基于小波包与遗传算法和支持向量机的液压泵故障诊断.pdf

第 1 2期 2 0 1 4年 1 2月 组 合 机 床 与 自 动 化 加 工 技 术 M o du l a r M a c h i n e To o l＆ Au t o ma t i c M a n uf a c t u r i ng Te c hn i q ue No． 1 2 De c ．2 01 4 文章编 号 1 0 0 1 -2 2 6 5 2 0 1 4 1 2- 0 1 1 50 4 D O I 1 0 ． 1 3 4 6 2 ／ j ． c n k i ． m m t a m t ． 2 0 1 4 ． 1 2 ． 0 3 1 基于小波包与遗传算法和支持向量机的 液压泵故障诊断 曹 斌 ， 敖银辉 ， 汪宝生 广东工业大学 机电工程学院， 广州 5 1 0 0 0 6 摘要 针对液压泵振 动信号信 噪 比低、 非线 性及 小样本等 特点 ， 提 出了一 种基 于小波 包 Wa v e l e t P a c k e t ， WP 分解、 遗传算法 G e n e t i c A l g o ri t h m， G A 和支持向量机 S u p p o a V e c t o r M a c h i n e ， S V M 的 液压泵故 障诊断模型 ， 即 WP - G A S V M模型 。首先对液压泵振动信号进行小波包消噪预处理 ， 然后将 消噪后的信号进行 小波包分解与重构 ， 提取频带能量作为支持 向量机分类器的输入特征 向量。采用 遗传算法来 实现支持向量机核函数参数 g和惩罚 因子 C的 自动快速 最优选择 。最后 通过与概率神 经网络方法对液压泵故障诊 断的对比分析 ， 验证 了该模型的有效性和优越性。 关键词 液压泵； 小波 包； 遗传算法； 支持向量机 ； 故障诊断 中图分类号 T H1 6 5 ． 3 ； T G 6 5 文献标识码 A Fa ult Di a g no s i s o f Hy dr a uli c Pump Ba s e d o n W a v e l e t Pa c ke t a n d Ge n e t i c Al g o r i t h m a s we l l a s S up po Ve c t o r M a c hi n e CAO Bi n， AO Yi n - h u i ， WANG Ba o s h e n g F a c u l t y o f E l e c t r o m e c h a n i c a l E n g i n e e ri n g ， G u a n g d o n g U n i v e r s i t y o f T e c h n o l o g y ， G u a n g z h o u 5 1 0 0 0 6 ， C h i n a Ab s t r a c t Ac c o r d i n g t o t h e c h a r a c t e ris t i c s o f the h y d r a u l i c p u mp v i b r a t i o n s i g n a l the l o w s i g na l 、 n o n l i n e ar a n d s ma l l s a mp l e，a mo d e l o f h y dr a u h c p u mp f a u l ta g n o s i s b a s e d o n wa v e l e t p a c k e t ，the g e n e ti c alg o r i thm a n d s u p p o v e c t o r ma c h i n e S V M w a s p r o p o s e d ．