基于隨機(jī)矩陣譜分析的機(jī)械液壓傳動系統(tǒng)故障辨識方法

彭誠

基于隨機(jī)矩陣譜分析的機(jī)械液壓傳動系統(tǒng)故障辨識方法

彭誠

（合肥職業(yè)技術(shù)學(xué)院，合肥 230012）

傳統(tǒng)故障辨識方法受機(jī)械液壓傳動系統(tǒng)故障影響，存在故障辨識率低、有效性差問題，提出基于隨機(jī)矩陣譜分析的機(jī)械液壓傳動系統(tǒng)故障辨識方法。通過分解故障振動信號，得到故障信號的特征向量函數(shù)，利用線性分析提取故障信號的隨機(jī)變量；根據(jù)故障信號求解，提取機(jī)械液壓傳動系統(tǒng)故障特征；利用隨機(jī)矩陣譜分析方法描述機(jī)械液壓傳動系統(tǒng)的狀態(tài)空間，推算機(jī)械液壓傳動系統(tǒng)的狀態(tài)方程；利用機(jī)械液壓傳動系統(tǒng)的殘差閾值，檢測到機(jī)械液壓傳動系統(tǒng)故障；通過對比機(jī)械液壓傳動系統(tǒng)故障的貼近度，選取最大值作為機(jī)械液壓傳感系統(tǒng)的故障信息，實現(xiàn)機(jī)械液壓傳動系統(tǒng)故障辨識。實驗結(jié)果表明，該方法具有更高的故障辨識率。

隨機(jī)矩陣譜分析；機(jī)械液壓傳動系統(tǒng)；故障辨識；特征提??；故障檢測；特征向量

機(jī)械液壓由液壓設(shè)備、動力元件、控制元件等組成，其通過壓強(qiáng)增加作用力。機(jī)械液壓傳動系統(tǒng)動力為傳遞動力[1]。機(jī)械液壓傳動系統(tǒng)中，各執(zhí)行元件和輔助元件均位于液壓設(shè)備內(nèi)，無法從外界觀察和測量，這給機(jī)械液壓傳動系統(tǒng)的故障識別與檢測帶來了極大的挑戰(zhàn)。在機(jī)械液壓傳動系統(tǒng)故障監(jiān)測時，傳統(tǒng)方法主要依靠手工巡檢，及時維修故障。隨著社會的發(fā)展，監(jiān)測技術(shù)結(jié)合信息技術(shù)實現(xiàn)了機(jī)械液壓傳動系統(tǒng)故障識別的智能化，通過技術(shù)手段實現(xiàn)了科學(xué)識別液壓傳動系統(tǒng)故障[2]。機(jī)械液壓傳動系統(tǒng)的故障識別方法西方發(fā)達(dá)國家起步較早，國內(nèi)對機(jī)械液壓傳動系統(tǒng)故障識別方法的研究近幾年才取得了一定成就，并且在液壓系統(tǒng)辨識方面有了長足的進(jìn)步[3]。

陳明鑫等[4]針對傳統(tǒng)的機(jī)械液壓傳動系統(tǒng)無法進(jìn)行智能故障辨別等問題，提出了一種基于隱馬爾科夫模型的故障辨識方法。首先利用采集機(jī)械設(shè)備的振動信號，獲取機(jī)械液壓系統(tǒng)的運(yùn)行過程中的特征向量，根據(jù)特征向量構(gòu)建機(jī)械液壓傳動系統(tǒng)的辨識模型，通過采集的不同的故障類型進(jìn)行IMF分量研究，結(jié)合隱馬爾科夫模型的分布特性，對采取的特征向量進(jìn)行集中訓(xùn)練，根據(jù)概率分析法確定故障類型，實現(xiàn)機(jī)械液壓傳動系統(tǒng)的智能故障辨別。實驗表明，基于隱馬爾科夫模型的故障辨識方法可有效提高機(jī)械液壓傳動系統(tǒng)故障辨識準(zhǔn)確率，但該方法識別過程較為復(fù)雜，耗時較長。姜萬錄等[5]提出了一種基于遞歸定量分析的機(jī)械液壓傳動系統(tǒng)故障辨識方法，該方法利用獲取的機(jī)械液壓傳動系統(tǒng)進(jìn)行振動信號，然后對振動信號進(jìn)行去噪處理，根據(jù)遞歸定量繪制機(jī)械液壓傳動系統(tǒng)的遞歸圖，通過提取遞歸圖系統(tǒng)動力學(xué)特征，分析構(gòu)建機(jī)械液壓傳動系統(tǒng)的故障信息點(diǎn)，并對其進(jìn)行聚類分析，實現(xiàn)機(jī)械液壓傳動系統(tǒng)故障識別。結(jié)果表明，基于遞歸定量分析的機(jī)械液壓傳動系統(tǒng)故障辨識方法可有效提高故障識別率，但此方法故障分析的數(shù)據(jù)有限，存在一定局限性。

