基于小波包能量谱-神经网络的液压泵故障诊断
基于小波消噪的液压泵故障诊断
基于小波消噪的液压泵故障诊断李自光周小峰（中国长沙科技大学机械动力自动化学院）概述：本文在传统方法和波形方法上进行了一个对比。
传统的方法在时常发生的领域被认为是一种信号，他的不一致在特定的时间不能有和在时间任何的突然变化轴将会影响整个的信号波图解。
对平稳在方法上面只是合理的信号, 除了非平稳以外。
后者可以在同时发生处理及时领域和时常发生的领域之间的信号。
经过用波形分解信号，把握波形转换成你选择的频率的结果，在根据测试信号很容易去加强失败的信号，因此它能区别突然变化的噪音和变化不明显的噪音去分散显著的噪声。
对于上述的问题，这篇文章指出液压泵的主要失效形式是疲劳断裂，表面磨损和气体腐蚀。
这些失效形式可以破坏配流盘和滑靴之间的油薄膜而发生摩擦。
摩擦带来附加的振动信号，因此，我们必须在液压泵壳体中装感应器来获得失效特性。
用小波来分解和重新配置测量信号，很容易消除噪声和有效地加强失效信号。
实验结果指出当配流盘和滑靴在液压泵中发生摩擦时，小波分析法能把信号分解成为多频率谱。
依照信号特性，自适应地选择频率谱来加强失效信息，因此认为过失诊断是基于小的 SNR(信号-到-噪音等级) 信号的。
实验的结果指出此方法是能实行的。
关键词：小波分析法活塞泵过失诊断0 引言传统的信号消噪方法是将信号完全在频率域中进行分析,它们的不一致性不能给出信号在某个时间上的变换情况，使得信号在时间轴上的任何一个突变都会影响信号的整个谱图。
这些方法都是针对平稳信号的，对于非平稳信号均不适用。
小波分析可以同时在时域和频域中对信号进行分析[1]，所以它能有效地区分信号中的突变部分和噪声，实现信号的消噪。
1 小波分析理论小波分析是一种窗口大小(窗口面积)固定，但是形状可以改变、时间和频率窗可以改变的时频局部化分析方法，即在低频具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率[2]。
小波分解与FFT变换的区别是小波分解是利用具有紧支结构的小波函数进行分解，分解出来的信号是具有不同尺度(频率特性)和时间的各种小波函数；而FFT 变换是利用正弦函数进行分解，分解出来的信号是不同幅值和频率的正弦函数。
基于小波包频带能量检测的神经网络故障诊断技术
Ａｂｓｒ ｃ Ｉ ｅ ｒ ｌｎ ｔ ｒ ａ ｌ ｉｇ ｏ ｉ ｅ ｈ ｏ ｏ ｙ，ｈ ｖ ｌ ｔｆｅ ｕ ｎ ｙ ｂ ｎ ｎ ｒ ｅ ｅ ｔ ｎ ｔ ｃ － ｔ ａ ｔ：ｎ ｎ ｕ ａ ｅｗｏ ｋ ｆ ｕ ｔｄ ａ ｎ ｓｓｔ ｃ ｎ ｌｇ ｔ ｅ ｗａ ｅｅ ｒ ｑ ｅ ｃ ａ ｄ ｅ ｅ ｇ ｄ ｔｃ ｉ ｅ ｈ ｙ ｏ ｎ ｌｇ ａ ｅ ｕｓ ｄ ｔ ｒ ｃ ｓ ｈ ｂ ｅ ｖ ｔ ｎ ｓｇ ａ ， ａｎ ｔ ｅ ｉｆ ｒ ｔｏ ｈａ ｅ ｅ ｔｆｕ ｔｃ ａ ａ ｔｒｓｉｓ， ｏ ｏ ｃ ｎ ｂ ｅ ｏ ｐ ｏ ｅ ｓｔ ｅｏ ｓ ｒ ａｉ ｉ ｎ ｇ ｉ ｈ ｎｏ ｍａｉｎ ｔ ｔｒ ｆ ｃ ａ ｌ ｈ ｒ ｃ ｅ ｔ ｙ ｏ ｌ ｌ ｉ ｃ
ＷＡ Ｇ Ｋ ｎ Ａ ａｔ ｇ Ｅ Ｇ ａ ｇ ｕ Ｎ ｕ ，Ｈ Ｎ Ｈｕ —ｎ ，Ｈ ｕ ｎ － ｎ ｉ ｊ
（ ｉ ｉ ｓ ｔｅ ｉ ＦｒｅＥ ｇ ｅｆ ｇＵ ｉ ｒ ｔ，Ｓｎｕｎ ７ ３ ０ ，Ｃ ｉａ Ｍ ｓ ｌ Ｉ ｔｕ ，Ａ ｒ ｏ ｎｉ ｅ ｎ ｎ ｅｓｙ ａｙ ａ １８０ ｈｎ ） ｓｅ ｎ ｉ ｔ ｃ ｎ ｉ ｖ ｉ