F i r s t l y ，th e h y dra u l i c p u mp v i b r a t i o n s i g n a l w a s d e n o i s e d a n d p r e p r o c e s s e d b y t h e wa v e l e t p a c k e t ； the n the f e a t u r e o f b a n d e n e r g y wa s e x t r a c t e d b y the wa v e l e t p a c ke t d e c o mp o s i t i o n a n d r e c o n s t r u c t e d a s t h e i n p u t v e c t o r o f t he SVM c l a s s i fie r ． Ge n e ti c a l g o r i thm wa s u s e d t o a c h i e v e a u t o ma ti c an d o p ti ma l c h o o s e o f t h e p ara me t e r g o f r a d i a l b a s i s k e r n e l f u n c ti o n an d p e n a l t y p ara me t e r C．F i n all y，b y c o n t r a s t wi th t h e p r o b a b i l i s t i c n e u r al n e t wo r k t o the h y dr a u l i c p u mp f a u l t d i a g n o s i s ，we v e rifie d the e f f e c tiv e n e s s a n d s u p e rio rit y o f the p r o po s e d mo d e 1 ． Ke y wo r ds h y dra u l i c p u mp；wa ve l e t pa c k e t ；g e n e t i c a l g o r i thm ；s u p po r t v e c t o r ma c hi n e；f a u l t d i a gn o s i s 0 引言 液压泵是液压系统的心脏， 负责将机械能转变为液 压能， 为系统提供压力油。随着液压工业的发展， 液压 泵结构越来越复杂， 发生故障的概率也随之增加 ， 其性 能的好坏直接影响整个液压系统的可靠性。因此， 对液 压泵的性能检测及故障诊断方法进行研究意义深远。 目前 ， 关于液压泵故障诊 断的方法主要有基于信 号处理的方法和基于人工智能的方法。基于信号处理 的方法是直接分析监测信号， 提取诸如方差 、 幅值、 频 率等故障特征参数 ， 通过与泵正常工作时的特征参数 值进行 比较， 实现液压泵故障诊断。基于信号处理的 方法可以分为时域分析、 频域分析、 时频分析及多传感 器信息融合等 。王少萍 。 在全面分析液压泵故障 机理的基础上， 提出基于振动与压力传感器的信息融 合故障诊断方法， 有效地实现了液压泵微弱故障的诊 断。基于信号处理的液压泵故障诊断方法都各 自存在 某些局限性 ， 如时域分析在故障严重时容易引起误判， 随机性较大， 不适合非平稳信号 ； 频域分析不能反映时 间特性， 对早期故障不敏感； 多传感器信息融合方法存 在传感器配置及管理困难 ， 故障信息融合算法设计复 杂等局限 。基于人工智能的液压泵故障诊断方法包 括基于专家系统的方法 、 基于神经网络的方法和基于 模糊推理的方法。基于专家系统的故障诊断方法， 一 般适用于故障规则多、 故障推理清晰及故障逻辑决策 分辨率高的场合， 但是存在知识难以有效表达 ， 获取困 收稿日期 2 0 1 40 1 2 2 ； 修回日期 2 0 1 4一 o 4一O 1 作者简介 曹斌 1 9 8 7 一 ， 男 ， 湖南郴州人 ， 广东工业大学硕士研究生 ， 研究方向为设备检测与故障诊断 ， Em a i l e a o b i n 0 2 2 1 1 6 3 ． c o rn。 2 0 1 4年 l 2 月 曹 斌， 等 基于小波包与遗传算法和支持向量机的液压泵故障诊断 1 1 7 格朗 日方程和 K a r u s h ． K u h n ． T u k e r 条件 ， 求解得到最优 分类函数为 n s g n [ ∑ y iK x ‘ ‘ b ] 7 式中 是核函数。 