為此，本文提出一種基于隨機(jī)矩陣譜分析的機(jī)械液壓傳動系統(tǒng)故障辨識方法，提升機(jī)械液壓傳動系統(tǒng)故障辨識精度和工作效率。

1 機(jī)械液壓傳動系統(tǒng)故障辨識方法設(shè)計

1.1 機(jī)械液壓傳動系統(tǒng)故障特征提取

根據(jù)得到故障信息變化矩陣[10]，實現(xiàn)機(jī)械液壓傳動系統(tǒng)故障特征模型的構(gòu)建，即：

根據(jù)以上過程，實現(xiàn)機(jī)械液壓傳動系統(tǒng)故障特征提取。

1.2 機(jī)械液壓傳動系統(tǒng)故障檢測

利用隨機(jī)矩陣譜分析方法對機(jī)械液壓傳動系統(tǒng)狀態(tài)空間描述[11]，即：

式(11)和(12)中可以得到機(jī)械液壓傳動系統(tǒng)的殘差閾值為

根據(jù)式(14)完成機(jī)械液壓傳動系統(tǒng)故障的檢測：

當(dāng)機(jī)械液壓傳動系統(tǒng)的故障殘差函數(shù)大于閾值時，說明存在故障，需要報警；當(dāng)系統(tǒng)殘差函數(shù)小于閾值時，說明不存在故障，不需要報警。

1.3 辨識機(jī)械液壓傳動系統(tǒng)故障

以檢測機(jī)械液壓傳動系統(tǒng)故障為依據(jù)，利用隨機(jī)矩陣譜分析得到機(jī)械液壓傳動系統(tǒng)的故障診斷信息[14]，通過故障信號獲取多角度信息的故障融合識別，利用故障識別法對機(jī)械液壓傳動系統(tǒng)故障識別，具體過程如下：

以式(16)為依據(jù)，利用下式得到隨機(jī)矩陣譜為

以式(17)為依據(jù)，利用下式構(gòu)建灰色隨機(jī)矩陣譜為

以式(19)為依據(jù)，得出機(jī)械液壓傳動系統(tǒng)的關(guān)系矩陣為

利用式(20)給出了機(jī)械液壓傳動系統(tǒng)故障傳感器類型的各個隸屬度向量為

以式(21)為依據(jù)，利用下式求出機(jī)械液壓傳動系統(tǒng)故障識別模式與標(biāo)準(zhǔn)模式的貼近度[15]：

通過對比機(jī)械液壓傳動系統(tǒng)故障的貼近度，選取最大值作為機(jī)械液壓傳感系統(tǒng)的故障信息，以此完成機(jī)械液壓傳動系統(tǒng)故障的辨識方法研究。

2 實驗分析

2.1 設(shè)置機(jī)械液壓傳動系統(tǒng)故障

根據(jù)機(jī)械液壓傳動系統(tǒng)提供的歷史故障記錄統(tǒng)計情況，機(jī)械液壓傳動系統(tǒng)的故障包括堵塞和泄漏，產(chǎn)生原因一般是由于密封圈老化、油液污染以及配油盤磨損等。試驗過程中設(shè)置了4種類型的典型液壓傳動系統(tǒng)故障，具體如表1所示。

表1 機(jī)械液壓傳動系統(tǒng)故障類型

機(jī)械液壓傳動系統(tǒng)中各種故障與仿真參數(shù)之間存在一定關(guān)系，可以通過改變仿真元件參數(shù)，模擬系統(tǒng)故障。仿真測試過程中，模擬機(jī)械液壓傳動系統(tǒng)的4種故障狀態(tài)，通過減小容積效率模擬系統(tǒng)模擬液壓泵故障。在模擬系統(tǒng)換向閥故障時，通過增加閥芯間的間隙1，提高泄漏系數(shù)來模擬液壓缸故障，通過降低閥開度壓力模擬系統(tǒng)的溢流閥故障。機(jī)械液壓傳動系統(tǒng)各類型故障模擬完畢之后，參照下述公式采集故障的仿真特征參數(shù)，并將其作為故障辨識的樣本數(shù)據(jù)，即：

