Voi. 45 No. 6June. 202i
第45卷第6期
202i 年6月
液压与'动
Chinese Hydraulics & Pneumatics
doi ： i0. ii832/j. issn. i000-4858.202i.06.0i4
洪晓艺S 翟东媛2，乔庆鹏3
(i.新乡职业技术学院，电子信息系，河南新乡453006；
2.湖南大学，电子信息工程系，湖南长沙4i0082；
3.河南财政金融学院，人工智能学院，河南郑州450046)
摘要：为了提高基于机器学习的柱塞泵故障诊断效率，在柱塞泵故障5种状态振动信号基础上，提出 基于局部均值分解(Local Mean Decomposition , LMD )信号重构和支持向量机(Support Vectoa Machine , SVM ) 的柱塞泵故障诊断方法。对消噪信号进行LMD 分解，将重构信号与原始信号的样本爛进行对比。通过相关
系数法处理分解后的PF 分量和原始振动信号，以低相关性的分量作为噪声信号，同时重构高相关性的分 量。结果表明：每种状态重构信号和原始信号之间的相关系数都达到0.9以上，说明重构信号内已经含有原
始信号主要信息。各状态重构信号样本爛形成了比原始信号样本爛更优的分布状态，说明LMD 重构信号可 以减弱噪声对故障特征提取造成的影响。200组样本中识别准确率高达99%，表明以SVM 多类分类器可以 获得较高的故障识别诊断准确率。相对于原始信号，LMD 重构信号达到了更高的训练准确度与测试准确 性，表现出很好的计算精度。
关键词：故障诊断；柱塞泵；极限学习；支持向量机；仿真分析
中图分类号:THi37 文献标志码：B 文章编号：i000-4858(202i )06-009i-06
Fauit Diaanosis Analysis of Plunge Pump Based on LMD Sionai
Reconstmction and Support Vector Machine
HONG Xiao-yi i ，ZHAI Dong-yuan 2，QIAO Qing-peng 3
(i . Departaent oS Electronic Information ，Xinxiang Vocational and Technical Colleae, Xinxiang ，Henan 453006 ；
2. Departaent o - Electronic and Information Engineering ，Hunan University ，Changsha ，Hunan 4i0082；
3. Collece of Artificiai Intelliaencc ，Henan University of Financc and Economics ，Zhengzhou ，Henan 450046)
Abstract ： In order ty isprove the efficienca of plunger pump fauit diaanosis based on machine lerning, based on
the vinration signals of five states of plungef pump fault ， a fault diaanosis metaod based on LMD signal
reconstruction and support vc O v machine is proposed. The denoising signal was decomposed by LMD ， and W s reconstructed signal was compared with the original signals sample entropy. The decomposed PF component and the
original vibration signal are processed by the cavelation coefficient method. The low-covelation component is taken as the noise signal ，and the high -co v elation component is reconstructed at the same hnie. The results show that the
covelation coefficient between the reconstructed signal and the original signal in each state reaches more than 0. 9， indicating that the reconstructed signal already contains the main information of the original signal. The
