基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究.pdf

液 压 气 动 与 密 封 ／ 2 0 1 2年 第 6期 基于小波包分解和 R B F神经网络的 民机液压泵源故障诊断研究 鞠文煜 上海飞机设计研究院 航电部机载维护室 ， 上海2 0 0 4 3 6 摘要 液压泵源是民机液压系统的动力部分 ， 对于民航飞机飞行的安全起着重要的作用 。由于 民机液压泵结构复杂 ， 故 障机理繁多 ， 因此其故障诊断难以用常规方法实现 。提 出了基于小波包分解和 R B F神经 网络的民机液压泵源故障诊 断方法 。采集 民机液压泵轴向 和径向的振动信号 ， 利用小波包分解将振动信号进行分解 ， 得到的各频带信号的能量作为神经网络的输入 。经过 R B F神经网络的计算 以实现民机 液压泵源的故障诊断。 关键词 民机液压泵 ； 小波包 分解 R B F神经网络 ； 故障诊 断 中图分类号 T H1 3 7 ． 1 文献标 识码 A 文章编号 1 0 0 8 0 8 1 3 2 0 1 2 0 6 一 O 0 1 6 0 4 Re s e a r c h o n F a u l t Di a g n o s i s o f Ci v i l Ai r c r a f t Hy d r a u l i c Po we r S y s t e m Ba s e d o n W a v e l e t P a c k a g e De c o mpo s i t i o n a n d R_ BF Ne u r M Ne t wo r k s J U We n - y u O n b o a r d Ma i n t e n a n c e R o o m ，A v i o n i c s De p a r t me n t ， S h a n g h a i A i r c r a f t R e s e a r c h a n d D e v e l o p m e n t I n s t i t u t e ， S h a n g h a i 2 0 0 4 3 6 ，C h i n a Ab s t r a c t Hy d r a u l i c p o w e r s y s t e m p l a y s a n i mp o r t a n t p a r t i n t h e s e c u r i t y o f c i v i l a i r c r a f t ． As t h e s t r u c t u r e o f h y d r a u l i c p u mp i s v e r y c o mp l e x ， t h e r e a l e v a r i o u s f a u l t me c h a n i s ms a n d t h e f a u l t d i a g n o s i s o f h y d r a u l i c p o w e r s y s t e m c a n n o t b e e a s i l y i mp l e me n t e d b y c o n v e n t i o n a l me t h o d ． T h e p r e s e n t s t u d y p r o p o s e s a f a u l t d i a g n o 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 d e c o mp o s i t i o n a n d R BF n e u r a l n e t wo r k s ． Ax i a l a n d r a d i a l v i b r a t i o n s i g n a l o f h y d r a u l i c p u mp i s c o l l e c t e d a n d w a v e l e t p a c k e t d e c o mp o s i t i o n me o d i s u s e d t o d e c o mp o s e v i b r a t i o n s i g n a l t o g e t t h e e n e r g y o f