CN108153987A - 一种基于超限学习机的液压泵多故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于超限学习机的液压泵多故障诊断方法，该液压泵多故障诊断方法包括特征提取模块、特征约简模块和故障诊断模块三个模块，对于任一泵壳振动信号、出口流量信号和出口压力信号依次进行特征提取、特征约简和故障诊断，最终实现液压泵的多故障诊断。本发明公开的液压泵多故障诊断方法具有诊断更可靠、更准确、简单、鲁棒性强、容错性强及泛化能力好等优点。

Description

一种基于超限学习机的液压泵多故障诊断方法

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于超限学习机的液压泵多故障诊断方法。

背景技术

液压泵是液压***的核心部件，它能否正常稳定的工作会直接影响整个液压***的运行状况。液压泵一旦发生故障，轻则增加振动噪声，影响工作效率，重则导致重大的经济损失和人员伤亡。因此，对液压泵的健康状态评估与故障诊断对液压***的可靠运行具有重要的意义。然而，由于液压泵运行状态复杂、工作环境恶劣，其状态信号具有非线性程度高、噪声干扰强等特性，致使目前的故障诊断的理论和方法还远满足不了实用化的要求。

在液压泵的健康状态评估和故障诊断中，由于上述的复杂特性，很难对液压泵建立准确的数学模型。现有的液压泵故障诊断方法大多利用单一传感器采集泵壳振动信号作为原始数据，或者利用多传感器采集泵壳振动信号作为原始数据。从故障诊断学角度来看，用单一信息来反映液压泵状态是不完整的，如果能从多方面获取多维故障冗余信息，加以综合利用，就能对***进行更可靠、更精确的评估和诊断。

超限学习机(Extreme Learning Machine,ELM)系列算法是以单隐层前向型神经网络为基础的一类数据挖掘方法，目前已成功应用于大量的回归与分类问题。超限学习机系列算法适用于多种激励函数，采取随机机制确定隐层单元的参数，从而减少了需要设置和选择的参数数量、大大提高了运算速度。与传统的人工神经网络方法、支持向量机方法以及其它的模式分类的方法相比较，超限学习机的关键优势是需要设置的参数较少并且不存在重复运算，所以运算的速度很快，同时它结构比较简单、鲁棒性和容错性强、而且泛化能力好，该算法能够克服现有智能算法中需要大量人工干预和实时性差的缺点。

智能评估和诊断方法依赖于信号采集和信号处理技术，为液压泵的健康状态评估和故障诊断提供了一种新的方法，同时，结合超限学习机算法，利用多传感器采集液压泵泵壳振动信号、出口流量信号和出口压力信号作为原始数据，以期更全面的反映液压泵的状态，以实现液压泵的多故障诊断。

发明内容

为克服现有液压泵多故障诊断技术的不足，提供一种基于超限学习机的液压泵多故障诊断方法，能够有效并快速的对液压泵的健康状态进行评估并对液压泵产生的单故障、多故障以及复合故障进行诊断。该方法具有诊断更可靠、更准确、简单、鲁棒性强、容错性强及泛化能力好等优点。

一种基于超限学习机的液压泵多故障诊断方法，包括原始信号、特征提取模块、特征约简模块和故障诊断模块，其中，原始信号包括泵壳振动信号x(t)、泵出口流量信号y(t)和泵出口压力信号z(t)；故障诊断模块又包括超限学习机健康状态评估模型和超限学习机故障分类模型；以从液压泵采集到的原始信号作为特征提取模块的输入，对泵壳振动信号进行时域分析和小波包变换处理，对泵出口压力信号和泵出口流量信号进行取均值处理，然后进行数据合并得到特征矩阵；特征矩阵作为特征约简模块的输入，经局部切空间排列算法对特征矩阵进行约简，得到约简后的特征矩阵；约简后的特征矩阵作为故障诊断模块中超限学习机健康状态评估模型的输入，将超限学习机健康状态评估模型的隐层输出与预设的阈值进行比较，得到液压泵的健康状态评估结果：健康或故障；当液压泵的健康状态为故障时，将约简后的特征矩阵输入超限学习机故障分类模型，将其隐层输出与预设的阈值进行比较，得到液压泵故障种类，进而实现多故障的诊断；

