期 机床与液压 MACHI NE TOOL HYDRAUL I CS Ma v 2 01 1 V0 1 ． 3 9 No ． 9 DO I 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 1 ． 0 9 ． 0 4 4 基于小波包和支持向量机的液压泵故障诊断 毋 文峰 ，苏勋 家，陈小虎 ，王旭平 第二炮兵工程学院5 0 1室，陕西西安 7 1 0 0 2 5 摘要研究基于小波包频带能量的故障诊断方法及其在齿轮泵故障诊断中的应用。论述齿轮泵的典型故障设置及其数 据采集，针对齿轮泵实验数据 ，研究基于小波包和支持向量机的齿轮泵故障诊断方法。实验结果表明基于小波包 一支持 向量机的故障诊断方法是有效的，而且可以满足在线实时状态监测与故障诊断的要求。 关键词小波包分析；支持向量机 ；齿轮泵 ；故障诊断 中图分类号T H1 6 5 ． 3 文献标识码A 文章编号1 0 0 1 3 8 8 1 2 0 1 1 91 4 6 2 Fa ul t Di a g n o s i s f o r Hy dr a ul i c Pu mp Ba s e d o n W a v e l e t Pa c ke t An a l y s i s a n d Su pp o r t Ve c t o r M a c hi ne WU We n f e n g，S U Xu n i i a ，C HE N Xi a o h u，WANG Xu p i n g 5 0 1 S e c t i o n ，T h e S e c o n d A r t i l l e r y E n g i n e e r i n g C o l l e g e ，X i ’ a n S h a a n x i 7 1 0 0 2 5 ，C h i n a Ab s t r a c t T h e f a u l t d i a g n o s i s me t h o d s b a s e d o n w a v e l e t p a c k e t f r e q u e n c y e n e r g i e s a n d i t s a p p l i c a t i o n t o g e a r p u mp f a u l t d i a g n o s i s we r e e x p o u n d e d ． T y p i c a l f a u l t s s e t t i n g o f g e a r p u mp a n d d a t a a c q u i s i t i o n w e r e i n t r o d u c e d ． On t h e b a s e o f e x p e ri me n t a l d a t a ， a f a u l t d i a gno s i s me t h o d b a s e d o n wa v e l e t p a c k e t a n d s u p p o r t v e c t o r ma c h i n e wa s p r o p o s e d f o r g e ar p u mp ． T h e e x p e r i me n t a l r e s u l t s i n d i c a t e t h i s me t h o d i s e f f e c t i v e a n d me e t s t he d e ma nd s o f o n l i ne c o n d i t i on mo ni t o r i n g a n d f a ul t d i a g no s i s ． Ke ywo r dsW a v e l e t p a c k e t a n a l y s i s； S u p po r t v e c t o r ma c h i n e； Ge a r pu mp； Fa u l t di a g n o s i s 支持 向量机 S u p p o r t V e c t o r Ma c h i n e ， S V M ，是 小样本数据多元分析 的有利工具 ，能够达 到非线性分 类的 目的。小波 包 分析 Wa v e l e t P a c k e t A n a l y s i s ， WP A 能够将信 号进 行 多层 分解 ，是处 理非 平 稳信 号 的有效工具 。将 WP A和 S V M有 机结合 是机械设备 故 障诊 断研究 的一个 发展方 向。 在液压齿 轮泵故 障诊 断中 ，泵 壳振动信号是 一个 典型的非平稳信号；而且，在齿轮泵信号检测中，由 于工作现场等条件 的限制，很难测取足够 的数据样 本，尤其是故障状态样本。作者针对泵壳振动信号的 非平稳性和小样本特点 ，综合运用小波包分析和支持 向量机 ，研究在 小样本 条件下的液压齿轮泵故障诊断 方法 。 