[分享]几种方法实现液压泵信息融合故障诊断

摘要：针对液压泵故障特征的分散性和模糊性，提出基于振动和压力传感器的信息融合故障诊断方法。在充分分析液压泵球头松动故障机理的基础上，对振动信号和压力信号进行小波消噪处理，有效提取球头松动的故障特征。将不同类型特征参数进行特征层融合，利用主成分分析和改进算法的BP神经网络实现液压泵球头松动故障诊断。试验表明，基于不同类型传感器信息融合故障诊断方法可以有效地实现液压泵微弱故障的诊断。
 引言
 液压泵是液压系统的心脏，其故障诊断是液压系统故障诊断的重要部分。由于流体的压缩性、泵源与伺服系统的流固耦合作用及液压泵本身具有大幅度的固有机械振动，使得液压泵的故障机理复杂，故障特征提取困难，故障诊断的模糊性强。大量的液压泵故障诊断数据表明，通过泵源出口检测到的故障信号常被干扰信号淹没，单一故障检测信号常呈现出强的模糊性，采用常规的信号处理方法难以提升有效的故障特征。
 从故障诊断学的角度来看，任何一种诊断信息都是模糊的、不精确的，对任何一种诊断对象，用单一信息来反映其状态行为都是不完整的，如果从多方面获取同一对象的多维故障冗余信息加以综合利用，就能对系统进行更可靠更精确的监测和诊断。本文针对柱塞泵球头松动故障模式，通过在液压泵出口配置振动传感器和压力传感器进行故障检测，通过小波分析进行信号消噪处理，利用主成分分析提取有效融合信息，采用改进算法的BP神经网络实现液压泵微弱信号或多故障的有效诊断。
 1、液压泵球头松动故障机理分析
 由于制造误差或液压泵在工作过程中的压力冲击，常常使柱塞球头与球窝沉凹变形使球头与球窝间隙增大，从而产生柱塞球头松动的故障。
 1.1基于振动信号的故障机理分析
 液压泵缸体在转动过程中，柱塞在油缸中往复运动。当缸体转过一定角度时，经过上死点柱塞进人吸油区，球头与柱塞发生一次碰撞；当缸体转动经过上死点后，球头开始向柱塞方向运动，球头与柱塞发生相对运动；当转过排油区时，高压油作用在柱塞上，使柱塞迅速向球头方向运动，从而又一次产生冲击。缸体转动一周，球头与柱塞发生两次碰撞，经过传动轴和轴承将能量传递到壳体上，故球头松动故障的振动频率为轴频率的2倍。
 1.2基于压力信号的故障机理分析
 球头松动对液压泵出口的压力脉动也有影响。当缸体转过上死点时，球头向柱塞方向运动，当油缸的排油进入卸荷区时，球头与柱塞还未发生碰撞，这时在高压油的作用下，柱塞又向球头方向运动，球头与球窝发生碰撞，产生振动冲击的同时，碰撞通过柱塞作用在高压油上从而产生一个压力脉动，所以球头松动引起泵出口的压力脉动频率与泵的轴频率相同，由上述分析可知，如果球头与球窝的间隙很小时，球头与柱塞的相对速度不大，产生的碰撞能量很小。当间隙增大时，产生的振动能量就会增大，且具有周期变化的时变特性，壳体检测的振动能量通常分布于2倍轴频率处；对于压力脉动信号，能量主要分布在轴频率处。
 1.3球头松动故障诊断系统
 针对球头松动故障，在液压泵出口垂直方向安装了2个加速度传感器ax、a。检测振动，1个压力传感器P检测泵的压力脉动。由于液压泵出口检测到的振动信号和压力信号常被干扰信号淹没，为了提取故障特征，对上述传感器的检测信号进行小波消噪处理。
 2、小波信号消噪处理
 液压泵的工作环境一般比较恶劣，其工况受环境的影响较大，通常在泵出口检测到的信号含有很大的噪声。试验表明，液压泵出口检测到的压力信号和振动信号体现出以下特点：①信号的频谱分布很宽、波形杂乱，规律性差；②时变与非平稳性表现明显。
 因此，基于这两种信号的故障特征提取非常困难，有必要对检测的信号进行消噪处理。
 小波分析是目前较有效的信号处理方法，它可以同时在时域和频域中对信号进行分析，能有效地区分信号中的突变部分和噪声，实现信号的消噪。
 泵出口振动信号及其小波消噪后的信号，选取小波消噪的全局阈值为1.049。很明显，检测信号中包含了许多干扰信号，很难简单地利用检测到的振动信号进行有效的故障诊断。为了消除干扰影响，经过小波处理，可以有效地消除泵出口振动信号中所包含的噪声，有利于故障特征的提取。
 3、信息融合故障诊断方法
 信息融合是将多源信息加以智能合成，产生比单一信息源更精确、容错性和鲁棒性更强的估计和判断‘2’。由于液压泵出口检测到的信息微弱，易于被干扰所淹没，很难利用单个传感器的检测信号进行微弱故障特征的有效诊断。采用的信息融合故障诊断过程，即将振动信号和压力信号进行小波消噪处理，利用统计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间的相关性，减少故障特征的维数，采用改进算法的BP神经网络实现液压泵球头松动故障诊断。
 3.l特征层信息融合
 特征层状态属性融合就是将对多种类型传感器数据进行预处理以完成特征提取及数据配准，即通过传感器信息转换，把各传感器输人数据变换成统一的数据表达形式。
 通过特征向量归一化处理可以实现信息融合数据配准。本文提取振动信号和压力信号的均值、峰值因子、特征频率的能量值和功率谱幅值、四次矩等作为球头松动故障的特征向量。
 3.2选取主成分
 在新样本空间上，逐次计算传感器信息的综合指数为主成分上的贡献。令主成分贡献综合指数阈值为85%，根据贡献综合指数选取前几个主成分，作为下一步信息融合的信息。
 针对液压泵正常和4种球头松动故障，各选取100个样本，由于高度显著，说明这4组特征向量有十分明显的差异，故此类故障的不同故障程度是可以诊断的。
 选择BP神经网络的结构，对液压泵正常和设置的4种球头松动故障在训练误差精度要求下对网络进行训练，通过改进算法的学习和训练得到BP网络的优化权值矩阵。在实际使用时，利用BP神经网络的权值矩阵及其改进算法实现多故障的有效诊断。其中输出节点1表示液压泵正常时神经网络的输出值，节点2表示间隙为6μm时神经网络的输出值，节点3表示间隙为9μm神经网络的输出值，节点4表示间隙为12μm时神经网络的输出值，节点5表示15μm时神经网络的输出值。
 利用BP神经网络及其改进算法可以有效诊断不同间隙大小的球头松动故障。
 4、结论
 本文通过液压泵出口的振动信号和压力信号，通过小波消噪处理有效提取故障特征，利用PCA分析很大程度上减少了信息融合特征向量的维数，通过可诊断性检验证明PCA重新组合的特征向量可以实现多故障诊断。在BP算法中引人附加动量项，获得最优学习率，通过改进BP算法实现不同间隙大小球头松动故障的有效诊断。