基于小波包变换和RBF网络的液压系统泄漏故障诊断.pdf

《基于小波包变换和RBF网络的液压系统泄漏故障诊断.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

第7期组合机床与自动化加工技术NO．72015年7月ModularMachineTool&AutomaticManufacturingTechniqueJu1．2015文章编号：1001—2265(2015)07—0077—03DOI：10．13462／j．cnki．mmtamt．2015．07．021基于小波包变换和RBF网络的液压系统泄漏故障诊断水王武(许昌学院电气信息工程学院，河南许昌461000)摘要：液压系统泄漏故障原因众多，故障机理复杂，常规手段难以取得较好的故障诊断效果。提出基于小波包变换和RBF神经网络相结合的故障诊断方法。给出了基于小波包的故障特征提取方法和RBF神经网络训练算法。通过试验获取液压系统的振动信号，通过三层小波包分解，获取8个频段的能量信号，并以此作为神经网络的输入，通过网络训练，进行故障特征识别。该方法将小波包的时频分解能力和RBF神经网络的学习能力有机结合，取得了较高的故障诊断效率。关键词：液压泄漏；小波包；RBF神经网络；故障诊断；特征提取中图分类号：TH165；TG65文献标识码：AHydraulicSystemLeakageFaultDiagnosiswithWaveletPacketTransformandRBFNeuralNetworkWANGWu(SchoolofElectro-informationEngineering，XuchangUniversity，XuchangHenan461000，China)Abstract：Conventionalmethodwasdificulttoacquiregoodfaultdiagnosiseffectsfortherewerevariousfaultmechanismsandtypesinhydraulicsystemleakage．AnewmethodwaspresentedwhichbasedonwaveletpackettransformandRBFneuralnetworks，thefaultfeaturesextractionwithwaveletpacketdecom—positionandRBFneuralnetworklearningalgorithmwasproposed．Thevibrationsignalwascollectedwithexperiment，withthreelayerwaveletpacketdecomposition，the8bandsenergyofdifferentfrequencywasgetandserveastheinputofRBFneuralnetworks，withthetrainingofRBFneuralnetworks，thefaultwasrecognized．Thismethodcombinedthehightime—frequencyresolutionfeatureofwaveletpackettransformwiththelearningabilityofRBFneuralnetworks，SOthehigherdiagnosisprecisionandeficiencywasgot．Keywords：hydraulicleakage；waveletpacket；RBFneuralnetworks；faultdiagnosis；featureextraction液压系统故障诊断问题受到了广大学者的关注，0引言有文献提出基于经验模式分解和包络谱分析相结合的液压系统广泛应用于工业控制和伺服传动系统方法，将其应用于液压泵故障诊断，克服了早期诊断中中，液压系统往往具有结构复杂、参数非线性和随机性信号微弱的不足；有文献针对液压缸泄露故障诊断强的特点。液压系统的故障不仅对液压系统自身有影中时域参数多的问题，提出采用成分分析和BP神经响，而且会造成间接的生产损失，进行液压系统早期状网络相结合，提高诊断速度和实时性；有文献根据小态检测和故障诊断，有助于防止意外事故发生，实现液波分析与信号奇异性之间的关系，提出泵控马达故障压设备的良好管控与维修保养⋯。在液压系统中，诸特征频率点序列，应用小波包分析抽取时域特性，通过如液压泵、液压马达等设备，往往以周期方式运行，具能量分布解决了液压系统泄漏故障诊断；有文献对有固定频率的振动或脉动的压力，对其信号进行频谱飞机液压系统压力信号进行小波包分解，提取小波包分析，可以发现故障点，然而在液压系统中，大多数液压元件及回路以非周期、非平稳方式运行，且存在大量特征，并作为ARTI神经网络的训练样本，实现了智能诊断-o；有文献将小波去噪应用于液压系统故障诊断，随机性特征，平稳信号的处理方法不足以解决实际问题。