研究了基于集成bp網(wǎng)絡(luò)的液壓泵軸承故障診斷方法。利用頻域和倒頻域 進(jìn)行特征提取，采用集成bp網(wǎng)絡(luò)進(jìn)行故障診斷和識(shí)別，解決了液壓泵軸承故障特征提出困難 、多故障識(shí)別困難的問題。試驗(yàn)結(jié)果表明，利用集成bp網(wǎng)絡(luò)可以有效地診斷與識(shí)別液壓泵軸承多故障模式，并且具有很強(qiáng)的魯棒性。
    關(guān)鍵詞：液壓泵；軸承故障；故障診斷；集成bp網(wǎng)絡(luò)　
    在航空工業(yè)中，液壓系統(tǒng)的工作性能直接影響著飛機(jī)的安全和旅客的生命，而液壓泵是液壓 系統(tǒng)的動(dòng)力源，因此對(duì)液壓泵的狀態(tài)監(jiān)控與故障診斷尤為重要。軸承故障是液壓泵常見的故 障模式之一，由于軸承故障所引起的附加振動(dòng)相對(duì)于液壓泵的固有振動(dòng)較弱，因而很難把故 障信息從信號(hào)中分離開來。到目前為止，對(duì)液壓泵軸承故障的故障診斷尚缺少十分有效的方 法。本文提出在頻域和倒頻域進(jìn)行特征提取，旨在解決軸承特征提取困難的問題并利用集成 bp網(wǎng)絡(luò)解決多故障診斷與識(shí)別和魯棒性問題。
        1.液壓泵軸承故障的特征提取
    對(duì)于機(jī)械系統(tǒng)而言，如有故障則一定會(huì)引起系統(tǒng)的附加振動(dòng)。振動(dòng)信號(hào)是動(dòng)態(tài)信號(hào)，它包含 的信息豐富，很適合進(jìn)行故障診斷。但是如果附加振動(dòng)信號(hào)由于固有信號(hào)或外界干擾對(duì)故障 信號(hào)的干擾很大而淹沒，那么如何從振動(dòng)信號(hào)中提取有用信號(hào)就顯得十分關(guān)鍵。
    根據(jù)摩擦學(xué)理論，當(dāng)軸承流動(dòng)面的內(nèi)環(huán)、外環(huán)滾道及滾柱上出現(xiàn)一處損傷，滾道的表面平滑 受到破壞，每當(dāng)滾子滾過損傷點(diǎn)，都會(huì)產(chǎn)生一次振動(dòng)。假設(shè)軸承零件為剛體，不考慮接觸變 形的影響，滾子沿滾道為純滾，則有如下?lián)p傷振動(dòng)頻率：
　　當(dāng)內(nèi)滾道有一處損傷時(shí)，其振動(dòng)脈沖特征頻率為： 
         fi=frz（1+dcosα/d）/2　?。?/span>1）
    當(dāng)外滾道有一處損傷時(shí)，其振動(dòng)脈沖頻率為：
         fo=frz（1-dcosα/d）/2　?。?/span>2）
    當(dāng)滾柱上有一處損傷時(shí)，其振動(dòng)脈沖特征頻率為：
        fr=frd（1-d2cosα/d2）/d　 （3）
    其中：fr－內(nèi)環(huán)轉(zhuǎn)速頻率；d－軸承的節(jié)圓直徑；d－滾柱的直徑；α－ 接觸角；z－滾柱個(gè)數(shù)。
　　為了克服軸承故障信號(hào)較弱且容易被液壓泵固有振動(dòng)淹沒的困難，選用以下抗干擾能力較強(qiáng) 的特征作為故障診斷特征參數(shù)。
　 （1）振動(dòng)的平均能量特征
　　設(shè)在液壓泵泵體上測(cè)得的振動(dòng)加速信號(hào)為：
　　a（t）={a1（t）, a2（t）,...， an（t）}
　  它是故障信號(hào)以泵體傳輸后的信號(hào)。根據(jù)統(tǒng)計(jì)學(xué)理論，振動(dòng)的均方根反映振動(dòng)的時(shí)域信息：
    特征參數(shù)有它代表振動(dòng)信號(hào)的有效值，反映振動(dòng)的平均能量。
　 （2）振動(dòng)信號(hào)的峰值特征
        pp=max{a（t）}　?。?/span>5）
    它是反映振動(dòng)信號(hào)中周期性脈動(dòng)的特征量。
　 （3）倒譜包絡(luò)特征
　　設(shè)f（t）為故障激勵(lì)信號(hào)，h（t）為傳輸通道的脈沖響應(yīng)。它們相應(yīng)的fourier變 換有如下關(guān)系：
    對(duì)（6）式進(jìn)行如下變換：
    式中，τ稱為倒頻率；（τ）為倒頻譜。由上式可以 看出故障激勵(lì)信號(hào)特性和傳遞通道的特性被分離開來了，而一般情況下故障激勵(lì)信號(hào)與傳遞通道信號(hào)占據(jù)不同的倒頻區(qū)段，這樣可以突出故障振動(dòng)信號(hào)的特性。
　　hilbert變換用于信號(hào)分析中求時(shí)域信號(hào)的包絡(luò)，以達(dá)到對(duì)功率譜進(jìn)行平滑從而突出故 障信息。定義信號(hào)：為*包絡(luò)。倒譜包絡(luò)模型實(shí)質(zhì)是對(duì)從傳感器獲得的信號(hào)進(jìn)行倒頻譜分析，然后對(duì)其倒頻譜信號(hào)進(jìn)行包絡(luò)提取，從而雙重性地突出了故障信息，為信噪比小的故障特征的提取提供了依據(jù)。
         2.集成bp網(wǎng)絡(luò)進(jìn)行故障診斷的原理
