王 武

（許昌學(xué)院電氣信息工程學(xué)院，河南許昌 461000）

基于小波包變換和RBF網(wǎng)絡(luò)的液壓系統(tǒng)泄漏故障診斷*

王 武

（許昌學(xué)院電氣信息工程學(xué)院，河南許昌 461000）

液壓系統(tǒng)泄漏故障原因眾多，故障機(jī)理復(fù)雜，常規(guī)手段難以取得較好的故障診斷效果。提出基于小波包變換和RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法。給出了基于小波包的故障特征提取方法和RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。通過(guò)試驗(yàn)獲取液壓系統(tǒng)的振動(dòng)信號(hào)，通過(guò)三層小波包分解，獲取8個(gè)頻段的能量信號(hào)，并以此作為神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)網(wǎng)絡(luò)訓(xùn)練，進(jìn)行故障特征識(shí)別。該方法將小波包的時(shí)頻分解能力和RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力有機(jī)結(jié)合，取得了較高的故障診斷效率。

液壓泄漏；小波包；RBF神經(jīng)網(wǎng)絡(luò)；故障診斷；特征提取

0 引言

液壓系統(tǒng)廣泛應(yīng)用于工業(yè)控制和伺服傳動(dòng)系統(tǒng)中，液壓系統(tǒng)往往具有結(jié)構(gòu)復(fù)雜、參數(shù)非線性和隨機(jī)性強(qiáng)的特點(diǎn)。液壓系統(tǒng)的故障不僅對(duì)液壓系統(tǒng)自身有影響，而且會(huì)造成間接的生產(chǎn)損失，進(jìn)行液壓系統(tǒng)早期狀態(tài)檢測(cè)和故障診斷，有助于防止意外事故發(fā)生，實(shí)現(xiàn)液壓設(shè)備的良好管控與維修保養(yǎng)［1］。在液壓系統(tǒng)中，諸如液壓泵、液壓馬達(dá)等設(shè)備，往往以周期方式運(yùn)行，具有固定頻率的振動(dòng)或脈動(dòng)的壓力，對(duì)其信號(hào)進(jìn)行頻譜分析，可以發(fā)現(xiàn)故障點(diǎn)，然而在液壓系統(tǒng)中，大多數(shù)液壓元件及回路以非周期、非平穩(wěn)方式運(yùn)行，且存在大量隨機(jī)性特征，平穩(wěn)信號(hào)的處理方法不足以解決實(shí)際問(wèn)題［2］。小波變換是傅里葉變換的發(fā)展和延伸，具有良好的時(shí)頻局部化能力和多分辨率特點(diǎn)，被譽(yù)為“數(shù)學(xué)顯微鏡”，特別適宜于非平穩(wěn)信號(hào)處理。

液壓系統(tǒng)故障診斷問(wèn)題受到了廣大學(xué)者的關(guān)注，有文獻(xiàn)提出基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂桶j(luò)譜分析相結(jié)合的方法，將其應(yīng)用于液壓泵故障診斷，克服了早期診斷中信號(hào)微弱的不足［3］；有文獻(xiàn)針對(duì)液壓缸泄露故障診斷中時(shí)域參數(shù)多的問(wèn)題，提出采用成分分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，提高診斷速度和實(shí)時(shí)性［4］；有文獻(xiàn)根據(jù)小波分析與信號(hào)奇異性之間的關(guān)系，提出泵控馬達(dá)故障特征頻率點(diǎn)序列，應(yīng)用小波包分析抽取時(shí)域特性，通過(guò)能量分布解決了液壓系統(tǒng)泄漏故障診斷［5］；有文獻(xiàn)對(duì)飛機(jī)液壓系統(tǒng)壓力信號(hào)進(jìn)行小波包分解，提取小波包特征，并作為ARTI神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，實(shí)現(xiàn)了智能診斷［6］；有文獻(xiàn)將小波去噪應(yīng)用于液壓系統(tǒng)故障診斷，提高了故障診斷的精度［7］；有文獻(xiàn)分析了傳感器與液壓缸各故障源之間的信度函數(shù)，并基于D-S融合理論構(gòu)建了檢測(cè)系統(tǒng)［8］。由于液壓系統(tǒng)的故障信息眾多，本文僅以液壓系統(tǒng)泄漏故障為研究對(duì)象，通過(guò)小波包分解進(jìn)行特征提取，結(jié)合神經(jīng)網(wǎng)絡(luò)的非線性映射能力，完成液壓系統(tǒng)泄漏故障檢測(cè)。