d i f f e r e n t f r e q u e n c y b a n d s ． Th e e n e r g y o f d i f f e r e n t f r e q u e n c y b a n d s i s u s e d a s t h e i n p u t o f RB F n e u r a l n e t w o r k s a n d t h e o u t p u t o f RB F n e u r a l n e t wo r k s i s t h e r e s u l t o f f a u l t d i a g n o s i s ． Ke y wo r d s c i v i l a i r c r a f t h y d r a u l i c p u mp； w a v e l e t p a c k e t d e c o mp o s i t i o n； RB F n e u r a l n e t wo r k s ； f a u l t d i a g n o s i s O 引言 近年来 ，国内外对于液压泵 的故障诊 断主要基于 多传感器信息 融合技术f 】 。 常用 的诊断方法有频谱分 析 、 功率谱 、 小波分析 、 专家系统 、 粗糙集理论 、 支持 向 量机等【 。本文提出了小波包分解和 R B F神经 网络相 结合的方法。根据 民机液压泵的几种典型的故障形式． 进行 故障样件试验 以提取 相应 故障形式下 的特 征信 号。利用小波包分解将信号分解到各频带 中， 计算各频 带信号的能量 ， 作为神经网络的输人向量。计算正常状 态和典型故 障形式下信号的能量作为神经网络的训练 样本进行训练 。再将未知状态下的信号输入到神经网 络中， 进行计算 即可得到故障诊断结果[5 1 。 收稿 日期 2 0 1 1 - 1 1 - 1 6 作者简介 鞠文煜 1 9 8 6 一 ， 男 ， 辽宁大 连人 ， 学士 ， 现从事 机载维护 系统 设计 、 开发与验证领域 的科研工作。 1 6 1 技术路线 1 ． 1小波 包分解 小波分析是一种时域方法 ，在低频段有较高的频 率分辨率 ， 在高频段则有较高的时间分辨率[6 1 。小波包 是一种基于高分辨率 的精度更 高的正交分解方法 。 能 够在整个频率段上进行多频带分析。小波包分解继承 了小波变换 的优点， 具有非常好的时频定位 。更重要 的 是 ， 它能够在高频带进行进一步分解 ． 从 而能够在更深 层次上挖掘信号所包含的信息。 小波包分解的过程如图 1所示 。其 中 S表示原始 信号 。整个分解过程实际上就是持续的低通滤波和高 通滤波。图 1中， A表示低频 ， D表示高频。每个框 中末 位的数字表示小波分解的层数。 第 层的第 个节点可以用来重构原始信号。假定 重构后的信号为 k ， k l ，2 ,L ，N， 其中Ⅳ表示原始信 号的点数。则第 i 层的第 个节点的能量可以由式 1 Hv d r a u l i c s P n e u ma t i c s S e a l s ／ No ． 6 ． 2 01 2 进行计算。 N E ij ∑ x l 1 K 1 图 1小 波 包 分 解 在本文中， 取第 2层的所有节点的能量 ， 作为神经 网络的输入 。 并选取相应的样本进行训练。由于液压泵 上装有径向和轴向 2个振动传感器 ，所以神经网络的 输入向量维数为 8 。 1 ． 2 R BF神经网络及其训练算法 人工神经网络 A r t i fi c i a l N e u r a l N e t w o r k s ， A N N ， 亦称为神经网络 N e u r a l N e t w o r k s ， N N ， 是 由大量处理 单元 神经元 N e u r o n s 互连而成的网络 ， 是对人脑 的抽 象、 简化和模拟 ， 反映人脑 的基本特性 。人工神经网络 的研究是从人脑 的生理结构 出发来研究人 的智 能行 为， 模拟人脑处理信息的功能 。它是根植于神经科学 、 数学 、 统计学 、 物理学 、 计算机科学及工程等学科 的一 种技术。将 网络结构和学习算法相结合 ， 可以将神经网 络分为单层前 向网络 、 多层前 向网络 、 反馈 网络 、 随机 神经网络和竞争神经网络等同 。 