浅析小波包分解和rbf神经网络的民机液压泵源故障诊断研究

《浅析小波包分解和rbf神经网络的民机液压泵源故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

液压气动与密封／2012年第6期基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究鞠文煜(上海飞机设计研究院航电部机载维护室，上海200436)摘要：液压泵源是民机液压系统的动力部分，对于民航飞机飞行的安全起着重要的作用。由于民机液压泵结构复杂，故障机理繁多，因此其故障诊断难以用常规方法实现。提出了基于小波包分解和RBF神经网络的民机液压泵源故障诊断方法。采集民机液压泵轴向和径向的振动信号，利用小波包分解将振动信号进行分解，得到的各频带信号的能量作为神经网络的输入。经过RBF神经网络的计算以实现民机液压泵源的故障诊断。关键词：民机液压泵；小波包分解：RBF神经网络；故障诊断中图分类号：TH137．1文献标识码：A文章编号：1008—0813(2012)06一O016—04ResearchonFaultDiagnosisofCivilAircraftHydraulicPowerSystemBasedonWaveletPackageDecompositionandR_BFNeurMNetworksJUWen-yu(OnboardMaintenanceRoom，AvionicsDepartment，ShanghaiAircraftResearchandDevelopmentInstitute，Shanghai200436，China)Abstract：Hydraulicpowersystemplaysanimportantpartinthesecurityofcivilaircraft．Asthestructureofhydraulicpumpisverycomplex，therealevariousfaultmechanismsandthefaultdiagnosisofhydraulicpowersystemcannotbeeasilyimplementedbyconventionalmethod．ThepresentstudyproposesafaultdiagnosismethodbasedonwaveletpacketdecompositionandRBFneuralnetworks．Axialandradialvibrationsignalofhydraulicpumpiscollectedandwaveletpacketdecompositionme~odisusedtodecomposevibrationsignaltogettheenergyofdifferentfrequencybands．TheenergyofdifferentfrequencybandsisusedastheinputofRBFneuralnetworksandtheoutputofRBFneuralnetworksistheresultoffaultdiagnosis．Keywords：civilaircrafthydraulicpump；waveletpacketdecomposition；RBFneuralnetworks；faultdiagnosisO引言1技术路线近年来，国内外对于液压泵的故障诊断主要基于1．1小波包分解多传感器信息融合技术f】。常用的诊断方法有频谱分小波分析是一种时域方法，在低频段有较高的频析、功率谱、小波分析、专家系统、粗糙集理论、支持向率分辨率，在高频段则有较高的时间分辨率[61。小波包量机等【。本文提出了小波包分解和RBF神经网络相是一种基于高分辨率的精度更高的正交分解方法。能结合的方法。根据民机液压泵的几种典型的故障形式．够在整个频率段上进行多频带分析。小波包分解继承进行故障样件试验以提取相应故障形式下的特征信了小波变换的优点，具有非常好的时频定位。更重要的号。利用小波包分解将信号分解到各频带中，计算各频是，它能够在高频带进行进一步分解．从而能够在更深带信号的能量，作为神经网络的输人向量。计算正常状层次上挖掘信号所包含的信息。态和典型故障形式下信号的能量作为神经网络的训练小波包分解的过程如图1所示。其中S表示原始样本进行训练。再将未知状态下的信号输入到神经网信号。整个分解过程实际上就是持续的低通滤波和高络中，进行计算即可得到故障诊断结果[51。通滤波。图1中，A表示低频，D表示高频。每个框中末位的数字表示小波分解的层数。第层的第个节点可以用来重构原始信号。假定收稿日期：2011-11-16作者简介：鞠文煜(1986一)，男，辽宁大连人，学士，现从事机载维护系统重构后的信号为：(k)，k=l，2,L，N，其中Ⅳ表示原始信设计、开发与验证领域的科研工作。号的点数。则第i层的第个节点的能量可以由式(1)16 HvdraulicsPneumatics&Seals／No．6．2012进行计算。