维普资讯
第 ｌ ９卷第 ３期
２０ ０ ７年 ６月
军
械工程学来自院学报
Ｖｏ ９ Ｎｏ ３ Ｌｌ ．
Ｊｕ ｎ ｌ ｆＯ ｄ ａ ｃ ｇｎ ｅｉｇＣ Ｕ ｇ ｏ ｒａ ｒｎ ｎ ｅＥｎ ｉｅ ｒｎ ｏ ｅｅ ｏ
Ｊｎ ｕ ．，２ ０ ０７
ｎ ｌｇ ｏ ｐ ｃ ｕ ｈｅ ｃ ａ ａ ｔｒｓｉ ｅ ｔ ｒｆｏ ｏ ｓ ｒ ａｉ ｎ ｓｇ ａ ， ｎ ｈ ｅ ｏ ｓｂ ｓ ｄ ｏ ｏ ｓ ｖ ｌｔ ｏ ｏ ｔ ｉｋ ｐ ｔ ｈ ｒｃ ｅ ｔｃ ｖ ｃｏ ｒ ｍ ｂ ｅ ｔｏ ｉ ｌ ａ ｄ ｔ ｅ ｍ ｄ ａ ｅ ｎ ｌ ｏ ｅ ｗａ ｅ ｅ ｙ ｉ ｖ ｎ ｈ ｔ ｎ ｕ ａ ｅｗｏ ｋ ｆ ｕ ｔｄ ａ ｎ ｓｓ Ｆｉ ａｌ ｏ ｘ ｍｐ ｅ ｆｍｉｓｌ ｕ ｄ ｒｓ ｓｅ ｆｉｕ ａ ｎ ｓｓａ ｅｇ ｖ ｎ， ｅ ｒ ｎ ｔ ｒ ａ ｌ ｉｇ ｏ ｉ． ｎ ｙ ｓ ｍｅｅ ａ ｌ ｓｏ ｓ ｉｅｒ ｄ ｅ ｙ ｔ ｍ ａｌ ｒ ｄｉｇ ｏ ｉ ｒ ｉｅ ｌ ｌ ｅ ａ ｓｍｕ ａｉ ｎ ｅ ｐ ｒｍｅ ｔｉ ｒ ｓ ｎｔｄ， ｎ ｅ ｅ ｅ ｔｖ ｎ ｓ ｆｔ ｉ ｔ ｏ ｓ ｐ ｖ ｄ． ｉ ｌｔ ｘ ｅ ｏ ｉ ｎ ｓｐ ｅ ｅ ｅ ａ ｄ ｔ ｆ ｃｉｅ ｅ ｓｏ ｓｍｅ ｄ ｉ ｒ ｅ ｈ ｈ ｈ ｏ Ｋｅ ｒ ｓ： ｖ ｌｔｐ ｃ ｅ ；ｒ ｑ ｎ ｙ ｂ ｎ ｎ ｒ ｅ ｅ ｔ ｎ；ｏ ｓ ｖ ｌｔｎ ｕｒ ｅ ｗｏ ｋ；ａ ｌ ｉｇ ｏ ｙ ｗｏ ｄ ｗａ ｅ ｅ ａ ｋ ｔ ｆｅ ｕｅ ｃ ａ ｄ ｅ ｅ ｇ ｄ ｔｃ ｉ ｌｏ ｅ ｗａ ｅ ｅ ｅ ａ ｎ ｔ ｒ ｆｕ ｔｄ ａ ． ｙ ｏ ｌ ｎ ｓｓ；ｕ ｄ ｒ ｓ ｓｅ ｉ ｒ ｄ ｅ ｙ ｔｍ
基于小波包能量和神经网络的柱塞泵故障诊断
关 键 词 ： 波 包能 量 ， 塞 泵 ， 障诊 断 ， 经 网络 小 柱 故 神
中 图分 类 号 ： Ｕ ４ Ｔ ６６ 文 献标学 习 过 程 中对 于 给 定 的 二 维 空 间 ｆ ，） （ Ｙ，
率设置 为 １ Ｈ 。针对其 大轴承 内圈 缺陷 、 ０ｋ ｚ 大轴 承滚珠 缺陷 、 柱 塞 松靴 、 斜盘磨损 、 配流盘磨损以及正常 ６种 状态进行 数据采 集。 其 中 大 轴 承 的 缺 陷 是 分 别 在 轴 承 内 圈 和滚 珠 上 加 工 一 道 深 ０ ２ｍ 宽 ０ ３ｍｍ的凹槽 ， ． ｍ， ． 柱塞松靴 、 盘磨损和 配流盘磨 损选 斜
择 的是 某 混 凝 土 泵 车生 产 厂家 提 供 的 自然 故 障件 。
／
．
ｒ■—： 、 （ ） ／ ／
（） １
其 中 ， 为小 波 包 分 解 第 层 的第 ｍ 个 频 段 的 归 一 化 能 量 ； 为小 波包 分解 层 数 ，＝０ １ … ， ； 为 信 号 分 解 后 每 个 分 解 层 的 Ｊ ，， Ｌ ｍ
则 Ｒ Ａ 并 外 柱 塞 泵运 行 情 况 对 系 统 其 他 元 件 的 寿 命 也 有 很 大 的 影 响 。研 相 同 ， Ａ Ｌ 聚 类 正 确 ，Ｒ 自动 将 试 验 性 类 变 为 确 定 类 ， 生 成 输 入 （ ｙ 和 输 出 ，） 的 映射 关 系 ， ，） Ｙ问 否则 Ａ Ｔ Ｒ ａ自动 加 大 聚 究柱塞泵的智能诊断 方法 ， 以降低 对维修 人员 经验 的依赖 性 ， 可 再 Ｙ进 直 并且可以提高诊 断效 率和准确率 ， 降低故 障发 生 的风 险。