印花机液压系统的故障诊断与检测技术研究.pdf

2 0 1 2年 1 1月 第 4 0卷 第 2 1 期 机床与液压 MACHI NE T00L HYDRAUL I CS NO V ． 2 0 1 2 Vo 1 ． 4 0 No ． 21 D OI 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 2 ． 2 1 ． 0 4 6 印花机液压系统的故障诊断与检测技术研究 王保成 ，李鹏飞 ，赵玲 1 ．西安工程大学电子信息学院，陕西西安 7 1 0 0 4 8 ； 2 ．第二炮兵工程大学精确制导教研 室，陕西西安 7 1 0 0 2 5 摘要在现场实测圆网印花机液压系统的故障数据中，液压系统的磁场信号和振动信号具有短时非平稳的特点。在功 率谱分析的基础上 ，采用小波神经网络技术，对各分布式液控阀产生的振动信号、磁场信号进行小波包能量谱分解，从而 获得各类故障在不同频带的能量分布特征向量 ；应用 WN N神经网络建立从特征向量到故障模式之间的数学映射模型，并 结合 Z i g b e e网络通讯技术对分散数据进行二次融合辨识。实验结果表明该系统能够完成对圆网印花机液压系统的无线实 时监测，故障定位准确，且体积小巧、通讯可靠性高 ，能够满足企业及时抢修的需要。 关键词 故障诊断；小波能量谱；神经网络；液压系统 中图分类 号 T J 7 6 8 文献标识码 A 文章 编号 1 0 0 1 3 8 8 1 2 0 1 2 2 1 1 7 3 4 Re s e a r c h o n S up e r v i s i o n a n d Fa ul t Di a g n o s i s Te c hno l o g y f o r Hy dr a ul i c S y s t e m o f t he Ro t a r y Sc r e e n Pr i nt i ng M a c hi ne W ANG Ba o c h e n g ， LI Pe n g f e i ， ZHAO L i n g 1 ． E l e c t r o n i c I n f o r ma t i o n C o l l e g e ，X i ’ a n P o l y t e c h n i c U n i v e r s i t y ，X i ’ a n S h a a n x i 7 1 0 0 4 8 ，C h i n a ； 2． P r e c i s i o n Gu i d a n c e Te a c h i ng Re s e a r c h Offi c e， T he S e c o n d Ar t i l l e r y En g i n e e r i n g Co l l e g e， Xi ’ a n S h a a n x i 7 l 0 0 2 5。C h i n a Ab s t r a c t I n t h e r e a h i me t e s t e d f a u l t d a t a o f t h e h y d r a u l i c s y s t e m o f t h e r o t a r y s c r e e n p ri n t i n g s y s t e m， t h e c h a r a c t e ris t i c s o f t h e ma g n e t i c fi e l d a n d v i b r a t i n g s i gn a l s o f h y d r a uli c s y s t e m are s h o r t t i me an d u n s t a b l e ． On the b a s e o f an a l y s i s o f p o w e r s p e c t r u m， t h e s ma l l wa v e n e u r al n e t wo r k t e c h n o l o g y Was a d o p t e d t o d e c o mp o s e t h e p o we r s p e c t r u m o f s mall w a v e p a c k a g e o f ma g n e t i c fi e l d a n d v i b r a - t i n g s i gn als g e n e r a t e d b y t h e d i s t r i b u t e d p i l o t s a f e t y v a l v e s ，s o a s t o g e t the p o we r d i s t ri b u t i o n c h ara c t e ri s t i c v e c t