關(guān)鍵詞：液壓泵；軸承故障；故障診斷；集成BP網(wǎng)絡(luò)　

　　在航空工業(yè)中，液壓系統(tǒng)的工作性能直接影響著飛機(jī)的**和旅客的生命，而液壓泵是液壓系統(tǒng)的動力源，因此對液壓泵的狀態(tài)監(jiān)控與故障診斷尤為重要。軸承故障是液壓泵常見的故障模式之一，由于軸承故障所引起的附加振動相對于液壓泵的固有振動較弱，因而很難把故障信息從信號中分離開來。到目前為止，對液壓泵軸承故障的故障診斷尚缺少十分有效的方法。本文提出在頻域和倒頻域進(jìn)行特征提取，旨在解決軸承特征提取困難的問題并利用集成 BP網(wǎng)絡(luò)解決多故障診斷與識別和魯棒性問題。

1　液壓泵軸承故障的特征提取

　　對于機(jī)械系統(tǒng)而言，如有故障則一定會引起系統(tǒng)的附加振動。振動信號是動態(tài)信號，它包含的信息豐富，很適合進(jìn)行故障診斷。但是如果附加振動信號由于固有信號或外界干擾對故障信號的干擾很大而淹沒，那么如何從振動信號中提取有用信號就顯得十分關(guān)鍵。

根據(jù)摩擦學(xué)理論，當(dāng)軸承流動面的內(nèi)環(huán)、外環(huán)滾道及滾柱上出現(xiàn)一處損傷，滾道的表面平滑受到破壞，每當(dāng)滾子滾過損傷點(diǎn)，都會產(chǎn)生一次振動。假設(shè)軸承零件為剛體，不考慮接觸變形的影響，滾子沿滾道為純滾，則有如下?lián)p傷振動頻率：
　　當(dāng)內(nèi)滾道有一處損傷時，其振動脈沖特征頻率為：

f_I=f_rZ(1+dcosα/D)/2　?。?）

　　當(dāng)外滾道有一處損傷時，其振動脈沖頻率為：

f_o=f_rZ(1-dcosα/D)/2　?。?）

　　當(dāng)滾柱上有一處損傷時，其振動脈沖特征頻率為：

f_R=f_rD(1-d²cosα/D²)/d　?。?）

其中：f_r－內(nèi)環(huán)轉(zhuǎn)速頻率；D－軸承的節(jié)圓直徑；d－滾柱的直徑；α－接觸角；Z－滾柱個數(shù)。
　　為了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，選用以下抗干擾能力較強(qiáng) 的特征作為故障診斷特征參數(shù)。
　?。?）振動的平均能量特征
　　設(shè)在液壓泵泵體上測得的振動加速信號為：
　　a(t)={a₁(t), a₂(t),...，a_n(t)}
　　它是故障信號以泵體傳輸后的信號。根據(jù)統(tǒng)計學(xué)理論，振動的均方根反映振動的時域信息：

特征參數(shù)有它代表振動信號的有效值，反映振動的平均能量。
　?。?）振動信號的峰值特征

P_p=max{a(t)}　?。?）

　　它是反映振動信號中周期性脈動的特征量。
　?。?）倒譜包絡(luò)特征
　　設(shè)f(t)為故障激勵信號，h(t)為傳輸通道的脈沖響應(yīng)。它們相應(yīng)的Fourier變 換有如下關(guān)系：

　　對（6）式進(jìn)行如下變換：

式中，τ稱為倒頻率；(τ)為倒頻譜。由上式可以 看出故障激勵信號特性和傳遞通道的特性被分離開來了，而一般情況下故障激勵信號與傳遞通道信號占據(jù)不同的倒頻區(qū)段，這樣可以突出故障振動信號的特性。
　　Hilbert變換用于信號分析中求時域信號的包絡(luò)，以達(dá)到對功率譜進(jìn)行平滑從而突出故 障信息。定義信號：為*佳包絡(luò)。倒譜包絡(luò)模型實(shí)質(zhì)是對從傳感器獲得的信號進(jìn)行倒頻譜分析，然后對其倒頻譜信號進(jìn)行包絡(luò)提取，從而雙重性地突出了故障信息，為信噪比小的故障特征的提取提供了依據(jù)。