2 ． 2 支持向量机核函数参数对分类精度的影响 作为一种新型机器学习方法 ， 支持向量机还存在 一 些有待完善的地方 ， 其中 S V M模型参数的优化选择 便是问题之一。V a p n i k等人的研究表 明， 影响支持向 量机性能的主要因素有惩罚因子 C和核函数参数 g 1 惩罚因子 C 在确定的特征空间中调节支持向 量机的置信范围和经验风险的比例。 2 核函数参数 g 影响样本数据在高维特征空间 中分布的复杂程度。 关于 S V M参数的优化选取， 国际上并没有公认 的 统一的最好的方法 ， 目前常用的就是让惩罚因子 c和 径向基核 函数参数 g在一定范围内取值。对于取定 的 c和 g把训练集作为原始数据集利用交叉验证方法得 到在此组 c和 g下训练集验证分类准确率 ， 最终取使 得训练集验证分类准确率最高的那组 C和 g作为最佳 参数 。为了在大范围内寻找最佳参数 ， 在交叉验证 意义下会很费时 ， 但是采用启发式算法如遗传算法便 可不必遍历所有参数点， 从而快速得到全局最优解。 3 遗传算法优化支持 向量机参数及 WP ． G A ． S V M 模型的建立 3 ． 1 遗传算法优化支持向量机参数 遗传算法是由美国密歇根大学 J o h n H o l l a n d 教授提 出的模拟自然界遗传机制和生物进化论而形成的一种全 局并行随机搜索最优化方法 。它将自然界“ 适者生存， 随机信息交换” 的思想引入优化参数形成的编码串联群 体中， 按照所选择的适应度函数并通过遗传中的选择、 交 叉及变异对个体进行筛选， 淘汰适应度差的个体， 保留适 应度好的个体， 使得新的群体既继承了上一代的信息， 又 优于下一代 ， 如此反复循环， 直至满足条件。运用遗传算 法进行 S V M参数寻优的过程如图2 所示。 入v 圃 ／ 是否满启＼ ＼ 终止条件 ／一 确定适应度函数{ ＼ I 选 择 操 作 交 叉l 产生初始种群 l 操作变异操作 l t I 确定最优解 I 计算适应度函 数l ● 0 解码 I 适应度定标 输出最优解l 图2 遗传算法优化 S V M 参数流程图 3 ． 2 WP - G A- S VM 模型的建立 模型的建立首先需要从原始数据里把训练集和测 试集提取出来， 然后采用小波包进行消噪预处理 ， 接着 采用小波包分解与重构提取频带能量作为特征 向量 ， 之后利用遗传算法寻找最佳参数， 用最佳参数对 S V M 进行训练 ， 再用得到的模型来预测测试集的分类标签。 WP G A S V M诊断模型的整体流程如图 3所示。 原 始 输 入 数 据 选定 小波 遗传 利用 支持 训练 _ _ ● 小 _ _ ． ． 包额 算法 一 最佳 向量 波 带能 寻找 参数 集和 _ - ． 包 - ． ． 一 一 _ 机分 测试 消 量特 最佳 训练 类预 集 _ _ ． 噪 - - _ ． 征提 _ _ ． 参数 _ 一 ． S V M 一 测 取 C 和g 图 3 WP - GA S VM 诊断模型 分 类 数 据 输 出 4 WP - G A- S V M 模型故 障诊 断实验分 析 为了验证 WP ． G A ． S V M模型的有效性 ， 分别利用 以下三种方法进行对比分析。方法一 ， 采用概率神经 网络方法， 输入层节点个数为 8 ， 代表输入特征 向量 ， 输出层节点个数为4， 代表液压泵 四种模式。方法二 ， 采用 S V M方法 ， 根据经验在一定范围内按照一定的间 隔来选取参数 g和 C的值 。方法三 ， 采用遗传算法对 支持向量机中的径向基核函数参数 g和惩罚因子 G进 行全局寻优， 设定群体规模 为 2 0 ， 最大终止代数 为 2 0 0 。本文采用 J X 3 0系列加速度传感器垂直安装 在液压泵的后盖上 ， 液压泵安装在 1 5 0 0 r ／ m i n的电机 上 ， 由电机带动运转。实验中共取 2 5 6个样本数据， 其 中液压泵正常 6 4个 、 柱塞故障 6 4个、 缸体故障 6 4个 和配油盘故障 6 4个 ， 利用 d b 5小波对每组信号进行 3 层小波包分解， 分别提取第 3层从低频到高频 8个频 率成分的信号能量特征作为支持向量机的输入。