田再克 李洪儒 王衛(wèi)國

摘要： 針對液壓泵振動信號通常具有非線性強和信噪比低的特點，提出了一種基于多點最優(yōu)最小熵解卷積（Multipoint Optimal Minimum Entropy Deconvolution， MOMED）和雙譜熵（Bispectral Entropy）的液壓泵退化特征提取方法。首先針對最小熵解卷積（Minimum Entropy Deconvolution， MED）降噪效果受濾波器長度和迭代次數(shù)影響的問題，提出了一種多點最優(yōu)最小熵解卷積（MOMED）降噪方法，并利用MOMED對液壓泵原始振動信號進行處理，以降低原始信號中干擾成分的影響;然后采用雙譜分析提取雙譜熵作為退化特征，以提高對液壓泵退化狀態(tài)的反映能力;最后，通過對液壓泵性能退化試驗實測振動信號的應用分析，驗證了該方法的有效性。

關鍵詞： 故障診斷; 液壓泵; 雙譜分析; 退化狀態(tài)識別; MOMED

中圖分類號： TH165+.3; TN911.7 文獻標志碼： A 文章編號： 1004-4523（2019）04-0730-09

DOI：10.16385/j.cnki.issn.1004-4523.2019.04.021

引 言

液壓泵是整個液壓系統(tǒng)的“心臟”，其性能好壞不僅直接影響液壓系統(tǒng)的可靠性，甚至對整個系統(tǒng)的安全運行產(chǎn)生決定性的影響[1]。退化狀態(tài)識別是實現(xiàn)液壓泵故障預測的關鍵，由于液壓泵振動信號往往受到流體壓縮性、泵源與伺服系統(tǒng)的流固耦合作用以及自身固有機械振動的影響，呈現(xiàn)出非線性、非平穩(wěn)、非高斯的特點，使得傳統(tǒng)線性信號處理方法很難準確識別液壓泵的退化狀態(tài)[2-3]。因此，有必要尋求一種有效的液壓泵退化特征提取方法，以滿足液壓泵故障預測的需要。

最小熵解卷積最早由Wiggins提出[4]，用于地震數(shù)據(jù)處理，提取數(shù)中的突變成分，通過迭代更新濾波器使信號恢復原本的簡單形狀。唐力偉等利用MED方法對快速譜峭度（Fast Spectral Kurtosis， FSK）方法進行改進，有效提取了滾動軸承的微弱故障信號[5]。在MED的基礎上，Sawalhi等引入AR模型，將AR模型與MED結(jié)合，用于機械振動信號的處理[6]。McDonald等則引入周期信息提出了最大相關峭度解卷積算法（Maximum Correlated Kurtosis Deconvolution，MCKD）[7]，以相關峭度為評價指標，充分考慮了信號所含沖擊成分的周期特性，可通過迭代過程實現(xiàn)解卷積運算，突出信號中被強烈噪聲所掩蓋的連續(xù)脈沖。

高階譜分析方法是近年來信號處理領域中涌現(xiàn)出來的一種新的數(shù)學工具，與傳統(tǒng)的信號處理方法不同，它可進行非高斯信號處理[8-9]。雙譜是三階累積量的二次傅里葉變換，它保留了信號的相位信息，可以定量描述信號中與故障密切聯(lián)系的非線性相位耦合。本文在雙譜分析的基礎上，引入信息熵的概念，建立雙譜熵模型，提取雙譜熵作為液壓泵退化特征參量。

本文針對液壓泵退化特征提取問題，提出了基于多點最優(yōu)最小熵解卷積（MOMED）和雙譜熵相結(jié)合的退化特征提取方法。該方法首先利用MOMED對液壓泵振動信號進行處理，以減少干擾成分的影響;然后對處理后的數(shù)據(jù)進行雙譜分析，提取雙譜熵作為退化特征量，通過仿真和實驗信號對其液壓泵特征提取進行了驗證。