o r i n d i ff e r e n t f r e q u e n - c y b an d o f all k i n d s f a u l t s ． T h e W NN n e u r al n e t w o r k Was u s e d t o e s t ab l i s h t h e ma t h e ma t i c mo d e l f r o m the c h ara c t e ris t i c v e c t o r t o f a u l t mo d e l and p e r f o r m t h e s e c o n d f u s i o n i d e n t i f i c a t i o n f o r t h e d i s p e r s e d d a t a c o mb i n i n g t h e Z i g b e e n e two r k c o mmu n i c a t i o n t e c h n o l o g y ．T h e t e s t e d r e s u l t s s h o w t h a t t h i s s y s t e m c a n r e a l i z e t h e o n l i n e mo n i t o ri n g for t h e h y d r a u l i c s y s t e m o f r o t a r y s c r e e n p rin t i n g s y s t e m． Th e s y s t e rn h a s t h e c h a r a c t e ris t i c s ，s u c h a s p r e c i s e f a u l t p o s i t i o n i n g ，s ma l l v o l u me ，h i g h c o mmu n i c a t i n g r e l i a b i l i t y a n d c a n s a t i s f y t h e r e - q u i r e me n t o f f a s t r e p a i ri n g for e n t e r p r i s e ． Ke y wo r d s F a u l t d i a g n o s i s ； W a v e l e t p a c k e t e n e r gy s p e c t r u m ；Ne u r a l n e t wo r k；Hy d r a u l i c s y s t e m 现代印染企业对印花机工作的精度和速度要求越 来越高，液压系统的环境适应性一直是印花机工作的 瓶颈 ，该系统运行的可靠性在不同程度上影响着印花 精度 。 目前 ，液压系统故障诊断 的方法主要有智能专 家系统诊断法 ，对印花机 日常工作 中的故 障进行经验 总结，征兆预警分析，完成诊断数据库建设 ，运用人 工智能方法进行故障识别 ，但液压系统的故障点具有 隐蔽性、因果关系复杂、且故障模式的多样性和失效 分布 的分 散性 ，很 大程度上限制 了专家系统诊断 的有 效范围，而且缺乏数字分析依据 ；第二种是基于液 压系统振动信号的故障诊断法 ，振动特征分析都是建 立在 F o u r i e r 变换基础之上 ，由于液压系统所产生的 振动信号是一个短时冲击非平稳随机过程 ，振动信号 持时短、突变快 ，属于典型的无各态历经性的非平稳 信号 ，建立 在平 稳 随机过 程基 础上 的 F o u r i e r 变 换无 法反 映液压振动 的本质 性特点 。近年来 ，随着科 学 技术的发展和新的数学工具的出现，信号时频分析法 已广泛应 用于工程技术领域 ，人们用小波变换处理非 平稳随机信号已取得了较好的成果，但用小波变换处 理冲击振动信号还处于探索阶段，许多研究者 正 针对此问题做一些有益的尝试和探索。 文中将结合磁场信号与振动信号现场数据，采用 小波分析理论与神经网络技术，对磁场信号、振动信 号进行小波包能量谱分析，研究不同故障条件下的磁 场、振动信号能量分布特征 ，并将其作为神经网络的 前置处理手段 ，提 取输入 特征 向量 ，建立 了 WN N神 ．收稿 日期 2 0 1 1 1 01 7 作者简介王保成 1 9 8 O 一 ，男，硕士研究生，主要从事故障检测、工业控制研究。Em a i l w b c 1 2 1 1 2 1 1 6 3 ． c o rn。 1 7 4 机床与液压 第4 0卷 经网络模型，对各种液压系统故障进行识别。 1 基本理论 1 ． 1 小波分析提取信息熵特征 小波变 换是一种 信号 的 时 间 一尺 度 时 间 一频 率分析方法 ，它在时间域和频率域都具有表征 信号的能力 ，而且具有多分辨分析的特点 ，即在低 频部分具有较高的频率分辨率和较低的时间分辨 率，在高频部分具有较高的时间分辨率和较低的频 率分辨率。