工程机 类 精 确 度 ， 次 对 ， 行 试 验 性 聚类 ， 到该 试 验 类 被 判 决 器 确 二 Ｙ Ｒ Ｒｂ Ｙ 所 械 用 柱 塞 泵 工 作 环 境 一 般 较 为 恶 劣 ， 作 过 程 中 背 景 噪 声 很 大 ， 认 。学习完毕后 ， 维信 息 ， 送 入 Ａ 和 Ａ Ｔ 指示 ， ） 工 时域 、 频谱等传统信 号分析 方法 很难将 故 障特征 频率提 取 出来 ， 在 类 号 。 轴 承 、 塞 等 微 弱 故 障 信 号 往 往 被 泵 中 的 配 流 冲 击 、 量 脉 动 等 柱 流 引 起 的振 动 所 淹 没 。
基于神经网络的叶片泵故障诊断与应用的开题报告
基于神经网络的叶片泵故障诊断与应用的开题报告一、选题背景叶片泵是一种常用的流体传输设备，在工业生产中得到广泛应用。
然而，叶片泵的故障率比较高，一旦发生故障，容易导致生产停滞和质量问题，对企业的生产和经济损失都将很大。
因此，实现叶片泵的故障诊断和预测具有重要的实际意义。
目前，传统的叶片泵故障诊断方法主要包括振动分析、声学分析、温度分析等。
这些方法需要安装传感器并进行数据采集，然后使用信号处理和机器学习算法进行分析。
虽然这些方法已经可以实现一定程度的故障检测和预测，但是其依赖于传统特征提取方法，需要人工进行特征选择，而且处理效率和准确性有限。
因此，进一步研究和开发基于神经网络的叶片泵故障诊断方法已经成为重要的研究方向。
二、研究内容和目标本次研究的主要内容是基于神经网络的叶片泵故障诊断与应用。
具体而言，将通过以下步骤来完成研究：1. 收集叶片泵运行数据，包括正常运行和故障状态下的振动、声音、温度等信号数据。
2. 基于卷积神经网络(CNN)和递归神经网络(RNN)等深度学习算法进行特征提取和分类训练，建立基于神经网络的叶片泵故障诊断模型。
3. 对建立好的叶片泵故障诊断模型进行实际应用验证，包括在不同负载工况下对叶片泵运行状态进行实时监测和预测。
4. 分析和评估基于神经网络的叶片泵故障诊断方法的效果和优缺点，比较不同神经网络算法在叶片泵故障诊断上的表现。
本研究的目标是开发出高效、准确的基于神经网络的叶片泵故障诊断方法，实现对叶片泵的实时监测和故障预测，提高叶片泵的可靠性和生产效率。
三、研究意义和价值1. 针对叶片泵故障诊断难题，提出了新的、高效的基于神经网络的叶片泵故障诊断方法。
这种方法不需要再手动选择特征变量，而是通过深度学习算法从原始数据中提取特征，大幅提高了故障诊断准确率和效率。
2. 通过实现叶片泵的实时监测和智能预测，能够减少生产线的停机维修时间，提高设备利用率和生产效率，降低企业的生产成本和经济损失。
基于小波神经网络的液压传感器的故障诊断研究
信 号 中 的不 同频 率 成分 进 行 分 解 ， 而能 够 有 效 地 进 从
传感器通常是 由精密元件构成的 ， 在对机械系统进行
状 态 监测 过程 中 ， 液压 传感 器经 常受 到高 温 、 高压 的 恶
行滤波 、 信噪分离 ， 进而为故障信号处理 中进行特定频 段 的提取 提 供有效 的解决 方法 。
ｍｅ ｈ ｄ ａ ｄ ｈｌ ｅ ｔ ｓ ｅ ｔ ｍ ｏ ｔ ｅ ｆ ｕ ｔｄ ａ ｎ ｓｓ ｏ ｏｌ ｒ ｔ ｏ ｎ ｉ ｒ ｐ ｃｒ ｂ ｕ ｔ ｈ ａ ｌ ｉ ｇ ｏ ｉ ｆｒ ｌ ｅ
２０ ， １ ） ２ ９— ７ ． ０ ５ （ ９ ：５ ２ ０
［ ］ Ｌ Ｅ Ｓ Ｃ Ａ ＧＬ Ｍ，ＫＢ Ｉ ＷＳ Ｉ Ａ ｔ ｔｄｒ ｏｎ— ４ Ｅ ， Ｈ Ｎ Ｓ Ｉ ＮＥ Ｋ Ｍ． ｕｏ ｅ ｃｇｉ ｍａ ｅ
