论文部分内容阅读
轴向柱塞泵作为液压体系的供能元件,广泛应用于各工业领域范围,同时柱塞泵也是液压系统中故障常发元件之一。随着科技的发展,液压系统的结构愈加复杂,故障形式也越来越多。因此,能够对柱塞泵的故障进行及时有效的诊断具有重要的意义,而传统的人工识别故障类型的方法已经无法满足现代机械故障诊断的需求。本文利用粒子群算法的特点与传统BP网络模型结合的方式,对轴向柱塞泵常发的几种故障进行诊断研究,主要包括以下工作内容:本文通过分析A4VG柱塞泵的工作原理与基本结构,指出了该柱塞泵常见故障与故障机理,通过经验公式计算该柱塞泵基本振动频率,并利用Hilbert包络谱分析方法对柱塞泵故障信号进行了分析。同时也对柱塞泵的振动传递路径进行了分析,总结出可以通过泵壳来采集柱塞泵振动信号的方法,并在柱塞泵故障诊断实验台上,通过人为设置故障件来模拟柱塞泵故障工况,分别采集了柱塞泵正常工作、滑靴磨损、配油盘磨损以及斜盘磨损这四种振动信号。在分析了当前振动信号特征提取的缺点后,本文提出一种基于小波包的经验模态分解(empirical mode decomposition,EMD)特征提取的方法。这种方法将小波包用于柱塞泵振动信号的降噪,把具有自适应分解特点的EMD方法用于振动信号的分解,并提取EMD分解后的IMF能量矩作为柱塞泵故障振动信号的特征向量。同时,将提取IMF能量矩与提取小波包系数能量和提取IMF能量作为特征向量的方法分别进行对比发现,IMF能量矩特征法更能分辨出非平稳信号的差异性,在特征提取上更具有优势。本文针对BP神经网络应用于故障诊断时,会产生收敛慢、易陷入局部最小值等缺点,将具有全局寻优特点的粒子群算法引入,将粒子群算法与BP网络结合实现对柱塞泵故障振动信号进行分类的方法。通过分别应用BP网络模型与优化后的PSO-BP网络模型对柱塞泵振动信号进行分类实验证明,PSO-BP网络在对本文柱塞泵故障振动信号的分类使用中具有一定的优势。最后本文通过灰色关联度理论,计算标准故障的特征向量与位置故障的特征向量的灰色关联度值,一方面可以验证提取的特征值的有效性,另一方面对PSO-BP网络作的诊断结果的正确性进行了验证。