收稿日期：2020-l i W6
修回日期：202i Wi -02
基金项目：湖南省自然科学基金青年基金(20i9JJ5009i )；河南省高等学校重点科研项目(i8Ai500i3)
作者简介：洪晓艺(H82—)，女，河南新乡人，讲师，本科，主要从事计算机算法分析与网络技术方面的科研和教学工作&
92液压与'动第45)第6期
reconstructed signal sample entropy of eech staie忆^a beter distribution staie than the original signal sample entropy,which indicates that the reconstructed signal of LMD ccn reducc the influencc of noise on fault featura extraction.In200groups of sdmpls,U ic recognition accurcy is up te99%,which indicates that tha SVM multi-class classifier can achieve high fault recognnion and didgiiosis accuracy.Compared with the original signal,the reconstructed LMD signal achieves higher training accuracy and tesa accuracy,showing good calculation accuracy. Key words:faul diaanosis,piston pump,extreme leaming,support vector machinas,simulation analysis
引言
柱塞泵属于当前工业生产领域获得广泛使用的输送泵，具备运行过程稳定并可以达到高压高效率的性能*1-3+。但考虑到柱塞泵的组成结构较复杂，并且通常都是处于长期高速运转的状态，较易发生表面磨损与松靴磨损的问题，从而引起安全事故［4-5］。最初对柱塞泵开展故障诊断时通常需要通过技术人员根据之前经验进行判断，之后升级为可以通过参数测试的方法完成诊断过程，现在已能实现智能诊断的功能。其中，智能诊断是从柱塞泵壳体与端盖位置获取振动信号，之后通过系统分析柱塞泵的工作状态［6-8］&目前，对这方面开展研究的学者也较多，任立通等⑼采用随机共振方法处理振动信
号，对振动信号频率进行增强后获得更高的信噪比，由此提升了准确度，采用上述方法诊断非线性特征时获得了理想的诊断效果，不过需要较长计算时间，算法处理过程太复杂。胡晋伟等［10］利用超限学习机对柱塞泵进行滑靴磨损故障诊断，先对振动信号实施预处理，再提取得到特征向量，将其输入到超限学习机并诊断滑靴磨损程度&袁兵等［11］综合运用集合经验模态分解和SVM的方法，准确诊断得到滑靴耳轴磨损、柱塞泵滑靴磨损以及球头松动情况&张华等*12+同时采用SVM和符号动力学信息爛的方法构建得到信息爛特征集，实现了对液压泵的不同类型故障识别功能，但采用此方法需要经过复杂的诊断过程，花费较长的学习时间，并且整体流程太复杂，由此降低了诊断效率&
本研究用LMD对诊断流程进行了简化处理&为了对重构信号特征提取优势进行分析，在SVM中输入原始信号与重构信号特征数据集，之后比较了训练和诊断所得结果&
1局部均值分解(LMD)原理
LMD可以通过自适应的方式把复杂振动信号分解成不同物理分量的组合结果，获得信号本质特征，有效克服端点效应，避免发生模态混叠情况，降低迭代次数，得更完号，更合解非性泵故障信号*13如&
算法计算流程如下：
(1)根据信号？B确定各个极值点，之后计算相邻极值的均值&计算得到信号(B包络估计值，然后通过滑动平均方法处理2条折线，达到平滑的效果，由此得到局部均值函数(11(B以及包络估计函数k h(B&
(2)将信号(B中的(11(B去除：
.11(B=?(B-(B
(3)以.11(B和K11(B相除获得L(B&
S11(B=.11(t)/”11(B
从理论层面分析可知,S1(B属于纯调频信号，对应的包络估计函数”12(B为1，当K⑺不为1时，则以S1(B代替信号?(B再重新执行以上过程，最终获得纯调频信号L(B，满足-1$L(B$1，对应的包络估计函数”2(B为1&
进行实际运算时，通常会设置更宽的迭代终止条件，对于一个微小量△，存在以下的迭代终止条件: 1-!$””(B$1+!&
(4)对上述所有包络估计函数乘积处理，得到以下包络信号K1(B：
—
”1(B=”11(B”2(B…K-(B B
(5)L(B与K1(B乘积属于原始信号分解得到的首个NF分量&