1 小波包變換及故障特征提取

1.1 小波包分析理論

令ωn滿足下列遞歸的雙尺度方程：

1.2 故障特征提取方法

造成液壓系統(tǒng)泄漏的故障原因眾多，管路系統(tǒng)裝配不良及松動(dòng)、元器件結(jié)合面不平整、滑動(dòng)表面粗糙、旋轉(zhuǎn)軸密封不良等均會(huì)造成液壓系統(tǒng)泄漏故障，泄漏故障一方面會(huì)引起介質(zhì)浪費(fèi)和環(huán)境污染，另一方面會(huì)造成液壓系統(tǒng)建壓困難、速度變慢，導(dǎo)致液壓系統(tǒng)效率下降和工作不穩(wěn)定。在小波包能量譜中，選取各個(gè)子空間內(nèi)信號(hào)的平方和作為能量標(biāo)志，設(shè)小波包子空間樣本長(zhǎng)度為m，小波包變換的序列為｛wi（k），k=1，2，…，m｝，則其能量可描述為：

2 RBF神經(jīng)網(wǎng)絡(luò)

圖1 RBF神經(jīng)元模型

RBF網(wǎng)絡(luò)訓(xùn)練步驟如下：

（1）確定輸入向量、輸出向量和期望的輸出向量；

（2）參數(shù)初始化，包括參考中心初始化、中心參數(shù)初始化、寬度向量初始化；

（3）計(jì)算隱層神經(jīng)元和輸出層神經(jīng)元輸出；

（4）給定學(xué)習(xí)因子和動(dòng)量因子，進(jìn)行網(wǎng)絡(luò)迭代訓(xùn)練，其算法為：

其中，E為RBF神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)函數(shù)：

（5）計(jì)算網(wǎng)絡(luò)輸出的均方根誤差：

若RMS≤ε，訓(xùn)練結(jié)束。

3 液壓泄漏故障診斷試驗(yàn)及分析

基于小波包分解和RBF神經(jīng)網(wǎng)絡(luò)的液壓系統(tǒng)泄漏故障診斷試驗(yàn)流程如圖2所示，首先通過(guò)試驗(yàn)臺(tái)和各種信號(hào)檢測(cè)裝置完成信號(hào)檢測(cè)，通過(guò)小波包分解和重構(gòu)進(jìn)行信號(hào)處理，求出各子頻帶信號(hào)能量，進(jìn)行能量譜分析，并以此構(gòu)造特征向量；構(gòu)建神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本庫(kù)，完成結(jié)構(gòu)設(shè)計(jì)和網(wǎng)絡(luò)訓(xùn)練，給出故障診斷結(jié)果。

圖2 故障診斷試驗(yàn)流程

以某泵控馬達(dá)振動(dòng)加速度信號(hào)為特征，進(jìn)行系統(tǒng)泄漏故障狀態(tài)檢測(cè)，振動(dòng)信號(hào)采樣頻率為100kHz，提取各頻段的能量分布并進(jìn)行小波包分解，在MATLAB環(huán)境下調(diào)用小波包分解函數(shù)wpdec，此處以shannon熵標(biāo)準(zhǔn)進(jìn)行小波包分解。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)為8個(gè)輸入節(jié)點(diǎn)，X=［x0，x1，…，x7］代表小波包分解的八個(gè)頻段信號(hào)特征矢量，輸出層設(shè)計(jì)為3個(gè)神經(jīng)元節(jié)點(diǎn)，代表嚴(yán)重泄漏，輕微泄漏和無(wú)泄漏三種狀態(tài)。在MATLAB環(huán)境下進(jìn)行離線仿真，選取72組樣本數(shù)據(jù)，其中前64組作為訓(xùn)練樣本，后8組作為測(cè)試樣本，部分樣本數(shù)據(jù)如表1所示。

表1 部分樣本數(shù)據(jù)

在MATLAB環(huán)境下完成網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練步長(zhǎng)設(shè)為2000，網(wǎng)絡(luò)訓(xùn)練均方差設(shè)為0.001，具體網(wǎng)絡(luò)訓(xùn)練曲線如圖3所示，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)為8-14-3時(shí)，網(wǎng)絡(luò)訓(xùn)練速度較慢，2000步內(nèi)未達(dá)到設(shè)定的誤差范圍，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)為8-22-3，在訓(xùn)練至1200步左右，達(dá)到了設(shè)定的范圍。

圖3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線

3 結(jié)束語(yǔ)

