欢迎光临深圳市金泰机械设备有限公司网站!
手机网站 | 联系我们:0755-23419791 | 加入收藏
  • 公司动态

    德国REXROTH液压泵信息融合故障诊断

    2015-11-09 16:43:19

    德国REXROTH液压泵信息融合故障诊断

      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。

      德国REXROTH泵出口振动信号及其 消噪后的信号,选取 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 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’。由于德国REXROTH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 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(PrinciP81component analysis,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神经网络实现德国REXROTH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。

      3.3 故障的可诊断性检验

      可诊断性检验主要是验证所选择的特征向量经过PCA分析后对系统的故障是否达到区分不同故障的目的。故障的可诊断检验的实质主要是分析各种故障的故障状态样本是否具有显著的差异。

      假设系统有k种故障状态,并且有m个诊断指标,用向量Y表示,其中向量Y是经过PCA分析后的各种特种向量的线性组合出来的新的特征向量。假定从k个故障状态测得n个样本,为了对k个样本进行判别,需要检验的假设是区分k个母体是没有意义的,即不具备可诊断性,除非增加新的指标;当H。被否定时测区分k个母体是有意义的,即具备可诊断性,由此建立的诊断模型是有意义的。记组内离差阵为组内离差和组间离差的实质是多源变量的方差。

      如果假设成立,那么所选的特征向量不足以用来诊断,需要选取新的特征量才能够达到对故障的区分和诊断;反之,所选的特征量可以达到对故障的区分,无需再选择新的特征量。

      3.4 多层感知器神经网络信息融合

      信息融合故障诊断算法的*后一级采用改进BP神经网络进行全局故障诊断。原始的BP神经网络由输入层、隐层和输出层。

     我们在原始的BP网络的基础上,附加动量项,改进权值学习。由于增加了动量项,可以方便地实现学习率的自适应调整。如果在预定义范围内新的误差超过了前一次误差,那么新的权值和阈值就被舍弃;否则,新的权值就被保留下来。通过优化可以得到*优的学习率,即当新的误差比原来的误差小,学习率增大,使学习平稳;当学习率过大使得学习不稳定,那么减小学习率,直至重新达到稳定。

      4 试验分析

      本文采用SCY柱塞式德国REXROTH液压泵作为试验对象,其转速为 5280r/min,相应的轴频率为 88Hz。在该泵上预先设置了6μm、9μm、12μm和15μm的球头松动故障。通过检测泵出口垂直设置的2个加速度传感器和1个压力传感器可以获得故障特征,12μm球头松动故障下检测到的振动信号,很明显其故障特征被噪声淹没。

      经过 消噪后的振动信号峰值确实在轴频率和其倍频处,结论同故障机理分析。在垂直方向的振动信号和压力信号中,提取信号的均值、有效值、峰值因子、脉冲因子、四次矩、特征频带的能量值和特征频率点的功率谱的幅值为特征量。假设X方向振动信号特征向量的协方差矩阵为RX(7,7)。

      对X方向振动信号特征向量进行PCA分析,得各个特征值对应的贡献率和积累贡献率在满足积累贡献率为85%的条件时应选的特征量有4个,它们是协方差矩阵特征向量的线性组合,同理,可以得到Y方向振动信号和压力信号的新特征向量。由于系统中有2个振动传感器和1个压力传感器,总共提取的原特征量为21个,通过 PCA分析可将故障特征向量减少到了11个。

      针对德国REXROTH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,对德国REXROTH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表示德国REXROTH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。

      5 结论

      本文通过德国REXROTH液压泵出口的振动信号和压力信号,通过 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*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。

    上一篇:没有了下一篇:液压柱塞泵在线冲洗方法