（机械电子工程专业论文）基于小波神经网络的液压泵故障诊断研究.pdf

基于小波神经网络的液压泵 故障诊断研究 摘要 液压系统以其小体积、轻重量、大功率密度、工作平稳并且便于实现 自动工作循环和自动过载保护等优点，广泛的应用于各个技术领域的执行 系统。液压泵是液压系统的最重要的部分，对于液压泵的状态监测和故障 诊断问题就成为保证液压系统正常工作的关键。 本文将小波神经网络应用到了液压泵故障诊断研究中。通过实验结果 证明，小波神经网络应用在故障诊断领域中，有利于提高故障诊断的确诊 率，具有良好的发展前景。论文的主要内容包括： l 、详细介绍了液压系统的基本结构以及齿轮泵的常见故障，简单介绍 了几种液压设备故障检测仪器并选用了适合本实验的相关仪器。 2 、介绍了小波分析。把小波分析引入到了液压泵状态信号的处理中。 通过对采样信号进行多分辨率分解、小波包信号重构，有效去除了液压泵 状态信号中混杂的高频噪声，提取了故障信号频带内的信号成分。 3 、对标准b p 网络进行了改进，详细地探讨了改进后的三层p c a l m b p 神经网络诊断模型的建立，并针对不同的算法进行比较分析。详细地描述 y d , 波神经网络的结构。仿真结果说明，改进后的小波p c a l m b p 神经网 络比标准的b p 网络在收敛速度和精度方面有明显改善。 4 、利用v c + + 开发平台及a c c e s s 数据库软件，设计了基于小波 p c a l m b p 神经网络故障诊断系统，提供了良好的人机交互界面，实现了 故障诊断的功能。 5 、以齿轮泵为主要研究对象，进行了实验分析。实验证明采用小波 p c a l m b p 神经网络方法取得了良好的诊断效果，并且验证了改进的小波 p c a l m b p 神经网络在液压泵故障诊断中的可行性和有效性。 关键词：神经网络故障诊断齿轮泵小波分析 i i as t u d yo nh y d r a u l i cp u m pf a u l 月d i a g n o s i s b a s e do n ( a 、厂e l e tn e u r a ln e t w o r k a bs t r a c t h y d r a u l i cs y s t e mh a dt h ea d v a n t a g e so fs m a l ls i z e ，l i g h tw e i g h t ，l a r g e p o w e r , s m o o t hw o r k i n ga n ds t e p l e s ss p e e dr e g u l a t i o ni nal a r g er a n g e ，a n d w h i c hw a sw i d e l yu s e di ne x e c u t i o ns y s t e mo ft h ee n g i n e e r i n gm a c h i n e r y h y d r a u l i cp u m pw a st h e “h e a r t o ft h ew h o l eh y d r a u l i cs y s t e m ，s ot h ec o n d i t i o n m o n i t o r i n ga n df a u l td i a g n o s i so ft h ep u m pw a sc r u c i a lf o rt h eh y d r a u l i cs y s t e m i nt h i sp a p e r , t h ew a v e l e tn e u r a ln e t w o r kw a sa p p l i e di nf a u l td i a g n o s i so f t h ep u m p t h er e s u l t so ft e s ts h o w e dt h a tw a v e l e tn e u r a ln e t w o r ka p p l i e di n f a u l td i a g n o s i sw i l li n c r e a s et h ea c c u r a c ya n dw i l lh a v eag o o dd e v e l o pt e n d e n c y t h em a i nw o r k si nt h i sd i s s e r t a t i o nw e r es h o w e da sf o l l o w s 1i n t r o d u c e di nd e t a i la b o u tt h eb a s i cd t r u c t u r eo fh y d r a u l i cs y s t e m ，t h e c o m m o nf a u l t so fg a r ep u m pa n dt h eb a s i cc o n c e p t so ff a u l td i a g n o s i s s i m p l y i n t r o d u c e dc o m m m o n