美國PARKER液壓泵球頭松動故障機理分析

提出基于振動和壓力傳感器的信息融合故障診斷方法。在充分分析液壓泵球頭松動故障機理的基礎上，對振動信號和壓力信號進行小波消噪處理，有效提取球頭松動的故障特征。將不同類型特征參數進行特征層融合，利用主成分分析和改進算法的BP神經網絡實現液壓泵球頭松動故障診斷。試驗表明，基于不同類型傳感器信息融合故障診斷方法可以有效地實現液壓泵微弱故障的診斷。
引言
液壓泵是液壓系統的心臟，其故障診斷是液壓系統故障診斷的重要部分。由于流體的壓縮性、泵源與伺服系統的流固耦合作用及液壓泵本身具有大幅度的固有機械振動，使得液壓泵的故障機理復雜，故障特征提取困難，故障診斷的模糊性強。大量的液壓泵故障診斷數據表明，通過泵源出口檢測到的故障信號常被干擾信號淹沒，單一故障檢測信號常呈現出強的模糊性，采用常規的信號處理方法難以提升有效的故障特征。
從故障診斷學的角度來看，任何一種診斷信息都是模糊的、不精確的，對任何一種診斷對象，用單一信息來反映其狀態行為都是不完整的，如果從多方面獲取同一對象的多維故障冗余信息加以綜合利用，就能對系統進行更可靠更精確的監測和診斷。本文針對柱塞泵球頭松動故障模式，通過在液壓泵出口配置振動傳感器和壓力傳感器進行故障檢測，通過小波分析進行信號消噪處理，利用主成分分析提取有效融合信息，采用改進算法的BP神經網絡實現液壓泵微弱信號或多故障的有效診斷。
1、液壓泵球頭松動故障機理分析
由于制造誤差或液壓泵在工作過程中的壓力沖擊，常常使柱塞球頭與球窩沉凹變形使球頭與球窩間隙增大，從而產生柱塞球頭松動的故障。
1.1基于振動信號的故障機理分析
液壓泵缸體在轉動過程中，柱塞在油缸中往復運動。當缸體轉過一定角度時，經過上死點柱塞進人吸油區，球頭與柱塞發生一次碰撞；當缸體轉動經過上死點后，球頭開始向柱塞方向運動，球頭與柱塞發生相對運動；當轉過排油區時，高壓油作用在柱塞上，使柱塞迅速向球頭方向運動，從而又一次產生沖擊。缸體轉動一周，球頭與柱塞發生兩次碰撞，經過傳動軸和軸承將能量傳遞到殼體上，故球頭松動故障的振動頻率為軸頻率的2倍。
1.2基于壓力信號的故障機理分析
球頭松動對液壓泵出口的壓力脈動也有影響。當缸體轉過上死點時，球頭向柱塞方向運動，當油缸的排油進入卸荷區時，球頭與柱塞還未發生碰撞，這時在高壓油的作用下，柱塞又向球頭方向運動，球頭與球窩發生碰撞，產生振動沖擊的同時，碰撞通過柱塞作用在高壓油上從而產生一個壓力脈動，所以球頭松動引起泵出口的壓力脈動頻率與泵的軸頻率相同，由上述分析可知，如果球頭與球窩的間隙很小時，球頭與柱塞的相對速度不大，產生的碰撞能量很小。當間隙增大時，產生的振動能量就會增大，且具有周期變化的時變特性，殼體檢測的振動能量通常分布于2倍軸頻率處；對于壓力脈動信號，能量主要分布在軸頻率處。
1.3球頭松動故障診斷系統
針對球頭松動故障，在液壓泵出口垂直方向安裝了2個加速度傳感器ax、a。檢測振動，1個壓力傳感器P檢測泵的壓力脈動。由于液壓泵出口檢測到的振動信號和壓力信號常被干擾信號淹沒，為了提取故障特征，對上述傳感器的檢測信號進行小波消噪處理。
2、小波信號消噪處理
液壓泵的工作環境一般比較惡劣，其工況受環境的影響較大，通常在泵出口檢測到的信號含有很大的噪聲。試驗表明，液壓泵出口檢測到的壓力信號和振動信號體現出以下特點：①信號的頻譜分布很寬、波形雜亂，規律性差；②時變與非平穩性表現明顯。
因此，基于這兩種信號的故障特征提取非常困難，有必要對檢測的信號進行消噪處理。
小波分析是目前較有效的信號處理方法，它可以同時在時域和頻域中對信號進行分析，能有效地區分信號中的突變部分和噪聲，實現信號的消噪。
泵出口振動信號及其小波消噪后的信號，選取小波消噪的全局閾值為1.049。很明顯，檢測信號中包含了許多干擾信號，很難簡單地利用檢測到的振動信號進行有效的故障診斷。為了消除干擾影響，經過小波處理，可以有效地消除泵出口振動信號中所包含的噪聲，有利于故障特征的提取。
3、信息融合故障診斷方法
信息融合是將多源信息加以智能合成，產生比單一信息源更精確、容錯性和魯棒性更強的估計和判斷‘2’。由于液壓泵出口檢測到的信息微弱，易于被干擾所淹沒，很難利用單個傳感器的檢測信號進行微弱故障特征的有效診斷。采用的信息融合故障診斷過程，即將振動信號和壓力信號進行小波消噪處理，利用統計分析提取有效特征信息，采用主成分分析(PrinciP81componentanalysis，PCA)有效解耦各故障特征間的相關性，減少故障特征的維數，采用改進算法的BP神經網絡實現液壓泵球頭松動故障診斷。
3.l特征層信息融合
特征層狀態屬性融合就是將對多種類型傳感器數據進行預處理以完成特征提取及數據配準，即通過傳感器信息轉換，把各傳感器輸人數據變換成統一的數據表達形式。
通過特征向量歸一化處理可以實現信息融合數據配準。本文提取振動信號和壓力信號的均值、峰值因子、特征頻率的能量值和功率譜幅值、四次矩等作為球頭松動故障的特征向量。
3.2選取主成分
在新樣本空間上，逐次計算傳感器信息的綜合指數為主成分上的貢獻。令主成分貢獻綜合指數閾值為85%，根據貢獻綜合指數選取前幾個主成分，作為下一步信息融合的信息。
針對液壓泵正常和4種球頭松動故障，各選取100個樣本，由于高度顯著，說明這4組特征向量有十分明顯的差異，故此類故障的不同故障程度是可以診斷的。
選擇BP神經網絡的結構，對液壓泵正常和設置的4種球頭松動故障在訓練誤差精度要求下對網絡進行訓練，通過改進算法的學習和訓練得到BP網絡的優化權值矩陣。在實際使用時，利用BP神經網絡的權值矩陣及其改進算法實現多故障的有效診斷。其中輸出節點1表示液壓泵正常時神經網絡的輸出值，節點2表示間隙為6μm時神經網絡的輸出值，節點3表示間隙為9μm神經網絡的輸出值，節點4表示間隙為12μm時神經網絡的輸出值，節點5表示15μm時神經網絡的輸出值。
利用BP神經網絡及其改進算法可以有效診斷不同間隙大小的球頭松動故障