1 小波 包频 带能 量特 征 Y e n等 定义 了小波包频带能 量 ，并且指 出利用 小波包 频带能量 比直接利用小波包系数能够得到更为 鲁棒的信号特征。关于小波包频带能量的详细叙述， 可以参考有关文献 ，在此不再赘述0 。 在液压齿 轮泵故障诊断中 ，利用小波包频带能量 提取泵壳振动信号特征 向量 的过程如下 步骤 1 ，齿轮泵信号 的小波 包分解 。小 波包基 函 数 为 d b 5 ，分解 层 数 为 3层 ，分 解 后 第 3层 信 号 为 3 l ， 3 2 ， 3 3 ， 3 4 ， 3 5 ， 3 6 ， 3 7 ， 3 8 。 步骤2 ，信号的重构。利用第 3层不同频带的信 号进行重 构 ，重 构 之 后 的 信 号 为 ， 。 ， ， 3 5 ， 3 6 ， 3 7 ， 3 8 。 步骤 3 ，能量特征 向量 的构造 。针对 重构信 号构 造能量特征向量，能量特征的计算公式为 N 一1 ． e ． [ k ] ， i 1 ， 2 ， ⋯ ， 8 其中Ⅳ为信号采样点数。并进行能量特征的归一化 处理 ，计算公式为 善 e 步骤 4 ，根据归一化频段能量特征 E ，得到最终 特征向量 E[ E ， ， E ， E 。 ， E ， ， E 6 ， E ， E ] ，作为故 障模式分 类器的输入 。 2 齿轮泵故障设置和数据采集 当齿轮泵发生故障时，其振动信号必定发生变 化；不同的齿轮泵故障，将导致泵壳振动信号不同频 率段能量的变化 ；同一故障在不同的发展阶段，其能 量的变化也不同。因此 ，泵壳振动信号是齿轮泵状态 收稿 日期 2 0 1 0 0 3 2 9 基金项目总装备部预研重点基金项 目 9 1 4 0 A 2 7 0 2 0 3 0 9 J B 4 7 0 1 作者简介毋文峰 1 9 7 8 一 ，男 ，博士研究生，研究方向为智能信号处理和机械设备故障诊断。Ema i l g f z d m a i l 1 6 3． e o mo 第 9期 毋文峰 等基于小波包和支持向量机的液压泵故障诊断 1 4 7 信息的丰富载体 ，是齿轮泵状态监测与故障诊断的重 要信息 之一 。作 者将 以 C B K P 6 3型 齿轮 泵 为例 ，在 实验中设置故障，并测取泵壳振动和泵轴转速 振 动时标 等信号。如图 1 所示。 图 1 传感器的安装位置 在 实验 中 ，在齿 轮泵 的垂直径 向、水平径 向、轴 向设置了3个加速度传感器测量泵壳振动情况，其中 水平径向测点靠近泵的出油口，轴向测点位于齿轮泵 端面靠近被动 轴轴 承 ，3个 测 点 的位置 如 图 1 所 示 。 初步研究表 明，1 号测点的泵壳振动信号强度 比较 大 ，其分析效果比较好 ，而 2号测点受到油压噪声的 污染 比较严重 ，3号测 点 的振动 相对 比较弱 。所 以作 者以 1 号测点的泵壳振动信号为研究对象。 在实验中，人为设置气穴故障、齿轮磨损、侧板 磨损 、轴承故障等 4类故障，并对包括正常状态在内 的齿轮泵 5种状态 ，分别测取从空载直到 出 口压 力为 2 0 M P a 的泵 壳振 动 加 速度 和泵 轴 转速 振 动 时标 等信号 ，压力上升 的问隔为 1 M P a ，每种情况 测取 1 O 组数据 ；并在 出口压力为 5 MP a的特定情况下 ，每种 状态又测取 4 0组数 据。 3基于 WP A ． S V M的齿轮泵诊断 针对齿轮 泵 的 5种 工 作状 态 正 常状 态 、轴 承 磨损 、气穴 故 障 、齿 轮磨 损 、侧 板磨 损 分 别 取采 样 数据 4 0组 ，一共 2 0 0组 。首 先进 行采 样数 据 的小 波包 分解 ，小波基 为 d b 5 ，分 阶层数 为 3 ；每组采 样 数据被分解 为 8 个频带 ，计算频 带能量 特征并 构造 8 维特 征 向量 ，作 为最 小 二 乘 支持 向量 机 一 的输 入 。典型的齿轮泵频带能量特征如表 1 所示。 表 1 齿轮泵 5种状态的频带能量特征 状态 1 2 3 4 5 6 7 8 1正常状态 0 ． 0 9 0 0 ． 0 8 0 0 ． 1 7 9 0 ． 3 0 8 0 ． 0 7 3 0 ． 0 3 0 0 ． 1 8 0 0 ． 0 5 6 2轴承磨损 0 ． 1 4 4 0 ． I 1 4 0 ． 2 1 5 0 ． 1 9 2 0 ． 0 5 7 0 ． 0 2 3 0 ． 1 9 8 0 ． 0 5 4 3气穴故障 0 ． 1 1 4 0 ． 0 8 1 0 ． 2 2 2 0 ． 1 6 0 0 ． 0 4 0 0 ． 0 4 7 0 ． 1 6 5 0 ． 1 6 9 4齿轮磨损 0 ． 0 9 3 0 ． 0 7 2 0 ． 1 9 2 0 ． 0 8 7 0 ． 0 3 7 0 ． 1 0 7 0 ． 2 1 1 0 ． 1 9 7 5侧板磨损 0 ． 0 9 1 0 ． 0 5 2 0 ． I 4 1 0 ． 1 0 1 0 ． 0 4 3 0 ． 1 0 5 0 ． 1 6 6 0 ． 