l yu s e df a u l tt e s t e r 2t h en a t u r ec h a r a c t e ro fw a v e l e ta n a l y s i sw a se x p a t i a t e d w a v e l e ta n a l y s i s m e t h o d w a su s e di nt h ep r o c e s so fs t a t es i g n a lo fh y d r a u l i cp u m p t h r o u g ht h e m u l t i r e s o l u t i o nd e c o m p o s i t i o n ，t h r e s h o l dv a l u ee l i m i n a t i o na n dr e c o n s t r u c t i o n ， t h eh i g hf r e q u e n c yn o i s ei nt h es y s t e mw a se x c l u d e da n dt h ec h a r a c t e r i s t i c c o m p o n e n to ff a u l tc h a r a c t e r i s t i cs i g n a lf r e q u e n c yb a n d w a sa b s t r a c t e d i i i 3i m p r o v e ds t a n d a r dn e u r a ln e t w o r k ，b u i l ti m p r o v e dn e u r a ln e t w o r km o d e ， a c c o r d i n gt od i f f e r e n ta l g o r i t h m sc o m p a r a t i v ea n a l y s i sa n dd e s c r i b e di nd e t a i l t h es t r u c t u r eo fw a v e l e tp c a l v i b pn e u r a ln e t w o r k t h es i m u l a t i o nr e s u l t s i n d i c a t e dt h a ti m p r o v e dw a v e l e tp c a l m b pn e u r a ln e t w o r kh a db e a e r d i a g n o s i se f f e c t st h a ns t a n d a r dn e u r a ln e t w o r k 4u s e dv c + + d e v e l o pp l a t f o r ma n da c c e s s ，d e s i g n e dt h ef a u l td i a g n o s i s s y s t e m ，o f f e r e dg o o dh u m a n c o m p u t e ri n t e r a c t i o ni n t e r f a c e ，r e a l i z e d t h e f u n c t i o no ff a u l td i a g n o s i s 5t h er e s u l t so ft h ee x p e r i m e n ta n da n a l y s i ss h o w e dt h a ti tw a se f f e c t i v e a n df e a s i b l et od i a g n o s eg a r ep u m pf a u l tb ye m p l o y i n gw a v e l e ta n a l y s i sa n d p c a l m b pn e u r a ln e t w o r k s t h ei m p r o v e dw a v e l e tn e u r a ln e t w o r kw a s a p p l i e dt ot h ef a u l td i a g n o s i so fh y d r a u l i cp u m p ，t h er e s u l t ss h o w e dt h a tt h e i m p r o v e dw a v e l e tp c a l m b p n e u r a ln e t w o r kw a sf e a s i b l ea n de f f e c t i v e k e yw o r d s ：n e u r a ln e t w o r k ； f a u l td i a g n o s i s ； g a r ep u m p ； w a v e l e ta n a l y s i s i v 广西大学学位论文原创性声明和学位论文使用授权说明 学位论文原创性声明 本人声明：所呈交的学位论文是在导师指导下完成的，研究工作所取得 的成果和相关知识产权属广西大学所有。