其中，故障诊断模块的建立步骤如下：

第一步，将原始数据分为两组：训练数据组和测试数据组，训练数据组中数据为训练数据，测试数据组中数据为测试数据，所有数据中均包含液压泵健康状态和故障状态数据；

第二步，对采集到的x(t)进行时域分析和小波包变换处理，分别得到时域统计量和小波包能量；对y(t)和z(t)进行取均值处理；将处理后的数据合并，得到特征矩阵；

第三步，采用局部切空间排列算法对第二步得到的特征矩阵进行约简，得到约简后的特征矩阵；其中，训练数据中液压泵健康状态数据和故障状态数据约简后的特征矩阵分别用F1和F2表示；测试数据中液压泵健康状态数据和故障状态数据约简后的特征矩阵分别用TF1和TF2表示；

第四步，建立超限学习机健康状态评估模型：为矩阵F1和F2中的样本加上标签，将得到的数据合并形成训练数据矩阵Train1，利用Train1对超限学习机进行训练，确定超限学习机网络模型和网络输出权重，建立超限学习机健康状态评估模型ELM1；为矩阵TF1和TF2中的样本加上标签，将加标签后的TF1 和TF2样本数据输入ELM1，对模型进行检验；

第五步，建立超限学习机故障分类模型：为矩阵F2中不同故障样本加上不同的标签，得到训练数据矩阵Train2，利用Train2对超限学习机进行训练，确定超限学习机网络模型和网络输出权重，得到超限学习机故障分类模型ELM2；为矩阵TF2中不同故障样本加上不同的标签；将加标签后的TF2数据输入ELM2，对模型进行检验。

本发明与现有技术相比的优点在于：

(1)本发明利用多个传感器的感知数据，产生更可靠、更准确的信息。相比于单传感器采集的数据，多传感器感知数据从多方面获取多维故障冗余信息，加以综合利用，能更精确地反映液压泵的特性。

(2)在液压泵的故障诊断中，超限学习机模型结构比较简单、鲁棒性和容错性强、而且泛化能力好。相比于现有的智能故障模式识别算法，超限学习机的关键优势是需要设置的参数较少并且不存在重复运算，所以运算的速度很快。

(3)相比于现有的液压泵健康评估与故障诊断算法，利用局部切空间排列算法实现对特征维数的约简，提高了超限学习机的分类效率。

(4)相比于多个二类分类模型进行故障诊断，超限学习机故障分类模型可以实现对不同故障模式的多分类故障诊断，提升了整个故障诊断流程的效率。

(5)利用多传感器采集原始数据与局部切空间排列算法以及超限学习机相结合的方法，相比于其他针对液压泵的健康评估与故障诊断算法，减少了人工干预，提高了评估和诊断的实时性。

附图说明

图1为本发明一种基于超限学习机的液压泵多故障诊断方法的流程图。

具体实施方式

下面结合附图及实施例对本发明进行详细说明。

一种基于超限学习机的液压泵多故障诊断方法，包括原始信号、特征提取模块、特征约简模块和故障诊断模块，其中，原始信号包括泵壳振动信号x(t)、泵出口流量信号y(t)和泵出口压力信号z(t)；故障诊断模块又包括超限学习机健康状态评估模型和超限学习机故障分类模型；以从液压泵采集到的原始信号作为特征提取模块的输入，对泵壳振动信号进行时域分析和小波包变换处理，对泵出口压力信号和泵出口流量信号进行取均值处理，然后进行数据合并得到特征矩阵；特征矩阵作为特征约简模块的输入，经局部切空间排列算法对特征矩阵进行约简，得到约简后的特征矩阵；约简后的特征矩阵作为故障诊断模块中超限学习机健康状态评估模型的输入，将超限学习机健康状态评估模型的隐层输出与预设的阈值进行比较，得到液压泵的健康状态评估结果：健康或故障；当液压泵的健康状态为故障时，将约简后的特征矩阵输入超限学习机故障分类模型，将其隐层输出与预设的阈值进行比较，得到液压泵故障种类，进而实现多故障的诊断。

