|
摘要：研究了基于集成BP網絡的液壓泵軸承故障診斷方法。利用頻域和倒頻域 進行特征提取，采用集成BP網絡進行故障診斷和識別，解決了液壓泵軸承故障特征提出困難 、多故障識別困難的問題。試驗結果表明，利用集成BP網絡可以有效地診斷與識別液壓泵軸承多故障模式，并且具有很強的魯棒性。
關鍵詞：液壓泵；軸承故障；故障診斷；集成BP網絡
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。
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。
3、神經網絡魯棒性的研究
神經網絡的魯棒性是指神經網絡對故障的容錯能力。眾所周知，人腦具有容錯特性，大腦中個別神經元的損傷不會使它的總體性能發生嚴重的降級，這是因為大腦中每一概念并非只保存在一個神經元中 ，而是散布于許多神經元及其連接之中。大腦可以通過再次學習， 使因一部分神經元的損傷而淡忘的知識重新表達在剩余的神經元中。由于神經網絡是對生物神經元網絡的模擬，所以神經網絡的最大特征是具有“聯想記憶”功能，即神經網絡可以由以往的知識組合，在部分信息丟失或部分信息不確定的條件下，用剩余的特征信息做出正確的診斷。表2給出了軸承6個特征信息中某些輸入特征不正確或不確定情況下正確診斷和識別的成功率。
表1 神經網絡魯棒性統計表
輸入特征不確定元素 診斷成功率
一個特征參數不確定 100％ 二個特征參數不確定 94％ 三個特征參數不確定 76％
四個特征參數不確定 70％ 五個特征參數不確定 20％ 六個特征參數不確定 8％
由表1可以看出，利用集成神經網絡進行故障診斷可以在丟失了大量信息的情況下（近一半特征參數不確定）仍可以作出正確判斷的成功率相當高（76％~100％）因而集成神經網絡具有很強能力．
5 結論
由于神經網絡具有自學習、自組織、聯想記憶等多種功能決定了神經網絡方法是很適合于進行故障診斷研究。本文利用頻域和倒頻域的振動信號作為特征參數，利用集成BP網絡實現了液壓泵軸承的多故障診斷與識別。試驗結果表明，該方法具有很高的成功率和魯棒性.
|
