基于小波包变换和RBF网络的液压系统泄漏故障诊断*

王 武

（许昌学院电气信息工程学院，河南许昌 461000）

基于小波包变换和RBF网络的液压系统泄漏故障诊断*

王 武

（许昌学院电气信息工程学院，河南许昌 461000）

液压系统泄漏故障原因众多，故障机理复杂，常规手段难以取得较好的故障诊断效果。提出基于小波包变换和RBF神经网络相结合的故障诊断方法。给出了基于小波包的故障特征提取方法和RBF神经网络训练算法。通过试验获取液压系统的振动信号，通过三层小波包分解，获取8个频段的能量信号，并以此作为神经网络的输入，通过网络训练，进行故障特征识别。该方法将小波包的时频分解能力和RBF神经网络的学习能力有机结合，取得了较高的故障诊断效率。

液压泄漏；小波包；RBF神经网络；故障诊断；特征提取

0 引言

液压系统广泛应用于工业控制和伺服传动系统中，液压系统往往具有结构复杂、参数非线性和随机性强的特点。液压系统的故障不仅对液压系统自身有影响，而且会造成间接的生产损失，进行液压系统早期状态检测和故障诊断，有助于防止意外事故发生，实现液压设备的良好管控与维修保养［1］。在液压系统中，诸如液压泵、液压马达等设备，往往以周期方式运行，具有固定频率的振动或脉动的压力，对其信号进行频谱分析，可以发现故障点，然而在液压系统中，大多数液压元件及回路以非周期、非平稳方式运行，且存在大量随机性特征，平稳信号的处理方法不足以解决实际问题［2］。小波变换是傅里叶变换的发展和延伸，具有良好的时频局部化能力和多分辨率特点，被誉为“数学显微镜”，特别适宜于非平稳信号处理。

液压系统故障诊断问题受到了广大学者的关注，有文献提出基于经验模式分解和包络谱分析相结合的方法，将其应用于液压泵故障诊断，克服了早期诊断中信号微弱的不足［3］；有文献针对液压缸泄露故障诊断中时域参数多的问题，提出采用成分分析和BP神经网络相结合，提高诊断速度和实时性［4］；有文献根据小波分析与信号奇异性之间的关系，提出泵控马达故障特征频率点序列，应用小波包分析抽取时域特性，通过能量分布解决了液压系统泄漏故障诊断［5］；有文献对飞机液压系统压力信号进行小波包分解，提取小波包特征，并作为ARTI神经网络的训练样本，实现了智能诊断［6］；有文献将小波去噪应用于液压系统故障诊断，提高了故障诊断的精度［7］；有文献分析了传感器与液压缸各故障源之间的信度函数，并基于D-S融合理论构建了检测系统［8］。由于液压系统的故障信息众多，本文仅以液压系统泄漏故障为研究对象，通过小波包分解进行特征提取，结合神经网络的非线性映射能力，完成液压系统泄漏故障检测。

1 小波包变换及故障特征提取

1.1 小波包分析理论

令ωn满足下列递归的双尺度方程：

1.2 故障特征提取方法

造成液压系统泄漏的故障原因众多，管路系统装配不良及松动、元器件结合面不平整、滑动表面粗糙、旋转轴密封不良等均会造成液压系统泄漏故障，泄漏故障一方面会引起介质浪费和环境污染，另一方面会造成液压系统建压困难、速度变慢，导致液压系统效率下降和工作不稳定。在小波包能量谱中，选取各个子空间内信号的平方和作为能量标志，设小波包子空间样本长度为m，小波包变换的序列为｛wi（k），k=1，2，…，m｝，则其能量可描述为：

2 RBF神经网络

图1 RBF神经元模型

RBF网络训练步骤如下：

（1）确定输入向量、输出向量和期望的输出向量；

（2）参数初始化，包括参考中心初始化、中心参数初始化、宽度向量初始化；

（3）计算隐层神经元和输出层神经元输出；

（4）给定学习因子和动量因子，进行网络迭代训练，其算法为：

其中，E为RBF神经网络的评价函数：

（5）计算网络输出的均方根误差：

若RMS≤ε，训练结束。

3 液压泄漏故障诊断试验及分析

基于小波包分解和RBF神经网络的液压系统泄漏故障诊断试验流程如图2所示，首先通过试验台和各种信号检测装置完成信号检测，通过小波包分解和重构进行信号处理，求出各子频带信号能量，进行能量谱分析，并以此构造特征向量；构建神经网络训练的样本库，完成结构设计和网络训练，给出故障诊断结果。