2 9 7 齿轮泵信号频带能 量的初步研究表 明 状态 4和 状态 5的特征值很接近 ，能量主要分布在 3 、7 、8频 带 内；状态 1与状态 2也很接近 ，能量主要分 布在 3 、 4 、7频带 ，而状态 3的能量 则 比较 均衡 地分 布在 1 、 3 、4 、7 、8 频 带内 。基 于此 ，构 建 4个 S V M 分类 器 来加强分类 的效果 。多 分类 器 的分 类 流程 如 图 2所 示 ，分类器 1 实现状态 1 、状 态 2 、状态 3与状态 4、 状态 5的区分 ，分类器 2 l 实 现状 态 1 、状 态 2与状态 3的区分 ，分类器 2 2实现状态 4与状 态 5的 区分 ，分 类器 3实现状态 1 与状态 2的 区分 。 图 2 多分类器 的分类 流程 1 模 型的训练 设定 S V M的核函数参数为径向基函数 R B F ，并分 别用齿轮泵的 5种工作状态进行 S V M模型的训练 状 态 1 、 2 、3 各取 1 0组 ，状态 4 、5各取 1 5 组 ，共 6 0个 训练样本 ，完成对分类器 1 的训练 ；状态 4 、5 各取 1 0 组 ，共 2 0个训练样 本 ，完成对 分类 器 2 2的训练 ；状 态 1 、 2各取 1 O 组 ，状态 3 各取 2 0组 ，共 4 0 个训练样 本 ，完成对分 类器 2 1的训 练 ；状态 1 、2各取 1 0组 ， 共 2 o 个训练样本 ，完成对分类器 3的训练。 2 模型 的验证 按照图2分类流程，将 2 0 0组数据输入已训练好 的模型 ，模型的输出如表 2所示。表中数据以行为单 位 ，表示 每一类的识别情况 。 表 2 模型输 出结果 由模型验证数据 可知 ，由 4个 向量机构成的分类 模型能够很好地 区分齿 轮泵 的 5种工作 状 态。此外 ， 支持向量机方法 的训 练 占时多而测试未知样本 的分类 占时很 短。因此 ，S V M 模 型训 练一 旦 完 成 ，对 于未 知样本的分类速度和运算效率将很高，可以满足在线 实时状态监测 、故 障诊 断的需要 。 下 转 第 1 5 4页 1 5 4- 机床与液压 第3 9卷 变化 。为剔 除图形轮廓存 在 的不规则 小锯齿 的影 响 、 确保判断可靠，仅当两射线正向夹角大于某一设定阈 值时 ，认为折点出现 。 图 l 0中，点 A的两 射线 夹 角小 于 阈值 q ，判 定 为非折点 ，点 和 C即为 找到 的折 点。这里 取相 隔 点数 为 2 ，阈值 q取 3 。由此 确定 起点 和折 点 ，而极 大值点 即所设定 的压力最 大值点 。 将不 同情 况下 的曲线关键点 与参考 曲线的关键点 相对 位置信 息进行 汇总 ，得出表 1 。 表 1 曲线关键点与参 考曲线的关键点相对位 置 凸 直堡 廑 县丕 生 星廑 堡廑 大小 大小 大小 大小 大小 由表 1可知 ，凸模 直径 过大 、模具轻微 不对 中和 凹模深度过小 的情况相对位置序列相 同 ，这可 以通过 判断 曲线穿过起点小窗 口的方式来加 以区分 。当序列 为 5 7 4时 ，若从上边穿 出则为 凸模直径过大 ，而从 右 边穿 出则为 凹模深度 过大 或模具不 对 中。进 一步 的 ， 可以通过 比较实时 曲线和参考 曲线在一次加压过程进 行到约 1 ／ 4处 4 6 ． 6 0 m m 时 ，同一 位移 下压 力值 的大小来 判断。只有当凹模 深度改变 ，实时 线与参 考曲线才在一次加压时基本重合 ，所 以当压力差大于 允许 的采集误差范 围时 ，即可断定该 曲线对应于模具 不对 中。 至此 ，由于不 同的情况 ，关键点 的位置不 同 ，将 采集到的相对位置序列与系统中存储的相对位置序列 进行对 比，便可得 出对应于该序列 的质量 问题的主要 原 因。 4 总 结 作者通过对 比压力连接过程 中的几种典型质量问 题下 的压力 一位移 曲线 ，提出了以压力 一 位移 曲线 中 关键 点位置为主要 依据 ，对压力连接过程进行 质量监 控并对主要质量问题进行诊断的方法 ，能够实现参数 的实时监控 、保证压 接质量 ，并可 提高劳 动生产 率 、 减少人力物力 ，其应用前景十分广 阔。 参考文献 【 1 】童伟 ， 石柏军， 庄文辉． 新型汽车钣金件压力连接方法及 设备[ J ] ． 机床与液压， 2 0 0 8 7 9 3 9 4 ． 【 2 】J u h a V a r i s ． E n s u r i n g t h e I n t e g r i t y i n C l i n c h i n g P r o c e s s [ J ] ． J o u r n a l o f Ma t e ria l s P r o c e s s i n g T e c h n o l o g y， 2 0 0 6， 1 7 4 2 7 7 2 8 5． 【 3 】【 德】 哈恩 奥尔特温， 克勒门斯 乌韦． 机械变形连接 [ M] ． 杜 菲娜 ， 谭 义明， 译 ． 中国 化学 工业 出版社 ， 2 0 0 8 ． 