｛卜—： —＊ ｝ ・ ｝ － ＊ ＊ ÷｝
小波 分析 具有 非 常 强 的特征 提 取 能力 ， 可 以将 他
故障诊断 中的应用 ［ ］ 内燃机 ，０ ８ （ ）３ ３ ． Ｊ． ２ ０ ，２ ：１— ４ ［ ］ Ｄ ｊ ｕ Ｊｎｈｎ ｈｎ ， ｕ Ｙ ｎ ． ｐ ｌａｉ ｆＥ ３ ｅ ｅＹ ，ｕ ｓｅｇ Ｃ ｅ ｇ Ｙ ａｇ Ａ ｐｉ ｔ ｎ ｏ ＭＤ ｉ ｃ ｏ
键 技 术 问题 。
Ｗ ａ ） ｆ ）％ ｆ， ＝１ ￡，ｆ ｄ （６ ｔ ｆ
４ ａ 、 ａ
＝＜
） ． ｔ ＞ ， ｂ ） （
（） １
其 中 ， 表 示 小 波母 函数 ； ａ表示 尺 寸 系数 ； ｂ表 示 时 间中心 系数 。 小 波分 解 能够将 信 号 分 解 为 两类 信 号 ， 分别 是 低
用 。首先 ， 立 了小波神 经 网络 的数 学模 型 ； 着 ， 建 接 分析 了小 波神 经 网络 的 算法和 实现 步骤 ； 最后 对 液压 传感 器的 六种 故 障模 型进 行 了故 障诊 断 ， 断结果 表 明 小波神 经 网络具 有较 高的诊 断精度 。 诊 关 键词 ： 小波神 经 网络 ； 压传 感 器 ； 障诊 断 液 故
基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究
关键词 ： 民机 液 压泵 ； 波包 分解 ： Ｂ 小 Ｒ Ｆ神 经 网 络 ； 障诊 断 故
中 图 分 类 号 ：Ｈ１ ７１ Ｔ ３． 文 献标 识码 ： Ａ 文 章 编 号 ：０ ８ ０ １ （ ０ ２ ０ 一 ０ ６ ０ １ ０ — ８ ３ ２ １ ）６ Ｏ １— ４
Ｒ ｅ ｅ ｒｈ ｎ ａ ｌ ｉｇ ｏ ｉ ｆ Ｃｉ ｉ Ａｉｃａｔ ｓ ａ ｃ ｏ Ｆ ｕ ｔ Ｄ ａ ｎ ｓｓ ｏ ｖ ｌ ｒ ｒｆ Ｈｙ ｒ ｕ ｉ Ｐｏ ｒ ｙ ｔｍ Ｂａ ｅ ｄ ａ ｌｃ ｗｅ Ｓ ｓｅ ｓｄ ｏ ａ ｅｅ Ｐ ｃ ａ ｅ ｎ Ｗ ｖ ｌｔ ａ ｋ ｇ Ｄｅ ｏ ｃ ｍｐｏ ｉ ｏ ａ ｄ Ｒ＿ Ｎ ｅ ｒ ｓｔ ｎ ｎ ＢＦ ｉ ｕ Ｍ Ｎｅ ｗｏ ｋ ｔ ｒｓ
Ａｂ ｔ ａ ｔ Ｈｙ ｒ ｕ ｉ ｏ ｅ ｙ ｔ ｍ ｌｙ ｎ ｉ ｏｔ ｎ ａｔ ｉ ｈ ｅ ｕ ｉ ｆ ｃ ｖｌ ａｒ ｒ ｆ Ａｓ ｔ ｅ ｓｒ ｃ ｕ ｅ ｏ ｙ ｒ ｕ ｉ ｕ ｓ ｖ ｒ ｓｒ ｃ ： ｄ ａ ｌ ｐ ｗ ｒ ｓ ｓｅ ｐ ａ ｓ ａ ｍｐ ｒ ｔ ｐ ｒ ｎ ｔ ｅ ｓ ｃ ｒｔ ｏ ｉ ｉ ｉ ａｔ ｃ ａ ｙ ｃ ． ｈ ｔｕ ｔ ｒ ｆ ｈ ｄ ａ ｌ ｐ ｍｐ ｉ ｅ ｙ ｃ
Ｊ Ｕ Ｗｅ － ｕ ｎｙ
（ ｎ ｏｒ Ｍａｎｅａ ｃ ｏ ｍ Ｏ ｂ ａｄ ｉｔ ｎ ｅＲ ｏ ，Ａ ｉ ｉｓ ｎ ｖｏ ｃ Ｄｅａｔ ｎ， ｎ ｐｒ ｍｅ ｔ
Ｓ ａ ｇ ａ ｉ ｒ ｔ ｅｅｒｈ ｎ Ｄ ｖｌｐ ｅ ｔ ｎｔｕｅ Ｓ ａ ｇ ａ ０ ４ ６ Ｃ ｉａ ｈ ｎｈ ｉ ｒ ａ Ｒ ｓａｃ ａ ｄ ｅｅ ｍ ｎ Ｉｓｔｔ， ｈ ｎ ｈ ｉ ０ ３ ， ｈｎ ） Ａ ｃ ｆ ｏ ｉ ２
基于小波包分析与RBF神经网络的模拟电路故障诊断
据信号特征 , 自适应地选择频带 , 使之与信号频谱 相匹配 ,以提高时间 2 频率分辨率 中 ,Φ 和 Ψ 满足二尺度方程 : Φ ( t) = Ψ ( t) =
k ∈Z
[8]
。在多分辨分析
2
