液壓泵軸承故障診斷的神經網絡方法研究
分享到：

　　在航空工業中，液壓系統的工作性能直接影響著飛機的安全和旅客的生命，而液壓泵是液壓系統的動力源，因此對液壓泵的狀態監控與故障診斷尤為重要。軸承故障是液壓泵常見的故障模式之一，由于軸承故障所引起的附加振動相對于液壓泵的固有振動較弱，因而很難把故障信息從信號中分離開來。到目前為止，對液壓泵軸承故障的故障診斷尚缺少十分有效的方法。本文提出在頻域和倒頻域進行特征提取，旨在解決軸承特征提取困難的問題并利用集成BP網絡解決多故障診斷與識別和魯棒性問題。1　液壓泵軸承故障的特征提取　　對于機械系統而言，如有故障則一定會引起系統的附加振動。振動信號是動態信號，它包含的信息豐富，很適合進行故障診斷。但是如果附加振動信號由于固有信號或外界干擾對故障信號的干擾很大而淹沒，那么如何從振動信號中提取有用信號就顯得十分關鍵。
　　根據摩擦學理論，當軸承流動面的內環、外環滾道及滾柱上出現一處損傷，滾道的表面平滑受到破壞，每當滾子滾過損傷點，都會產生一次振動。假設軸承零件為剛體，不考慮接觸變形的影響，滾子沿滾道為純滾，則有如下損傷振動頻率：
　　當內滾道有一處損傷時，其振動脈沖特征頻率為：fI=frZ(1 dcosα/D)/2　　（1）　　當外滾道有一處損傷時，其振動脈沖頻率為：fo=frZ(1-dcosα/D)/2　　（2）　　當滾柱上有一處損傷時，其振動脈沖特征頻率為：fR=frD(1-d2cosα/D2)/d　　（3）其中：fr－內環轉速頻率；D－軸承的節圓直徑；d－滾柱的直徑；α－接觸角；Z－滾柱個數。
　　為了克服軸承故障信號較弱且容易被液壓泵固有振動淹沒的困難，選用以下抗干擾能力較強的特征作為故障診斷特征參數。
　　（1）振動的平均能量特征
　　設在液壓泵泵體上測得的振動加速信號為：
　　a(t)={a1(t),a2(t),...，an(t)}
　　它是故障信號以泵體傳輸后的信號。根據統計學理論，振動的均方根反映振動的時域信息：　　特征參數有它代表振動信號的有效值，反映振動的平均能量。
　　（2）振動信號的峰值特征Pp=max{a(t)}　　（5）　　它是反映振動信號中周期性脈動的特征量。
　　（3）倒譜包絡特征
　　設f(t)為故障激勵信號，h(t)為傳輸通道的脈沖響應。它們相應的Fourier變換有如下關系：　　對（6）式進行如下變換：式中，τ稱為倒頻率；(τ)為倒頻譜。由上式可以看出故障激勵信號特性和傳遞通道的特性被分離開來了，而一般情況下故障激勵信號與傳遞通道信號占據不同的倒頻區段，這樣可以突出故障振動信號的特性。
　　Hilbert變換用于信號分析中求時域信號的包絡，以達到對功率譜進行平滑從而突出故障信息。定義信號：為最佳包絡。倒譜包絡模型實質是對從傳感器獲得的信號進行倒頻譜分析，然后對其倒頻譜信號進行包絡提取，從而雙重性地突出了故障信息，為信噪比小的故障特征的提取提供了依據。2　集成BP網絡進行故障診斷的原理　　神經網絡的組織結構是由求解問題的領域特征決定的。由于故障診斷系統的復雜性，將神經網絡應用于障診斷系統的設計中，將是大規模神經網絡的組織和學習問題。為了減少工作的復雜性，減少網絡的學習時間，本文將故障診斷知識集合分解為幾個邏輯上獨立的子集合，每個子集合再分解為若干規則子集，然后根據規則子集來組織網絡。每個規則子集是一個邏輯上獨立的子網絡的映射，規則子集間的聯系，通過子網絡的權系矩陣表示。各個子網絡獨立地運用BP學習算法分別進行學習訓練。由于分解后的子網絡比原來的網絡規模小得多且問題局部化了，從而使訓練時間大為減少。利用集成BP網絡進行液壓泵軸承故障診斷的信息處理能力源于神經元的非線性機理特性和BP算法，如圖1所示。