R B F网络的结构与多层前 向网络类似 ，它由 3层 构成 第一层为输入层 ， 由信号源节点构成 ； 第二层 为 隐含层 ， 隐单元 的个数 由所描述 的问题而定 ， 隐单元的 变换 函数是对 中心点径 向对称且误差 的非负非线性 第三层为输出层， 它对输入模式的作用做 出响应。R B F 神经网络结构简单 、 训练简洁而且学习收敛速度快 ． 能 够逼近任意非线性函数。 典型的 R B F网络是一个前 向神经网络 ，一般有 3 层结构 。 如图 2所示 。 输 入 层 1 }雾 嫠 的 输 出 层 图 2典型 3层 RB F神经 网络 为了使神经 网络 的激励 函数作 出较 有意义 的响 应 ， 需要对神经网络的输入进行归一化。归一化公式可 以是 多种 ， 一般 采用 2 式 。 1 一 一 。 一 2 } ，m i 式 中 归一化处理后参数值 一处理前某一参数值 ， 珈 该参数各组样本 的最大值 ； ， m i 其最小值 。 经过这样的处理， 参数的值域被转化 U [ - 1 1 ] 的范围。 经过归一化后， R B F神经网络的输入矢量为 l ， 2 ， 3 ， 4 ， 5 ， 6 ， 7 ， 8 ] 3 式中 。 ， ， 。 ， 分别为某种情况下径 向振动信 号经过小波包分解后第二层第 0 ， 1 ， 2 ， 3个节点的信号 的能 量 ， ， ， 分别 为某种情况下轴向振动信 号经过小波包分解后第二层第 0 ， 1 ， 2 ， 3个节点 的信号 的能量 。 假定 网络有 本文中 ， M 8 个输入单元 ， ， 个 隐 单元 ， t， 个输 出单元 ， 其中隐单元采用高斯核函数 ， 则 网 络能够实现如下输入输出映射关系 ∑ 1 ∞ i p 一 4 一 2 6i 式 中 输入向量 Y ； 第 ． 个输出单元 的输出值 ； ∞； ； 第 ． 个输 出单元对应的第 个隐层单元 权值 C ； 第 i 个隐层单元对应的数据中心 ； b 第 个 隐层单元对应的扩展常数。 研究表明 ，扩展常数的相同性并不影响网络的逼 近能力， 而 中心的选择对逼近能力有很大影响。 R B F神经网络的学习算法主要有 Mo o k y法 、正交 最小二乘法、 G i v e n s 法和梯度下降法等。本文采用梯度 下降法对数据进行学习。 1 ． 3 总体 技术 路线 总体技术路线如图 3所示 。 1 确定神经网络参数 民机液压泵常见的故 障模 式有配流盘磨损 、 人 口压力不足 、 转子轴承故 障 、 柱塞 游隙增大以及斜盘不对中 5种 。加上正常状态。 故神经 网络输出向量的维数为 6 。如前所述 ， 每个液压泵上装 有径向和轴向2个振动传感器。 每路振动信号经小波包 1 7 液 压 气 动 与 密 封 ／ 2 0 1 2年 第 6期 分解后第 2层各有 4个节点 ，故神经 网络输入向量的 维数为 8 。神经网络 中间层节点个数一般通过经验选 择 ， 再根据实际训练效果进行调整。初步可选择中间层 节 点个 数为 l 8 。 图 3总 体技 术 路 线 2 选择训练样本 在 5种故障模式 以及液压泵正 常工作的条件下分别进行一定数量的试验 ，以相同的 采样频率进行采集 ， 然后截取相 同长度的信号 ， 作为训 练样本。初步可选择 6种情况下样本各 3 0段 ， 每段信 号长度 由于是离散信号 ， 故长度 即为点的个数 ￡一般 选取 为 2的 Ⅳ次方 ， 本文中选取 L 2 一 1 0 2 4 。 3 神经 网络训练 选择完训练样本后 ， 进行归一 化 ， 然后利用训练算法进行训练。训练一般需要进行较 长 的时间 ， 依据训练效果 ， 可 以对神经 网络的结构 主 要 是 中间层节 点个 数 进行 必要 的调整 。必要 时也 可 以 再增加或减少训练样本 。 4 故障诊断 神经网络识别 训练结束后可以随 机选择某种工作状态下的振动信号进行识别 ，并进行 识别正确率统计。 2 实验分析 对某型号 民机液压泵 的正常样件和各个标准故障 样件进行振动信号测试 ， 进行对比后 。 截取 固定长度的 信号作为训练样本。其中， 采集的一段正常状态和配流 盘磨损时的故障信号分别如图 4和图 5所示 。 I 止 1 ． ▲ 。 ． l ● - _ -I I I ■ 1 ▲ ● J - L “ ■ J 1 - L u 止 ． ． “。 。 厶 山 J ． 1I ． 。 L Lj ■ } ’r ’ r T ’ ,m ll I吓 I“r l, ‘ ’ r 。 