除己注明部分外，论文中不包含其 他人已经发表过的研究成果，也不包含本人为获得其它学位而使用过的内 容。对本文的研究工作提供过重要帮助的个人和集体，均已在论文中明确说 明并致谢。 论文作者签名：绷 p 倪即年 | 学位论文使用授权说明 莎月p 日 本人完全了解广西大学关于收集、保存、使用学位论文的规定，即： 本人保证不以其它单位为第一署名单位发表或使用本论文的研究内容； 按照学校要求提交学位论文的印刷本和电子版本； 学校有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务； 学校可以采用影印、缩印、数字化或其它复制手段保存论文： 在不以赢利为目的的前提下，学校可以公布论文的部分或全部内容。 请选择发布时间： 口即时发布口解密后发布 ( 保密论文需注明，并在解密后遵守此规定) 论文作者签名 新躲馓垆名月y 日 广西大学硕士学位论文 基于d 、波神经网络的液压泵故障诊断研究 1 1 课题研究背景 第一章绪论 本课题来源于广西制造系统与先进制造技术重点实验室主任课题，项目名称：基于 p w m 方式的电液调速器的研究和开发。编号：桂科能0 8 4 2 0 0 6 0 0 2 一z 。 1 1 1 液压系统故障诊断的意义 随着科技的飞速发展，运用电子、计算机、人工智能等学科对液压系统进行故障诊 断和状态监测，尚属较新的研究课题。由于大多数的液压系统相对规模较小，而现代的 液压系统正在向高压、高精度、大功率的方向发展。因为这些大型的液压系统的液压部 件是精密部件并在高压力之下使用，所以需要良好的维护保养，以防止生锈、腐蚀、污 垢、油变质等等。一旦液压系统发生故障不能迅速，将导致停产，甚至会造成巨大的经 济损失。因此，液压系统故障诊断作为一门实用性很强的学科，显示它的重要性。人们 对液压系统的可靠性也提出了更高要求，液压元件和系统状态监测和故障诊断技术日益 受到重视。在欧美和日本已有学者和工程技术人员在这方面进行了一些探索与研究，并 取得一定的成果，国内对这方面的研究工作也已经开始j 。 对液压系统故障诊断，最终是要实现对整台设备液压系统进行状态监测和故障诊 断，但是首先要解决的问题是对液压系统中的重要液压元件监测和诊断【2 】。所以，液压 系统故障诊断的研究工作，大部分是以一些重要的液压元件为对象展开的，如液压缸、 液压泵等。液压泵是液压系统的关键部分，它一旦出现故障将导致整个液压系统无法正 常工作，因此有必要了解液压泵的结构，性能，对液压泵进行故障监测、诊断，尽快地 消除故障，保证液压设备正常，稳定运行，进而避免更大的经济损失i z j 。 1 1 2 液压系统故障诊断技术的研究现状 由于液压系统的封闭性和复杂性，使得液压系统故障检测和诊断非常困难。近几年 来，由于计算机技术、电子信息技术、传感器技术、人工智能技术的发展，促进了液压 系统故障检测和诊断技术的发展【3 】。 3 _ r - 西大学硕士学位论文 基于小波神经网络的液压泵故障诊断研究 1 国外 液压系统故障诊断开始于2 0 世纪6 0 年代，以h u n t 为首的b a t h 大学和以 a c o l l a c l l _ r 为首的英国机器保健和状态监测协会最早开始研究液压系统故障诊断技 术，通过在液压系统上安装加速度传感器和压力传感器试验了液压泵故障诊断，但是此 时故障诊断的方法大部分还处于直接参数测量和基于信号处理阶段 4 1 。 随着人工智能的诊断方法的高速发展，2 0 世纪8 0 年代初期到2 0 世纪9 0 年代末， 加拿大学者t a t g e 和w i n s t o n 研究用于卫星跟踪天线驱动的液压故障诊断【4 】；1 9 9 1 年英国w a l e s 大学c a r d i f f 教授研究液压系统基于多层感知机( m l p ) 神经网络故障 诊断方法【5 1 ；1 9 9 7 年法国学者g a d d o u n a 采用未知输入观测器对液压系统故障诊断， 同时，基于未知输入观测器的鲁棒故障诊断方法得到广泛的研究；1 9 9 8 年g r o w t h e r 发表题为“f a u l td i a g n o s i so f ah y d r a u l i ca c t u a t o rc i r c u i tu s i n gn e u r a ln e t w o r k s ”的学术论文， 主要针对二阶液压舵机系统的输出矢量空间进行t经网络故障诊断【6 】。1 9 9 9 年c h r 对动念专家系统进行了研究，并且开发了相应的专家系统应用软件【7 1 。2 0 0 3 年，加拿大 学者a n 等【8 】对液压系统的电气环节进行故障诊断，通过采用广义卡尔曼滤波方法对液 压系统的状态预测。 2 国内 在国内，液压系统故障诊断研究虽然起步相对较晚，但发展非常迅速。1 9 8 6 年浙江 大学路甬祥、陈章位等对液压系统故障机理与诊断技术作了深入的研究1 2 1 ；1 9 9 2 年燕山 大学赵永凯、上海大学邱泽鳞和陆元章等利用振动信号进行液压系统故障诊断研究； 2 0 0 0 年燕山大学高英杰采用信号处理与人工智能诊断技术相结合的方法，实现对a g c ( a u t o m a t i cg a u g ec o n t r 0 1 ) 液压系统的故障诊蝌9 】；自从1 9 9 4 年以来北京航空航天大学 自动化学院机械电子工程系开始从事液压系统故障诊断的研究，利用专家系统、神经网 络、小波分析、鲁棒智能监测与诊断方法实现对液压泵、液压舵机系统故障诊断【4 匍。 