液压泵轴承问题

hzskfnskfag

液压泵轴承故障诊断网络法研
在航空工业中，液压系统的工作性能直接影响着飞机的安全和旅客的生命，而 液压泵 是

液压系统的动力源，因此对 液压泵 的状态监控与故障诊断尤为重要。 轴承 故障是 液压

泵 常见的故障模式之一，由于 轴承 故障所引起的附加振动相对于 液压泵 的固有振动较

弱，因而很难把故障信息从信号中分离开来。到目前为止，对液压泵 轴承 故障的故障诊
& O6 P+ J; Q! v- z! g: T% v
/ Y! R$ h6 b+ s2 C9 T  }断尚缺少十分有效的方法。本文提出在频域和倒频域进行特征提取，旨在解决 轴承 特征

提取困难的问题并利用集成BP网络解决多故障诊断与识别和鲁棒性问题。
5 s+ z7 X9 N$ ]     
3 J& `& G6 S( e+ w     1液压泵轴承故障的特征提取
. u1 F% E% g1 b6 @1 p     
     对于机械系统而言，如有故障则一定会引起系统的附加振动。振动信号是动态信号，它包

含的信息丰富，很适合进行故障诊断。但是如果附加振动信号由于固有信号或外界干扰对故

障信号的干扰很大而淹没，那么如何从振动信号中提取有用信号就显得十分关键。
     
+ ?; X0 ^2 }1 w& k% z' b) D, f- w     根据摩擦学理论，当轴承流动面的内环、外环滚道及滚柱上出现一处损伤，滚道的表面

平滑受到破坏，每当滚子滚过损伤点，都会产生一次振动。假设轴承零件为刚体，不考虑接
: z4 f1 B! R2 i% [4 }
触变形的影响，滚子沿滚道为纯滚。
     
     Hilbert变换用于信号分析中求时域信号的包络，以达到对功率谱进行平滑从而突出故障信
, Y: C4 f$ ]0 q5 T
/ \! j; Z8 M* L: V8 H/ L息。定义信号：为最佳包络。倒谱包络模型实质是对从传感器获得的信号进行倒频谱分析，

: @5 w7 m! X6 @4 D然后对其倒频谱信号进行包络提取，从而双重性地突出了故障信息，为信噪比小的故障特征

, [8 @7 x- y# x5 `- m+ S的提取提供了依据。
7 a  d( h9 p$ U+ i+ e     
     2集成BP网络进行故障诊断的原理
6 T, l: p5 i! I     
( ^' @. Q8 N9 t5 G* w) u: p' v     神经网络的组织结构是由求解问题的领域特征决定的。由于故障诊断系统的复杂性，将神
; l1 m8 g- W+ Y( f! L: @. q* F1 T
0 o+ ~5 |) L% H6 u$ i, c0 }' ~  `8 g经网络应用于障诊断系统的设计中，将是大规模神经网络的组织和学习问题。为了减少工作

' `: c$ i. D, \, q的复杂性，减少网络的学习时间，本文将故障诊断知识集合分解为几个逻辑上独立的子集合，
% S/ h% u2 c) B+ ^+ \; b7 H
8 H& h( S- V& ^0 T: D每个子集合再分解为若干规则子集，然后根据规则子集来组织网络。每个规则子集是一个逻
1 T1 Z: D+ l) A  Y
; |/ w* \7 b; e/ `- u0 q辑上独立的子网络的映射，规则子集间的联系，通过子网络的权系矩阵表示。各个子网络独
) L* }# ]" J, Y
立地运用BP学习算法分别进行学习训练。由于分解后的子网络比原来的网络规模小得多且
# q+ K) H+ T( U+ `- r% A  Y- N
问题局部化了，从而使训练时间大为减少。利用集成BP网络进行液压泵轴承故障诊断的信

/ X; q9 K! q4 C( b息处理能力源于神经元的非线性机理特性和BP算法。
     
     3、神经网络鲁棒性的研究
2 D: S2 X6 H8 V     
     神经网络的鲁棒性是指神经网络对故障的容错能力。众所周知，人脑具有容错特性，大脑
3 m" s& w0 [: ~% ?7 _. J
中个别神经元的损伤不会使它的总体性能发生严重的降级，这是因为大脑中每一概念并非只
& b3 U8 x) ?+ c/ j
保存在一个神经元中，而是散布于许多神经元及其连接之中。大脑可以通过再次学习，使因

$ a, U% l8 y0 x. e一部分神经元的损伤而淡忘的知识重新表达在剩余的神经元中。由于神经网络是对生物神经
2 }8 T6 u* E5 ~
& [' z% d$ V- Y: d9 x% @' T; [元网络的模拟，所以神经网络的最大特征是具有“联想记忆”功能，即神经网络可以由以往的

1 p  }, i# H* V5 ]; ~$ v知识组合，在部分信息丢失或部分信息不确定的条件下，用剩余的特征信息做出正确的诊断。
8 I, w# x& B* i6 x+ y4 D
. j7 z5 ]5 G5 p+ `表2给出了 轴承 6个特征信息中某些输入特征不正确或不确定情况下正确诊断和识别的成功

' H4 h! b+ i$ ]率。
     
7 Z2 s9 h( C3 W: A* g0 j     表1神经网络鲁棒性统计表
     
     输入特征不确定元素诊断成功率
     
+ ]2 t+ ~0 p/ K3 Q4 F     一个特征参数不确定100%
9 I, S( Y6 P8 w5 B, I: A& y1 W  t. X( B     
% E$ C! C: _: ~5 W     二个特征参数不确定94%
7 x& L* q0 v1 t' [1 Z     
8 ?, A: I  u% t. p0 M7 Q" ~     三个特征参数不确定76%
     
2 A6 J1 O9 t' J- a  e: P     四个特征参数不确定70%
     
4 o! K$ d/ e9 G. v& |     五个特征参数不确定20%
% k2 M- n& W) J5 D7 _     
     六个特征参数不确定8%
: Q- B4 t4 ?/ \- L     
     由表1可以看出，利用集成神经网络进行故障诊断可以在丢失了大量信息的情况下(近

8 E9 x7 u6 d; s. E- S1 a  h. ?一半特征参数不确定)仍可以作出正确判断的成功率相当高(76%~100%)因而集成神经网络

具有很强能力。
2 o# [/ Q# C/ C* N- O
9 n+ c- A# M3 @4 A