2.2 結(jié)果與分析

引用文獻(xiàn)[4]的故障辨識方法和文獻(xiàn)[5]的故障辨識方法作對比，以樣本數(shù)據(jù)個數(shù)為自變量，測試了三種故障辨識方法的辨識率，結(jié)果如圖1所示。

圖1 故障辨識率測試結(jié)果

從圖1的結(jié)果可以看出，隨著機(jī)械液壓傳動系統(tǒng)故障的樣本數(shù)量逐漸增加，三種故障辨識方法的辨識率也隨著不斷變化，基于隨機(jī)矩陣譜分析的機(jī)械液壓傳動系統(tǒng)故障辨識方法獲取到的最高故障辨識率達(dá)到了98%，文獻(xiàn)[5]的故障辨識方法獲取到的最高故障辨識率達(dá)到了74%，文獻(xiàn)[4]的故障辨識方法獲取到的最高故障辨識率達(dá)到了41%，經(jīng)對比可見，基于隨機(jī)矩陣譜分析的機(jī)械液壓傳動系統(tǒng)故障辨識方法獲取到的故障辨識率遠(yuǎn)遠(yuǎn)高于其他兩種故障辨識方法。

為了進(jìn)一步驗證基于隨機(jī)矩陣譜分析的機(jī)械液壓傳動系統(tǒng)故障辨識方法的有效性，采用實例分析的方式，分別在不同強(qiáng)度下，測試了本文方法的有效性，結(jié)果如圖2所示。

圖2 故障殘差測試結(jié)果

從圖2的結(jié)果可以看出，當(dāng)機(jī)械液壓傳動系統(tǒng)故障的強(qiáng)度為50%時，獲取到的殘差值比較大，很難實現(xiàn)故障的有效辨識，原因是當(dāng)機(jī)械液壓傳動系統(tǒng)故障出現(xiàn)突變信號峰值時，無法檢測到故障信號，而當(dāng)機(jī)械液壓傳動系統(tǒng)故障的強(qiáng)度為30%時，獲取到的故障殘差值比較小，由于分析了故障信號的隨機(jī)矩陣譜，可以有效辨識故障信號，具有更高的魯棒性。

表2 本文方法故障率識別結(jié)果 %

為進(jìn)一步驗證所提方法的有效性，實驗分析了本文方法對故障率進(jìn)行識別，將其與上述設(shè)置的4種故障的實際故障率進(jìn)行對比，得到的結(jié)果如表2所示。分析表2中結(jié)果可以看出，本文方法對設(shè)置的故障率識別的結(jié)果與理想故障率識別的結(jié)果較為接近，驗證了所提方法的有效性，證明本文方法可以對故障進(jìn)行有效辨識。

3 結(jié)束語

本文提出了基于隨機(jī)矩陣譜分析的機(jī)械液壓傳動系統(tǒng)故障辨識方法，提取出機(jī)械液壓傳動系統(tǒng)故障特征，檢測機(jī)械液壓傳動系統(tǒng)故障，設(shè)計了機(jī)械液壓傳動系統(tǒng)故障辨識流程，實現(xiàn)了機(jī)械液壓傳動系統(tǒng)故障的辨識。結(jié)果顯示，本文設(shè)計的故障辨識方法可以提高故障的辨識率，保證故障信號辨識的有效性。

[1] 吳慶濤，韓春松，丁傳東. SVM用于非線性系統(tǒng)故障診斷[J]. 齊齊哈爾大學(xué)學(xué)報（自然科學(xué)版），2021, 37(03): 22-24, 61.

[2] 李響，崔皓蒙. 厭氧塘污水處理系統(tǒng)液壓故障在線檢測仿真[J]. 計算機(jī)仿真，2019, 36(01): 377-380.

[3] 王立文，劉強(qiáng)，霍金鑒，等. 基于概率神經(jīng)網(wǎng)絡(luò)的液壓管路泄漏故障程度識別[J]. 機(jī)床與液壓，2020, 48(04): 159-164.

[4] 陳明鑫，龐新宇，呂凱波，等. 基于VMD能量熵和HMM的行星齒輪箱故障識別方法[J]. 機(jī)床與液壓，2020, 48(23): 196-201.