2　集成BP網(wǎng)絡(luò)進(jìn)行故障診斷的原理

　　神經(jīng)網(wǎng)絡(luò)的組織結(jié)構(gòu)是由求解問題的領(lǐng)域特征決定的。由于故障診斷系統(tǒng)的復(fù)雜性，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于障診斷系統(tǒng)的設(shè)計中，將是大規(guī)模神經(jīng)網(wǎng)絡(luò)的組織和學(xué)習(xí)問題。為了減少工作的復(fù)雜性，減少網(wǎng)絡(luò)的學(xué)習(xí)時間，本文將故障診斷知識集合分解為幾個邏輯上獨(dú)立的子集合，每個子集合再分解為若干規(guī)則子集，然后根據(jù)規(guī)則子集來組織網(wǎng)絡(luò)。每個規(guī)則子集是一個邏輯上獨(dú)立的子網(wǎng)絡(luò)的映射，規(guī)則子集間的聯(lián)系，通過子網(wǎng)絡(luò)的權(quán)系矩陣表示。各個子網(wǎng)絡(luò)獨(dú)???地運(yùn)用BP學(xué)習(xí)算法分別進(jìn)行學(xué)習(xí)訓(xùn)練。由于分解后的子網(wǎng)絡(luò)比原來的網(wǎng)絡(luò)規(guī)模小得多且問題局部化了，從而使訓(xùn)練時間大為減少。利用集成BP網(wǎng)絡(luò)進(jìn)行液壓泵軸承故障診斷的信息處理能力源于神經(jīng)元的非線性機(jī)理特性和BP算法，如圖1所示。

圖1　BP網(wǎng)絡(luò)故障診斷示意圖

圖2中每一個子網(wǎng)絡(luò)均為一個BP網(wǎng)絡(luò)，各個子網(wǎng)絡(luò)由BP算法各自學(xué)習(xí)，學(xué)習(xí)后的結(jié)果由控制網(wǎng)絡(luò)集成。BP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

把選取的每一個特征參數(shù)（包括能量特征，幅值特征和倒譜包絡(luò)特征)x的值映像到神經(jīng)網(wǎng)絡(luò)輸入輸出層的單個節(jié)點(diǎn)上，并對其進(jìn)行正則處理：

x_i=0.8(x-x_min)/(x_max-x_min)+0.1　　?。?）

　　式（8）把特征參數(shù)正則到（0.1,0.9）之間的目的是避免Sigmoid函數(shù)輸出值極端化而引起學(xué)習(xí)無法收斂的問題。
　　對（8）式得到的正則值完成如下運(yùn)算，得到每個神經(jīng)元的加權(quán)值和閾值：

式中，j代表當(dāng)前層，i代表前一層，w_ij代表連接權(quán)值；c_j代表當(dāng)前節(jié)點(diǎn)的閾值；f_j代表輸出 。

3、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。眾所周知，人腦具有容錯特性，大腦中個別神經(jīng)元的損傷不會使它的總體性能發(fā)生嚴(yán)重的降級，這是因為大腦中每一概念并非只保存在一個神經(jīng)元中，而是散布于許多神經(jīng)元及其連接之中。大腦可以通過再次學(xué)習(xí)，使因一部分神經(jīng)元的損傷而淡忘的知識重新表達(dá)在剩余的神經(jīng)元中。由于神經(jīng)網(wǎng)絡(luò)是對生物神經(jīng)元網(wǎng)絡(luò)的模擬，所以神經(jīng)網(wǎng)絡(luò)的*大特征是具有“聯(lián)想記憶”功能，即神經(jīng)網(wǎng)絡(luò)可以由以往的知識組合，在部分信息丟失或部分信息不確定的條件下，用剩余的特征信息做出正確的診斷。表2給出了軸承6個特征信息中某些輸入特征不正確或不確定情況下正確診斷和識別的成功率。

表2　神經(jīng)網(wǎng)絡(luò)魯棒性統(tǒng)計表