对于任意函数f t ∈L R 的连续小波 变换 为 n ，6 【， ] J口 J f [ 】 1 其重构公式 逆变换为 f t 仁 a ， 6 d b 2 其 中C 满足小波允许条件 。 小波分解没有对信号的高频部分进行再分解 ，因 此不能提高高频部分的频率分辨率。小波包能够弥补 这一不足 ，对信号在全部分析频带内进行精细的正交 分解。在多分辨分析 中，尺度函数 与小波函数 满足双尺度方程 f t c b 2 t 一 { h } ∈z { ⋯ 3 【 t ， 咖 2 t k { g } ∈z 为了讨论 的方便 ，记 u 。 t 咖 t ，“ ， t ￡ ，并将双尺度方程改写成如下的递推形式 f u t √ 2 ∑ k u 2 t J } { 4 【 u 。 t √ 2 ． k Ⅱ 2 t 一 由此定义的函数系 { ／．t } 其中 n∈ Z 称为由正交 尺度 函数 确 定 的 正交 小 波 包 O r t h o g o n a l Wa v e l e t P a c k e t 。 由于 t 由 h 唯一确定，所 以又称 { ／．Z t } ∈ z 为关于序列 { h } 的正交小波包。有关小波包 的空间分解 ，请参见文献 [ 8一l 2 ] 。 1 ． 2 WN N网络结构及训练算法 人工神经网络是 目前人工智能领域最活跃的一个 研究分支。其优点是可方便获取新知识，克服专家 系统获取知识的瓶颈问题 ；同时 ，网络训练灵活 ，可 实现离线及在线学习；以及具有很强的容错性、鲁棒 性及范化和推广能力。 所采用的训练算法为单参数最小二乘算法 L s 算法 。该算法不依据梯度下降等优化思想，而是应 用系统辨识的方法辨识出全部的状态参数 ，其收敛速 度和收敛精度 明显高 于梯度下降类算法且 易于推广实 现。评价函数定义为最小二乘标准 8 ∑e A 5 式中A为遗忘因子，0 A ≤1 ；e 为网络误差。 训练递推算法如下 七 1 、 k一 1 p 后 Ij} e k 6 k ； k 一 1 p k ，2 k e 2， 7 p f A一 p f k 一1 [ 1 A一 p f k一 1 h 2， k ] 8 2 系统结构及工作原理 由于 印花机 的液 压 系统 结 构 图 1 复杂 且 分 散 ，将各敏感 节 点分 散安 装 在液 压 系统相 应 检测 位 置，用以敏感液压元件的流量、磁场 、振动信号变 化。为保证检测数据的可靠性 ，敏感元件采用非介入 式安装 ，直接吸附在相应的检测部位表面，如图2所 示。系统通过 Z i g b e e无线网络技术 ，实现检测数据 的上传，工控机对接收到的数据进行解压、记录，通 过小波 WN N神经网络技术 实现对 液压 系统 的故 障识 别 。 一 图 1 印花机液压系统 图2 敏感节点单元 3试验验证 在液压系统发生故障过程中，所产生的磁场变化 信号、振动信号的频域特性将会有不同程度的改变 ， 图3 、4为某系统发生故障后的时域频域特性 ，曲线 1 ，2分别为两组试验的数据平均值，每组进行了2 5 6 次模拟试 验 ，通过 实 验 可以看 出两组 数据 的特 征相 似。可见，不同频率成分能量的改变对应不同的故障 情况 ，因此对采集的信号进行适 当层次 的小波包分 解，就能得到该信号在不同频段上的分量，通过各频 段内信号的能量谱分析就可以把信号的特征向量提取 出来 。 600 400 名2 0 0 o -2 0 0 ．400 1 5 0 2 5 0 3 5 0 4 5 0 5 5 0 6 00 频 率， H z 图3 时域波形图 对采样的液压系统的磁场信号、振动信号进行 3 层小波包分解。分解结构如图 5 。分解所选取 的熵值 第 2 l期 王保成 等印花机液压系统的故障诊断与检测技术研究 1 7 5 分别提取第 3 层从低频 到高频 8 个频 率成分 的信号特 征。重构小波包分解系数 ，提取各频带范围信号。 宣 运 捌i ～j．． 0 5 0 1 0 0 1 5 0 20 0 2 5 0 3 0 0 频 率， Hz 图 4 频域 波形图 l 0 ， 0 ／ ／ ＼／／ ＼＼ 八／＼／ ＼入 AA A 3 , 0 D AA 3 ，1 A DA 3 ,2 DD A 3 ,3 AA D 3 ,4 DAD 3 ， 5 AD D 3 ， 6 DDD 3 ，．7 图5 小波包 3层分解树状图 小 波包重构时 ，重构系数采 用 w p r c o e f t ， N ，其 中 f 表示被重构 的信号 ，Ⅳ表示重构 的结 点。以 ．s 。 表 示小波包分解第 3层信号 3 ，0 的重构信号， S ． 表示小波包分解第 3层信号 D A A 3 ，1 的重构 信号，依次类推。这里只对第 3层所有结点进行分 析 ，则总信号可以表示为 S S 3 0 ．