液壓系統(tǒng)故障眾多，檢測(cè)難度較大，論文以液壓系統(tǒng)泄漏故障診斷為研究背景，提出了采用小波包分解的方法，進(jìn)行故障特征提取，以此構(gòu)造代表其泄漏故障的能量矢量。通過(guò)三層小波包分解，將獲取的能量矢量劃分為8個(gè)頻段，以此作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)設(shè)計(jì)8-22-3的神經(jīng)網(wǎng)絡(luò)，可以識(shí)別出無(wú)泄漏、輕微泄漏以及嚴(yán)重泄漏三種故障。該方法將小波包時(shí)頻分析的優(yōu)點(diǎn)和RBF神經(jīng)網(wǎng)絡(luò)的非線性映射能力相結(jié)合，能夠較好的反映故障特征和其頻域特征向量之間的關(guān)系，具有較高的故障識(shí)別率。

［1］賀湘宇，何清華.基于多網(wǎng)絡(luò)模型的工程機(jī)械液壓系統(tǒng)故障診斷研究［J］.中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，41（4）：1385-1390.

［2］鞠文煜.基于小波包分解和RBF神經(jīng)網(wǎng)絡(luò)的民機(jī)液壓泵源故障診斷研究［J］.液壓氣動(dòng)與密封，2012，32（6）：16-19.

［3］唐宏賓，吳運(yùn)新，滑廣軍，等.基于EMD包絡(luò)譜分析的液壓泵故障診斷方法［J］.振動(dòng)與沖擊，2012，31（9）：44-48.

［4］唐宏賓，吳運(yùn)新，滑廣軍，等.基于PCA和BP網(wǎng)絡(luò)的液壓油缸內(nèi)泄露故障診斷［J］.中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，42（12）：3709-3714.

［5］羅守華，顏景平，王積偉.基于小波包分析的液壓系統(tǒng)泄漏故障診斷新方法［J］.制造業(yè)自動(dòng)化，2004，26（3）：70-72.

［6］劉澤華，李振水.基于小波包特征熵的飛機(jī)液壓系統(tǒng)故障診斷方法研究［J］.計(jì)算機(jī)測(cè)量與控制，2009，17（9）：1705-1707.

［7］何德虎，謝建.基于小波分析的液壓系統(tǒng)故障特征提取研究［J］.機(jī)床與液壓，2011，39（13）：145-147.

［8］蔡偉，徐文華，李慧.基于多傳感器數(shù)據(jù)融合的液壓缸泄露檢測(cè)技術(shù)［J］.液壓與氣動(dòng)，2013（2）：89-91.

［9］李運(yùn)紅，張湧濤，裴未遲.基于小波包-Elman神經(jīng)網(wǎng)絡(luò)的電機(jī)軸承故障診斷［J］.河北理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，30（4）：81-85.

［10］王凡重，田幕琴.基于RBF神經(jīng)網(wǎng)絡(luò)和小波包的電機(jī)故障診斷研究［J］.工礦自動(dòng)化，2011，37（2）：49-51.

［11］劉海波，楊建偉，蔡國(guó)強(qiáng)，等.改進(jìn)小波包與RBF網(wǎng)絡(luò)在軸承故障診斷中的應(yīng)用［J］.機(jī)械設(shè)計(jì)與研究，2010，26（2）：92-94.

（編輯 李秀敏）

Hydraulic System Leakage Fault Diagnosisw ith W avelet Packet Transform and RBF Neural Network

WANGWu
（School of Electro-information Engineering，Xuchang University，Xuchang Henan 461000，China）

Conventionalmethod was difficult to acquire good fault diagnosis effects for there were various faultmechanisms and types in hydraulic system leakage.A new method was presented which based on wavelet packet transform and RBF neural networks，the fault features extraction w ith wavelet packet decomposition and RBF neural network learning algorithm was proposed.The vibration signal was collected w ith experiment，w ith three layer wavelet packet decomposition，the 8 bands energy of different frequency was get and serve as the input of RBF neural networks，w ith the training of RBF neural networks，the faultwas recognized.Thismethod combined the high time-frequency resolution feature of wavelet packet transform w ith the learning ability of RBF neural networks，so the higher diagnosis precision and efficiency was got.

hydraulic leakage；wavelet packet；RBF neural networks；fault diagnosis；feature extraction

TH165；TG65

A

1001-2265（2015）07-0077-03 DOI：10.13462/j.cnki.mmtamt.2015.07.021

2014-09-26

河南省科技廳科技攻關(guān)計(jì)劃資助項(xiàng)目（122102210416）

王武（1978-），男，蘭州人，許昌學(xué)院副教授，碩士，研究方向?yàn)榭刂评碚撆c控制工程研究，（E-mail）xcu_wangwu@sina.com。