基于超限學(xué)習(xí)機(jī)的柱塞泵故障診斷

陳浩然

（中煤平朔集團(tuán)有限公司露天設(shè)備維修中心 ，山西 朔州 036000）

露天煤礦常用的前裝機(jī)有復(fù)雜的液壓系統(tǒng)，其含有9個泵，而柱塞泵就占5個，且液壓泵是液壓系統(tǒng)中的關(guān)鍵部件，其性能的好壞直接影響到前裝機(jī)的工作效率，因此對柱塞泵進(jìn)行故障診斷方法的研究在煤礦應(yīng)用中具有重要意義。柱塞泵一旦發(fā)生故障，輕則振動、噪聲增大，降低工作效率；重則導(dǎo)致液壓系統(tǒng)不能正常工作，甚至?xí)斐蓢?yán)重事故[1]。

目前對柱塞泵進(jìn)行故障診斷常用的方法是通過分類算法來實現(xiàn)[2]。其中一些分類算法，如BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)都已被應(yīng)用在柱塞泵的故障診斷與識別中。然而這些方法的共同缺點就是診斷速度慢。而在本文中則采用一種新的分類算法即超限學(xué)習(xí)機(jī)（ELM）來對柱塞泵進(jìn)行故障診斷與識別。

1 超限學(xué)習(xí)機(jī)（ELM）理論

考慮任意N個不同樣本(Xi,ti)∈Rn×Rm。如果一個含有L個隱層節(jié)點的SLFN能夠準(zhǔn)確的表示N個樣本，那就存在 βi,αi和 bi使得[3,4]：

式中：ai和bi為隱層節(jié)點的學(xué)習(xí)參數(shù)；βi為輸出權(quán)重；G(ai,bi,X)為相對于輸入X的第i個隱層節(jié)點的輸出。

方程(1)可以簡寫成如下：

其中：

H在網(wǎng)絡(luò)中被稱為隱藏層輸出矩陣。

根據(jù)ELM理論，所有隱層節(jié)點（ai，bi）都是隨機(jī)生成的。輸出權(quán)值β的解被表示為：

H+是隱藏層輸出矩陣H的Moore-Penrose廣義逆矩陣。ELM算法總結(jié)為以下三步：

1）初始化輸入權(quán)值 ai與偏置值 bi，i=1,…,L

2）計算隱藏層輸出矩陣H

3）計算輸出權(quán)重β：β=H+T

2 實驗研究

2.1 實驗數(shù)據(jù)選擇

本文研究的柱塞泵是來自露天煤礦常用的勒圖爾勒L1150前裝機(jī)，前裝機(jī)如圖1所示，柱塞泵如圖2所示。

圖1 勒圖爾勒L1150前裝機(jī)

圖2 柱塞泵

對柱塞泵進(jìn)行故障診斷的關(guān)鍵是提取故障特征向量。從柱塞泵采集的信號是由泵內(nèi)向泵外傳遞的共振信號，因此原始信號為調(diào)制信號。所以需要對原始信號進(jìn)行帶通濾波、消噪以及包絡(luò)解調(diào)才能得到有用的真實包絡(luò)信號，從而很好的提取故障特征向量。

因此本文首先對原始信號進(jìn)行小波包分解，選出高頻頻帶，并對其用小波包重構(gòu)算法得到對應(yīng)得時域信號，再進(jìn)行閥值去噪，得到了經(jīng)帶通濾波去噪的高頻時域信號，由于采集的信號是調(diào)制信號，所以應(yīng)對高頻的時域信號進(jìn)行Hilbert包絡(luò)解調(diào)處理[5]。因為柱塞泵故障特征頻率在1 kHz以下，所以對包絡(luò)信號進(jìn)行采樣頻率為2 kHz的重采樣，故重采樣后包絡(luò)信號頻率為1 kHz。本文選擇的特征向量是重采樣后包絡(luò)信號的時域指標(biāo)包括方差、標(biāo)準(zhǔn)差、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)和峭度指標(biāo)。

柱塞泵常見的故障類型包括：滑靴磨損、松靴和配流盤磨損等。本文將不同的故障對應(yīng)的特征向量作為分類算法超限學(xué)習(xí)機(jī)（ELM）、支持向量機(jī)（SVM）和BP神經(jīng)網(wǎng)絡(luò)的輸入值，比較故障類型的測試準(zhǔn)確度，選用的柱塞泵數(shù)據(jù)集如表1所示：

表1 柱塞泵故障數(shù)據(jù)集

2.2 實驗結(jié)果分析

在本文中，所有的估算都是在Matlab R2014a平臺下進(jìn)行的，并且應(yīng)用超限學(xué)習(xí)機(jī)（ELM）和BP神經(jīng)網(wǎng)絡(luò)分類器的結(jié)果是通過仿真20次的平均值。柱塞泵故障診斷結(jié)果對比如表2所示：

由表2可以得出，基于ELM、BP神經(jīng)網(wǎng)絡(luò)和SVM的測試精度都非常高且都超過92%，而基于ELM的測試準(zhǔn)確度達(dá)到99%，且其診斷時間最短。因此ELM在對柱塞泵的故障診斷方法是可行的，可以看出該方法故障診斷準(zhǔn)確度高且診斷速度快。

表2 在數(shù)據(jù)集中對超限學(xué)習(xí)機(jī)（ELM）、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）的性能比較

3 結(jié)論

應(yīng)用超限學(xué)習(xí)機(jī)（ELM）分類算法對前裝機(jī)的柱塞泵常見故障進(jìn)行檢測，能夠很好地實現(xiàn)對柱塞泵故障的診斷，得出結(jié)論：超限學(xué)習(xí)機(jī)（ELM）能夠?qū)χ眠M(jìn)行有效的故障診斷，并且該方法的故障診斷準(zhǔn)確度高診斷時間短，可以推廣到柱塞泵的其它故障診斷中，具有較為廣闊的應(yīng)用前景。