应，需要对神经网络的输入进行归一化。归一化公式可N以是多种，一般采用(2)式。E(ij)：∑(xl())(1)1K=1一一(。+)=—}(———一，m(2)i)式中——归一化处理后参数值：一处理前某一参数值：，珈——该参数各组样本的最大值；图1小波包分解，mi——其最小值。在本文中，取第2层的所有节点的能量，作为神经经过这样的处理，参数的值域被转化~U[-11]的范围。网络的输入。并选取相应的样本进行训练。由于液压泵经过归一化后，RBF神经网络的输入矢量为上装有径向和轴向2个振动传感器，所以神经网络的=l，2，3，4，5，6，7，8](3)输入向量维数为8。式中。，，。，——分别为某种情况下径向振动信1．2RBF神经网络及其训练算法人工神经网络(ArtificialNeuralNetworks，ANN)，号经过小波包分解后第二层第0，1，2，3个节点的信号亦称为神经网络(NeuralNetworks，NN)，是由大量处理的能量：单元(神经元Neurons)互连而成的网络，是对人脑的抽，，，——分别为某种情况下轴向振动信象、简化和模拟，反映人脑的基本特性。人工神经网络号经过小波包分解后第二层第0，1，2，3个节点的信号的研究是从人脑的生理结构出发来研究人的智能行的能量。为，模拟人脑处理信息的功能。它是根植于神经科学、假定网络有(本文中，M=8)个输入单元，，个隐数学、统计学、物理学、计算机科学及工程等学科的一单元，t，个输出单元，其中隐单元采用高斯核函数，则网种技术。将网络结构和学习算法相结合，可以将神经网络能够实现如下输入输出映射关系：络分为单层前向网络、多层前向网络、反馈网络、随机∑1∞：ip(一)(4)神经网络和竞争神经网络等同。一26iRBF网络的结构与多层前向网络类似，它由3层式中——输入向量：构成：第一层为输入层，由信号源节点构成；第二层为Y；——第个输出单元的输出值；隐含层，隐单元的个数由所描述的问题而定，隐单元的．∞；；——第个输出单元对应的第个隐层单元变换函数是对中心点径向对称且误差的非负非线性：．权值：第三层为输出层，它对输入模式的作用做出响应。RBFC；——第i个隐层单元对应的数据中心；神经网络结构简单、训练简洁而且学习收敛速度快．能够逼近任意非线性函数。b：——第个隐层单元对应的扩展常数。典型的RBF网络是一个前向神经网络，一般有3研究表明，扩展常数的相同性并不影响网络的逼层结构。如图2所示。近能力，而中心的选择对逼近能力有很大影响。RBF神经网络的学习算法主要有Mooky法、正交最小二乘法、Givens法和梯度下降法等。本文采用梯度下降法对数据进行学习。1．3总体技术路线总体技术路线如图3所示。(1)确定神经网络参数：民机液压泵常见的故障模式有配流盘磨损、人口压力不足、转子轴承故障、柱塞输入层1}雾嫠的输出层游隙增大以及斜盘不对中5种。加上正常状态。故神经图2典型3层RBF神经网络网络输出向量的维数为6。如前所述，每个液压泵上装为了使神经网络的激励函数作出较有意义的响有径向和轴向2个振动传感器。每路振动信号经小波包17 液压气动与密封／2012年第6期分解后第2层各有4个节点，故神经网络输入向量的维数为8。神经网络中间层节点个数一般通过经验选择，再根据实际训练效果进行调整。初步可选择中间层节点个数为l8。O10002000300040005000600070008000(a)配流盘磨损故障信号径向来样点数／个lII▲L山-A‘I■lul山上血止-I工．▲。lIl山‘止^．IL山I▲I‘1r『IIl’l1．町1『I。1．’1-1fl1_甲rlI_1叩17『1I-叩1l1Wq图3总体技术路线Ul0UUUO030U04UUUbIJOU150007UOUUUU(2)选择训练样本：在5种故障模式以及液压泵正(b)流盘磨损故障信号轴向采样点数／个常工作的条件下分别进行一定数量的试验，以相同的图5一段配流盘磨损故障状态下的振动信号采样频率进行采集，然后截取相同长度的信号，作为训图6a所示为入口压力不足故障情况下的一段径练样本。初步可选择6种情况下样本各30段，每段信向振动信号．图6b所示为该样本信号经过小波包分解号长度(由于是离散信号，故长度即为点的个数)￡一般后，依据第(2，2)个点的信号的重构信号，基于此重构信选取为2的Ⅳ次方，本文中选取L=2一=1024。号各个点的幅值可以得到该点对应的能量。(3)神经网络训练：选择完训练样本后，进行归一化，然后利用训练算法进行训练。训练一般需要进行较长的时间，依据训练效果，可以对神经网络的结构(主要是中间层节点个数)进行必要的调整。必要时也可以【．IllllljJ。．再增加或减少训练样本。’’嘲lr(4)故障诊断(神经网络识别)：训练结束后可以随．1I『l『『矸I机选择某种工作状态下的振动信号进行识别，并进行识别正确率统计。2实验分析采样点o500tO0005001000采样点Il／个n±|1．木～个(a)原始信号(b)重构的小波包结点(2，2)”’。。对某型号民机液压泵的正常样件和各个标准故障图6一段入口压力不足故障状态下的样本信号及样件进行振动信号测试，进行对比后。