其中，故障诊断模块的建立步骤如下：

第一步，将原始数据分为两组：训练数据组和测试数据组，训练数据组中数据为训练数据，测试数据组中数据为测试数据，所有数据中均包含液压泵健康状态和故障状态数据；

第二步，对采集到的x(t)进行时域分析和小波包变换处理，分别得到时域统计量和小波包能量；对y(t)和z(t)进行取均值处理；将处理后的数据合并，得到特征矩阵；

第三步，采用局部切空间排列算法对第二步得到的特征矩阵进行约简，得到约简后的特征矩阵；其中，训练数据中液压泵健康状态数据和故障状态数据约简后的特征矩阵分别用F1和F2表示；测试数据中液压泵健康状态数据和故障状态数据约简后的特征矩阵分别用TF1和TF2表示；

第四步，建立超限学习机健康状态评估模型：为矩阵F1和F2中的样本加上标签，将得到的数据合并形成训练数据矩阵Train1，利用Train1对超限学习机进行训练，确定超限学习机网络模型和网络输出权重，建立超限学习机健康状态评估模型ELM1；为矩阵TF1和TF2中的样本加上标签，将加标签后的TF1 和TF2样本数据输入ELM1，对模型进行检验；

第五步，建立超限学习机故障分类模型：为矩阵F2中不同故障样本加上不同的标签，得到训练数据矩阵Train2，利用Train2对超限学习机进行训练，确定超限学习机网络模型和网络输出权重，得到超限学习机故障分类模型ELM2；为矩阵TF2中不同故障样本加上不同的标签；将加标签后的TF2数据输入 ELM2，对模型进行检验。

1.特征提取

1)泵壳振动信号的特征提取：

对泵壳振动信号进行时域分析得到泵壳振动信号时域统计量，包含信号的峰值、均值、方差、标准方差、均方值、均方根值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标。

对泵壳振动信号进行时频域分析，采用3层小波包变换获得8维小波包变换能量值，得到泵壳振动信号特征矩阵。

对于任意信号过程如下：设时域信号为x(t)＝[x₁,x₂,...,x_n]

A.对时域信号进行归一化处理

其中，μ,σ分别为x(t)的均值和标准差。

B.采用db2小波包对每个样本进行3层分解得到8个频段，计算各频段信号的能量值。由于能量值数值较大，对8维能量向量进行归一化处理。

其中，y_ij为第i频段信号的第j个元素值，L为各频段信号长度，E_i为各频段信号能量值，V为能量向量，V'为归一化处理后的能量向量。

2)泵出口流量信号和泵出口压力信号的特征提取：

计算各样本中泵出口流量信号和泵出口压力信号的均值，得到泵出口流量信号特征向量和泵出口压力信号特征向量。

将泵壳振动信号特征矩阵、流量信号特征向量和压力信号特征向量合并，得到特征矩阵。

2.特征约简

设特征矩阵为X＝[x₁,x₂,...,x_N]，x_i∈R^m，利用局部切空间排列算法降维后得到d维数据集(m>d)。

A.构造邻域

对特征矩阵中每个样本x_i，用欧式距离计算其k个邻近点组成的邻域 X_i＝[x_i1,x_i2,...,x_ik]。

B.局部坐标线性拟合

在样本点x_i的邻域内选择一组正交基Q_i构成x_i的d维切空间，并计算邻域中每个点x_ij到切空间的正交投影θ_ij，从而得到样本点x_i的邻域在切空间投影构成的局部坐标矩阵θ_i。

正交基Q_i的选取：对进行奇异值分解，

其中，为邻域数据均值，e_k为k维单位向量，Λ_i为奇异值按降序排列的对角阵，Q_i与U_i通常取x_i前d个最大的左奇异矢量。

C.局部坐标全局排列

每个样本点x_i都有一个局部坐标θ_i，将所有局部坐标经过矩阵映射变换得到全局坐标T，变换中导致的变换误差为E，通过最小化重构误差E可以得到全局坐标T,全局坐标T可以描述高维数据集X中非线性主流形的正交低维全局坐标映射。