1 1 r Ir’ I1 。 _ ’’ | -‘ q r 。q ■ 一 f T ’ 啊 O 1 0 0 0 2 00 0 3 0 0 0 4 0 00 5 0 0 0 6 0 0 0 7 0 00 8 0 0 0 b 常信号轴 向 采样 点数／ 个 图 4一段正常状态下的振动信号 1 8 O 1 0 0 0 2 0 0 0 3 0 0 0 4 0 0 0 5 0 0 0 6 00 0 7 0 0 0 8 0 00 a配流盘磨损故障信号径向 来样点数／ 个 lI I ▲ L 山 - A ‘ I ■ llu l 山上 血 止- I 工 ．▲。 l Ill 山‘ 止 ． IL 山 I▲I‘ 1 r 『 I Il ’ l1 ． 町 1 『 I 。 1 ． ’1 - 1 f l 1 _ 甲 rlI _ 1 叩1 7 『1 I - 叩 1 l 1 W q U l 0 U U U O 0 3 0 U 0 4 U U U b I J O U 1 5 0 0 0 7 U O U U U U b 流盘磨损故障信号轴向 采样点数／ 个 图 5 一段配流盘磨损故障状态下的振动信 号 图 6 a所 示 为 入 口压 力 不 足 故 障情 况 下 的一 段 径 向振动信号 ． 图 6 b所示为该样本信号经过小波包分解 后 ， 依据第 2 ， 2 个点的信号的重构信号 ， 基于此重构信 号各个点的幅值可以得到该点对应的能量。 【 ． I lllll 嘲 lr ．1 I『l『 『 矸 I l j J 。 ． ’’ n | 1 ．o木 5 0 0 t O 0 0 0 5 0 0 1 0 0 0 采样 点I l l ／ 个 采样 点 ～个 a 原始信号 b 重构的小波包结点 2 ，2 ” ’。 。 图 6一段入 口压力不足故 障状态下的样本信 号及 其小波包分解重构信号 如上所述 ， 对所选择的样本信号 包含轴 向振动信 号和径 向振动信号 进行小波包分解 ， 将第 2层各个节 点的能量作为样本信号， 输入到神经 网络里进行训练。 训练过程中的误差递减曲线如图 7所示。训练进行到 3 1 5 1 步时 ， 达到了误差精度的要求 。 3 0 2 0 1 0 0 图 7神经 网络训练误差递减 曲线 训练完成后 ．再对待诊断状态下的振动信号进行 小波包分解 ．将第 2层各个节点的能量输入到神经 网 络里进行计算 ，根据输 出结果即可判断当前状态是否 故障以及是哪种故障。 Hy d r a u l i c s P n e u ma t i c s＆ S e a l s ／ No ． 6 ． 2 0 1 2 H B T 8 O S 1 8 1 3拖泵液压系统的分析与测试 李纪友 ， 王 晶 ， 曹书能 1 ． 北京科技大学 ， 北京1 0 0 0 8 3 ； 2 ． 山东鸿达建工集团有限公司 ， 山东 莱阳2 6 5 2 0 0 摘 要 该文以一种 R e x r o t h系统的全液压混凝土拖泵为题材， 在对其液压系统进行分析与现场测试后 ， 根据测试结果判断整机工作性能。 关键词 混凝土拖泵 ； 液压系统 ； 分析与测试 中图分类号 T H1 3 7 ． 9 文献标识码 A 文章编号 1 0 0 8 0 8 1 3 2 0 1 2 0 6 0 0 1 9 0 4 Hy d r a u l i c S y s t e m An a l y s i s a n d Te s t o f HBT8 0 S Tr a i l e r mo u n t e d Pu mp s L I J i - y o u ， WANG J i n g 。 ， C A0 S h u 一 ， 1 ． U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y B e i j i n g ， B e i j i n g 1 0 0 0 8 3 ，C h i n a ； 2 ． S h a n d o n g H o n g d a C o n s t r u c t i o n Ma c h i n e r y G r o u p C o ． ，L t d ． ，L a i y a n g 2 6 5 2 0 0 ， C h i n a A b s t r a c t T h e s u b j e c t o f t h e p a p e r i s o n e t y p e o f o f t r a i l e r - m o u n t e d c o n c r e t e p u m p s w h i c h b a s e d o n R e x mt h h y d r a u l i c s y s t e m．