基于小波神经网络的液压泵故障类型识别.pdf

2 0 1 4年 6月 第4 2卷 第 1 1 期 机床与液压 MACHI NE T00L HYDRAUL I CS J u n ． 2 0 1 4 Vo 1 ． 4 2 No ．1 1 DOI 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 13 8 8 1 ． 2 0 1 4 ． 1 1 ． 0 4 9 基于小波神经网络的液压泵故障类型识别 董秋武，汪宝生 广东伊之密精密机械股份有限公司， 广东佛山5 2 8 3 0 6 摘要根据液压泵发生故障所表现出来的特征 ，采用小波包能量值提取的办法作为故障类型识别的特征量，采用 B P 神经网络对输入的特征量进行识别。实验结果表明采用小波神经网络对液压泵故障类型的识别可以取得满意的效果。 关键词液压泵 ；B P神经网络；小波包；特征值 中图分类号T P 3 9 1 ． 4 文献标识码A 文章编号1 0 0 1 3 8 8 1 2 0 1 4 1 1 1 7 7 4 Fa u l t Ty p e I d e nt i fic a t i o n o f Hy dr a u l i c Pu mp Ba s e d o n W a v e l e t - ne ur a l Ne t wo r k DON G Qi u wu．WAN G B a o s h e n g G u a n g d o n g Y i z u m i P r e c i s i o n Ma c h i n e r y C o ． ，L t d ． ， F o s h a n G u a n g d o n g 5 2 8 3 0 6，C h i n a Ab s t r a c t Ac c o r d i n g t o f e a t u r e s h o wn d u r i n g h y d r a u l i c p u mp f a u l t ，t h e s a mp l i n g me t h o d o f e n e r g y o f w a v e l e t p a c k e t wa s u s e d t o i d e n t i f y f e a t u r e v a l u e o f f a u l t t y p e ．T h e n，t h e s e i n p u t f e a t u r e v a l u e w e r e i d e n t i f i e d b y u s i n g B P n e u r a l n e t wo r k ．T h e e x p e r i me n t a l r e - s u hs d e mo n s t r a t e t h a t s a t i s f a c t o r y r e s u l t c a n b e o b t a i n e d b y u s i n g wa v e l e t n e u r al n e t w o r k t o i d e n t i f y f a u l t t y p e s o f h y d r a u l i c p u mp ． Ke y wo r d sHy d r a u l i c p u mp；B P n e u r a l n e t wo r k；W a v e l e t p a c k e t ；F e a t u r e v a l u e 液压 泵作 为液压 系统 的动力元件 ，是液压系统 的 核心元件 ，其性能的好坏直接关系到整个系统的的稳 定性和可靠性。同时液压泵也是整个液压系统中最易 损 坏的元 件 ，由于液压泵特别是 国外 的液压泵 ，其价 格比较昂贵，所以对于损坏的液压泵一般都要经过维 修后重新使用。然而液压泵故障部位具有隐蔽。液压 泵在长时间的运转过程中，液压泵内部各配件之间因 发生相互摩擦 ，各配件就会产生磨损。对于液压泵的 磨损有些是属于正常磨损 ，对液压泵的性能不会产生 影响，但有些磨损却会影响到液压泵的正常使用，使 其内泄较大，压力和流量都达不到要求。对于液压泵 的磨损故障仅仅靠维修人员通过 目测诊断故障部位很 容易造成诊断错误，因此智能化故障诊断对液压泵维 修来说是十分必要的。 在液压泵故障诊断方面，国内外已有很多相关的 研究。目前，对液压泵故障诊断的方法大部分借鉴于 用于机械故障诊断的方法。常用的诊断方法有专家系 统诊断方法、A R模型法 、状态估计法 、参数模 型法 』 、神经网络法。近几年来随着信号处理技术的 发展，一些新的研究方法在故障诊断方面得到了广泛 的运用，如小波变换、H i l b e r t 变换方法、H u a n g 变换 方法等 。 虽然 目前对液压泵故障诊断方面的研究较多，但 对于液压泵故障类型识别的方法却很少。这主要由于 液压泵测试的过程中会受到各种干扰，很难排除这些 干扰。再者，液压泵内部配件出现磨损产生的特征很 难用精确的数学表达式或其他信息表示出来，这给故 障类型识别带来了一定的难度。由于液压泵内部配 件 ，如配油盘、活塞、缸体磨损程度的不同，表现出 其特征频率不一定相同，但其在每个频率段所产生的 能量 比是不一样 的。本文作者根据这一特征提 出了小 波神经网络对故障部位进行识别。 1 小波包分解 小波变换是傅里叶变换的新的发展 ，它既保留了 傅里叶变换的优点 ，又弥补了傅里叶变换在信号分析 上的一些不足 ，它在时 一 频域同时具有很好的局部化 特性。