设定 S V M的核 函数参数为径向基核函数， 将液压泵 4种工 作状态的归一化特征向量随机分成 2等分 ， 分别用于 S V M模型的训练和测试。将训练样本输入支持 向量 机 ， 利用遗传算法优化支持向量机参数 的适应度曲线 如图 4所示。最后根据最佳参数对训练样本训练 ， 然 后用训练得到的模型对测试样本进行测试 ， 测试结果 如图5所 示， 其 中 “ o” 表示 测试样 本 中期望输 出， “ ●” 表示测试样本实际输出， 当“ o” 和“ ●” 重合时表 示实际输出和期望输出相同， 反之， 实际输出和期望输 出出现差异。从图中可以看出“ o” 和“ ●” 全部重合 ， 即对 1 2 8个测试样本都能正确的识别 出。三种方法诊 断结果对比分析如表 1 所示。 ， ⋯ ’ ’ _ - ’ r _ 1 【 l ， ⋯ ’ ．-| _ 耋 暑 ．． ， { 一最佳 适应度 - 平均 适应度 l 图 4 遗传算法参数寻优适应度 曲线 1 1 8 组合机床与自动化 j n - r 技术 第 1 2期 圈5 WP G A- S V M 模型对液压泵故障诊断结果 表 1三种方法诊断结果 从表 1 可以看出虽然基于遗传算法参数优化的支 持向量机故障诊断方法效率不如概率神经网络 ， 但是 故障诊断准确率比较高， 更适合小样本分类。根据经 验在一定 范围按照一定 间隔来选取最优 参数 的方 法不 仅在故障诊断准确率方面不及遗传算法参数寻优 ， 在 效率方 面也非常低 ， 而且存 在一定 的盲 目性 。 5 结论 1 针对液压泵故障机理复杂 ， 故障特征信号微 弱等特点 ， 采用小波包分解提取振动信号的频带能量 作 为支持 向量机诊断模 型的特征 向量 。 2 利用遗传算法强大的全局并行随机搜索能 力 ， 实现支持向量机核函数参数的自动快速最优选择 ， 克服人为选择参数的盲 目性。运用支持向量机算法对 液压泵故障模式识别 ， 可以做到所需样本少、 训练时间 短 、 识别准 确率高 。 3 通过与概率神经 网络故障诊断方法进行实验 对比分析 ， 表明了该模型对于液压泵故障诊断的有效 性和优越性 。 [ 参考文献] 『 1 ]陈季萍， 杨瑞军．利用倒频谱诊断液压泵早期故障术研 究 [ J ] ．机械设计与制造 ， 2 0 0 5 9 9 3 9 5 ． [ 2 ]姜万录．基于混沌性质和多分辨分析的故障诊断理论及 试验研究 [ D ] ． 秦皇 岛 燕山大学 ， 2 0 0 1 ． 『 3 ]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 3 ． [ 4 ]Z h o u R u i x i a n g ， L i n T i n g q i ， Ha n J i a n d i n g ， e t a 1 ．F a u l t d i a g n o s i s o f a i r p l a n e h y d r a u l i c p u m p[ c] ／ ／ P r o c e e d i n g s o f t h e 4t h Wo r l d Co n g r e s s o n I n t e l l i g e n t Co n t r o l a nd Aut o ma t i o n， A K， 2 0 0 2 4 3 1 5 03 1 5 2 ． [ 5 ]周桂平 ， 王宏．小波包与 H i l b e r t 分析法在旋转设备故障 诊断中的应用[ J ] ．组合机床与 自动化加工技术 ， 2 0 1 2 1 0 8 48 6 ， 9 0 ． [ 6 ]王少萍， 苑中魁， 杨光琴．液压泵信息融合故障诊断[ J ] ． 中国机械工程， 2 0 0 5 4 4 7 5 1 ． 『 7 ]周汝盛 ， 焦宗夏 ， 王少萍．液压 系统 故障诊断技 术的研究 现状 与发展展望[ J ] ．机械工程学报 ， 2 0 0 6 9 61 4 ． [ 8 ]G a o Y J ， Z h a n g Q， K o n g X D．