【技術實現步驟摘要】
本專利技術涉及機械設備故障診斷，特別是涉及一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法。
技術介紹
1、軸向柱塞泵作為智能制造裝備的核心元件，具有功率密度高、傳遞扭矩大、可靠性高等優勢，廣泛應用于工程建設、航空航天和農業水利等領域。隨著軸向柱塞泵不斷向“高速高壓”方向發展，隨之帶來振動加劇、噪聲加大等現象，造成泵的磨損加劇、性能下降、意外故障率激增，因此對其故障診斷對保障液壓系統安全運行極為重要。
2、軸向柱塞泵故障具有復雜非線性特點，大多表現為振動信號，故障特征不明顯，導致故障診斷困難。目前，柱塞泵故障診斷方法主要分為三種：基于模型的方法、基于信號處理的方法、基于知識的方法。基于模型的方法可不依靠硬件設備實現故障診斷，但實際中往往難以建立精確的數學模型；基于信號處理的方法可不依靠數學模型，直接對信號進行分析處理，但大多依靠人工經驗，提取故障特征需大量知識，故障診斷準確率低、診斷效率低下。基于知識的方法主要包含專家系統、神經網絡，專家系統可靠性高，但知識獲取困難，神經網絡魯棒性強，但是網絡結構較復雜。隨著人工智能的興起，智能的診斷方法越來越廣泛的應用于柱塞泵的故障診斷中，單一的故障診斷方法存在難以彌補的劣勢。因此，我們需要將多種診斷方法相結合，取長補短，既能有效提取關鍵故障特征，又能準確的進行故障診斷。綜上，研究準確高效的柱塞泵故障診斷方法，對提高診斷準確性和效率，具有重要的工程意義和實用價值。
技術實現思路
1、本專利技術的目的是克服傳統故障診斷方法存在提取故障
2、本專利技術為解決上述技術問題采取的技術方案是：
3、一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，包括以下步驟：
4、s1：柱塞泵信號的采集：采集柱塞泵端蓋、泵體和出油口的多通道振動信號，以及出油口溫度、壓力和流量信號；
5、s2：柱塞泵故障信號處理：對多通道振動信號進行降噪處理和時頻域處理，并對降噪處理和時頻域處理的信號、振動信號、溫度信號、壓力信號和流量信號進行歸一化處理；
6、s3：粗糙集提取信號特征：建立原始故障信息表，對采集的信息預處理；運用粗糙集理論數據等距離散，去除冗余故障征兆，提取最簡屬性和故障分類規則；
7、s4：建立粗糙集-徑向基神經網絡模型：運用粗糙集得到的最簡屬性和狀態分類規則初始化徑向基神經網絡的參數，構建粗糙集-徑向基神經網絡模型；
8、s5：故障分類、識別和診斷：使用粗糙集-徑向基神經網絡模型對導入的故障數據進行診斷，故障分類、識別，并對診斷準確率、靈敏度進行分析，得出結論。
9、進一步地，步驟s1中通過在柱塞泵的端蓋、泵體、出油口處布置振動傳感器，在柱塞泵出油口處布置溫度、壓力、流量傳感器，采集柱塞泵五種狀態下的信號；五種狀態為：正常、滑靴和斜盤磨損故障、柱塞磨損故障、配流盤空蝕故障、松靴故障。
10、進一步地，步驟s2中，頻域處理中時頻域特征共18種，其中，時域特征計算量包括14種，最大值、最小值、平均值、峰峰值、絕對值的平均值、方差、標準差、峭度、偏度、均方根、波形因子、峰值因子、脈沖因子和裕度因子；頻域特征計算包括4種，重心頻率、平均頻率、頻率均方根和頻率方差。
11、進一步地，步驟s2中歸一化處理采用如下公式：
12、
13、 z min與 z max分別表示當前經降噪處理、并進行時域和頻域特征計算的數據及振動信號、溫度信號、壓力信號和流量信號 z中的最小值及最大值， x代表經降噪處理、并進行時域和頻域特征計算的數據組， x'代表進行歸一化處理后的數據組。
14、進一步地，步驟s3中根據粗糙集理論，使用故障征兆和狀態類別建立柱塞泵原始故障信息表，故障征兆包括步驟s2中振動信號時頻域特征、步驟s1中振動信號、溫度信號、壓力信號和流量信號，記作[c1,c2,···,cn]；狀態類別為：正常；滑靴和斜盤磨損故障；柱塞磨損故障；配流盤空蝕故障；松靴故障，記作[d1,d2,···,d5]。
15、進一步地，步驟s3中數據離散方法為等距離散，將[c1,c2,···,cn]、[d1,d2,···,d5]分成等距的斷點段，對每個斷點段中屬性值的多少不作考慮；若每個斷點段中屬性值的最大、最小屬性值分別為 x max 、x min，則兩個斷點之間的距離為 δ=(x max -x min )/k，斷點可表示為 x min +iδ,i=0,…,k， k為屬性參數。
16、進一步地，步驟s3中對等距離散后的[c1,c2,···,cn]、[d1,d2,···,d5]進行遺傳約簡處理。通過將等距離散后的[c1,c2,···,cn]、[d1,d2,···,d5]二進制編碼，初始數據組個數，定義約簡函數，以隨機的形式選取數據進行交叉、變異運算。
17、進一步地，步驟s4中初始化徑向基神經網絡參數，確定隱含層到輸出層的權值、隱含層的中心、隱含層的寬度，運用最簡屬性和狀態分類規則構建徑向基神經網絡結構，使用梯度下降法作為學習算法不斷優化調整網絡的結構；設置網絡的誤差目標、最大迭代次數、學習速率，進行網絡訓練和測試，調整優化網絡結構，使網絡達到預期的誤差訓練目標。
18、進一步地，步驟s5中將柱塞泵測試樣本輸入粗糙集-徑向基神經網絡模型中，進行故障分類、識別，對診斷結果的準確率、精確率和靈敏度以及數據的分布情況進行分析，得出診斷結論。
19、本專利技術相對于現有技術取得了以下有益效果：