, 而成为继 B P 神经
[ 2 —7 ]
网络后 ( BPNN ) 的又一研究热点
。标准的 B P
∑h Φ ( 2 t k
- 01000 0 - 01000 0 - 01000 2 - 01003 8 01991 1
标称值的 10% , 各元件的标称值均已在图中标出 。 在输入节点加一个幅度为 5 V ,脉宽为 10 μs的脉冲 电压 , 然后对正常状态和 R3 , C2 , R2 , C1 四种元件故 障 (单故障 ) 状态进行仿真实验 。在 RBF 网络的输 出端有 5 个节点 ,分别对应 1 个正常状态和 4 个故 障状态 ,网络的期望输出表如表 1 所示 ,其中 y0 —y4
障特征向量输入到 RBF神经网络进行故障诊断 。仿真结果表明本方法能够对模拟电路的故障进行有效诊断和定位 。 关键词 小波包分析 模拟电路 故障诊断 RBF神经网络 中图法分类号 TP277; 文献标志码 A
在故障诊断中 , RB F神经网络 ( RBFNN ) 因具有 较强的模式识别能力 , 以及自学习 、 并行处理 、 分布 式存储以及联想记忆等优点
0 0 1 0 0
0 0 0 1 0
0 0 0 0 1
∑p
i =1
i
n w i + e n , n = 1, 2, …N; i = 1, 2, …, M 。
C1 故障 C2 故障 R 2 故障 R 3 故障
其中 M 是隐含层单元数 , pi ( n ) 为模型的回归算子 , 是网络隐含层的输出响应 , w i 为模型参数 , 是隐含 层至输出层的连接权 , e n 为残差 。再将上式表示 成矩阵形式 : y d n = PW + E 其中 y d n 是所有训练样 本的预期输出 , P 是回归矩阵 , W 为权重矩阵 , E 为
基于小波包分析的液压系统泄漏故障诊断新方法
【７０】第２６卷第３期２００４－０３制造业自动化基于小波包分析的液压系统泄漏故障诊断新方法罗守华，颜景平，王积伟（东南大学 机械工程系，南京 ２１００１８）摘要：利用小波包分析的方法，对液压系统故障时的振动信号进行分析，从中提取相应的故障特征频段信号，计算出该特征频段的能量谱大小，实验结果表明，小波包分析技术用来解决液压系统的泄漏故障是可行的，为液压系统的故障诊断提供了新的思路。
关键词：液压系统；泄漏；小波包分析；振动信号中图分类号：ＴＰ２７３文献标识码：Ｂ文章编号：１００９－０１３４（２００４）０３－００７０－０３液压系统的工作介质一般是各种矿物油，正常情况下，液压油应当在规定的液压元件和管道所组成的容腔中运动。
泄漏可分为内泄漏和外泄漏。
内泄漏是指液压系统中液压元件内部液压油从高压腔进入低压腔的泄漏，外泄漏是指液压油从液压系统流到系统外部的泄漏。
外泄漏通常是不允许的。
但是当液压系统中运动部件的外密封、阀板连接密封以及管道接头密封失效，就会产生外泄漏，尤其是发生管道破裂事故时，会引起液压油的大量外泄漏。
本文提出以小波包变换对各频带进行分解，计算出每个频带时域能量作为液压系统泄漏程度判断的方法，并给出实验研究的结果。
１泄漏故障的实验原理及动特性分析图１ 泵控马达系统泄漏实验模型本文以ＱＣＳ００６Ａ型泵控马达容积调速实验台为研究对象，建立一个泄漏故障的模拟实验系统。
如图１所示。
该系统采用双向变量泵和双向变量马达组成容积调速回路。
以溢流阀调节补油泵的输出压力来模拟管路的泄漏。