截取固定长度的其小波包分解重构信号信号作为训练样本。其中，采集的一段正常状态和配流如上所述，对所选择的样本信号(包含轴向振动信盘磨损时的故障信号分别如图4和图5所示。号和径向振动信号)进行小波包分解，将第2层各个节点的能量作为样本信号，输入到神经网络里进行训练。训练过程中的误差递减曲线如图7所示。训练进行到3151步时，达到了误差精度的要求。3020100I止1．▲。^．l●-_-III·■1▲●J-L“■J1-Lu止．．^“。。厶山J．1I．^。LLj■图7神经网络训练误差递减曲线}’r’rT’~,ml'lI吓I"rl,‘’r。11rIr’I1。_’|-‘q'r。q■一fT'’啊训练完成后．再对待诊断状态下的振动信号进行小波包分解．将第2层各个节点的能量输入到神经网O10002000300040005000600070008000(b)常信号轴向采样点数／个络里进行计算，根据输出结果即可判断当前状态是否图4一段正常状态下的振动信号故障以及是哪种故障。18 HydraulicsPneumatics＆Seals／No．6．2012HBT8OS1813拖泵液压系统的分析与测试李纪友，王晶，曹书能(1．北京科技大学，北京100083；2．山东鸿达建工集团有限公司，山东莱阳265200)摘要：该文以一种Rexroth系统的全液压混凝土拖泵为题材，在对其液压系统进行分析与现场测试后，根据测试结果判断整机工作性能。关键词：混凝土拖泵；液压系统；分析与测试中图分类号：TH137．9文献标识码：A文章编号：1008—0813(2012)06—0019—04HydraulicSystemAnalysisandTestofHBT80STrailer——mountedPumpsLIJi-you，WANGJing。，CA0Shu一，(1．UniversityofScienceandTechnologyBeijing，Beijing100083，China；2．ShandongHongdaConstructionMachineryGroupCo．，Ltd．，Laiyang265200，China)Abstract：Thesubjectofthepaperisonetypeofoftrailer-mountedconcretepumpswhichbasedonRexmthhydraulicsystem．Afteritsanalysisandon-sitetestingofthehydraulicsystem，wecandeterminethemachine"soperatingperformanceaccordingtotestresults．Keywords：trailer-mountedconcretepumps；hydraulicsystem；analysisandtestingO引言机械，因其机械化程度高，适应性强，作业范围广，泵送效率高。施工简单安全等优势性能而被建筑界广泛应用。混凝土拖泵是一种连续输送和浇注混凝土的工程我国液压混凝土泵起步于20世纪7O年代后期，收稿日期：2011-12—28先后兴起了100多家拖泵生产企业，每年以上千台增作者简介：李纪友(1988一)，男，山东济宁人，硕士研究生，主要从事工程设备长速度推向市场。山东鸿达建工集团生产的HBT80S拖检测与维修。实验过程中，对正常状态和5种故障状态各取了节点能量作为神经网络的输入向量，神经网络的输出1000组信号以统计神经网络的故障诊断正确率，最终为即为诊断的状态。结果显示该方法有97．52％的诊断得到的正确率结果如表1所示。正确率。后续的研究也可以对原始信号进行更深层次从表1中可以看到，各个状态的正确率都达到了的小波包分解以提取信号的更深层次的信息。95％以上。所有故障状态的综合故障诊断正确率为参考文献97．52％。【1】王凯，张永祥，李军．泵的故障诊断研究综述fJ]．水泵技术，表1神经网络故障诊断正确率2007，(1)．【2】杨光琴．多传感器航空液压系统信息融合故障诊断研究【D]．状态诊断正确率北京：北京航空航天大学，2005．正常97．8％【3】蒋威，高钦和，张志永．液压系统故障诊断技术综述fJ]_液压气配流盘磨损98．1％动与密封，2010，(11)．入口压力不足99．3％[4】胡增荣．液压系统故障分析及处理[J]．液压气动与密封，2011，转子轴承故障95．896(8)．柱塞游隙增大97．5％【5】李丽云．液压气动常见振动与噪声的分析与解决措施[J]．液压斜盘不对中96．99b气动与密封，2011，(1)．【6]ShubhaKadambe，SignalProcessingandFeatureExtractionToolforPrognosis／diagnosis[R]．Orlando：IEEE3结论AUTOTESTCON，2006．以某型号民机液压泵为例．基于小波包分解和【7】张建华，侯国莲，李农庄．基于神经网络非线性系统的故障诊RBF神经网络方法进行了故障诊断。以小波包分解的断研究【J】．现代电力，2000，(1)．19