基于振动的液压传动系统状态监测方法研究

　　0 前言

　　随着电子技术、信息技术的发展和应用,液压传动技术也在不断创新,正向自动化、高精度、高效率等方向发展。液压传动系统的状态监测是保证和提高液压传动系统可靠性的关键性因素,它可对系统的运行性能做出预报,避免有突发性故障出现,具有提高系统的运行能力,同时可减少全寿命周期费用和因冗余带来的高成本。由于振动参数比起其他状态参数,更能直接、快速、准确地表达系统运行状态,所以一般振动作为状态监测与故障诊断的主要依据。

　　液压系统的故障往往经历一个渐变过程。设备轻微故障时的系统状态与正常状态偏差小,征兆不完全,因此在进行状态判断时,会对轻微故障存在一定程度的误判。若等到轻微故障转变为典型故障后才得出故障判断,这时对设备造成的损失就会很大。而将正常状态误判为故障的损失相对来说要小,2种误判造成的损失是不同的。

　　1 支持向量机介绍

　　支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法,具有理论完备,适应性强,全局优化,训练时间短,泛化性能好等优点,已经成为目前国际和国内研究的热点。

　　对于2类状态模式识别问题,设存在n个训练样本:xi∈Rm,i=1,,,n及它们的类别标志向量y∈R1,其中yi∈{-1,1}。对于线性可分的情况,最优分类面应满足分类间隔最大。统计学习理论指出:最优分类面具有最好的推广性能,这样求最优分类面的问题转化为求优化问题

　　该优化问题可以转化为对偶问题

　　通过对式(2)的求解,可得最优分类判别函数

　　对于线性不可分及非线性情况,可采用增加松弛变量的方法或采用合适的核函数将低维的输入空间映射到高维的特征空间

　　则低维空间的线性不可分问题和非线性问题变成特征空间的线性可分问题。引入核函数后,其优化方程为

　　则最优分类面判别函数

　　2 液压传动系统状态监测方法的提出

　　对于液压传动系统状态监测中设备从正常状态到故障状态逐渐发展这类问题,样本不能明确地归为某一状态,只能以一定概率或隶属度属于某一状态。为了便于对这类不确定性问题进行处理,必须建立考虑样本后验概率的故障诊断模型,以进行相应的后处理。最早考虑SVM样本后验概率的学者Wahba和P1att,Platt把Wahba提出的后验概率通用模式变为两参数sigmoid函数