当溢流阀开度变大时，补油泵的输出压力变小，导致补油泵不能够正常给系统供油， 而泵控马达系统的各种元件如泵、马达存在内泄漏，管路和接头存在外泄漏，因此泵控马达系统的循环油路的油液会逐渐减少，从而达到模仿液压系统的泄漏故障的目的。
通过分析在泵壳体位图２实验总体装置框图图２所示为故障诊断实验装置的总体配置框图。
液压系统故障模拟台架产生的振动信号，通过ＹＥ５９４０加速度传感器，转换成电压信号，通过荷兰ＴｉｅＰｉｅ Ｅｎｇｉｎｅｅｒｉｎｇ 公司生产Ｈａｎｄｙｓｃｏｐｅ３数据采集盒采集到计算机内保存。
基于小脑神经网络的液压泵故障诊断技术
（ ｖ ｌＵｎ ｔ １ ８ Ｓ ａ ｇ ａ ０ ０ ３ Ｃｈ ｎ ） Ｎａ ａ ｉ ２ ７， ｈ ｎ ｈ ｉ ０ ８ ， ｉ ａ ９ ２ Ａｂ ｔａ ｔ Ｔｈ ｕ ｄ ｍ ｅ ｔ ｌ ｆｔ ｅ ｃ ｒ ｂ ｌ ｒ ｏ ｅ ｒ ｉｕ ａ ｉ ｎ ｃ ｎ ｒ ｌ ｒ（ ｓｒ ｃ ： ｅｆ ｎ ａ ｎ ａ ｈ ｅ ｅ ｅｌ ｄ ｌ ｔｃ ｌｔ ｏ ｔｏ ｌ ＣＭ ＡＣ）ｎ ｕ ａ ｅ ｅ ｒ ｉ ｇ ｓ ｓ ｏ ａ ｍ ａ ｏ ｅ ｅ ｒ ｌ ｔ ａ ｎｎ ｙ — ｎ ｌ ｔ ｍ ｓ ｂ ｉｆ ｔｏ ｕ ｅ ．Ｔｈ ａ ｌ ｄ ａ ｎ ｓｓ ａ ｐ ｏ ｃ ｆ ｈ ｄ ａ ｌ ｕ ｎ ｈ ｅ ｉ ｎ ｏ ｅ ｗａ ｒｅ ｌ ｉ ｒ ｄ ｃ ｄ ｙ ｎ ｅ ｆ ｕ ｔ ｉｇ ｏ ｉ ｐ ｒ ａ ｈ ｏ ｙ ｒ ｕ ｉ ｐ ｍｐ ａ ｄ ｔ ｅ ｄ ｓｇ ｆＣＭ ＡＣ ｎ ｕ ａ ｃ ｅｒｌ
ｎ ｔｉ ｓａ ｐ ｉａ ｉｎ ｔ ａ ｌ ｄ ａ ｎ ｓｓｗｅ ｅ ｓ ｕ ｉｄ ｉ ｅ ａｌ ｅ ｎ ｉ ｐ ｌ ｔ ｏ ｆ ｕ ｔ ｉｇ ｏ ｉ ｔ ｃ ｏ ｒ ｔ ｄ ｅ ｎ ｄ ｔ ｉ ．Ｆｕ ｔ ｅ ｍｏ ｅ ｈ ａ ｌ ｄ ａ ｎ ｓ ｓｏ ｏ ｅｋ ｎ ｆ ｒ ｈ ｒ ｒ ，ｔ ｅ ｆ ｕ ｔ ｉｇ ｏ ｉ ｆｓ ｍ ｉ ｄ ｏ ｈ ｄ ａ ｌ ｕ ｓ ｔ ｋ ｎ ａ ｎ ｅ ａ ｌ ，ａ ｄ ｔ ｅ ｌａ ｎｎ ｏ ｒ ｅ ｏ Ｍ ＡＣ ｎ ｕ ａ ｅ ｙ ｔ ｍ ｓ ｒ ａ ｉｅ ． ｙ ｒ ｕ ｉ ｐ ｍｐ ｗａ ａ ｅ ｓ ａ ｘ ｍｐ ｅ ｎ ｈ ｅ ｒ ｉ ｇ ｃ ｕ ｓ ｆ Ｃ ｃ ｅ ｒ ｌｎ ｔｓ ｓ ｅ ｗａ ｅ ｌ ｄ ｚ
络 结 构示 意 ， 图 １ 见 。
液压泵故障诊断的神经网络方法
61第1卷 第13期产业科技创新 2019，1（13）：61~62Industrial Technology Innovation液压泵故障诊断的神经网络方法廖陈远（南宁市武鸣区职业技术学校，广西 南宁 530104）摘要：文章围绕液压泵故障诊断的神经网络方法展开讨论，为诊断液压泵故障应用的神经网络方法提供参考依据。
在诊断液压泵故障过程中，本文主要应用BP神经网络方法，在应用中获取应用数据，并分析应用神经网络方法的构建诊断模式的可行性。
关键词：液压泵；故障诊断；神经网络中图分类号：TD421.6 文献标识码：A 文章编号：2096-6164（2019）13-0061-02液压泵出现故障时，会使机械运行出现较为明显的振动，如果机械长时间处于振动状态，会使机械内部零部件出现不同程度的磨损情况。
在零部件磨损过程中，机械内部产生较多的热量，使机械温度不断升高，最终导致机械出现烧毁的情况。
为减少液压泵出现故障的次数，工作人员使用神经网络方法，针对引发液压泵的故障原因进行诊断，可以防止液压泵出现故障，有效增强机械的运行能力。
