液壓泵軸承故障特征及其診斷方法研究

摘要：目前對液壓泵軸承故障缺少有效的故障診斷方法，而軸承出現(xiàn)的游隙，如果不是液壓泵內(nèi)部三對磨擦副的正常間隙，則導(dǎo)致柱塞泵軸承使用壽命減少。本文探討了液壓泵軸承存在的故障特征，通過對集成BP網(wǎng)絡(luò)進行故障診斷的原理和神經(jīng)網(wǎng)絡(luò)魯棒性的研究，論述了故障診斷的方法。

關(guān)鍵詞：液壓泵軸承 故障 診斷

軸承的平均使用壽命是10000小時，大于此就需要更換新的；滾柱表面變色或者有劃痕，也要更換。更換下來的軸承應(yīng)注意型號和英文字母，但沒有儀器是無法檢測出軸承的游隙柱塞泵軸承一般采用大載荷容量軸承，更換時候最好購買原廠家規(guī)格的產(chǎn)品，但若換為另一品牌，并且保持載荷容量和軸承的精度等級，需要請教對軸承有經(jīng)驗的人員查表更換。

一、液壓泵軸承故障的特征提取

在機械系統(tǒng)中，有故障就會引起系統(tǒng)的附加振動。振動信號很適合進行故障診斷，因為它是包含豐富信息的動態(tài)信號，但若固有信號或外界干擾對故障信號的干擾很大，那么關(guān)鍵是要從振動信號中提取有用信號。

(1)振動的平均能量特征

假定在液壓泵泵體上的振動加速信號為：a(t)={a1(t)， a2(t)，...， an(t)}，它是故障信號以泵體傳輸后的信號。

振動信號的有效值由特征參數(shù)代表，反映振動的平均能量。根據(jù)統(tǒng)計學(xué)理論，振動的時域信息可以通過振動的均方根反映：

(2)振動信號的峰值特征

反映振動信號中周期性脈動的特征量，峰值特征量為Pp=max{a(t)}。

(3)倒譜包絡(luò)特征

設(shè)為故障激勵信號f(t)，傳輸通道的脈沖響應(yīng)為h(t)，由傅里葉變換得：

，變換得：

其中，τ稱為倒頻率，(τ)為倒頻譜。

由上得出故障激勵信號特性和傳遞通道的特性被分離，故障激勵信號與傳遞通道信號一般在不同的倒頻區(qū)，突出故障振動信號的特性。

當(dāng)軸承滾柱及流動面的內(nèi)、外環(huán)滾道上出現(xiàn)損傷，滾道的表面受到破壞，根據(jù)摩擦學(xué)理論，每當(dāng)滾子滾過損傷點，都會產(chǎn)生一次振動。選用以上抗干擾能力強的特征為故障診斷特征參數(shù)，可以克服軸承故障信號較弱且容易被液壓泵固有振動淹沒的困難。

二、集成BP網(wǎng)絡(luò)進行故障診斷的原理

求解問題的領(lǐng)域特征決定了神經(jīng)網(wǎng)絡(luò)的組織結(jié)構(gòu)，為了減少故障診斷系統(tǒng)的復(fù)雜性和網(wǎng)絡(luò)學(xué)習(xí)時間，將故障診斷知識集合分解為若干子集合。每個邏輯上獨立的子集合再分解為幾個規(guī)則子集，每個規(guī)則子集是一個邏輯上獨立的子網(wǎng)絡(luò)的映射，通過規(guī)則子集間的聯(lián)系、子網(wǎng)絡(luò)的權(quán)系矩陣來組織網(wǎng)絡(luò)。獨立地運用BP學(xué)習(xí)算法在各個子網(wǎng)絡(luò)分別進行學(xué)習(xí)訓(xùn)練。由于分解后的子網(wǎng)絡(luò)變得規(guī)模小了，所以使訓(xùn)練時間大為減少。

利用集成BP網(wǎng)絡(luò)對液壓泵軸承故障診斷的信息處理能力，即BP算法和神經(jīng)元的非線性機理特性，如圖1所示。

圖1BP網(wǎng)絡(luò)故障診斷示意圖

圖2中每一個子網(wǎng)絡(luò)由BP算法各自學(xué)習(xí)，學(xué)習(xí)后的結(jié)果最后集成到控制網(wǎng)絡(luò)。BP子網(wǎng)絡(luò)的學(xué)習(xí)算法如下：

圖2集成BP網(wǎng)絡(luò)示意圖

將能量特征、幅值特征和倒譜包絡(luò)特征每一個特征參數(shù)值的映射到神經(jīng)網(wǎng)絡(luò)輸入輸出層的單個節(jié)點上，進行正則變換，則：

xi=0.8(x-xmin)/(xmax-xmin)+0.1

為了避免Sigmoid函數(shù)輸出值極端化，比如學(xué)習(xí)無法收斂的問題，則需要把特征參數(shù)正則到(0.1，0.9)之間，得到每個神經(jīng)元的加權(quán)值和閾值：

其中，i代表前一層，j代表當(dāng)前層，wij代表連接權(quán)值，cj代表當(dāng)前節(jié)點的閾值，fj代表輸出。而對于軸承故障診斷系統(tǒng)，若選取6個特征參數(shù)，即內(nèi)滾道和滾柱的振動能量、振動峰及倒譜包絡(luò)，則：

子網(wǎng)絡(luò)輸出層有一個節(jié)點，集成BP網(wǎng)絡(luò)輸出有多個節(jié)點，可以用集成BP網(wǎng)絡(luò)的輸出節(jié)點組合，表示一種狀態(tài)，從而對多故障診斷與識別。

三、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。人類的大腦中每一個概念不只保存在一個神經(jīng)元中，是分散于諸多神經(jīng)元及其鏈接中，所以個別神經(jīng)元的損傷不會破壞到整體性能。人腦再次學(xué)習(xí)獲得知識，就可以使得損傷神經(jīng)元的信息表達在其他神經(jīng)元以及鏈接中。神經(jīng)網(wǎng)絡(luò)是對生物神經(jīng)網(wǎng)絡(luò)的模擬，其網(wǎng)絡(luò)特征就是知識的組合，在部分信息不明確或者丟失的情況下，由于神經(jīng)元聯(lián)想記憶的特征，組合以往的知識，神經(jīng)網(wǎng)絡(luò)通過剩余信息作出診斷，其判斷的成功率達到76％～100％，即使近一半?yún)?shù)不確定的情況，集成神經(jīng)網(wǎng)絡(luò)仍具有很強的容錯能力和魯棒性。

液壓泵軸承的多故障診斷與識別利用集成BP網(wǎng)絡(luò)，通過神經(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，試驗集成網(wǎng)絡(luò)利用頻域和倒頻域的振動信號作為特征參數(shù)，具有很高的成功率和魯棒性。