轴向柱塞泵-

多源多特征融合的柱塞泵故障诊断

发布时间：2018/1/16

　　Dempster-Shafer(D—S)证据理论是一种利用多源信息来进行决策的方法。本节提出了一种基于证据理论多源多特征融合的柱塞泵故障诊断方法：首先，对采集信号进行小波消噪；接着利用信号时域、时频域特征量组成特征向量；最后，对液压泵进行故障诊断。
　　1)时域特征量
　　用以诊断机械故障的时域参数很多，并非每一参数对所有机械故障都敏感，要根据具体诊断对象加以选用。一般来说，单个参数诊断并不可靠，应组合选用其中若干个参数来诊断。故障诊断常用的时域参数有有量纲的参数和量纲一的参数之分，而有量纲的特征参数随载荷的变化波动很大，在实际中难以应用，对其进行归一化处理可得量纲一的数字特征参数：波形指标S、峰值指标C、脉冲指标J、峪度L和峭度指标K等。
　　2)时频域特征量
　　时频域特征参数选用各分解频带的信号能量占总能量的百分比。用小波包频带能量分析方法对轴向柱塞泵松靴故障信号进行故障特征向量提取，步骤如下。
　　(1)将泵的信号按以下方法处理：小波包分解一对选定频段重构一阈值去噪一包络解调一隔点采样降至2kHz，将所得信号用Daubechies 5小波进行3层小波包分解，这样在尺度3上形成了23-8个频带。小波包分解可表示为d(0，0)-d(3，0)+d(3，1)+d(3，2)+d(3，3)+d(3，4)+d(3，5)+d(3，6)+d(3，7)式中，d(0，0)表示原始信号，d(1，3)表示小波包分解第歹层第五个频带的小波包系数。
　　(2)对各小波包系数进行重构，提取各频带范围的信号。
　　(3)求各频带信号的能量E3(-0，1，2，…，7)和总能量E。
　　(4)求分解频带的信号能量E3谴占总能量E的百分比。
　　3)构建特征向量
　　在时域选用5个特征参数，即波形指标S、峰值指标C、脉冲指标工、峪度L和峭度指标 K；在时频域选用8个特征参数，即8个分解频带的信号能量占总能量的百分比。由此13个
特征量构成特征向量。信号特征向量提取流程如图所示。
　　3．单源多源多特征融合故障诊断
　　对被诊断对象采用，z个传感器进行监测，每个单源多特征融合故障诊断模块的输出作为 D—S证据理论的一个证据Ai，i∈(1，2，…，行)，用D—S证据理论融合所有的A，判断系统状态，这就是多源多特征融合故障诊断系统，如图4—60所示。
　　4．试验
　　1)试验系统
　　采用如图1所示的试验系统，以系统中的液压泵作为诊断对象。在液压泵故障诊断中，采用NI—USB一6221数据采集卡连接加速度传感器(测量图1中的加速度口)、压力传感器(测量图1中压力户)和噪声传感器(声级计，测量图1中的噪声PL)，对轴向柱塞泵MCYl4—1B进行信号采集。主溢流阀压力为10MPa，采样频率为100kHz，采集时间为10s。首先对泵正常工作时的信号进行采集，然后对缸体与配流盘磨损、中心弹簧失效、松靴这3种故障形式，采集故障信号。

　　图1故障诊断试验系统原理图
2)分析
　　模拟松靴故障，采集柱塞泵在3MPa时200组正常和故障数据，其中160组数据作为神经网络训练数据，另外40组数据作为诊断数据。表是其中5组数据对应的特征级并行局部神经网络诊断模块的输出结果，经证据理论融合的结果。表至表都利用单一信号源来诊断故障，都存在无法正确决策的情况，即使能决策，对缸体与配流盘磨损的支持率也很低；表将3个信号源融合后进行故障诊断，所有数据都能判断出缸体与配流盘磨损，且支持率都很高。折弯机液压故障诊断专家系统
　　可以看出，仅仅利用单一信号源信息进行故障诊断，可信度不高，具有不确定性，甚至有时不能决策；而利用设备多信号源信息进行故障诊断，充分利用了各信号源的冗余互补信息，能大大提高诊断的可信度和准确性。

上一条：轴向柱塞泵的设计原理与工作原理下一条：基于规则的轴向柱塞泵故障诊断专家系统