1 9 9 7 年，董选民州对液压系统鲁棒故障诊断做有益的研究；2 0 0 3 年杨光琴【5 1 对小波、小 波包分析和多传感器信息融合技术在液压泵故障诊断中的应用做大量研究。 1 1 3 液压系统故障诊断的发展趋势 随着数据处理技术、计算机技术、网络技术飞速发展和交叉学科之间的融合，液压 系统故障诊断技术已逐渐从传统人工主观分析方法，向虚拟化、高精度化、智能化、状 4 广西大学硕士掌位论文 基于小波神经网络的液压泵故障诊断研究 态化、网络化、方向发展【1 1 1 ： ( 1 ) 虚拟化 虚拟化是指监测与诊断仪器的虚拟化。随计算机技术的不断发展和更新，在国际上 出现了在测试领域克服了传统测试仪器诸多缺点，就是虚拟仪器技术。 ( 2 ) 高精度化 高精度化，是指在信号处理技术方面提高信号分析的信噪比。对液压系统，其信号、 系数通常是瞬态、非线性、突变。传统的时域和频域分析只适用于稳态信号的分析，因 此不能揭示信号中隐含的故障信息。因此预见，信号分析处理技术将提高故障诊断技术 的高精度化。 ( 3 ) 状态化 状态化是对监测与诊断而言。随着科学的发展，对液体的流速、压力的综合载体信 号进行跟踪检测，对液压系统动态参数实施在线实时检测。 ( 4 ) 智能化 随着人工智能技术的高速发展，尤其是专家系统和人工神经网络在故障诊断领域中 的进一步应用，人们已经意识到其所能产生的巨大的经济和社会效益。智能化液压故障 诊断系统成为了当前的趋势。 ( 5 ) 网络化 随着科技的高速发展，加之大型液压系统非常复杂，因此建立基于i n t e m e t 的远程 在线监测和故障诊断就成为了开发液压系统故障诊断系统的趋势。 1 2 小波理论和神经网络的发展与现状 1 2 1 小波理论和神经网络的发展与现状 小波分析2 0 世纪8 0 年代中期才发展起来的- f - i 应用数学分支，涉取了现代分析学 中例如泛函分析、数值分析、傅里叶分析、样条分析、调和分析等众多分支的精华【1 2 】。 小波分析概念是1 9 8 4 年法国地球物理学家j m o r l e t 在分析处理地球物理勘探资料时 提出的，并且通过物理直观和信号处理实际经验建立反演公式b 1 。 1 9 8 5 年，法国著名数学家m e y e r 构造出了一个真正的小波基，实现了信号在时、频 空间同时进行局部化的正交分解，构造出了具有一定衰减i 生n n n d , n 【l 引。 1 9 8 8 年，比利时数学家i d a u b e c h i e s 证明紧支撑正交标准小波基的存在性，使得离 s 广西大学硕士掌位论文基于d 、波神经网络的液压泵故障诊断研究 散小波分析成为可z 月, 匕t - , 【1 3 】。 1 9 8 9 年，m a l l a t 提出多分辨率分析概念，提出的多分辨度分析理论( m r a ) ，统一 了语音识别中的镜向滤波，子带编码，图象处理中的金字塔法等几个不相关的领域，特 别是提出了二进小波变换的快速算法，使小波变换是完全走向实用性【3 l 】。 1 9 9 0 年，著名学者崔锦泰和王建忠构造基于样条函数的正交小波函数，并讨论具有 最佳局部化性质的生成函数于小波函数 3 1 】。 1 9 9 1 年，w i c h e r h a n s e r 等人将m a l l a t 算法进行进一步深化，提出了小波包算法，取 得了信号的最佳时频分解【1 3 】。 1 9 9 4 年，g e r o n i m o ，h a r d i n 和m a s s o p u s 合作构造出著名的g h m 多小波【1 钔。多小 波在理论上所表现出来的优势和它在应用领域所具有的潜力，使其受到了高度重视。在 短短几年之内，多小波的构造 1 5 - 2 0 1 正在迅速成为新的研究热点。同时它在图像处理方面 的应用，如图像编码【2 1 1 、图像去噪【捌等方面取得了一定的成果。 在8 0 年代后期，我国的小波分析研究还主要在停留在吸收国外已有的小波理论的 阶段上，属于理论研究阶段。直到9 0 年代以来，国内一些高级院校相继开展了小波理 论的工程应用研究，并且在很多领域开展的研究都取得了一定的成果。 目前小波变换在故障诊断领域中的应用已经引起广泛的注意，预示着小波分析进一 步热潮的到来。许多学者都投入到这方面的研究。因为小波分析非常适合于分析非平稳 信号，所以小波分析可作为故障诊断中信号处理的较理想工具，由于它可以构造故障诊 断所需的特征或直接提取对诊断有用的信息【3 l 】。本文就是利用了小波分析的这些特性来 处理故障诊断中采集到的液压泵信号。 在神经网络的发展历程中，有很多代表人物，他们经过几十年的研究，为后人的研 究提供了很有价值的参考资料。 神经网络的研究起源于2 0 世纪4 0 年代，心理学家m c c u l l o c h 和数学家p i t t s 总结生物神 经元的基本生理特征，提出形式神经元的数学模型，即m p 模型【2 4 1 。