小波变换是傅里叶变换的发展和延伸，具有良提高了故障诊断的精度；有文献分析了传感器与液好的时频局部化能力和多分辨率特点，被誉为“数学压缸各故障源之间的信度函数，并基于D—S融合理论显微镜”，特别适宜于非平稳信号处理。构建了检测系统。由于液压系统的故障信息众多，收稿日期：2014—09—26基金项目：河南省科技厅科技攻关计划资助项目(122102210416)作者简介：SE武(1978一)，男，兰州人，许昌学院副教授，硕士，研究方向为控制理论与控制工程研究，(E—mail)xcu_wangwu@sina．corn。 ·78·组合机床与自动化tn-r技术第7期本文仅以液压系统泄漏故障为研究对象，通过小波包(1)确定输入向量、输出向量和期望的输出向量；分解进行特征提取，结合神经网络的非线性映射能力，(2)参数初始化，包括参考中心初始化、中心参数完成液压系统泄漏故障检测。初始化、宽度向量初始化；(3)计算隐层神经元和输出层神经元输出；1小波包变换及故障特征提取一1．1小波包分析理论I『)㈥令满足下列递归的双尺度方程：【Y=∑()=∑(2t一)1(4)给定学习因子和动量因子，进行网络迭}(1)代训练，其算法为：+(f)=∑g(2t一)J式中h为尺度系数，g为小波系数。则称函数的集合tOk1(t)=eokj(f一1)一叩{(t))为由。(t)=(t)所确定的小波包]。小[(t一1)一∞目(t一2)](6)波包是包括尺度函数和小波函数的一个具有一定联系()(一1)一叼的函数集合。[(t一1)一(t一2)](7)小波包分解有尺度参数、平移参数和频率参数，是一种精细的分解方法，用∞：和将空间不断的二)=)一'7+进滤波为相对低频和相对高频的两个子频带，具有更[(t一1)一(f一2)](8)好的时频特性。由上一频带的小波包系数，按式其中，E为RBF神经网络的评价函数：dl=∑‘1E=了1∑∑(y一D)(9)}(2)-l=1=1矿=∑g一·IlnJ(5)计算网络输出的均方根误差：计算，可快速分解得到两个子频带小波包系数。RMs=^J匝qN(10)小波包重构算法为：若RMS≤，训练结束。=∑[hl-2k+g1-2k](3)3液压泄漏故障诊断试验及分析1．2故障特征提取方法基于小波包分解和RBF神经网络的液压系统泄造成液压系统泄漏的故障原因众多，管路系统装漏故障诊断试验流程如图2所示，首先通过试验台和配不良及松动、元器件结合面不平整、滑动表面粗糙、各种信号检测装置完成信号检测，通过小波包分解和旋转轴密封不良等均会造成液压系统泄漏故障，泄漏重构进行信号处理，求出各子频带信号能量，进行能量故障一方面会引起介质浪费和环境污染，另一方面会谱分析，并以此构造特征向量；构建神经网络训练的样造成液压系统建压困难、速度变慢，导致液压系统效率本库，完成结构设计和网络训练，给出故障诊断结果。下降和工作不稳定。在小波包能量谱中，选取各个子以某泵控马达振动加速度空间内信号的平方和作为能量标志，设小波包子空间信号为特征，进行系统泄漏故l试验及数据检测}样本长度为m，小波包变换的序列为{W(k)，k=1，障状态检测，振动信号采样频2，⋯，m}，则其能量可描述为：小波包分解率为100kHz，提取各频段的能和能量谱分析G=∑IW()f(4)量分布并进行小波包分解，在神经网络样本库构建MATLAB环境下调用小波包分2RBF神经网络神经网络结构设计解函数wpdec，此处以shannon径向基网络的传递函数是以输入向量和阈值向量之间的熵标准进行小波包分解。神经l神经网络训练l●距离lIx—cjll作为自变量，典型的Gaussian核的RBF神经网络结构设计为8个输入节故障诊断输出元模型结构如图1所示⋯：点，X=[，。⋯，，]代表小波包分解的八个频段信号图2故障诊断试验流程特征矢量，输出层设计为3个神经元节点，Y=[YYY。】代表严重泄漏，轻微泄漏和无泄漏三种状态。在MATLAB环境下进行离线仿真，选取72组样本数据，其中前64组作图1RBF神经元模型为训练样本，后8组作为测试样本，部分样本数据RBF网络训练步骤如下：如表1所示。 2015年7月王武：基于小波包变换和RBF网络的液压系统泄漏故障诊断·79·表1部分样本数据的能量矢量。通过三层小波包分解，将获取的能量矢特征样本输出向量故障类型量划分为8个频段，以此作为RBF神经网络的输入，O．37l20．85560．ool10．5012(O．0125，0．o027，无泄漏通过设计8_22．3的神经网络，可以识别出无泄漏、轻微0．38120．744O．0ol30．49870．