    神經(jīng)網(wǎng)絡(luò)的組織結(jié)構(gòu)是由求解問題的領(lǐng)域特征決定的。由于故障診斷系統(tǒng)的復(fù)雜性，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于障診斷系統(tǒng)的設(shè)計(jì)中，將是大規(guī)模神經(jīng)網(wǎng)絡(luò)的組織和學(xué)習(xí)問題。為了減少工作的復(fù)雜性，減少網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間，本文將故障診斷知識(shí)集合分解為幾個(gè)邏輯上獨(dú)立的子集合，每個(gè)子集合再分解為若干規(guī)則子集，然后根據(jù)規(guī)則子集來組織網(wǎng)絡(luò)。每 個(gè)規(guī)則子集是一個(gè)邏輯上獨(dú)立的子網(wǎng)絡(luò)的映射，規(guī)則子集間的，通過子網(wǎng)絡(luò)的權(quán)系矩陣表示。各個(gè)子網(wǎng)絡(luò)獨(dú)立地運(yùn)用bp學(xué)習(xí)算法分別進(jìn)行學(xué)習(xí)訓(xùn)練。由于分解后的子網(wǎng)絡(luò)比原來的網(wǎng)絡(luò)規(guī)模小得多且問題局部化了，從而使訓(xùn)練時(shí)間大為減少。利用集成bp網(wǎng)絡(luò)進(jìn)行液壓泵軸承故障診斷的信息處理能力源于神經(jīng)元的非線性機(jī)理特性和bp算法。
        bp網(wǎng)絡(luò)故障診斷示意圖
    每一個(gè)子網(wǎng)絡(luò)均為一個(gè)bp網(wǎng)絡(luò)，各個(gè)子網(wǎng)絡(luò)由bp算法各自學(xué)習(xí)，學(xué)習(xí)后的結(jié)果由控制網(wǎng)絡(luò)集成。bp網(wǎng)絡(luò)的學(xué)習(xí)算法如下：
    集成bp網(wǎng)絡(luò)示意圖
    把選取的每一個(gè)特征參數(shù)（包括能量特征，幅值特征和倒譜包絡(luò)特征）x的值映像到神經(jīng)網(wǎng)絡(luò)輸入輸出層的單個(gè)節(jié)點(diǎn)上，并對(duì)其進(jìn)行正則處理：
xi=0.8（x-xmin）/（xmax-xmin）+0.1　　?。?/span>8）
    式（8）把特征參數(shù)正則到（0.1,0.9）之間的目的是避免sigmoid函數(shù)輸出值化 而引起學(xué)習(xí)無法收斂的問題。
　　對(duì)（8）式得到的正則值完成如下運(yùn)算，得到每個(gè)神經(jīng)元的加權(quán)值和閾值：
    式中，j代表當(dāng)前層，i代表前一層，wij代表連接權(quán)值；cj代表當(dāng)前節(jié)點(diǎn)的閾值；fj代表輸出 。
        3、神經(jīng)網(wǎng)絡(luò)魯棒性的研究
    神經(jīng)網(wǎng)絡(luò)的魯棒性是指神經(jīng)網(wǎng)絡(luò)對(duì)故障的容錯(cuò)能力。*，人腦具有容錯(cuò)特性，大腦中個(gè)別神經(jīng)元的損傷不會(huì)使它的總體性能發(fā)生嚴(yán)重的降級(jí)，這是因?yàn)榇竽X中每一概念并非只保存在一個(gè)神經(jīng)元中 ，而是散布于許多神經(jīng)元及其連接之中。大腦可以通過再次學(xué)習(xí)， 使因一部分神經(jīng)元的損傷而淡忘的知識(shí)重新表達(dá)在剩余的神經(jīng)元中。由于神經(jīng)網(wǎng)絡(luò)是對(duì)生物神經(jīng)元網(wǎng)絡(luò)的模擬，所以神經(jīng)網(wǎng)絡(luò)的zui大特征是具有“聯(lián)想記憶”功能，即神經(jīng)網(wǎng)絡(luò)可以由以往的知識(shí)組合，在部分信息丟失或部分信息不確定的條件下，用剩余的特征信息做出正確的診斷。表2給出了軸承6個(gè)特征信息中某些輸入特征不正確或不確定情況下正確診斷和識(shí)別的成功率。
    表2　神經(jīng)網(wǎng)絡(luò)魯棒性統(tǒng)計(jì)表
    輸入特征不確定元素 診斷成功率 
    一個(gè)特征參數(shù)不確定 100％
    二個(gè)特征參數(shù)不確定 94％
    三個(gè)特征參數(shù)不確定 76％
    四個(gè)特征參數(shù)不確定 70％
    五個(gè)特征參數(shù)不確定 20％
    六個(gè)特征參數(shù)不確定 8％ 
    由表2可以看出，利用集成神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷可以在丟失了大量信息的情況下（近一半特征參數(shù)不確定）仍可以作出正確判斷的成功率相當(dāng)高（76％～100％）因而集成神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)能力
        5.結(jié)論

    由于神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織、聯(lián)想記憶等多種功能決定了神經(jīng)網(wǎng)絡(luò)方法是很適合于進(jìn)行故障診斷研究。本文利用頻域和倒頻域的振動(dòng)信號(hào)作為特征參數(shù)，利用集成bp網(wǎng)絡(luò)實(shí)現(xiàn)了液壓泵軸承的多故障診斷與識(shí)別。試驗(yàn)結(jié)果表明，該方法具有很高的成功率和魯棒性。/