基于小波包和Elman神经网络的液压泵故障诊断

　　液压泵故障机理复杂,故障检测信号富含噪声,因此很难进行故障特征的提取.小波包分析具有很强的特征提取功能,它能够同时在时域和频域中对信号进行分析,有效区分信号中的突变部分和噪声,实现信号的消噪和液压泵故障特征提取[1].

　　本文采用小波包分解方法对信号进行消噪,提取液压泵故障特征信号,通过小波包分析将信号分解到各频带中,以频带能量作为故障识别的特征向量,并结合神经网络进行液压泵的微弱故障诊断.由于传统的BP神经网络学习收敛速度慢,不能保证收敛到全局最小点,网络的学习、记忆具有不稳定性.因此,本文采用具有反馈环节的的Elman神经网络动态特性良好,训练速度快、学习记忆稳定、诊断结果可靠,特别适合于多故障的复杂模式识别.

　　1　小波包分析原理和故障特征提取

　　1. 1　小波包分解

　　小波包的分解过程如图1所示[2].

　　小波包分析方法能对信号进行全面的时频分解,对多分辨率分析没有细分的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时频分辨率,可以更加有效地提取故障特征,这点对于故障诊断更具有价值[3].

　　1. 2　小波包系数削减

　　原始信号可以用多小波包变换系数与其相应基函数相运算的线性组合表示.通常故障特征是由具有最大幅值的小波变换系数所表述的,因此为了选择和保留所需要的数据特征,必须选择出小波变换系数,将“不重要”的小波系数(通常代表噪声)设置为零,而选择“重要”的小波系数(通常幅值最大)保留下来,也即对信号进行消噪处理.

　　在小波包函数中每一个结点(i, j)都对应着相应的小波包系数c^kij(k=1,2,…,m).其中,k为在结点(i,j)上的小波系数的个数, (i, j)代表第i层第j个节点.

　　将所有小波包系数的绝对值|c^kij|与一门限值λij进行比较.如果系数的幅值小于λij,则将系数的值设为零,其他情况下系数的值则为c^kij,即

　　λij滤掉了幅值较小的小波包系数,保留了包含瞬态现象的“重要”的小波包系数.用每一小波包结点上的系数的均方根值作为设定标准,选择

　　经过以上处理后再提取故障特征,消除了部分噪声,对于机械故障诊断提取特征信号尤为重要,特别是对于液压泵的故障诊断.

　　1. 3　单支重构与特征向量提取

　　设c^kij为原始信号经过小波包分解及消噪后的第i层第j个节点的小波包分解系数,对每一个小波包结点的分解系数单支重构,可提取各频带范围的时域信号.以Sij表示c^kij的单支重构信号,则原始信号为