由于正交基小波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 ，因此小波变换能够很好地分析以低频 信息为主要成分的信号 ，但它却不能很好地分析包含 大量细节信息的信号 ，小波包变换可以对高频部分提 供更精细的分解 ，这种分解既无疏漏 ，也无冗余，所 以对包含大量中、高频信息的信号能够进行很好的时 频局部化分析。 对于小波包的计算公式 ，首先选取一种小波母函 数 t 和对应 的尺度 函数 咖 t ，可 以通过 以 下 递推公式得到一组正交小波包函数 收稿 日期 2 0 1 3 0 51 5 作者简介董秋武 1 9 7 l 一 ，男，本科 ，工程师。研究方向为液压故障诊断。Em a i l d o n g q i u w u 2 1 e n ． e o m。 1 7 8 机床与液压 第 4 2卷 f ￡ ∑ 2 t 一 { 一 1 【 f ∑g 2 f 一 式 中 。 t 砂 t ， tf r t ， h k 和 g k 分 别是对应 于 t 和尺度 函数 的正交镜像 系数 。 相应 地各节点处 的小 波包 函数为 t 2 t 一 n 1 ， 2 ， ⋯ 2 其中 n ， ， 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 J 一 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 ∑ 1 ， 2 ， ⋯， 2 4 式中 表示信号在 n ， 频率段所产生的能量。 为了防止在第 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 2 E “ ∑ 5 1 E E n ／ E 6 2 B P神经网络算法 B P E r r o r B a c k P r o p a g a t i o n N e t w o r k 神经 网络是 目前应用最为广泛和成功的神经网络之一。其学习过 程由信号的正 向传播和误差的反向传播两个过程组 成。输入样本从输入层输入，经隐层逐层处理后向输 出层输出，若输出层的实际输出与期望输出不符合 ， 则通过反馈误差修改各层 的权值和 阀值 ，以达到 自学 习的 目的。 3 小波神经网络运用于液压泵故障类型识别 3 ． 1 特征值的提取 采用液压泵后盖处振动为液压泵故 障类型识别信 号 。液压泵通过联轴器和 电机相连 ，由电机带动液压 泵运转 ，电机 的转速 为 1 5 0 0 r ／ m i n 。采 用精 信 J X 3 0 系列集成加速度传感器测量振动信号 ，将传感器垂直 安装液压泵的后盖上。采用采样频率为 1 0 2 4 H z ，采 样点 数为 3 2 7 6 8个 ，采样 时 间为 3 2 S 进行 采集 ，得 到的4类信号如图 l 所示，分别为柱塞故障信号 、配 油盘故障信号、缸体故障信号和正常信号。为了能让 计算机识别这4类信号，将这四类信号用 0 ，1 表示。 [ 1 0 0 0 ]表示正常，[ 0 1 0 0 ]表示缸体故障，[ 0 0 1 0 ]表示配油盘故障，[ 0 0 0 1 ]表示柱塞故障。 孽 趔 馨 时间， a 缸 体 故障 时 间， s c l 柱 塞 故障 时 间／ s b 配 油盘 故 障 时 间， s d 正 常 图 l 4种类别振动信号 把每类信号分割成 6 4组 ，每组为5 1 2个采集点， 一 共可以得到 2 5 6组特征信号，将这 2 5 6组新组成的 信号进行三层小波分解 ，分别求 出第三层 中每个波段 的能量值并将每个波段的能量值进行归一化处理 ，将 处理后的归一化能量值作为特征量 。 图 2 5 分别 为这 4类 型号 中其 中一组 的三 层小 波包分解能量分布 图。 采样 点 h 图2 正常振动信号分解 一 ～ ～ 一 第 1 1 期 董秋武 等 基于小波神经 网络 的液压泵故障类型识别 1 7 9 血i 0 塞 ． o 咖{ 0 塞 ． o 采 样 点 图4 缸体故障信号分解 其 中 a ， b ， c ， d ， e ， f ， g ， h 分别表示第三层节点 3 ， 0 ， 3 ，1 ， 3 ，2 ， 3 ， 3 ， 3 ， 4 ， 3 ，5 ， 3 ，6 ， 3 ，7 频率段上的 能量分布。图中的横 坐标 表示采样点 ，纵坐标表 示特 征量。图2为正常信号的三层小波包分解 图，从图中 可以看 出能量主要集 中在 3 ，0 和 3 ，1 波段上 。 图3为柱塞故障分解图，从图中可以看出能量主要集 中在 3 ，2 和 3 ，6 频率段。图4为缸体故障， 能量集中在 3 ，2 和 3 ，6 上，但表现出来的幅 值较 大 。图 5为 配油 盘 故 障分 解 ，能量 主要 集 中在 3 ，1 、 3 ， 2 、 3 ，6 和 3 ，7 上 。 鐾 ． 。o 咖 。 器 - 。 翼 襄 一 。o 采样点 c 采样点 f 采 样点 h 图 5 配油盘故障信号分解 3 ． 2 B P神经网络故障类型识别 通过 以上 分 析 可知 ，一 共 可 以得 到 2 5 6组 特 征 量 ，将这 2 5 6组特征量 中的 2 4 6 组作 为训练样本 ，剩 余的 1 0组作为测试样本。小波包三层分解 ，提取第 三层的 8 个频率段的能量值作为特征量，因此 B P神 经网络模型的输入层为 8 个节点 ，要识别 的是 4种类 型的故障，故输出层应为4个节点 ，对于隐层节点数 可按下列公式求得 。 。 。 。 _ ● 。 。。 。 。 。 。 _ 。 。 。 一 nl n r na 式 中n 表示 隐层节 点数 ，n表示输 入层 节点数 ，m 表示输出层节点数，a为 [ 1 ，1 0 ]之间的常数。 分别对隐层取 8～ 1 1 节点数进行训练，得出训练 误差如表 1 所示，从表 中可以看出隐层选取 1 0个节 点 ，训练误 差最小 。 20 2 5 O 5 5 U 5