碧波液压网 欢迎你,游客。 登录 注册

基于小波包和支持向量机的液压泵故障诊断

版权信息:站内文章仅供学习与参考,如触及到您的版权信息,请与本站联系。

  支持向量机 ( Support Vector Machine,SVM) ,是小样本数据多元分析的有利工具,能够达到非线性分类的目的。小波包分析( Wavelet Packet Analysis,WPA) 能够将信号进行多层分解,是处理非平稳信号的有效工具。将WPA 和SVM 有机结合是机械设备故障诊断研究的一个发展方向。

  在液压齿轮泵故障诊断中,泵壳振动信号是一个典型的非平稳信号; 而且,在齿轮泵信号检测中,由于工作现场等条件的限制,很难测取足够的数据样本,尤其是故障状态样本。作者针对泵壳振动信号的非平稳性和小样本特点,综合运用小波包分析和支持向量机,研究在小样本条件下的液压齿轮泵故障诊断方法。

  1 小波包频带能量特征

  Yen 等[1]定义了小波包频带能量,并且指出利用小波包频带能量比直接利用小波包系数能够得到更为鲁棒的信号特征。关于小波包频带能量的详细叙述,可以参考有关文献,在此不再赘述[1 -3]

  在液压齿轮泵故障诊断中,利用小波包频带能量提取泵壳振动信号特征向量的过程如下:

  步骤1,齿轮泵信号的小波包分解。小波包基函数为db5,分解层数为3 层,分解后第3 层信号为( x31,x32,x33,x34,x35,x36,x37,x38) 。

  步骤2,信号的重构。利用第 3 层不同频带的信号进行重构,重构之后的信号为( X31,X32,X33,X34,X35,X36,X37,X38) 。

  步骤3,能量特征向量的构造。针对重构信号构造能量特征向量,能量特征的计算公式为:

  其中: N 为信号采样点数。并进行能量特征的归一化处理,计算公式为:

  步骤4,根据归一化频段能量特征Ei,得到最终特征向量 E =[E1,E2,E3,E4,E5,E6,E7,E8],作为故障模式分类器的输入。

  2 齿轮泵故障设置和数据采集

  当齿轮泵发生故障时,其振动信号必定发生变化; 不同的齿轮泵故障,将导致泵壳振动信号不同频率段能量的变化; 同一故障在不同的发展阶段,其能量的变化也不同。因此,泵壳振动信号是齿轮泵状态信息的丰富载体,是齿轮泵状态监测与故障诊断的重要信息之一。作者将以CB-KP63 型齿轮泵为例,在实验中设置故障,并测取泵壳振动和泵轴转速 ( 振动时标) 等信号。如图1 所示。

  在实验中,在齿轮泵的垂直径向、水平径向、轴向设置了3 个加速度传感器测量泵壳振动情况,其中水平径向测点靠近泵的出油口,轴向测点位于齿轮泵端面靠近被动轴轴承,3 个测点的位置如图1 所示。初步研究表明,1 号测点的泵壳振动信号强度比较大,其分析效果比较好,而2 号测点受到油压噪声的污染比较严重,3 号测点的振动相对比较弱。所以作者以1 号测点的泵壳振动信号为研究对象。在实验中,人为设置气穴故障、齿轮磨损、侧板磨损、轴承故障等4 类故障,并对包括正常状态在内的齿轮泵5 种状态,分别测取从空载直到出口压力为20 MPa 的泵壳振动加速度和泵轴转速 ( 振动时标)等信号,压力上升的间隔为1 MPa,每种情况测取10组数据; 并在出口压力为5 MPa 的特定情况下,每种状态又测取40 组数据。

你没有登陆,无法阅读全文内容

您需要 登录 才可以查看,没有帐号? 立即注册

标签: 齿轮泵 液压泵
点赞   收藏

相关文章

发表评论

请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。

用户名: 验证码:

最新评论