液压泵故障诊断的小波-神经网络方法

　　0 引言

　　在液压齿轮泵故障诊断中,压力信号是重要的状态参数之一,而且压力信号测取容易,所以研究利用压信号进行齿轮泵故障诊断具有很强的现实意义。

　　液压齿轮泵的工作环境一般比较恶劣,加之流体的压缩性、泄漏等因素,一般在泵出口处由压力传感器检测的压力信号常被干扰信号淹没,此时采用传统的信号分析方法不易提取有效的故障特征。本文针对CB-KP63液压齿轮泵,研究齿轮泵在气穴、齿轮磨损、侧板磨损等故障模式下,由压力传感器进行检测,由小波分析进行信号的特征提取,由径向基函数(Radial Basis Function, RBF)网络进行识别和诊断的方法。

　　1 液压齿轮泵的压力脉动机理

　　液压齿轮泵的出口压力脉动主要源于输出流量的脉动。齿轮泵瞬间排出油液的体积称为瞬时流量QL,经推导知[1]

　　QL=BX(r²-R²-L²) 　　(1)

　　

　　式中: B为齿宽,X为齿轮角速度, r为齿顶圆半径, R为节圆半径, L为啮合点至啮合节点的距离。从瞬时流量公式可见,瞬时流量是随时间变化的,瞬时流量的变化如图1所示。由图可见,齿轮泵的流量是呈脉动变化的,流量脉动频率fQ为

　　f_Q=frZ 　　(2)

　　其中, fr=n /60=24167Hz是齿轮泵旋转频率, Z=10是齿数,所以f_Q=24617Hz,可见流量脉动频率与齿轮泵啮合频率fm相同。压力脉动源于流量脉动,所以压力脉动频率f_P也同fm。在理想状态下齿轮泵的压力脉动波形与图1一致,但在实际工作中,由于齿轮泵故障、泄漏、管路系统共振、外界干扰等影响,压力脉动波形将发生变化,有时还会出现较大的压力振荡或波动。

　　2 小波分析与特征提取

　　2.1 小波分解与重构

　　在信号处理中,对于信号f( t)IL²(R ),S1Mallat提出了Mallat算法。其基本思想是首先对f应用函数fiIVj(j取适当大的正整数)逼近,再将分辨率2-j逼近下的信号fj分解为逼近信号f_j-1和细节信号wj-1。

　　令U(t)和W(t)分别是函数f(t)在2^-j分辨率逼近下的尺度函数和小波函数,则有两尺度方程

　　

　　根据Mallat算法,有

　　

　　式中c_j,k和d_j,k分别称为尺度系数和小波系数,其中c_j-1,k、d_j-1,k和cj,k之间有

　　

　　式(5)是著名的Mallat分解算法,式(6)是其重构算法[2-4]。

　　2.2 压力信号脉动项与波动项的分离

　　齿轮泵的压力信号由泵出口处的压力传感器检测,图2为在调定压力5MPa下齿轮泵齿轮磨损状态的压力信号曲线(部分),可见,齿轮泵的压力不稳定,包含高频脉动和低频波动成分。应用Daubechies小波对信号进行小波分解与重构,可得压力信号的低频波动部分和高频脉动部分,分离的信号低频部分与高频部分如图3所示。