s l s Js 3 3 ．s ．s ， ．s ， Js ， 。设源信号 中，最低频率成分为 0，最 高频率成分为 1 ，则提取的重构信号 s _ 『 0 ，1 ， ⋯ ，7 8个频率成分所代表的频率范围见表 1 。各个 频带信号对应的能量 ， -『 0 ，1 ，⋯，7 为 f l s ￡ l d t ∑ 0 I 9 其中 0 ，1 ，⋯， 7 ； } 1 ，2 ，⋯，n 表示 重构信号 Js 的离散点的幅值。 表 1 各频率成分所代表的频率范 围 信号 频率范围／ k H z 信号 频率范围／ k H z S ， 0 0～0 ． 1 2 5 S 3 4 0 ． 5 0 0 ～0 ． 6 2 5 S 3 1 0 ． 1 2 5～0 ． 2 5 0 S 3 5 0 ． 6 2 50 ． 7 5 0 S 3 2 0． 25 0～0． 3 75 S 3 6 0． 7 5 0 ～0． 8 7 5 S “0． 3 75～0． 5 0 0 S3 7 0． 8 7 5 ～1 ． 0 0 0 由于液压系统发生故障时，其磁场信号与振动信 号各频带能量会有较大变化 ，因此可 以能量 为元 素构 造一个特征 向量如 下 T [ E 3 0 ，E 3 l ，E 3 2 ，E 3 3 ，E 3 4 ，E 3 5 ，E 3 6 ，E 3 7 ] 当能量较大时 ，E 0，1 ，⋯，7 通常是一 个较大的数值，为便于数据分析，通常可以对特征向 量 进行归一化处理 ，令 E 乏J E 。 ∽ 1 0 T [E 3 0 ／ E， E 3 1 ／ E， E 3 2 ／ E， E ” ／ E， E u ／ E， E 3 5 ／ E， E 3 6 ／ E， E 3 7 ／ E ] 其中 。 即为归一化后的向量。处理结果如表 2所 示 表 2 液压故 障提取特 征熵 数据 用 作为 WN N神 经网络 的输入 向量 。根 据输入 特征向量的维数和液压系统已知故障状态数来假设和 修 正 WN N网络 隐含层 数 、神经元 数量 以及相关 权值 阈值参数。采用有导师的训练模式 ，训练结果为3层 隐层 ，l 7个神经元单位 ，精度为 0 ． 0 0 1 。如 图 6所 示 确定曲线 2和测试曲线 3 相重叠 ；当训练次数为 3 8次时 ，精度达到 0 ． 0 0 1 。 最后 ，把故障测试样本特征向量输入训练好 的 WN N神经网络模型，将 网络输出与真实故障的输 出 相 比较 ，判断模 型的可靠性 ，表 3为测试样本 ，模型 输 出结果 见 表 4 。从表 3 、4中可 以看 出网络诊 断 输出的结果与实际的故障情况相同，表明这种基于小 波包提取故障特征的神经网络能够对液压系统的故障 模式进行正确的识别，且识别的精度较高。 10o 1 0 一 I 1 0- 2 10 3 l 3 8 Ep o c h s ，Pe r f o r ma n c e i s 0 ． 0 0 0 8 8 3 0 3 7 ， Go a l i s 0 ． 0 01 f ＼ 0 5 1 0 1 5 2 0 2 5 3 0 3 5 3 8 匡 匠 鲴 训 练 次 数 图6 训练模型误差 5 2 5 l S 0 2 l 0 1 7 6 机床与液压 第 4 0卷 表 4 样本测试结果 4结论 针对印花机液压系统的故障诊断 ，利用故障发生 时的磁场变化、振动信号为循环非平稳随机信号的特 点 ，通过对磁变信号 、振动信号进行小波包分解 ，根 据分解后各频段的能量分布来提取故障特征，并利用 WN N神经网络进行故障判别 ；同时，将 Z i g b e e无线 网络技术引入企业大型设备 的在线监测诊断 中，在不 改变原设备的使用状态下，通过非介入的方式对液压 系统进行全方位的状态监测 ，简化了系统 ，提高了可 靠性和测量精度 ，实现了监测系统的便携和小型化。 故障诊断实例表明该方法能有效地识别出印花机液 压系统的8种常见故障模式，为液压传动系统的精密 诊断提供了有效的途径 ，具有广泛的应用前景。 参考 文献 【 1 】 鞠萍华 ， 秦树人， 赵玲． 齿轮箱非同步特征信号的提取方 法研究[ J ] ． 振动工程学报， 2 0 0 9， 2 2 1 6 6 4 5 6 5 1 ． 【 2 】杨志坚， 丁康． 高斯白噪声背景下时移相位差校正法的 频率估计精度分析[ J ] ． 振动工程学报 ， 2 0 0 7 ， 2 0 3 2 7427 9． 【 3 】 刘晓东． 基于小波神经网络的机械故障智能诊断研究 [ J ] ． 汽轮机技术， 2 0 0 6 ， 4 8 4 2 8 7 2 8 9 ． 【 4 】 王凯， 张永祥， 李军． 小波神经网络在齿轮故障诊断中的 应用[ J ] ． 煤矿机械， 2 0 0 4 7 1 2 61 2 9 ． 