1 分析液压泵出现故障的原因引发液压泵出现故障的原因分为三种，一是柱塞球头出现松动情况，二是轴承出现疲劳情况，三是配流盘出现偏磨情况。
由于柱塞球头出现松动情况，引发液压泵出现故障，主要是在机械中，使用的柱塞泵为斜轴式柱塞泵，在柱塞泵的运行过程中，由于柱塞泵的底座与柱塞杆的间隙超过控制的范围，并且产生的间隙不断扩大，导致柱塞头出现松动情况。
此外机械内还会使用直轴式柱塞泵，该类型柱塞泵运行时，柱塞头和滑履相互接触的区域，出现的间隙也会由于运行不断扩大，一旦产生的间隙超过控制范围，会使柱塞头在运行过程中，无法承受机械产生的冲击力，在冲击的作用下，柱塞头和球窝会出现变形情况。
根据液压泵的运行要求，在柱塞头与球窝的连接区域，应将连接区域的间隙控制在0.06 mm以内。
轴承出现疲劳情况时，主要是轴承的内外部环境会侵蚀滚柱，并且交变荷载产生的应力会施加在轴承上，轴承在滚动过程中，原有的润滑剂不断减少，直至轴承的连接区域没有润滑剂，此时轴承的磨损情况不断加重，导致轴承出现疲劳的情况。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Байду номын сангаас
信号测取相对容易 ， 以可将振动信号作为主要的状 所
态参数 实现 齿 轮泵 的监 测 与 诊 断。本 文 针 对 Ｃ — Ｂ Ｋ ６ 液压齿轮泵 ， 究利用振动信号 的小波包 能量 Ｐ３ 研 谱分析 ， 应用径向基 函数（ ａｉ ａ ｓ ｕ ｃｏ ， Ｂ ） Ｒ ｄ ｌ ｓ ｎｔ ｎ Ｒ Ｆ ａＢ ｉ Ｆ ｉ
２０ ０ ６年 第 １ ２期
液压 与气动
８ ５
基 于小 波 包 能 量 谱 一神 经 网络 的液 压 泵 故 障诊 断
毋 文峰 。王汉功 ，陈小虎
Ｆａ ｌ Ｄｉｇ ｏ ｉ ｏ ｄ ａ ｌ ｍ ｐ Ｂａ ｅ ｏ ａ ｅｅ ｕ ｔ ａ ｎ ｓｓ ｆＨｙ ｒ ｕ ｉ Ｐｕ ｓ ｄ ｎ Ｗ ｖ ｌｔ ｃ Ｐ ｃ ｅ ｎ ｕ ａ ｔ ｒ ａ ｋ ｔａ ｄ Ｎｅ ｒ ｌ Ｎｅ ｗｏ ｋ
2基于振动信号特征融合的齿轮泵故障诊断由小波包能量谱分析知齿轮泵在不同状态下振动信号的小波包能量谱分布是不同的此外振动信号的有效值rms表征了信号总能量的大小在不同状下也会发生变化所以我们选取振动信号的小波包能量谱和rms值经归一化后组成rbf网络的输人即共有17个输入特征
维普资讯
Ｗ Ｕ ｅ —ｅ ｇ Ｗ ｎ ｆｎ ，Ｗ ＡＮＧ ｎ ｇ ｎ Ｈａ — ｏ ｇ，Ｃ ＨＥＮ ａ — ｕ Ｘｉｏ ｈ
（ 第二炮兵 工程 学院 ５ １ ， ０ 室 陕西 西安
７０ ２ ） １ ０ ５
摘
要 ： 对利 用振 动信 号进行 液压 齿轮 泵故 障诊 断 ， 绍 了振 动信 号 的 小 波 包能 量谱 分析 ， 出了振 针 介 指
动信号的小波 包能量谱分析可以进行齿轮泵故 障模式的识别， 究了利用 Ｒ Ｆ网络对振动信号的小渡包能 研 Ｂ 量谱进行模式学习和识别的方法 ， 并建立了相应 的 Ｒ Ｆ网络。试验表 明小波包能量谱 分析一 Ｂ Ｂ Ｒ Ｆ网络方法 可对液压齿轮泵的常见故障进行识别和诊断。
关键 词 ： 压泵 ； 障诊 断 ；振 动信 号 ；小波 包； Ｂ 液 故 Ｒ Ｆ网络
其 Ｍ 为该 子 空间 的样本 长度 ， 能量 Ｇ ， ： 其 ｌ 为
Ｍ —
Ｇ ２＝∑ ｌ ｉ ｌ ｉ 叫（
（） ３
图 １ 加 速 度传 感 器 测 点
由于小波包分解后的各个频带宽度相 同， 所以将 小波包分解的结果作 为能量谱 的输入 ， 照各频带能 按 量的比例关系做出一系列的直方 图， 若使各直方图的 高度之和为 １ 各直方 图的高度就代表 了各频带能量 ，