T＝[τ₁,τ₂,...,τ_N]

τ_i＝[τ_i1,τ_i2,...,τ_ik]

对所有的N个样本的变换误差为：

其中，L_i为局部坐标转化为全局坐标时所用的映射变换。通过最小化重构误差E_i可得映射变换L_i，从而得到全局坐标T_i。

3.超限学习机健康状态评估模型ELM1

1)ELM模型的训练：

训练数据组中的训练数据包含健康数据和故障数据，其中健康数据包含液压泵正常状态下的泵壳振动信号、泵出口流量信号和泵出口压力信号；故障数据组中的故障数据包含一个或几个故障状态下的泵壳振动信号、泵出口流量信号和泵出口压力信号，同时几个故障可以是单独发生的，也可以是同时发生的。将健康数据样本的标签设为1，将故障数据样本的标签设为2。利用加标签后的数据对ELM模型进行训练，得到ELM模型参数，包含隐层隐单元的个数和网络的输出权重，最终得到健康状态评估模型ELM1。

2)ELM模型的测试：

将测试数据输入健康状态评估模型ELM1，得到评估模型的评估结果。将测试数据的评估结果与测试数据对应的液压泵的真实状态做对比，得到模型ELM1 的准确度。

4.超限学习机故障分类模型ELM2

如果液压泵健康状态评估的结果为故障，采用该模型对可能的故障进行诊断。可以判断二类分类问题，还可以判断多类分类问题，以及多类多标签分类问题。

1)ELM模型的训练：

训练数据组中的训练数据包含一种或几种故障状态下的泵壳振动信号、泵出口流量信号和泵出口压力信号，其中几种故障状态包含几种故障单独发生的状态或几种故障单独发生和几种故障并发的状态。训练数据的标签是一个向量，标签向量的维度与可能发生的故障类型的个数相同。训练数据标签向量中，该样本对应的故障标签为1，其他均为0；对于几种故障并发的样本，对应的几种并发故障标签为1，其他为0。例如，假设有4种可能发生的故障，某样本是前 2种故障并发的情况，则训练数据标签向量的维度为4，样本对应的标签向量为 [1,1,0,0]。

利用处理过的数据对ELM模型进行训练，得到ELM模型参数，包含隐层隐单元的个数和网络的输出权重。最终得到故障诊断模型ELM2。

2)ELM模型的测试：

将测试数据输入故障诊断模型ELM2，得到故障诊断的诊断结果。将测试数据的诊断结果与测试数据对应的液压泵的真实状态做对比，得到模型ELM2的准确度。

实施例1

将本发明用于动态评估一个轴向柱塞泵的健康状态。

轴向柱塞泵的型号为A10VSO45，电机的额定转速为1480r/min，液压***主回路压力保持在10MPa。所研究的柱塞泵状态包含正常工作状态、单故障状态和复合故障状态，其中故障状态只涉及柱塞泵两种常见的故障模式，分别为松靴和滑靴磨损。通过加速度传感器、流量计和压力传感器采集泵壳振动信号、泵出口流量信号和泵出口压力信号。利用NI(NI-USB-6343)采集卡采集数据，采样频率为45kHz，每组采集时间为0.2s，每种状态采集5组样本，共采集了 20组样本(正常情况下采集5组样本，两种故障单独发生情况下各采集5组样本，复合故障情况下采集5组样本)。每组样本可以产生40个样本，因此每个状态采集到200个样本。

(1)特征提取

对原始信号中泵壳振动信号x(t)、泵出口流量信号y(t)和泵出口压力信号z(t)分别进行特征提取。

利用x(t)的时域分析得到泵壳振动信号时域统计量，包含信号的峰值、均值、方差、标准方差、均方值、均方根值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标；对x(t)进行时频域分析，采用3层小波包变换获得8维小波包变换能量值，得到泵壳振动信号特征矩阵，维度为20维。y(t)取均值得到泵出口流量信号特征向量；z(t)取均值得到泵出口压力信号特征向量。将得到的泵壳振动信号特征矩阵、泵出口流量信号特征向量和泵出口压力信号特征向量合并得到最终的特征矩阵，维度为22维。表1为任意5个原始信号数据样本的特征矩阵。