【 5 】 J A F A R I Z A D E H M A， H A S S A N N E J A D R ， E T F E F A G H B M M ， e t a 1 ． As y nc hr o n o u s I np u t Gea r Da ma g e Di a g no s i s Us i n g T i me A v e r a g i n g a n d Wa v e l e t F i l t e ri n g 『 J 1 ． Me c h a n i c a l S y s - t e ms a n d S i gn al P r o c e s s i ng， 2 0 08， 22 1 722 01 ． 【 6 】 李军， 俞建定． 基于小波变换的故障诊断信号非平稳 性分析[ J ] ． 系统工程及电子技术 ， 2 0 0 6 ， 2 8 7 1 1 0 9一 l 1 1 2． 【 7 】 李春明． 基于小波神经网络的模拟电路故障诊断 [ J ] ． 微计算机信息 ， 2 0 0 7， 3 1 3 1 3 3 ． 【 8 】 胡昌华 ， 张军波． 一种基于小波和人工神经网络的故障 检测与诊断方法[ J ] ． 航天控制 ， 2 0 0 0 2 64 6 8 ． 【 9 】 彭斌， 刘振全． 基于改进小波神经网络的旋转机械故障 诊断[ J ] ． 振动测试与诊断， 2 0 0 7 ， 2 7 1 3 2 3 5 ． 【 l 0 】陶新民， 孙丽华， 杜宝祥． 基于小波方差谱熵的轴承故 障诊断方法[ J ] ． 振动与冲击 ， 2 0 0 9， 2 8 3 1 8 2 1 ． 【 1 1 】 J A R D I N E A K S ， B A N J E V I C D ， WI S E M A N M， e t a 1 ． O p - t i mi z i n g a Mi n e Ha u l T r u c k Wh e e l Mo t o r s ’ C o n d i t i o n Mo n i t o r i n g P rog r a m Us e o f P r o p o r t i o n al Ha z a r d s Mo d e l i n g [ J ] ． J o u rnal of Q u a l i t y Ma i n t e n anc e E n g i n e e ri n g ， 2 0 0 1 ， 7 4 2 8 63 0 1 ． 【 1 2 】张晓峰， 李功燕． 应用小波分析提取故障诊断信号的特 定频段[ J ] ． 振动与冲击 ， 2 0 0 4 ， 2 3 4 4 7 5 1 ． 上接 第 1 3 7页 4结 论 1 作者提出一种全新 的泵车臂架系统 比例多 路滑阀的模型构建方式，其模型采用面向对象的机制 建模方法建立 ，不仅能准确地反映该阀的结构参数等 固有特性 ，而且能给模型使用者以简洁直观的认知和 理解。较为贴近实际，且模型具有较高的仿真效率。 2 通过图7 、8中阀芯位置随输入信号的变化 曲线，进一步说明了 Mo d e l i c a 语言基于方程建模的优 越性 。图 9中液压 缸随臂 架举 升角度的受力变化情况 也较为符合实际，充分验证了该模型的实用性。 3 通过仿真得到的结果，如图1 0 、1 1 、1 2和 1 3 中多路阀各油口的压力变化曲线，可以有效地认识实 际系统。该仿真模型对大型工程机械液压系统的研究 具有一定 的借鉴意义 ，具有较大的现实应用价值 。 参考文献 【 1 】 张国忠． 现代混凝土泵车及施工应用技术[ M] 北京 中 国建材工业出版社 ， 2 0 0 4 1 6 ． 【 2 】 韩慧仙， 曹显利． 基于 A M E S i m的混凝土泵车臂架多路 阀建模与仿真 [ J ] ． 机床与液压 ， 2 0 0 7 ， 3 5 1 0 2 4 1 2 4 2． 【 3 】B E A T E R P ． M o d e l i n g o f H y d r a u l i e S y s t e m s - T u t o r i al f o r H y l i b [ C ] ／ ／ P r o c e e d i n g s of t h e 2 0 0 0 Mo d e l i c a Wo r k s h o p ， L u n d， S w e d e n， 2 0 0 0 3 7 83 81 ． 【 4 】陈立平 ， 杨勇， 宋健． 电动汽车性能仿真中的多领域统一 建模方法[ c ] ／ ／ 节能环保 和谐发展 _ 2 o 0 7中国科协 年会论文集 一 ， 2 0 0 7 ． 【 5 】 任志彬 ， 孟光， 李防战， 等． 基于 M ode l i c a 和 D y m o l a 的航 空发动机建模与性能仿真[ J ] ． 燃气涡轮试验与研究 ， 2 0 0 5。 1 8 4 4 04 4 ．