基于小脑神经网络的液压泵故障诊断技术

　　液压泵是整个液压系统的心脏,负责将机械能转化成液压能,为系统提供压力油。液压泵一旦发生故障,必将影响整个液压系统的性能,甚至导致液压系统瘫痪。因此,对液压泵的状态监测和故障诊断十分重要^[1]。

　　近年来,神经网络理论在故障诊断中得到了广泛的应用,常用的网络是BP网络。然而传统的BP网络具有学习收敛速度慢、记忆不稳定、容易陷入局部极小等缺点,于是有许多学者把其他网络引入故障诊断中,如径向基网络、Elman网络^[2-3]。小脑神经网络(cerebellar model articulationcontroller, CMAC)是基于表格查询式输入/输出的局部神经网络模型,它具有与BP网络一样的从输入到输出的多维非线性映射能力,能够学习任意多维非线性映射,且其学习收敛速度快,记忆稳定,不易陷入局部极小。该网络可通过学习改变表格的内容,具有信息分类存储的能力,可有效地用于非线性函数逼近、动态建模、控制系统、模式识别等。CMAC网络结构示意,见图1。

　　1 故障特征

　　液压泵故障诊断的第一步是提取液压泵的故障特征。然而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。当前针对液压泵故障特征提取的方法是液压泵故障诊断研究的一个热门方向,涌现出了许多方法,如小波、分形以及混沌^[4-5]等。小波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,有效的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的提取。这里采用文献^[2]提供的方法进行液压泵故障特征的提取。

　　把实测的液压泵在不同状态下的振动信号,通过小波变换分解到不同的频段,频段数设为M,以每个频带能量作为故障识别的特征向量,然后把特征向量进行归一化处理。在故障特征的提取过程中,要适当选择M值,若M值过小,则不能有效提取故障特征,若M值过大,特征向量的维数大,会影响诊断的速度。

　　2 CMAC网络设计

　　采用CMAC神经网络进行液压泵故障诊断的网络具有M维输入、M维输出。其中M维输入代表实测的液压泵在不同故障下的振动信号,通过小波变换分解到不同的频段,频段数设为M,以每个频带能量归一化处理后作为故障识别的特征向量,其输入的量化级别设置为Ni,i=1,2,,,m。在图1中,网络的第1层,感觉神经元的个数采用下式进行确定:

　　网络的第2层,联想神经元的个数确定方法涉及到网络的泛化参数和每一维输入的独立常数,确定联想神经元的个数的公式如下:

　　式中:I_Ci—每一维输入的独立常数;