表1任意5个数据样本的特征矩阵

1	2	3	4	5	6	7	8	9	10	11
											1.6884	0.7188	0.1436	0.3789	0.6599	0.8123	1.1301	2.0784	2.3488	2.5411	1.3193
1.7806	0.7503	0.1460	0.3821	0.7086	0.8418	1.1219	2.1153	2.3731	2.5495	1.3145
											1.8624	0.7260	0.1562	0.3952	0.6829	0.8264	1.1382	2.2537	2.5652	2.7681	1.3770
1.9259	0.7862	0.1675	0.4093	0.7852	0.8861	1.1270	2.1734	2.4495	2.6291	1.3411
											1.7880	0.7326	0.1404	0.3746	0.6767	0.8226	1.1228	2.1736	2.4406	2.6130	1.3310

12	13	14	15	16	17	18	19	20	21	22
											1.9445	0.8423	0.0359	0.0331	0.0370	0.0033	0.0076	0.0253	0.0156	58.1638	10.0793
1.9596	0.8387	0.0461	0.0226	0.0287	0.0057	0.0103	0.0324	0.0154	58.1685	10.0781
											2.1975	0.8364	0.0341	0.0314	0.0416	0.0017	0.0056	0.0293	0.0198	58.1923	10.0769
2.0467	0.8415	0.0367	0.0400	0.0330	0.0016	0.0057	0.0271	0.0145	58.2257	10.0748
											2.0162	0.8469	0.0404	0.0301	0.0318	0.0019	0.0034	0.0304	0.0150	58.2405	10.0764

(2)特征约简

利用局部切空间排列算法对上述得到的特征矩阵进行约简。选择邻域k＝20，降维后的数据维度d＝10。经过局部切空间排列约简后获得特征约简矩阵。表2 为表1中5个样本约简后的特征约简矩阵。

表2为表1中5个样本约简后的特征约简矩阵

1	2	3	4	5	6	7	8	9	10
										-0.0300	0.0152	-0.0662	0.1082	-0.0458	0.0046	-0.0150	-0.0264	0.0577	-0.0313
-0.0470	0.0241	-0.0680	0.0635	-0.0162	0.0070	-0.0077	-0.0221	0.0577	-0.0298
										-0.0318	0.0509	-0.0506	0.0243	0.0020	-0.0001	0.0092	-0.0318	0.0577	-0.0223
-0.0634	0.0284	-0.0471	0.0535	0.0145	0.0172	0.0104	-0.0183	0.0577	-0.0257
										-0.0581	0.0444	-0.0759	0.0525	0.0057	0.0113	0.0062	-0.0271	0.0577	-0.0280

(3)超限学习机健康状态评估模型ELM1的训练和测试

随机选取原始数据的300个样本。其中健康状态下的样本为150个；故障状态下的样本为150个，故障状态包含松靴状态、滑靴磨损状态和两种故障的复合状态，每种故障状态的样本为50个。随机抽取健康评估数据集中200个样本作为训练数据，剩余的为测试数据。

将健康数据样本的标签设为1，将故障数据样本的标签设为2。利用加标签后的数据对ELM模型进行训练，得到ELM模型参数，包含隐层隐单元的个数和网络的输出权重，最终得到健康状态评估模型ELM1。

将测试数据输入健康状态评估模型ELM1，得到评估模型的评估结果。将测试数据的评估结果与测试数据对应的液压泵的真实状态做对比，得到模型ELM1 的准确度。

(4)超限学习机故障分类模型ELM2的训练和测试

随机选择300个样本作为故障诊断数据集。其中故障状态包含松靴状态、滑靴磨损状态和两种故障的复合状态，每种故障状态的样本为100个。在本实施例中，采用了将多标签转化为单标签的方法：即对松靴状态、滑靴磨损状态和两种故障的复合状态3种故障标签，将[0,1]转化为1，[1,0]转化为2，[1,1]转化为3。随机抽取故障诊断数据集中200个样本作为训练数据，剩余的为测试数据。