P%1(B=S11(B”(B
以包络信号”1(B表示PF\瞬时幅值，通过处理纯调频信号L(B获得瞬时频率&
1d*arccos(L(B)+
C(B=2"------------d------------
(6)将原信号?(B的第一个PF分量去除，以O1(B作为输入信号继续执行以上过程，经过G次循环处理直到O g成为单调函数停止，得到以下表达式：
(B=!p%(B+u k(B
1=1
2021年第6期
液压与'动
93
图1给出了 LMD 计算过程的具体流程。
I »-=1；;=1 I »,(0=^(0图1 LMD 流程图
2柱塞泵故障特征提取
2.1 数据集
泵的故障类型 包括配流盘磨损、柱塞磨、
等形式[15-16]& 号处理方式不
能精确反馈故障信号特征， 故障类型。本研
究
传感器处理 泵：轴方向的信号，柱泵振动信号采集方式如图2所示&选取A10VS045
好歌听不够型
泵作为试验对象，通过放置于泵壳体上的加速
传感 集振动信号。从中取得 号特征，先
女同性恋
对采集获得的5种状态振动信号实施LMD 分解与重
构，并以重构信号样本=和 号 差构成故障
特征向量
中 得到特征参数。图3 了
泵故障特征的具 取流程。
3.单向节流阀
4.压力表7.油箱8.加速度传感计
1.电动机
5.溢流阀图22.柱塞泵
&过滤器
柱塞泵振动信号采集示意图
图3特征提取基本流程图
对振动信号采集得到150个样本，各样本包含了 约3500个数据，一种状态包含150组特征向量，以随 机方式选择100组训练样本，再对剩余50组样本进行
&
1给出了特征数据集。
表1柱塞泵特征数据集
故障类型训练集
测试集
标签
正常
5 X1005 x501
配流盘磨损
5 X1005 x502
柱塞磨损
5 X1005 x503滑靴磨损5 X1005 x504
松靴磨损
5 X100
5 x50
5
2.2故障信号分解与重构
将 压力设定为10 MPa 情况下，再对去噪处理
泵处于正常、
、配流盘磨损、滑靴磨
与
状态下 号实施 LMD 解， 对各
振动信号进行分解得到5 ~6个NF 分量&对 ：磨
故障LMD 分解得到如图4所
时域，结果显示，
几个NF 分量中存在
号，只形成了很小的
N%5与残余量，因此可以判断
于噪声成分&对
LMD 分解过程进行分析可以发现,NF 分量属于 ■
振动信号一部分，体现了信号频率部分&当N%分量
中含有
振动信号有效特征频率成分时，
在较
性，虚假分量只存在少量有效特征频率，对
性也较弱&此时可以通过 系数法处理分解后
NF 分量和原始振动信号，以低 性的分量作为
噪声信号，同时重构
性 量&
选择具备较高有效特征频率成
N%分量实施
重构，同时以N%分量和
号 系数均值达到
0.01 N%分量实施信号重构&按照同样的方式获得
余4种状态对 重构信号。为确保重构信号
有效性， 了重构信号和 振动信号
性水
平，得 2所
各状态重构信号和原始信号之间
94
液压与'动
第45卷第6期
系数，结果显示，每种状态重构信号和
号
之 系数都达到0.9以上，
重构信号内已
经含有
号
&
3
盖。
30.01 L
[
0.01.5 £ 00
%
£ 0・0
-0.8 ---------------------------------------------------------------------------0.0 -
0.3 r £ 0.0 亡-0.3 —
0.0“ 0.18「 £ o.oo y -0.18 L
0.00.06「S 0.00 [
-0.06 L
0.0
.3
-1
.3 L 1.0
1.0
1.0
1.0
t/s
L0
图4松靴磨损信号LMD 分解图表2重构信号与原始信号相关性
组数
P
正常
配流盘磨损
柱塞
磨损
滑靴 磨损
松靴 磨损
i 0.947
0.980
0.938
0.93i 0.963
20.9840.989
0.936
0.92i
0.9343
0.950
0.9830.9400.980
0.944
40.958
0.9230.9330.92i
0.939
5
卫星电视直播0.9590.98i
0.9360.9290.9426
0.9550.9590.939
0.984
0.94070.955
0.966
0.9430.928
0.934
8
0.9220.9830.949
0.983
0.968
90.9250.9230.947
0.980
0.935i00.9350.94i
0.926
0.98i
0.979
ii
0.965
0.9630.948
0.908
0.948i20.98i
0.9750.9740.963
0.952
i3
0.926
0.9250.9520.9420.9i9
i40.9i6
0.9i9
0.936
0.922
0.9i4
i5
0.9630.9750.9220.9280.925