神经网络领域研究 工作从此开始。 1 9 4 9 年，心理学家h e b b 提出神经元连接的原则，为构造有学习功能的神经网络模型 奠定基础【2 4 1 。 1 9 5 7 年，r o s e n b l a t t 构造了一个感知器网络，并演示了该网络进行模式识别的能力， 并且首次把神经网络理论付诸于工程实践，主要用在模式识别、联想记忆等方面【2 4 】。 但是r o s e n b l a t t 的网络只能用于训练线性神经网络，在人工智能专家m i n s k y 和 6 厂西大掌硕士学位论文 基于d 、波神经网络的液压泵故障诊断研究 p a p e r t 编写( ( p e r c e p t i o n ) ) 一书中有广泛的论述，致使许多研究学者纷纷离开了神经网络 研究领域，导致神经网络研究停滞了1 0 年。即使如此，科学家们还是在此领域中开展 了许多重要的工作，芬兰的k o h o n e n 教授提出了新型的完成记忆功能的神经网络，美国 的g r o s s b e r g 教授提出了自适应共振理论a r t 。这些研究成果对后面的神经网络研究和 发展有极其重大的意义【3 5 1 。 1 9 8 4 年，h o p f i e l d 又提出了用运算放大器来实现该网络模型的电子线路，为神经网 络的工程实现指明了一定的方向。继h o p f i e l d 的文章之后，不少的科学家对该网络进行 了较深入的研究和改进，h i n t o n 等人提出大规模并行网络学习机，并且明确提出了隐单 元的概念。将统计物理学的概念和方法来研究神经网络，提出被称为b o l t z m a n n 机的神 经网络，其学习过程采用了模拟退火技术，有效克服- j h o p f i e l d 网络存在的能量局部极 小问题。此后，许多科研工作者提出了很多种具备不同信息处理能力的神经网络模型【2 3 1 。 神经网络应用取得了令人瞩目的发展，特别是在飞机控制系统、新型传感器、计算 机科学、产品优化、机器人、故障诊断、c a d c a m 等方面都取得了进展t 2 3 1 。 因此，由于神经网络的分布存储、并行处理、自学习、自组织以及非线性映射等优 点，本论文采用神经网络来对液压泵进行故障诊断。 1 2 2 小波与神经网络的结合 小波变换在信号处理方面具有很好的时频局部化分析，同时神经网络具有分布式储 存、自适应、自学习等特性。若将这两者的优点结合起来，发挥各自的优势，是人们研 究的热点问题。 最早研究小波分析与神经网络联系的是p a t i 和k r i s h n a p r a s a d t 2 5 1 ，提出了离散仿射小 波网络模型，其思想是把离散小波引入神经网络模型，通过对s i n g m o i d ( 双曲正切s 形) 函数的平移和伸缩构成l 2 ( r ) 重仿射框架，构造小波神经网络。1 9 9 2 年，法国著名信息科 学研究机构i 耐s a 的q i n g h u a z h a n g 等明确提出小波神经网络的概念，小波变换理论和多 层前馈神经网络的小波神经网络充分利用了小波变换良好的局部化性质，并且结合神经 网络的自学习功能，因此具有较强的逼近性和容错能力。在分类、控制、消噪、特征提 取等方面充分发挥y d , 波的特点，同时在任意非线性函数逼近上优于神经网络和小波分 解。张邦礼讨论了确定小波基函数和隐层神经元数目的一般方法，并且分析了其学习算 法的收敛性和鲁棒性。小波神经网络已经被应用于变速箱齿轮故障识别等领域【3 。 7 广西大学硕士学位论文 基于d 、波神经网络的液压泵故障诊断研究 1 3 液压泵的常见故障和诊断方法 1 3 1 液压系统的整体结构 机械工程中的液压系统一般由四个部分组成，即动力部分、执行部分、控制 部分、辅助部分。 动力部分的作用是将原动机的机械能转换成油液的压力能，指液压系统中的 液压泵，它向整个液压系统提供动力，是整个系统的动力源。液压泵的结构形式 一般有齿轮泵、叶片泵和柱塞泵等 3 1 。 执行部分的作用是将油液的压力能转换为机械能，驱动负载作直线往复运动 或回转运动，在油液的作用下输出力或速度或转矩【3 】。 控制部分在液压系统中控制和调节油液的压力、油液流量和负载的方向。根 据控制功能的不同，液压阀可分为压力控制阀、流量控制阀和方向控制阀。压力 控制阀又分为溢流阀、减压阀、顺序阀、压力继电器等；流量控制阀包括节流阀、 调整阀、分流集流阀等；方向控制阀包括单向阀、液控单向阀、梭阀、换向阀等。 根据控制方式不同，液压阀可分为开关式控制阀、定值控制阀和比例控制阀等1 3 j 。 辅助部分包括油箱、滤油器、油管及管接头、密封圈、快换接头、高压球阀、 胶管组成、测压接头、压力表、油位油温计等。它们保证了液压系统的正常工作【3 j 。 1 3 2 齿轮泵常见故障及诊断方法 液压系统是非常复杂的，其中的液压元件也是非常多的，但是由于时间极为有限， 不可能对所有元件的故障诊断都做全面的研究，所以本论文重点对液压元件中的动力元 件液压泵进行详细的研究。