图2 故障诊断试验流程

以某泵控马达振动加速度信号为特征，进行系统泄漏故障状态检测，振动信号采样频率为100kHz，提取各频段的能量分布并进行小波包分解，在MATLAB环境下调用小波包分解函数wpdec，此处以shannon熵标准进行小波包分解。神经网络结构设计为8个输入节点，X=［x0，x1，…，x7］代表小波包分解的八个频段信号特征矢量，输出层设计为3个神经元节点，代表严重泄漏，轻微泄漏和无泄漏三种状态。在MATLAB环境下进行离线仿真，选取72组样本数据，其中前64组作为训练样本，后8组作为测试样本，部分样本数据如表1所示。

表1 部分样本数据

在MATLAB环境下完成网络训练，训练步长设为2000，网络训练均方差设为0.001，具体网络训练曲线如图3所示，网络结构设计为8-14-3时，网络训练速度较慢，2000步内未达到设定的误差范围，网络结构设计为8-22-3，在训练至1200步左右，达到了设定的范围。

图3 神经网络训练曲线

3 结束语

液压系统故障众多，检测难度较大，论文以液压系统泄漏故障诊断为研究背景，提出了采用小波包分解的方法，进行故障特征提取，以此构造代表其泄漏故障的能量矢量。通过三层小波包分解，将获取的能量矢量划分为8个频段，以此作为RBF神经网络的输入，通过设计8-22-3的神经网络，可以识别出无泄漏、轻微泄漏以及严重泄漏三种故障。该方法将小波包时频分析的优点和RBF神经网络的非线性映射能力相结合，能够较好的反映故障特征和其频域特征向量之间的关系，具有较高的故障识别率。

［1］贺湘宇，何清华.基于多网络模型的工程机械液压系统故障诊断研究［J］.中南大学学报（自然科学版），2010，41（4）：1385-1390.

［2］鞠文煜.基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究［J］.液压气动与密封，2012，32（6）：16-19.

［3］唐宏宾，吴运新，滑广军，等.基于EMD包络谱分析的液压泵故障诊断方法［J］.振动与冲击，2012，31（9）：44-48.

［4］唐宏宾，吴运新，滑广军，等.基于PCA和BP网络的液压油缸内泄露故障诊断［J］.中南大学学报（自然科学版），2011，42（12）：3709-3714.

［5］罗守华，颜景平，王积伟.基于小波包分析的液压系统泄漏故障诊断新方法［J］.制造业自动化，2004，26（3）：70-72.

［6］刘泽华，李振水.基于小波包特征熵的飞机液压系统故障诊断方法研究［J］.计算机测量与控制，2009，17（9）：1705-1707.

［7］何德虎，谢建.基于小波分析的液压系统故障特征提取研究［J］.机床与液压，2011，39（13）：145-147.

［8］蔡伟，徐文华，李慧.基于多传感器数据融合的液压缸泄露检测技术［J］.液压与气动，2013（2）：89-91.

［9］李运红，张湧涛，裴未迟.基于小波包-Elman神经网络的电机轴承故障诊断［J］.河北理工大学学报（自然科学版），2008，30（4）：81-85.

［10］王凡重，田幕琴.基于RBF神经网络和小波包的电机故障诊断研究［J］.工矿自动化，2011，37（2）：49-51.

［11］刘海波，杨建伟，蔡国强，等.改进小波包与RBF网络在轴承故障诊断中的应用［J］.机械设计与研究，2010，26（2）：92-94.

（编辑 李秀敏）

Hydraulic System Leakage Fault Diagnosisw ith W avelet Packet Transform and RBF Neural Network

WANGWu
（School of Electro-information Engineering，Xuchang University，Xuchang Henan 461000，China）

Conventionalmethod was difficult to acquire good fault diagnosis effects for there were various faultmechanisms and types in hydraulic system leakage.A new method was presented which based on wavelet packet transform and RBF neural networks，the fault features extraction w ith wavelet packet decomposition and RBF neural network learning algorithm was proposed.The vibration signal was collected w ith experiment，w ith three layer wavelet packet decomposition，the 8 bands energy of different frequency was get and serve as the input of RBF neural networks，w ith the training of RBF neural networks，the faultwas recognized.Thismethod combined the high time-frequency resolution feature of wavelet packet transform w ith the learning ability of RBF neural networks，so the higher diagnosis precision and efficiency was got.

hydraulic leakage；wavelet packet；RBF neural networks；fault diagnosis；feature extraction

TH165；TG65

A

1001-2265（2015）07-0077-03 DOI：10.13462/j.cnki.mmtamt.2015.07.021

2014-09-26

河南省科技厅科技攻关计划资助项目（122102210416）

王武（1978-），男，兰州人，许昌学院副教授，硕士，研究方向为控制理论与控制工程研究，（E-mail）xcu_wangwu@sina.com。