1084)0．35620．90590．Ooo70．4998(O．01o4，0．Ooo9，泄漏以及严重泄漏三种故障。该方法将小波包时频分0．31200．89650．o0l80．50620．0216)无泄漏析的优点和RBF神经网络的非线性映射能力相结合，O．18720．48590．88o90．7215(0．2o04，0．5109，轻微泄漏能够较好的反映故障特征和其频域特征向量之间的关0．10260．45070．90130．79810．4216)0．19980．5O460．89170．7796(O．2178，0．6214，轻微泄漏系，具有较高的故障识别率。0．14320．48ll0．85270．80160．5103)[参考文献]O．35240．81520．6o140。7952(0．4173，0．8212，严重泄漏[1]贺湘宇，何清华．基于多网络模型的工程机械液压系统故O．3o680．8lo60．62180．8oo30．9109)O．36o20．809lO．60410．7944(O．5021，0．83o4，严重泄漏障诊断研究[J]．中南大学学报(自然科学版)，2010，410．30720．80240．73020．81650．9428)(4)：1385—1390．在MATLAB环境下完成网络训练，训练步长设为[2]鞠文煜．基于小波包分解和RBF神经网络的民机液压泵2000，网络训练均方差设为0．001，具体网络训练曲线源故障诊断研究[J]．液压气动与密封，2012，32(6)：16—19．如图3所示，网络结构设计为8．14．3时，网络训练速度[3]唐宏宾，吴运新，滑广军，等．基于EMD包络谱分析的液较慢，2000步内未达到设定的误差范围，网络结构设压泵故障诊断方法[J]．振动与冲击，2012，31(9)：计为8-22_3，在训练至1200步左右，达到了设定的范44—48．围。[4]唐宏宾，吴运新，滑广军，等．基于PCA和BP网络的液压油缸内泄露故障诊断[J]．中南大学学报(自然科学版)，2011，42(12)：3709—3714．[5]罗守华，颜景平，王积伟．基于小波包分析的液压系统泄漏故障诊断新方法[J]．制造业自动化，2004，26(3)：70—72．[6]刘泽华，李振水．基于小波包特征熵的飞机液压系统故障诊断方法研究[J]．计算机测量与控制，2009，17(9)：1705—1707．[7]何德虎，谢建．基于小波分析的液压系统故障特征提取研究[J]．机床与液压，2011，39(13)：145—147．[8]蔡伟，徐文华，李慧．基于多传感器数据融合的液压缸泄露检测技术[J]．液压与气动，2013(2)：89—91．[9]李运红，张滂涛，裴未迟．基于小波包．Elman神经网络的电机轴承故障诊断[J]．河北理工大学学报(自然科学训练步长图3神经网络训练曲线版)，2008，30(4)：81—85．[10]王凡重，田幕琴．基于RBF神经网络和小波包的电机故3结束语障诊断研究[J]．工矿自动化，2011，37(2)：49—51．液压系统故障众多，检测难度较大，论文以液压系[11]刘海波，杨建伟，蔡国强，等．改进小波包与RBF网络在统泄漏故障诊断为研究背景，提出了采用小波包分解轴承故障诊断中的应用[J]．机械设计与研究，2010，26的方法，进行故障特征提取，以此构造代表其泄漏故障(2)：92—94．(编辑李秀敏)(上接第76页)[6]宋志刚．利用数字图像处理技术检测锥螺纹[D]．长春：[参考文献]吉林大学，2004．[1]赵秀锦，候学晖．图像处理在零件检测中的应用[J]．微计[7]黄志辉，龙赛琼，张利，等．基于图像处理技术的机械零件算机信息，2008，24(8)：306—307．小孔径尺寸测量方法[J]．计算机测量与控制，2006，14[2]朱铮涛，姚钦，任涵文．基于图像处理的液晶保护屏玻璃(5)：592～593，606．板在线尺寸检测[J]．组合机床与自动化加工技术，2010[8]万好，肖尧先，李伟光．基于机器视觉的发动机气门人模(3)：55—58．状态检测[J]．机电工程技术，2014，43(4)：7—11．[3]陈向伟，王龙山，刘庆民．图像技术在微小零件几何尺寸[9]李帅，卢荣胜，史艳琼，等．基于高斯曲面拟合的亚像素边测量中的应用[J]，工具技术，2005，39(8)：86—89．缘检测算法[J]．工具技术，2011，45(7)：79—82．[4]赵永涛．基于CMOS的机械零件尺寸测量研究[D]．西[10]张少军，艾矫健，李忠富，等．利用数字图像处理技术测安：西安工业大学，2010．量几何尺寸[J]．北京科技大学学报，2002，24(3)：[5]阮秋琦．数字图像处理学[M]．北京：电子工业出版社，284—287．(编辑李秀敏)2001．