基于小波包与概率神经网络的液压泵故障模式识别.pdf

2 0 1 4年 7月 第 4 2卷 第 1 3期 机床与液压 MACHI NE T00L HYDRAUL I CS J u 1 ． 2 01 4 Vo 1 ． 4 2 No ． 1 3 D OI 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 4 ． 1 3 ． 0 4 2 基于小波包与概率神经网络的液压泵故障模式识别 敖银辉 ，汪宝生 广东工业大学机电学院，广东广州5 1 0 0 9 0 摘要小波包具有 良好的去噪效果和高频分析能力 ，而概率神经网络具有很好的分类效果。采用小波包分解重构液压 泵故障特征信号 ，并提取第三层各频率段的节点能量作为特征向量 ，将特征向量概率神经网络模型的输入向量对液压泵故 障模式进行识别。通过采用 L a b V I E W和 MA T L A B混合编写的识别软件系统对液压泵故障识别 ，证明了将该方法用在液压 泵故障模式识别上，能取得 良好的效果。 关键词液压泵；模式识别 ；小波包 ；概率神经网络 中图分类号T P 3 0 6 文献标识码A 文章编号 1 0 0 1 3 8 8 1 2 0 1 4 1 31 6 8 3 Fa u l t M o d e l Re c o g ni t i o n o f Hy dr a u l i c Pu mp Ba s e o n W a v e l e t Pa c k e t a n d Pr o ba bi l i t y Ne ur a l Ne t wo r k A0 Yi nh u i ． W ANG Ba o s h e n g F a c u l t y o f E l e c t r o me c h a n i c a l E n g i n e e r i 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 G u a n g d o n g 5 1 0 0 9 0 ，C h i n a Ab s t r a c t Wa v e l e t p a c k e t i s g o o d a t d e n o i s i n g a n d a n aly z i n g h i g h f r e q u e n c y s i g n a 1 ．Mo r e o v e r t h e p r o b a b i l i t y n e u r a l n e t wo r k c a n b e w e l l u s e d t o c l a s s i f y ．T h e wa v e l e t p a c k e t s w e r e d e c o mp o s e d a n d u s e d t o r e c o n s t r u c t t h e f a i l u r e s i g n al o f h y d r a u l i c p u mp e h a r a c t e r i s t i c s ，a n d t h e n o d e e n e r g y i n e a c h f r e q u e n c y b a n g a t t h i r d l a y e r w a s e x t r a c t e d a n d u s e d t o g r o u p a s f e a t u r e v e c t o r s ．A p r o b a b i l i t y n e u r a l n e t w o r k o f t h e f e a t u r e v e c t o r s w a s mo d e l e d an d i n p u t a s v e c t o r s t o r e c o g n i z e t h e f a i l u r e mo d e l o f h y d r a u l i c p u mp ．L a b v i e w a n d MAT LAB we r e u s e d i n i n t e g r a t i o n t o pr o g r a m a r e c og ni t i o n s o f t wa r e s y s t e m t o do f a i l ur e r e c o g n i t i o n o f hy d r a u l i c p ump．Ex p e r i me nt a l r e s u l t s s h o w t h a t t h e me t h o d i s g o o d a t mo d e l r e c o g n i t i o n o f h y d r a u l i c p u mp，a n d h a s a c h i e v e d g o o d e f f e c t s ． Ke y wo r d s Hy d r a u l i c p u mp；Mo d e l r e c o g n i t i o n ；Wa v e l e t p a c k e t ； P r o b a b i l i t y n e u r a l n e t wo r k 液压泵作为液压系统的动力元件，是整个液压系 统的心脏。液压泵已经从单纯只作为动力元件发展到 集控制一体的动力元件。很多液压泵都集有比例、伺 服和压力控制阀。集成程度越高液压泵越复杂 ，诊断 和维修也就越困难。运用现代诊断技术可以更加精确 和迅速地对液压泵故障做出诊断。