2.3 故障特征提取
图5 了对 泵5种 状态下形成的振动
号进行预处理得
样本爛值（曲线，结果显示，正
、
与
状态下 号发生了混
叠 &图6 LMD 对
泵各 状态下形
成的振动信号分解重构得 样本爛值。通过对
现，对
、 、正 状态下的振动信号进
行LMD 分解与重构处理后获得了不同的样本爛值，便
于对
，同时发现配流盘
与松靴生了轻微混叠。各状态重构信号样本爛形成了号样本=更
布状态,
LMD 重构信号可
以减弱噪声对故障特征提取造成的影响。
4
—■—正常
一•一配溢盘磨损—▲—松靴磨损—▼—柱塞磨损—★—滑靴磨损
0 5 10 15
Z
脚博士
图5原始信号样本爛值
4
3
心2
1
_._正常
—•—配流盘磨损_▲—松靴磨损
*~A *~~A ~~A ~~
—★—滑靴磨损—▼—柱塞磨损
5
10Z
15
图6重构信号样本爛值
3故障诊断与对比分析
3.i SVM 多类分类器的构建
选择 泵的同一种故障样本组成 ，以i 进
行表示，以剩余4种状态样本组成另 ，将其表示 成-i &构建得到4个
， 为SVMi ，SVM2，
SVM3，SVM4，通过二叉树的方式对4个 组
合，建立得到能够对 泵5种状态进行识 SVM
多 ，结果见图7
&
2021年第6期液压与'动95
图7SVM多类分类器流程图
3.2柱塞泵故障诊断
图8了对数据集进行训练所得结果，各
组样本对B如下：正状态包含0〜40组，配
流盘包含40〜80组，包80〜120组，
滑靴磨损2.5mm包含120〜160组，松靴磨损包含
160〜200组。根据图8可知,200组样本中只2个样
本（和）发生了识别错误，准确
达99%，以SVM多可以获得较高故障
识别诊断准确率。
04080120160200
Z
图8基于SVM的柱塞泵五种状态预测分类
3.3对比分析
为了重构特征数据集有效性，在SVM多类分
算法中重构信号特征向量数据集，再将与
号集诊断结果进行对比，结果见表3&由3
可知：相对于号，LMD重构信号达到了更高的
表3准确度结果对比%
状态
原始信号重构信号
训练
准确度
测试
准确度
训练
准确度
测试
准确度
正常75.373.6100100柱塞磨损83.410010098.5配流盘磨损92.495.699.2100滑靴磨损91.391.099.899.6松靴磨损88.582.510098.5训练准确度与确性，表现很好的计算精度&研究LMD重构信号特征方法在处理泵故障诊断方面具有很好果&
4结论
(1%种状态重构信号和号之系数都达到0.9以上，重构信号内已经含有信号&各状态重构信号样本爛形成了
号样本爛更布状态，LMD重构信号可以减弱噪声对故障特征提取造成&
(2%200组样本中只2个样本(和松靴
%生了识别错误，准确达99%，以SVM 多可以获得较故障识别诊断准确率&相对于号,LMD重构信号达到了更训练准确与确性，现很好计算精&
社会经济结构
参考文献：
*1+CASOLI P，BEDOTTI A，CAMPANICI F，et al.A MethoBased on Cyclostationarg Analysis for Fault Detection o S Hydraulic Axial Piston Pumps*J+.Energies，2018，11
(7)：1-19.
*2：陈革新，杨明昆，冯俊学，等•电动伺服泵控单元热功率特性研究*J]•液压与气动，2020，(11)：27-33.
CHEN Gexin，YANG Mingkun，FENG Junxue，et al.
Thermcl Power Characteristid of Electro-hydrostatic Pump
Unit*J+.Chinese Hydraulics&Pneumatics，2020，(11):
27-33.
*3+YU Jianbo，LV Jingxiang.Weak Fault Feature Extraction of Rolling Bearings Using Local Mean Decomposition-based
Multilayer Hybrid Denoising*J+.ICEE Transcctions on
Instrumentation and Measurement，2017，66(12):3148
-3159.ungelivable
*4+MOZAFFARI A，FATHI A，BEHZADIPOUR S.An Evolvable Self-crganizing Neure-fuzey Multilayered Classifier with
Gaoup Meihod Daia Handlcng and Gaammaa-based
Bco-
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议