Wa v e l e t - b a s e d p r e s s u r e a n a l y s i s f o r h y d r a u l i c p u m p d i a g n o s i s [ J ] ．T r a n s ．A S A E， 2 0 0 3 ， 4 6 4 9 6 9 9 7 6 ． [ 9 ]杨铁林， 高英杰 ， 孔祥东．基于小波变换的柱塞泵故障诊 断方法[ J ] ．机械工程学报， 2 0 0 5 ， 4 1 2 l 1 2一l 1 6 ． [ 1 0 ]胡良谋， 曹克强， 徐浩军 ， 等．支持向量机故障诊断及控 制技术[ M] ．北京 国防工业出版社 ， 2 0 1 1 ． [ 1 1 ]C o i f m a n R R， Me y e r Y， Wi c k e r h a u s e r V ．Wa v e l e t a n a l y s i s a n d s i g n a l p r o c e s s i n g [ C ] ．I n Wa v e l e t s a n d t h e i r A p p l i c a t i o ns，1 9 92． [ 1 2 ]R 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 [ M] ．I E E E T r a n s ，I n d u s t ri a l E l e c t r o n i c ， 2 0 0 0 1 4 1 4 3． [ 1 3 ]M A T L A B中文论坛．MA T L A B神经网络 3 0个案例分析 [ M] ．北京 北京航空航天大学 出版社 ， 2 0 1 0 ． [ 1 4 ]周明， 孙树栋．遗传算法原理及应用[ M] ．北京 国防工 业 出版社 ，1 9 9 9 ． 编辑赵蓉 上接第 1 1 4页 等优点。该振动传感器既能测量钻 头在切削过程中的动态变化， 还具有直接反映切削过 程运动状态的优点。振动信号是振动加速度信号， 通 过信号处理 可以提 取 的特征 参 数可 以是 时域 幅 值 、 统 计参数变 化、 频 域能量 大小及 分布、 模 态阻尼 变化 等 。因此 ， 通 过对切削过 程中振动信号 变化 的检测 可以发现和预测与其相关的许多故障和异常情况， 如 刀具状态 ， 切削参数异常和传动系统故障等。 5 结论 1 该测力装置通过原有深孔机床上的夹紧机构 包箍与钻杆连接来传递总轴向力和扭矩， 减少了附加 设备对钻削过程的影响， 同时能满足使用要求 ， 且现场 安装 、 拆卸方便， 使用可靠 。 2 力和扭矩信号灵敏度较高， 能较好 的反映刀 具磨损 、 破损和切屑堵塞等深孔加工过程中的异常状 况 。 [ 参考文献] [ I ]王世清． 深孑 L 加工技术 [ M] ． 西安 西北工业 大学 出版社 ， 2 oo3 ． [ 2 ]张安华． 机 电设 备状态 监测与 故障诊 断技术 [ M] ． 西安 西北工业 大学出版社 ， I 9 9 5 ． [ 3 ]王江萍． 神经网络信息融合技术在故障诊断中的应用 [ J ] ． 石油机械 ， 2 0 0 1 ， 2 9 8 2 7 3 0 ． [ 4 ]李飞， 王江萍， 孙志英． 小波分析在深孔加工刀具故障诊 断中的应用[ J ] ． 现代制造工程， 2 0 0 4 1 8 5 8 7 ． [ 5 ]Ma J ． A n e u r n e t w o r k a p p r o a c h t o r e a l t i m e p a t t e r n r e e o g n i t i o n l J 1 ．I n t e r n a t i o n a l J o u r n a l of P a t t e r n R e c o g n i t i o n a n d A r t i fi c i a l I n t e l l i g e n c e ， 2 0 0 1 ， 1 5 6 9 3 7 9 4 7 ． [ 6 ]樊宁， 郭培全， 王慧， 等．刀具磨损过程切削力频谱特性 的研究 [ J ] ．组合机床与 自动化加工技术 ， 2 0 0 8 5 6 9 7 1 ． 编辑赵蓉