利用处理过的数据对ELM模型进行训练，得到ELM模型参数，包含隐层隐单元的个数和网络的输出权重。最终得到故障诊断模型ELM2。

将测试数据输入故障诊断模型ELM2，得到故障诊断的诊断结果。将测试数据的诊断结果与测试数据对应的液压泵的真实状态做对比，得到模型ELM2的准确度。

(5)故障诊断结果分析

表3故障诊断结果

	ELM隐单元个数	训练时间(秒)	训练精度	测试精度	测试标准差
						ELM1	20	0.0031	100％	99.5％	0.0069
ELM2	20	0.0086	99.92％	99.7％	0.0047

从表3中看到，基于超限学习机的液压泵健康评估与故障诊断模型所需要的训练时间非常短，适用于实时的评估与诊断，并且该方法的诊断精度很高，达到99.5％以上。

提供以上实施例仅仅是为了描述本发明的效果，并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (1)

1.一种基于超限学习机的液压泵多故障诊断方法，其特征在于：包括原始信号、特征提取模块、特征约简模块和故障诊断模块，其中，原始信号包括泵壳振动信号x(t)、泵出口流量信号y(t)和泵出口压力信号z(t)；故障诊断模块又包括超限学习机健康状态评估模型和超限学习机故障分类模型；以从液压泵采集到的原始信号作为特征提取模块的输入，对泵壳振动信号进行时域分析和小波包变换处理，得到泵壳振动信号特征矩阵，对泵出口压力信号和泵出口流量信号进行取均值处理，得到泵出口压力信号特征向量和泵出口流量信号特征向量，然后将泵壳振动信号特征矩阵、泵出口压力信号特征向量和泵出口流量信号特征向量进行数据合并得到特征矩阵；特征矩阵作为特征约简模块的输入，经局部切空间排列算法对特征矩阵进行约简，得到约简后的特征矩阵；约简后的特征矩阵作为故障诊断模块中超限学习机健康状态评估模型的输入，将超限学习机健康状态评估模型的隐层输出与预设的阈值进行比较，得到液压泵的健康状态评估结果：健康或故障；当液压泵的健康状态为故障时，将约简后的特征矩阵输入超限学习机故障分类模型，将其隐层输出与预设的阈值进行比较，得到液压泵故障种类，进而实现多故障的诊断；

故障诊断模块的建立步骤如下：

第一步，将原始数据分为两组：训练数据组和测试数据组，训练数据组中数据为训练数据，测试数据组中数据为测试数据，所有数据中均包含液压泵健康状态和故障状态数据；

第二步，对采集到的x(t)进行时域分析和小波包变换处理，分别得到时域统计量和小波包能量；对y(t)和z(t)进行取均值处理；将前述处理后的数据合并，得到特征矩阵；

第三步，采用局部切空间排列算法对第二步得到的特征矩阵进行约简，得到约简后的特征矩阵；其中，训练数据中液压泵健康状态数据和故障状态数据约简后的特征矩阵分别用F1和F2表示；测试数据中液压泵健康状态数据和故障状态数据约简后的特征矩阵分别用TF1和TF2表示；

第四步，建立超限学习机健康状态评估模型：为矩阵F1和F2中的样本加上标签，将得到的数据合并形成训练数据矩阵Train1，利用Train1对超限学习机进行训练，确定超限学习机网络模型和网络输出权重，建立超限学习机健康状态评估模型ELM1；为矩阵TF1和TF2中的样本加上标签，将加标签后的TF1和TF2样本数据输入ELM1，对模型进行检验；

第五步，建立超限学习机故障分类模型：为矩阵F2中不同故障样本加上不同的标签，得到训练数据矩阵Train2，利用Train2对超限学习机进行训练，确定超限学习机网络模型和网络输出权重，得到超限学习机故障分类模型ELM2；为矩阵TF2中不同故障样本加上不同的标签；将加标签后的TF2数据输入ELM2，对模型进行检验。