幾種方法實現(xiàn)液壓泵信息融合故障診斷
    液壓泵是液壓系統(tǒng)的心臟，其故障診斷是液壓系統(tǒng)故障診斷的重要部分。由于流體的壓縮性、泵源與伺服系統(tǒng)的流固耦合作用及液壓泵本身具有大幅度的固有機械振動，使得液壓泵的故障機理復雜，故障特征提取困難，故障診斷的模糊性強。大量的液壓泵故障診斷數(shù)據(jù)表明，通過泵源出口檢測到的故障信號常被干擾信號淹沒，單一故障檢測信號常呈現(xiàn)出強的模糊性，采用常規(guī)的信號處理方法難以提升有效的故障特征。
 
    從故障診斷學的角度來看，任何一種診斷信息都是模糊的、不的，對任何一種診斷對象，用單一信息來反映其狀態(tài)行為都是不完整的，如果從多方面獲取同一對象的多維故障冗余信息加以綜合利用，就能對系統(tǒng)進行更可靠更的監(jiān)測和診斷。本文針對柱塞泵球頭松動故障模式，通過在液壓泵出口配置振動傳感器和壓力傳感器進行故障檢測，通過小波分析進行信號消噪處理，利用主成分分析提取有效融合信息，采用改進算法的BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)液壓泵微弱信號或多故障的有效診斷。 

    1、液壓泵球頭松動故障機理分析 

    由于制造誤差或液壓泵在工作過程中的壓力沖擊，常常使柱塞球頭與球窩沉凹變形使球頭與球窩間隙增大，從而產(chǎn)生柱塞球頭松動的故障。
 
    1．1基于振動信號的故障機理分析 

    液壓泵缸體在轉(zhuǎn)動過程中，柱塞在油缸中往復運動。當缸體轉(zhuǎn)過一定角度時，經(jīng)過上死點柱塞進人吸油區(qū)，球頭與柱塞發(fā)生一次碰撞；當缸體轉(zhuǎn)動經(jīng)過上死點后，球頭開始向柱塞方向運動，球頭與柱塞發(fā)生相對運動；當轉(zhuǎn)過排油區(qū)時，高壓油作用在柱塞上，使柱塞迅速向球頭方向運動，從而又一次產(chǎn)生沖擊。缸體轉(zhuǎn)動一周，球頭與柱塞發(fā)生兩次碰撞，經(jīng)過傳動軸和軸承將能量傳遞到殼體上，故球頭松動故障的振動頻率為軸頻率的2倍。

    1．2基于壓力信號的故障機理分析 

    球頭松動對液壓泵出口的壓力脈動也有影響。當缸體轉(zhuǎn)過上死點時，球頭向柱塞方向運動，當油缸的排油進入卸荷區(qū)時，球頭與柱塞還未發(fā)生碰撞，這時在高壓油的作用下，柱塞又向球頭方向運動，球頭與球窩發(fā)生碰撞，產(chǎn)生振動沖擊的同時，碰撞通過柱塞作用在高壓油上從而產(chǎn)生一個壓力脈動，所以球頭松動引起泵出口的壓力脈動頻率與泵的軸頻率相同，由上述分析可知，如果球頭與球窩的間隙很小時，球頭與柱塞的相對速度不大，產(chǎn)生的碰撞能量很小。當間隙增大時，產(chǎn)生的振動能量就會增大，且具有周期變化的時變特性，殼體檢測的振動能量通常分布于2倍軸頻率處；對于壓力脈動信號，能量主要分布在軸頻率處。 

    1．3球頭松動故障診斷系統(tǒng) 

    針對球頭松動故障，在液壓泵出口垂直方向安裝了2個加速度傳感器ax、a。檢測振動，1個壓力傳感器P檢測泵的壓力脈動。由于液壓泵出口檢測到的振動信號和壓力信號常被干擾信號淹沒，為了提取故障特征，對上述傳感器的檢測信號進行小波消噪處理。 
    2、小波信號消噪處理 