[5] 姜萬錄，李振寶，張生，等. 基于遞歸定量分析的液壓泵故障識別方法[J]. 液壓與氣動，2019(02): 18-23.

[6] 沈新剛，呂鎮(zhèn)邦，孫倩. 基于多級觀測器的液壓伺服系統(tǒng)自適應(yīng)故障檢測與隔離[J]. 空軍工程大學(xué)學(xué)報（自然科學(xué)版），2020, 21(05): 36-42.

[7] 張兆東，張均利，張鴻鵠，等. 基于小波分析的液壓缸內(nèi)泄漏檢測方法[J]. 液壓與氣動，2020(06): 83-89.

[8] 楊成剛，趙靜一，姚成玉，等. 液壓有源測試在鍛造機(jī)液壓故障診斷中的應(yīng)用[J]. 哈爾濱工程大學(xué)學(xué)報，2019, 40(02): 380-386.

[9] 陳明鑫，龐新宇，呂凱波，等. 基于VMD能量熵和HMM的行星齒輪箱故障識別方法[J]. 機(jī)床與液壓，2020, 48(23): 196-201.

[10] 姜保軍，王帥杰，董紹江. 基于深度學(xué)習(xí)的液壓監(jiān)測系統(tǒng)蓄能裝置故障診斷[J]. 組合機(jī)床與自動化加工技術(shù)，2019(09): 89-92.

[11] 杜名喆，王寶中. 基于經(jīng)驗小波分解和卷積神經(jīng)網(wǎng)絡(luò)的液壓泵故障診斷[J]. 液壓與氣動，2020(01): 163-170.

[12] 王育煒，王紅軍，韓秋實，等. 基于小波包和IGA-BP神經(jīng)網(wǎng)絡(luò)的滾動軸承故障識別方法[J]. 機(jī)床與液壓，2020, 48(17): 184-187.

[13] 宣元，何琳，陳宗斌，等. 基于脈動壓力信號的液壓泵故障診斷方法[J]. 海軍工程大學(xué)學(xué)報，2020, 32(06): 108-112.

[14] 楊同光，于曉光，王紫涵，等. 分形理論在航空液壓管路裂紋故障診斷中的應(yīng)用研究[J]. 機(jī)床與液壓，2019, 47(22): 169-173.

[15] 曹智軍. 農(nóng)業(yè)機(jī)械設(shè)備液壓元件故障診斷系統(tǒng)設(shè)計與應(yīng)用[J]. 農(nóng)機(jī)化研究，2020, 42(01): 255-260.

Fault identification method of mechanical hydraulic transmission system

based on random matrix spectrum analysis

PENG Cheng(Hefei Vocational and Technical College, Hefei 230012, China)

Traditional fault identification methods are affected by the faults of mechanical hydraulic transmission system, which have the problems of low fault identification rate and poor effectiveness. A fault identification method of mechanical hydraulic transmission system based on stochastic matrix spectrum analysis is proposed. The eigenvector function of the fault signal is obtained by decomposing the fault vibration signal. The random variables of the fault signal are extracted by linear analysis. The fault characteristics of the mechanical hydraulic transmission system are extracted by solving the fault signal. The state space of the mechanical hydraulic transmission system is described by using the random matrix spectrum analysis method, and the state equation of the mechanical hydraulic transmission system is calculated, using the residual threshold of the mechanical hydraulic transmission system, the mechanical hydraulic transmission system fault is detected. By comparing the closeness degree of the mechanical hydraulic transmission system fault, the maximum value is selected as the fault information of the mechanical hydraulic sensing system to realize the fault identification of the mechanical hydraulic transmission system. Experimental results show that the proposed method has higher fault identification rate.

random matrix spectral analysis；mechanical hydraulic transmission system；fault identification；feature extraction；fault detection；feature vector

2021-07-12

2020年省級質(zhì)量工程項目——高職院校液壓與氣壓傳動類課程“四化兩性”教學(xué)模式的理論與實踐研究（2020jyxm1649）；2019年校級重點(diǎn)質(zhì)量工程項目——高職《液壓與氣壓傳動技術(shù)》課程“四化兩性兩體系”教學(xué)模式的理論與實踐研究（2019JYXM002）

彭誠（1986-），男，安徽巢湖人，副教授，碩士，主要從事機(jī)械設(shè)計測量、液壓傳動控制應(yīng)用研究，qq428829@126.com。

TH137.1

A

1007-984X(2022)02-0001-06