在航空工業(yè)中，液壓系統的工作性能直接影響著(zhù)飛機的安全和旅客的生命，而液壓泵是液壓系統的動(dòng)力源，因此對 液壓泵 的狀態(tài)監控與故障診斷尤為重要。軸承故障是液壓泵常見(jiàn)的故障模式之一，由于軸承故障所引起的附加振動(dòng)相對于 液壓泵 的固有振動(dòng)較弱，因而很難把故障信息從信號中分離開(kāi)來(lái)。到目前為止，對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(wèn)題并利用集成BP網(wǎng)絡(luò )解決多故障診斷與識別和魯棒性問(wèn)題。
1、液壓泵軸承故障的特征提取
對于機械系統而言，如有故障則一定會(huì )引起系統的附加振動(dòng)。振動(dòng)信號是動(dòng)態(tài)信號，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)信號由于固有信號或外界干擾對故障信號的干擾很大而淹沒(méi)，那么如何從振動(dòng)信號中提取有用信號就顯得十分關(guān)鍵。
根據摩擦學(xué)理論，當軸承流動(dòng)面的內環(huán)、外環(huán)滾道及滾柱上出現一處損傷，滾道的表面平滑受到破壞，每當滾子滾過(guò)損傷點(diǎn)，都會(huì )產(chǎn)生一次振動(dòng)。假設軸承零件為剛體，不考慮接觸變形的影響，滾子沿滾道為純滾。
Hilbert變換用于信號分析中求時(shí)域信號的包絡(luò )，以達到對功率譜進(jìn)行平滑從而突出故障信息。定義信號：為最佳包絡(luò )。倒譜包絡(luò )模型實(shí)質(zhì)是對從傳感器獲得的信號進(jìn)行倒頻譜分析，然后對其倒頻譜信號進(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。
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 )的組織結構是由求解問(wèn)題的領(lǐng)域特征決定的。由于故障診斷系統的復雜性，將神經(jīng)網(wǎng)絡(luò )應用于障診斷系統的設計中，將是大規模神經(jīng)網(wǎng)絡(luò )的組織和學(xué)習問(wèn)題。為了減少工作的復雜性，減少網(wǎng)絡(luò )的學(xué)習時(shí)間，本文將故障診斷知識集合分解為幾個(gè)邏輯上獨立的子集合，每個(gè)子集合再分解為若干規則子集，然后根據規則子集來(lái)組織網(wǎng)絡(luò )。每個(gè)規則子集是一個(gè)邏輯上獨立的子網(wǎng)絡(luò )的映射，規則子集間的聯(lián)系，通過(guò)子網(wǎng)絡(luò )的權系矩陣表示。各個(gè)子網(wǎng)絡(luò )獨立地運用BP學(xué)習算法分別進(jìn)行學(xué)習訓練。由于分解后的子網(wǎng)絡(luò )比原來(lái)的網(wǎng)絡(luò )規模小得多且問(wèn)題局部化了，從而使訓練時(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(xiàn)性機理特性和BP算法。
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 )對故障的容錯能力。眾所周知，人腦具有容錯特性，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)生嚴重的降級，這是因為大腦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(guò)再次學(xué)習，使因一部分神經(jīng)元的損傷而淡忘的知識重新表達在剩余的神經(jīng)元中。由于神經(jīng)網(wǎng)絡(luò )是對生物神經(jīng)元網(wǎng)絡(luò )的模擬，所以神經(jīng)網(wǎng)絡(luò )的最大特征是具有“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別的成功率。
表1神經(jīng)網(wǎng)絡(luò )魯棒性統計表
輸入特征不確定元素診斷成功率
一個(gè)特征參數不確定100％
二個(gè)特征參數不確定94％
三個(gè)特征參數不確定76％
四個(gè)特征參數不確定70％
五個(gè)特征參數不確定20％
六個(gè)特征參數不確定8％
由表1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(近一半特征參數不確定)仍可以作出正確判斷的成功率相當高(76％~100％)因而集成神經(jīng)網(wǎng)絡(luò )具有很強能力。