    液壓泵的工作環(huán)境一般比較惡劣，其工況受環(huán)境的影響較大，通常在泵出口檢測到的信號含有很大的噪聲。試驗表明，液壓泵出口檢測到的壓力信號和振動信號體現(xiàn)出以下特點：①信號的頻譜分布很寬、波形雜亂，規(guī)律性差；②時變與非平穩(wěn)性表現(xiàn)明顯。 
    因此，基于這兩種信號的故障特征提取非常困難，有必要對檢測的信號進行消噪處理。 

    小波分析是目前較有效的信號處理方法，它可以同時在時域和頻域中對信號進行分析，能有效地區(qū)分信號中的突變部分和噪聲，實現(xiàn)信號的消噪。
 
    泵出口振動信號及其小波消噪后的信號，選取小波消噪的全局閾值為1．049。很明顯，檢測信號中包含了許多干擾信號，很難簡單地利用檢測到的振動信號進行有效的故障診斷。為了消除干擾影響，經(jīng)過小波處理，可以有效地消除泵出口振動信號中所包含的噪聲，有利于故障特征的提取。

    3、信息融合故障診斷方法 

    信息融合是將多源信息加以智能合成，產(chǎn)生比單一信息源更、容錯性和魯棒性更強的估計和判斷‘2’。由于液壓泵出口檢測到的信息微弱，易于被干擾所淹沒，很難利用單個傳感器的檢測信號進行微弱故障特征的有效診斷。采用的信息融合故障診斷過程，即將振動信號和壓力信號進行小波消噪處理，利用統(tǒng)計分析提取有效特征信息，采用主成分分析（PrinciP81componentanalysis，PCA）有效解耦各故障特征間的相關(guān)性，減少故障特征的維數(shù)，采用改進算法的BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)液壓泵球頭松動故障診斷。 
    3．1特征層信息融合
 
    特征層狀態(tài)屬性融合就是將對多種類型傳感器數(shù)據(jù)進行預處理以完成特征提取及數(shù)據(jù)配準，即通過傳感器信息轉(zhuǎn)換，把各傳感器輸人數(shù)據(jù)變換成統(tǒng)一的數(shù)據(jù)表達形式。
 
    通過特征向量歸一化處理可以實現(xiàn)信息融合數(shù)據(jù)配準。本文提取振動信號和壓力信號的均值、峰值因子、特征頻率的能量值和功率譜幅值、四次矩等作為球頭松動故障的特征向量。 

    3．2選取主成分
 
    在新樣本空間上，逐次計算傳感器信息的綜合指數(shù)為主成分上的貢獻。令主成分貢獻綜合指數(shù)閾值為85％，根據(jù)貢獻綜合指數(shù)選取前幾個主成分，作為下一步信息融合的信息。 

    針對液壓泵正常和4種球頭松動故障，各選取100個樣本，由于高度顯著，說明這4組特征向量有十分明顯的差異，故此類故障的不同故障程度是可以診斷的。 

    選擇BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，對液壓泵正常和設(shè)置的4種球頭松動故障在訓練誤差精度要求下對網(wǎng)絡(luò)進行訓練，通過改進算法的學習和訓練得到BP網(wǎng)絡(luò)的優(yōu)化權(quán)值矩陣。在實際使用時，利用BP神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣及其改進算法實現(xiàn)多故障的有效診斷。其中輸出節(jié)點1表示液壓泵正常時神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點2表示間隙為6μm時神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點3表示間隙為9μm神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點4表示間隙為12μm時神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點5表示15μm時神經(jīng)網(wǎng)絡(luò)的輸出值。 

    利用BP神經(jīng)網(wǎng)絡(luò)及其改進算法可以有效診斷不同間隙大小的球頭松動故障。
 
    4、結(jié)論 

    本文通過液壓泵出口的振動信號和壓力信號，通過小波消噪處理有效提取故障特征，利用PCA分析很大程度上減少了信息融合特征向量的維數(shù)，通過可診斷性檢驗證明PCA重新組合的特征向量可以實現(xiàn)多故障診斷。在BP算法中引人附加動量項，獲得*學習率，通過改進BP算法實現(xiàn)不同間隙大小球頭松動故障的有效診斷。

來源：三一液壓元件網(wǎng)