本文所研究的系统为广西大学机械工程学院实验室的 j s p 一0 4 快速组合式全功能液压教学试验台中的液压泵为c b b 1 0 型齿轮泵，所以主要针 对c b b i o 型齿轮泵的结构及常见故障进行分析。 齿轮泵是液压系统中常用的一种定量泵，其具有工作可靠、结构简单、便于制造、 便于维修和成本低等特点。另外，齿轮泵还具有自吸收性能好，转速的范围大，不容易 咬死等优点。齿轮泵速度范围很大，在大部分速度都能够可靠地进行吸油。齿轮泵之所 以转速范围大，是由于齿轮泵的转动部分是齿轮，因而转速可以较高。但是转速过高， 离心力就太大，会产生吸油不足，形成空穴现象【2 4 1 。 8 广西大掌硕士学位论文基于小波神经网络的液压象故障诊颤p 研究 本文实验中采用的齿轮泵为c b 1 0 b ，齿轮泵的转速是1 4 5 0 r m i n 。齿轮泵的最低转 速应不低于3 0 0 r m i n ，否则会因为容积效率过低而不能正常工作。齿轮泵对油液中的污 物不敏感，因此工作可靠，不易咬死。但是齿轮泵的工作压力较低，流量脉动较大，所 以齿轮泵常用于低压大流量、精度不高、环境较差的液压系统中【2 4 1 。 i jl 涮l i 图1 - 1 齿轮泵结构 f i g 1 - 1g e a rp u m ps t r u c t u r e 齿轮泵的工作原理如图1 1 所示。在泵体内，一对相互啮合齿轮，齿轮的两端由端 盖密封。由泵体和齿轮的各个牙齿和泵体就形成了多个密封工作腔，同时也把泵体内部 分为两腔，分别与排油口和进油口相连通。当主动轴带动齿轮按图示的方向旋转时，在 下腔，由于一对对牙齿相继脱离，密封工作腔容积不断增大，形成了局部真空，油箱内 的油液在大气压力的作用下吸入下腔，并填满牙齿脱开时所形成的空间，油液被旋转轮 齿带入，吸满的油液被带往上腔；在上腔，由于一对对牙齿啮合，使密封空间减小，油 液受到挤压排出泵外。齿轮不停的旋转，下腔和上腔不断的吸油和排油【2 4 1 。 c b b 1 0 齿轮泵的故障诊断与排除【2 4 1 ，其中齿轮泵的故障现象主要分为三大类： 噪声大，压力波动严重，输出油量不足，压力上不去，齿轮泵旋转不畅或咬死。 现阶段常用的诊断方法，通过测量液压泵中的参数，如压力，流量，温度，振动等， 在时域，频域上分析所测得的数据，来进行判断分析液压泵的故障。 9 广西大学硕士学位论文基于小波神经网络的液压泵故障诊断研究 1 4 本课题的主要内容 本文研究的主要内容有： 1 ) 对液压系统的整体结构和齿轮泵的结构及常见故障进行简单分析。 2 ) 阐述了小波分析的本质特征。将小波分析引入液压泵状态信号的处理中。通过对 采样信号的多分辨率分解、阈值处理和信号重构，有效的去除系统信号中混杂的高频噪 声，提取了故障特征信号频带内的信号成分。 3 ) 对标准b p 网络进行了改进，详细地探讨了改进后的三层b p 网络模型的建立，并 针对不同的算法进行比较分析。详细的阐述了小波神经网络的结构。仿真结果说明，改 进后的小波神经网络比标准的b p 网络在收敛速度和精度方面有明显改善。本文神经网 络的设计、训练以及预测是在m a t l a b 中完成。 4 ) 液压泵故障诊断系统的软件设计。本文用v c + + 来编写数据库系统，并成功调用 m a t l a b ，建立良好的人机交互式界面，实现各个模块的功能。 5 ) 针对液压泵故障的特点，设计实验方案，选择适合于实验系统用的传感器，进行 信号的采集与处理。通过实验证明该方法的正确性及可行性。 l o 广西大学硕士掌位论文 基于习、波神经网络的液压泵故障诊断研究 第二章小波分析在液压泵故障诊断中的应用 2 1 小波变换简介 小波变换是近几年来得到迅速发展的一种新信号处理方法，已经在许多领域得到了 重要应用。由于小波分析不依赖于数学模型，所以对模型的精确度没有要求，具有自适 应性和数学显微镜性质1 3 】。本文利用小波分析来对故障信号进行消噪和特征向量的提 取。 小波( w a v e l e t ) ，即小区域的波，是一种特殊的长度有限的、平均值为0 的波形，它 具有两个特点：一是“小 ，即具有紧支集或近似紧支集并且具有正则性的实数函数作 为小波母函数，这样的小波母函数在时频域都具有较好的局部特性：二是正负交替的“波 动性”，即直流分量为零【3 0 1 。 当液压泵出现故障时，液压泵信号出现了非平稳性，如果要监测诊断液压设备的故 障，就应当进行时、频分析。由于傅立叶变换只能对信号进行全局变换，无法表述信号 的时频局域性质。小波变换能把任何信号映射到由一个母小波伸缩( 变换频率) 、平移( 刻 划非平稳性) 而成的一组基函数上去，实现了信号在不同频带、不同时刻的合理分离f 2 2 】。 2 2 多分辨率分析和小波包分析 1 ) 连续小波变换 设f ( t ) 是平方可积函数记作厂( ，) r ( 尺) ，( f ) 是基本小波或者母小波( m o t h e r w a v e l e t ) 的函数。 啊( 叩) = i 口r ；少( 缈睁) 衍 ( 2 - ，) 称为f ( t ) 对于小波妙( f ) 的小波分析，上标幸代表共轭。 函数式中，a o 为尺度因子，f 为平移因子，其值可正可负。由于t 是连续变量，a 和f 也是连续变量，因此称为连续小波变换，一般记为( c w t ) 。 