数据融合和Manhattan距离在液压泵故障诊断中的应用

　　0　引言

　　液压泵作为液压系统的动力源,其故障诊断是液压系统故障诊断的重要部分。由于流体的压缩性和液压泵本身固有的机械振动,使得液压泵的故障机理复杂,故障特征提取困难,故障诊断的模糊性强。从诊断学来看,用单一的信息来反映状态行为都是不完整的,只有从多方面获取关于同一状态的多维信息,运用数据融合技术才能进行更可靠准确的诊断^[1-2] 。作者以YB-6叶片泵的正常、轴不对中、定子磨损、叶片磨损和轴承磨损5种典型状态为例,来进行数据融合技术在液压泵故障诊断中的应用研究。

　　1　信号特征选择和提取

　　诊断系统由配置在叶片泵出口的压力传感器、泵壳径向的振动传感器和PCI-8340数据采集卡等组成。以LabVIEW软件为平台,通过LabVIEW的代码接口CIN节点,调用采集卡的动态链接库来进行数据信息的采集。

　　运用数据融合技术的故障诊断是对来自多个传感器的信号进行处理,选择对故障具有识别能力的特征信号作为识别框架的证据体。因此,特征信号的选择和提取直接影响诊断的准确性。

　　1·1　特征选择

　　对采集的压力和振动位移信号进行时域上的分析,在时域上这些传感器的波形随着泵状态的不同,波形的结构形态也不相同。这里仅例举正常和轴承磨损两种状态的时域波形图,如图1、2所示。因此,可以选取时域波形的结构特征参数作为识别故障的特征信号。

　　在频域上通过分析发现,压力信号的频谱对泵状态的变化敏感度表现较差,而振动信号的频谱对泵状态的变化表现敏感,如图3所示。从图中可以看出,随着泵状态的不同,在不同的频率段内,谱值存在很大的差异。因此,选取振动信号的不同频率段的频谱值作为识别故障的特征信号。

　　1·2　特征提取

　　对选择的特征信号用Karhunen-Loeve变换的特征提取方法进行特征压缩。经特征提取压缩后,构造了时域和频域两个证据体。选取压力信号的峭度指标、裕度指标、脉冲指标、峰值指标和振动信号的峰-峰值作为时域证据体中的特征元素;选取振动信号的1f、2f、3f、4f、10f、19f、20f处的频谱值作为频域证据体中的特征元素,其中f为泵的转速频率。

　　2　数据融合

　　根据处理信息层次的不同,数据融合方法一般分为数据层融合、特征层融合和决策层融合3种。数据融合的实现技术很多,但由于D-S证据理论对不确定信息的表达和合成能力提供了强有力的方法,而在数据融合技术中正受到越来越多的关注[3]。作者采用D-S证据理论对构造的两个证据体进行决策层融合。

　　2·1　基本可信度分配函数