A ft e r i t s a n a l y s i s an d o n - s i t e t e s t i n g o f t h e h y d r a u l i c s y s t e m ， we c a n d e t e r mi n e t h e ma c h i n e “ s o p e r a t i n g p e r f o rm a n c e a c c o r d i n g t o t e s t r e s u l t s ． Ke y wo r d s t r a i l e r - mo u n t e d c o n c r e t e p u mp s ； h y d r a u l i c s y s t e m ； a n a l y s i s a n d t e s t i n g O 引言 混凝土拖泵是一种连续输送 和浇注混凝土的工程 收稿 日期 2 0 1 1 - 1 2 2 8 作者简介 李纪友 1 9 8 8 一 ， 男 ， 山东济宁人 ， 硕士研究生 ， 主要从事工程设备 检测与维修。 实验过程中，对正常状态和 5种故障状态各取 了 1 0 0 0组信号以统计神经网络的故障诊断正确率 ，最终 得到的正确率结果如表 1所示 。 从表 1中可以看到，各个状态的正确率都达到了 9 5 ％以上 。所 有故 障状态 的综合 故障诊 断正确率 为 9 7 ． 5 2 ％ 。 表 1 神 经 网 络故 障诊 断 正 确 率 状态 诊断正确率 正常 配流盘磨损 入口压力不足 转子轴承故障 柱塞游隙增大 斜盘不对中 9 7 ． 8 ％ 9 8 ． 1 ％ 9 9 ． 3 ％ 9 5 ． 8 9 6 9 7 ． 5 ％ 9 6 ． 9 9 b 3 结论 以某 型号 民机 液压泵 为例 ．基于小 波包分解 和 R B F神经网络方法进行 了故障诊断。以小波包分解的 机械 ， 因其机械化程度高， 适应性强 ， 作业范围广 ， 泵送效 率高。 施工简单安全等优势性能而被建筑界广泛应用。 我国液压混凝 土泵起步于 2 0世纪 7 O年代后期 ， 先后兴起 了 1 0 0多家拖泵生产企业 ，每年以上千台增 长速度推向市场。 山东鸿达建工集团生产的 HB T 8 0 S拖 节点能量作为神经网络的输入向量 ，神经网络 的输 出 为即为诊断的状态。结果显示该方法有 9 7 ． 5 2 ％的诊断 正确率 。后续的研究也可 以对原始信号进行更深层次 的小波包分解以提取信号的更深层次的信息 。 参考 文献 【 1 】 王凯 ， 张永 祥 ， 李 军． 泵 的故 障诊断 研究综 述 f J ] ． 水 泵技 术， 2 0 0 7 ， 1 ． 【 2 】 杨光琴 ． 多传感器航 空液压 系统信息融合故 障诊断研究【 D ] ． 北京 北京航空航天大学， 2 0 0 5 ． 【 3 】 蒋威 ， 高钦 和， 张志永． 液压 系统故障诊断技术综述f J ] _ 液压气 动与密封 ， 2 0 1 0 ， 1 1 ． [ 4 】 胡增荣 ． 液压系统故障分析及处理[ J ] ． 液压气动与密封， 2 0 1 1 ， 8 ． 【 5 】 李丽云． 液压气动常见振动与噪声 的分析与解 决措施[ J ] ． 液压 气动与密封， 2 0 1 1 ， 1 ． 【 6 ] S h u b h a K a d a m b e ， S i g n a l P r o c e s s i n g a n d F e a t u r e E x t r a c t i o n T o o l f o r P r o g n o s i s ／ d i a g n o s i s [ R ] ． O r l a n d o I E E E AUT OT ES T CON， 2 0 0 6 ． 【 7 】 张建华 ， 侯国莲 ， 李农庄． 基于神经 网络非线性系统 的故障诊 断研究【 J 】 ． 现代电力， 2 0 0 0， 1 ． 1 9