2 ) 多分辨率分析 多分辨率分析为在平方可积函数( f ) r 空间内，将函数厂( f ) 描述为一列近似函数 广西大学硕士掌位论文基于d 、波神经网络的液压泵故障诊断研究 的对厂( f ) 作平滑逼近的结果，每级逼近都是用某一个低通平滑函数( f ) 对厂( f ) 作平滑 逼近的结果，只不过是在逐级逼近时平滑函数矽( ，) 也作逐级延伸，这就是“多分辨率”， 即用不同分辨率来逐级逼近待分析的函数厂( f ) 3 1 1 。 设有信号( ，) 的离散采样序列厂( 以) ，n _ 1 ，2 ，n ，若以厂( 刀) 表示信号在尺度 j 2 0 时的近似值，记为c o ( 刀) = ( n ) ，贝l jf ( t ) 的离散二进小波变换由下式确定： f c j + i ( 刀) = 矗( 七一2 玎) c ，( 七) 1d j + l ：受g ( k - 2 n ) c j ( k ) ( 2 - 2 ) l( 刀) = 纠 式中，办( 以) 和g ( 门) 是由小波函数】l f ，( x ) 确定的两列共轭滤波器系数。此时尺度函数 由两尺度关系： ( x ) = h ( k ) c ( 2 x - k ) ( 2 3 ) 完全确定，其中 m ，= ( 舢叫 协4 ， 式( 2 - 2 ) 中，c j 和嘭分别成为信号在尺扇上的近似部分和细节部分。离散信号勺经 过尺度l ，2 ，j 的分解，最终分解为4 ，吱，乃，巳，它们分别包含了信号从高频到 低频不同频带的信息，所以被称为多分辨率分析。同时它们各自又都包含了原信号的时 间信息，因而是信号的时频表示【3 2 】。 4 ) 小波包分析 小波包分析是多分辨率分析的改进，多分辨率分析是将频带多层划分，将低频信号 进一步分解，对高频信号没有进行处理，但是小波包分析在多分辨率的基础上，不仅对 低频信号进一步分解，而且对多分辨率分析没有分析的高频信号也进行进一步分解。并 能自适应地确定信号在不同频段的分辨率，从而提高时频分辨率，是一种更加精细的信 号分析方法【3 3 1 。 由于尺度函数和小波函数存在着两尺度关系： 1 2 广西大学硕士掌位论文基于d 、波神经网络的液压泵故障诊断研究 f 胁( x ) - - z h ( x ( 2 x 一七) - 1 1 ：芝小减( 2 x k ) 协5 ) l ( x ) = g ( x 减一) “ 其中，胁( x ) = 矽( x ) ，m ( x ) = 妙( x ) 则： f 鸬心) = 压矗( 后如( 2 x 一后) 七z ( 2 6 ) i 2 t + l ( x ) = 4 r 2 z g ( k ) p t ( 2 z 一七) 、。 定义的鸬( 工) ，刀= 2 l 或刀= 2 l + 1 ，l = o ，1 ，称为关于正交尺度函数硒( x ) = 痧( x ) 的小波包。 联系多分辨率分析，在公式( 2 - 2 ) 中，将c 和d 统一用记号c 表示，在求和公式中作变 量代换并乘以归一化系数，得到： f 乞小) = 压办( | j 沈( 2 x 一后) k 心) ：送小地“) - 7 ) 由公式可以看出，小波包分解时对分解得到的两个序列同时进行进一步的分解，同 时提高了低频信号和高频信号的分辨率，最终在尺度j = j 上的分解序列 勺q ，勺- l + l ，c 2 2 一 。 通过小波包分解可以对原始信号进行滤波。但是每个小波包含有信号的点数l ：k 上一 层小波包的点数少一半，所以需要对分解后的小波包进行重构，信号经过n 层分解后得 到2 ”个小波包，保留第r l 层的小波包数据，其余的小波包的数据当做零。然后把经这样处 理后的小波包数据进行重构。重构之后就可以把这一个小波包的时域分辨率就可以提高 到原来的大, h i 3 3 1 。 由小波或小波包分解后的序列重构信号，所用的算法也睦i m a l l a t 给出。在式( 2 2 ) 中，以。= 魂勘，g 乒= g k 咖，则有矩阵h = ( 圮 ) ，g = ( q ，t ) 。把( 2 2 ) 重新记为： 襄出三置篆k ； c 2 剐 k 。( 咒) = ( ) “ 则有 巳( 七) = 巳+ l + g 乃+ l ( 2 9 ) 1 3 广西大掌硕士掌位说譬定 基于小波神经网络的液压泵故障诊断习f 究 其中日，g 分别是h ，g 的对偶算子。 公式( 2 9 ) 即重构算法。小波包的重构算法同样由此就可以得到。很明显，由分 解后的序列可一步步的恢复出原始信号。 小波包滤波的优势在以下两方面【3 3 】： ( 1 ) 小波包分解对信号的分解和重构即无冗余，也无泄漏。但是常规的滤波方法， 所得到的信号信息量通常是不完整的。 ( 2 ) 相比傅立叶滤波带通滤波器的带宽和中心频率无关，而且其滤波器的系数是固 定的，而小波包分解可以在任意的频率段进行滤波。而且对滤除的高频信号同时进行进 一步细分。 2 3 多分辨率分析对液压泵信号消噪 在实际的液压系统故障诊断过程中，被测液压泵上检测到的信号往往混有不同程度 的干扰。含干扰的液压泵信号往往掩盖了液压系统运行的有用信息，所以对液压泵信号 进行消噪处理是有必要的。 运用多分辨率分析进行液压泵信号消噪处理过程可分为三个步骤【3 4 】： ( 1 ) 对液压泵信号进行小波分解。