20、本專利技術可實現對柱塞泵故障的多種耦合信號進行特征提取，利用粗糙集理論去除冗余故障征兆，通過信號的時頻域處理和歸一化處理，準確提取出關鍵的故障特征和故障分類規則。
21、本專利技術結合數據挖掘技術和機器學習方法，將粗糙集理論和徑向基神經網絡方法相結合，挖掘潛在知識，使用最簡屬性和故障分類規則構建徑向基神經網絡，優化了網絡結構，兩種方法優勢互補，實現了準確高效的故障診斷。
本文檔來自技高網...【技術保護點】
1.一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟S1中通過在柱塞泵的端蓋、泵體、出油口處布置振動傳感器，在柱塞泵出油口處布置溫度、壓力、流量傳感器，采集柱塞泵五種狀態下的信號；五種狀態為：正常、滑靴和斜盤磨損故障、柱塞磨損故障、配流盤空蝕故障、松靴故障。
3.根據權利要求1所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟S2中，頻域處理中時頻域特征共18種，其中，時域特征計算量包括14種，最大值、最小值、平均值、峰峰值、絕對值的平均值、方差、標準差、峭度、偏度、均方根、波形因子、峰值因子、脈沖因子和裕度因子；頻域特征計算包括4種，重心頻率、平均頻率、頻率均方根和頻率方差。
4.根據權利要求1或3所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟S2中歸一化處理采用如下公式：
5.根據權利要求4所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故
6.根據權利要求5所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟S3中數據離散方法為等距離散，將[C1,C2,···,Cn]、[D1,D2,···,D5]分成等距的斷點段，對每個斷點段中屬性值的多少不作考慮；若每個斷點段中屬性值的最大、最小屬性值分別為xmax、xmin，則兩個斷點之間的距離為δ=(xmax-xmin)/k，斷點可表示為xmin+iδ,i=0,…,k，k為屬性參數。
7.根據權利要求6所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟S3中對等距離散后的[C1,C2,···,Cn]、[D1,D2,···,D5]進行遺傳約簡處理；通過將等距離散后的[C1,C2,···,Cn]、[D1,D2,···,D5]二進制編碼，初始數據組個數，定義約簡函數，以隨機的形式選取數據進行交叉、變異運算。
8.根據權利要求1所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟S4中初始化徑向基神經網絡參數，確定隱含層到輸出層的權值、隱含層的中心、隱含層的寬度，運用最簡屬性和狀態分類規則構建徑向基神經網絡結構，使用梯度下降法作為學習算法不斷優化調整網絡的結構；設置網絡的誤差目標、最大迭代次數、學習速率，進行網絡訓練和測試，調整優化網絡結構，使網絡達到預期的誤差訓練目標。
9.根據權利要求1所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟S5中將柱塞泵測試樣本輸入粗糙集-徑向基神經網絡模型中，進行故障分類、識別，對診斷結果的準確率、精確率和靈敏度以及數據的分布情況進行分析，得出診斷結論。
...【技術特征摘要】
1.一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟s1中通過在柱塞泵的端蓋、泵體、出油口處布置振動傳感器，在柱塞泵出油口處布置溫度、壓力、流量傳感器，采集柱塞泵五種狀態下的信號；五種狀態為：正常、滑靴和斜盤磨損故障、柱塞磨損故障、配流盤空蝕故障、松靴故障。
3.根據權利要求1所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟s2中，頻域處理中時頻域特征共18種，其中，時域特征計算量包括14種，最大值、最小值、平均值、峰峰值、絕對值的平均值、方差、標準差、峭度、偏度、均方根、波形因子、峰值因子、脈沖因子和裕度因子；頻域特征計算包括4種，重心頻率、平均頻率、頻率均方根和頻率方差。
4.根據權利要求1或3所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟s2中歸一化處理采用如下公式：
5.根據權利要求4所述的一種基于粗糙集和徑向基神經網絡的柱塞泵故障診斷方法，其特征在于，所述步驟s3中根據粗糙集理論，使用故障征兆和狀態類別建立柱塞泵原始故障信息表，故障征兆包括步驟s2中振動信號時頻域特征、步驟s1中振動信號、溫度信號、壓力信號和流量信號，記作[c1,c2,···,cn]；狀態類別為：正常；滑靴和斜盤磨損故障；柱塞磨損故障；配流盤空蝕故障；松靴故障，記作[d1,d2,···,d5]。
6.根據權利要求5所述的一種基于粗糙集和徑向基神經網...
【專利技術屬性】
技術研發人員：劉敏，劉志奇，馬志鵬，崔金元，陳偉敬，陳峙，李慶，
申請(專利權)人：太原科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。