因此 ，对液压泵故 障诊断的方法研究具有十分重大的意义。 由于液压泵结构复杂和获取信号特征困难 ，对液 压泵故障的研究，至今还没有建立起一个完整的体系 和理论。目前，对液压泵故障诊断的研究方法 ，大部 分源自对旋转机械故障诊断的技术和方法。液压泵的 故障诊断方法主要可以分为两大类 基于数学模型的 故障诊断和基于人工智能的故障诊断。文献[ 1 ]提 出利用小波包分解液压泵出口处压力信号的特征 ，提 取液压泵的特征量 ，建立不同频率范围的特征信号与 液压泵不同故障因素的对应关系，为液压泵的故障诊 断与定位提供依据。文献 [ 2 ]将一种基于 L _ M算法 的神经网络应用于液压泵故障诊断，并建立了基于该 算法的故障诊断模型。 虽然现阶段对液压泵故障诊断方法很多 ，但对于 液压泵故障模式识别的方法却很少 。文献 [ 1 ]提出 的利用小波包方法对液压泵进行故障诊断 ，虽然通过 观察可以看出液压泵是否出现故障，但不能判断出故 障的具体位置，文献 [ 2 ]采用神经网络方法对液压 泵故障诊断 ，虽然也能判断出是否出现故障，但对故 障的类型很难做出判断。 本文作者主要针对液压泵的配油盘、柱塞、缸体 3种磨损故障进行识别 ，虽然每种类型随着磨损程度 和范围不一样 ，产生异常频率也不一样，但其在某个 频率段产生的能量比是基本相同的，根据这一原理提 出采用小波包提取各频率段的能量 ，采用概率神经网 络对故障进行分类。 1 小波包分解 小波包是在小波的基础上发展来的。正交基小波 收稿 日期 2 0 1 3 0 51 7 基金项目国家 自然科学基金资助项 目 5 1 2 7 5 0 9 3 作者简介 敖银辉 1 9 7 3 一 ， 男，博士，教授， 研究方向为机械优化设计、机械动力学和故障诊断等。E m a i l y i n h u i o k t o m． c o m。 第 1 3期 敖银辉 等基于小波包与概率神经网络的液压泵故障模式识别 1 6 9 变换只对信号的低频部分做多层次的分解，而对高频 部分 即信号的细节部分不再继续分解。小波包 弥补了小波不能对高频部分分解的缺陷，做到了对信 号分解的无疏漏和无冗余。 对 于小 波包 的计算公式 ，首先选取 一种小波母 函 数 t f r ￡ 和对应 的尺度 函数 ￡ ，可 以通过 以下递 推 公式得到一组正交小波包函数 ] f ￡ ∑h k O ” 2 一 { 一 1 【 f ∑g 2 t 一 式中 。 t t ， t t ，h k 和 g k 分 别是对应于 和尺度函数 t 的正交镜像系数。 相应 地各节点处 的小波包 函数为 t 2 2 k n1 ， 2 ， ⋯ 2 其中／7 , ， ，k分别为模数 ，尺度级数 ，和时间平移 参数。 则对信号 t 在各 个 节点 上经 过对 应小 波 包 函 数分解后的系数为 L f d 3 利用小波包提取信号特征并不能直接供系统模式 识别。通过实验验证 ，使用节点系数的能量值作为信 号特征供系统进行模式识别是十分有效的 。各节点 系数 的能量值 可以通过 以下公式得到 c ．7 l ， 2 ， ⋯ ， 2 4 T 其中E 表示信号在 n ， 频率段所产生的能量。 为了防止在第 n层分解各频率段的能量值相差过 大，造成采用神经网络算法进行模式识别收敛速度过 慢的现象。必须将第 n层分解的各频率段能量变换到 [ 0 ，1 ]区间上。可按以下公式进行变换 E ∑ E E ／ E 2概率神经 网络 5 6 概率神经网络是一种可用于模式分类的神经 网 络 ，其实质是基于贝叶斯最小风险准则发展而来的一 种并行算法 ，目前在很多行业得到广泛应用。 概率神经网络和径向基函数网络结构类似，其结 构如 图 1 所 示。 首先计算输入向量与训练样本之间的距离，第一 层的输出向量表示输入向量 与训练样本之间的接近程 度。第二层将与输人 向量相关的所有类别综合在一 起 ，网络输出为表示概率的向量 ，最后通过第二层的 竞争传递函数进行取舍，概率最大值 的那一类为 1 ， 其他类别用 0表示。其数学推导公式如下所示 Q l l ， I _ l P l l n l Q b a 1 r a d b a s n 1 11 , 2 ， J ．1 。 。 1 r 1 n 为概率最大的值 【 0 r t 不是概率最大的 式中， 为第一层的权值 ，P为输入特征向量 r a d - b a s n e ，， J ． 为第二层的权值。 输 入层 径向 基层 隐层 竞争层 输出层 a i 1 r a d b a s I[／I Wt ．1 -p l b i , a 2 c o m p e t L W 2 ，l 1 输入矢量 的 维 数 图 1 概率神经网络结构图 3 小波包和概率神经 网络在液压泵故障模式识别 上的应用 3 ． 1 运用小波包提取液压泵故障特征 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。将液压泵在正常、柱塞故障、缸体故 障和配油盘故障这 4种模式下 的振动信号经过滤波、 放大等信号处理之后 ，对每种模式的信号分成 l 6组， 每一组用小波包对信号进行三层分解 ，如图2所示， 第三层一共可以分解成 8 个频率段信号，提取每个频 率段的节点 系数能量，并将其转换到 [ 0 ． 1 ]区间 内。 图2 小波包三层分解树 3 ． 2 概率神经网络运用于液压泵模式识别 由于每种模式有 1 6组数据，那么 4种模式一共 就有 6 4组数据，将这 6 4组数据随机排序 ，并分成 2 组样本，其中训练样本为 3 2组数据，测试样本为剩 下的3 2 组数据。从文中可以看出概率神经网络的输 入向量是由8 个频率段能量值组成的 8 维向量。因此