网络对 齿轮 泵进 行监 测 和诊 断 的方 法 。
前 ＊ ＊ ＊ ＊ ＊ ＊ 斗｝ ｛｝ ｛｝ ＊ 甘 ． ｛ ＊ ｝ ｛卜＊ ｛｝ ＊
作者简介 ： 毋文峰 （９ ８ ）男 ， １７ 一 ， 陕西西安人 ， 士研究生 ， 硕 主 要从事武器系统状 态监测与故障诊断方面的研 究工作。
＊ ｛ ＊ ｛ ＊ ｝ ＊ ｝ ｝ ＊ ＊ ｝ 呻卜
由于 吸油不 畅或 吸油进 气所 引起 的气 穴现象 造成 的液
Ｉ ｊ ，）ｚ Ｒ ｚ Ｉ （ １ ｉ ２ ＝ｌ ｄ
则存在：
（ １ ）
压振动 ， 气穴产生的气泡在高压腔爆破产生高频振动。 从而可知， 齿轮泵泵壳振动信号包含着丰富的信息 ， 当 齿轮泵发生故障时振动信号特征也将发生变化 ， 对振
可见， 信号的 ２范数 的平方等价于原始信号在时 域上的能量。如果基本小波 （ ） ｚ 是一个允许小波 ，
动信号分析可以取得许多有用 的状态信息， 而且振动
Ｊｎ ｌｆ，／ｌ ～ Ｉ ｂｗ 盘 ） ＝ ； Ｊ （ｂａ ” ＲＩ ｄＲ ｄ
（ Ｖ ｆ∈ Ｌ （ ） 尺） （） ２
中图分类号 ：Ｈ１７ ５ 文献标识码 ： 文章编号：００４ ５ （０６ １—０５０ Ｔ ３． Ｂ １０ —８８２ ０ ）２０８ — ４
前 言
１ 小 波包 能量谱 分析
１ １ 小 波 包能 量谱 ．
对 于液压 齿轮 泵 ， 动 是 在运 行 过 程 中发 生 的必 振
然现象 ， 其壳体振动十分明显 。齿轮泵壳体振动有机 械 和液压 二 方面 的原 因＿ ： 轮 泵 机械 振 动 的 产 生是 １齿 ｊ
维普资讯
８ ６
液压 与 气动
２０ ０ ６年第 １ ２期
所 以， 小波变换的能量与原始信号 的能量之间存
在等价关系， 而应用小波包能量谱表示原始信号的 从 能量分布特征是可靠的。 在小波包能量谱 中， 可以选取各个子空间（ 频带 ） 内信号的平方 和作 为能量 的标志 ， 对于子空 间 Ｗ，， ， ｌ 小波包变换结果表示为序列 ｛ （ ）ｋ ， ， Ｍ ｝ Ｗｉ ｌ ＝１２ …， ， ｋ
甘 ｝—＊一 ｛ ・ ｛ — ＿ ｌ 卜＿｝ 科一＿＋ 挣 ＿ — ｝ ｛ ＿— ｝ 忤
线 圈性 能 良好 ， 进 一 步判 断 为 ３ Ｔ 与 ４ Ｔ 所 在 电 故 Ｄ Ｄ 磁 阀 阀体 的机械 故障 。
４ 结束 语
２ ）阀体机械部分 拆卸 电磁换 向阀， 解体查看 ： 阀芯活动灵活 、 无划 伤、 无变形 ， 检查阀体 ， 各阻尼孔与液流孔通畅、 无任何 阻碍物 ； 在拆检阀体两端回位弹簧时 ， 发现一弹簧被折 断， 且断裂处已发生错位 。更换弹簧后系统恢复正常。
由于弹性 系统 受激 响 应 的结 果 ； 压振 动 产 生 的 原 因 液
将 按 照能量 方式表 示 的小波 包分解 结果 称 为小波
包能量谱［ 。 ～ 在小波变换 中， 原始信号 ｆ ） Ｌ （ 上的 ２ （ 在 Ｒ）
范数定 义 为 ： 。
又有两方面 ， 一是由于齿轮泵在工作中由于吸、 排油过 程的压力冲击形成的周期振动 ， 二是齿轮泵在吸油时 ，
在液压系统的故障处理 中， 维修工作人员必须掌 握液压系统的主要技术参数及其工作原理 图， 同时在 工作中应逐步积累处理液压故障的一些经验 ， 并加 以 归纳总结 。只有这样， 才能对 液压系统在工作 中所 出 现的各类故障进行较快的判断 ， 从而及 时地采取有效
措 施 ， 少停 车时 间 。 减 口