选择一个合适的小波并且确定一个小波分解的层 次n ，然后对信号进行n 层小波分解。 ( 2 )计算最佳的小波包基。给定熵标准，计算最佳的小波包基。 ( 3 )对小波分解后的液压泵信号的高频系数的阈值量化处理。从第一层到第n 层的 每一层的高频系数选择一个阈值进行阈值量化处理。也可以通过实验来获得最优结果。 ( 4 ) 液压泵信号的重构。根据小波分解的第n 层的低频系数及经过量化处理后的第 l 层到第n 层的高频系数，进行液压泵信号的重构。 在实际液压泵故障诊断中，特别是干扰信号比较丰富的。液压泵信号在任意时刻附 近的频率特征都很重要。从频域或时域上来单独分析是液压泵信号不够的，没有办法完 全的表征信号的频率特征。必须要有一种新方法能够将时域和频域结合起来描述观察信 号的时频特征，而小波分析的优点使得小波分析能够很好的解决这类问题 3 3 】。 1 4 厂西大掌硕士掌位论文基于d 、波神经网络的液压泵故障诊断研究 2 4 小波包对液压泵信号故障特征向量提取 由于小波包分析可以在低频信号和高频信号同时进行分解，并且可以将信号频率分 辨到任意细节，相比较多频率分辨率具有更广泛的应用前景。因此，将小波包分析很好 的应用到了解决液压泵故障诊断方面的问题【3 2 】。 小波包针对液压泵信号特征向量提取步骤： ( 1 ) 录入并读取采集到的液压泵信号。使用f o p e n 命令导入信号，并用f r e a d 命令读 取信号。 ( 2 ) 对采集的液压泵信号进行消噪处理。使用w d e n c m p 命令对采集到的液压泵信 号进行消噪处理，然后返回消噪后的信号。 ( 3 ) 对消噪后的液压泵信号进行小波包分解。使用w p d e c 命令采用d b n d , 波按 s h a n n o n 熵标准来对消噪后的液压泵信号做n 层分解，分别提取第n 层2 “个节点的液压泵信 号特征。 ( 4 ) 重构小波包的分解系数，提取各频带内的信号。使用w p r c o e f 命令分别重构小 波包分解第n 层2 n 个节点的信号。 ( 5 ) 求各个频带信号的方差。设墨j 对应的能量为易j ，则有 易，= 月3 3 ( f ) 1 2 d t = 兰i h l 2 ( 2 1 0 ) ( 6 ) 将求出的各频带内的信号方差，构造特征向量。由于当系统出现故障时， 会对各频带内信号的能量有很大的变化，因此，可以以能量为元素构造一个特征向 量。 t = 【易。，毛。，e 3 ：，易。，如，岛，乓。，e ，】 ( 2 1 1 ) 2 5 小波分析处理液压泵信号仿真应用实例 本文利用小波变换的时频局部化能力对信号进行消噪处理和特征向量提取。利用 m a t l a b ，编制了液压泵信号的小波分解及信号重构的程序。取数据段长度n 为2 0 0 的 一段泵出口压力信号进行小波分析。液压泵出口主溢流阀调定压力为4 m p a ，泵转速为 1 4 5 0r m i n ，信号采样频率为2 0 0 h z 。 1 5 广西大掌硕士掌位论文 基于d 、波神经网络的液压泵故障诊断研究 按照上节的步骤，利用小波包分析进行信号特征提取，程序如下 l o a d ( c ：f l o w m a t ，f l o w ) ：导入采集到得信号 s l = f l o w ( 1 ：2 0 0 ) ： t = w p d e c ( s l ，3 ，d b l ，s h a n n o n ) ：用d b l t j 、波包对信号s l 进行三层分解 b t = b e s t t r e e ( t ) ；计算最佳树( 即最佳小波包基) 下面对信号第三层各系数进行重构 s 1 3 0 = w p r c o e f ( t ， 3 ，0 ) ： s 1 3 1 = w p r c o e f ( t ， 3 ，1 ) ： s 13 2 = w p r c o e f ( t ， 3 ，2 ) ： s 1 3 3 = w p r c o e f ( t ， 3 ，3 ) ： s 1 3 4 = w p r c o e f ( t ， 3 ，4 ) ： s 1 3 5 = w p r c o e f ( t ， 3 ，5 ) ： s 1 3 6 = w p r c o e f ( t ， 3 ，6 ) ： s 1 3 7 = w p r c o e f ( t ， 3 ，7 ) ： s u b p l o t ( 8 ，1 ，1 ) ：p l o t ( s 1 3 0 ) ：画出s 1 3 0 重构系数的波形 y 1 a b e l ( s 1 3 0 ) ： s u b p l o t ( 8 ，1 ，2 ) ：p l o t ( s 1 3 1 ) ：画出s 1 3 1 重构系数的波形 y l a b e l ( s 1 3 1 ) ： s u b p l o t ( 8 ，1 ，3 ) ：p l o t ( s 1 3 2 ) ：画k b s l 3 2 重构系数的波形 y l a b e l ( s 1 3 2 ) ： s u b p l o t ( 8 ，1 ，4 ) ；p l o t ( s 1 3 3 ) ：画出s 1 3 3 重构系数的波形 y l a b e l