【 4 】T o x P r e s s o t e e h n i e ． O v e r v i e w o f t h e T O X C l i n c h i n g T e c h n o l o g y [ R] ． h t t p ／ ／ w w w ． t o x c n ． c o m ／ fi l e a d m i n ／ p d f ／ e n ／ j o i n i ng _s y s t e ms ／ TOX TB 801 00_2 01 0 0 2 e l1 ． p d f ， 2 01 0 ／ 0 2 ． 【 5 】T A N Y i m i n g ， H A H N O r t w i n ， D U F e i n a ． P r o c e s s Mo n i t o r i n g Me t h o d w i t h Wi n d o w T e c h n i q u e f o r C l i n c h J o i n i n g [ J ] ． I S I J I n t e r n a t i o n a l ， 2 0 0 5 ， 4 5 5 7 2 37 2 9 ． 【 6 】B L A N C H E T r E J a s m i n ， S U MME R F I E L D Ma r k ． CG U I P r o g r a mm i n g w i t h Q t 4[ M] ． N e w J e r s e y P r e n t i c e H a l l ， 2 0 06． 6． 【 7 】肖斌， 黄襄念． 一种快速图形识别算法[ J ] ． 西华大学学 报 自然科学 版 ， 2 0 0 8 5 8 1 8 4 ． 上接 第 1 4 7页 4结束 语 作者主要研 究 了基于小波包理论和支持向量机的 故障诊断方法及其在液压系统故障诊断中的应用，主 要有如下 的结论 1 小波包 一支持 向量机的故障诊断方法可以 有效地进行齿轮泵 的故障状态诊断 。 2 小 波包 一支 持 向量机 的故 障诊 断 方法 ，利 用很少的样本进行诊断模型 的训练就可 以得到精度很 高的诊断识别率；而且一旦完成模型训练，用于测试 未知样本 的分类时 间很短 。因此 ，该方法能够解决小 样本条件下故障诊断模型不易构建的问题 ，而且对于 未知样本 的分类速 度和运算效率很高 ，可以满 足在线 实时状态监测与故障诊断 的需要 。 参考文献 【 1 】Y e n G G， L i n K C ． Wa v e l e t p a c k e t f e a t u r e e x t r a c t i o n f o r v i b r a t i o n m o n i t o r i n g [ J ] ． I E E E T r a n s ， I n d u s t r i a l E l e c t r o n i c ， 2 0 0 0， 4 7 3 6 5 06 6 7 ． 【 2 】曾芸， 武和雷． 基于小波包的频带能量特征提取及智能 诊断[ J ] ． 计算技术与自动化， 2 0 0 8 ， 2 7 4 1 1 51 1 7 ． 【 3 】唐贵基， 范德功， 胡爱军． 基于相对小波包能量特征向量 的故障诊断[ J ] ． 煤矿机械， 2 0 0 6 ， 2 7 4 7 1 7 7 1 8 ． 【 4 】L i Y C ， F a n g T J ， Y u E K ． S h o r t t e r m e l e c t r i c al l o a d f o r e c a s t i n g u s i n g l e a s t s q u a r e s s u p p o r t v e e t o r ma c h i n e s [ J ] ． P o w e r S y s t e m T e c h n o l o gy ， 2 0 0 2 1 2 3 02 3 3 ． 【 5 】Mo h a m e d S S ， S a l a m a M M A， K a m e l M． R e g i o n o f i n t e r e s t b a s e d p r o s t a t e t i s s u e c h a r a c t e r i z a t i o n us i n g l e a s t s q ua r e s u p p o rt v e c t o r m a c h i n e L S S V M[ J ] ．L e c t u r e N o t e s i n C o mp u t e r S c i e n c e ， 2 0 0 4， 3 2 1 2 5 1 5 8 ． 【 6 】田海军， 门洪 ， 郎世伟． 基于 L S S V M的电厂过热汽温仿 真研究[ J ] ． 微计算机信息， 2 0 0 7 ， 2 3 1 0 2 7 0 2 7 2 ． 【 7 】潘明清． 基于支持向量机的机械故障模式分类研究 [ D] ． 杭州 浙江大学 ， 2 0 0 5 ．