一種基于局部均值變換和Softmax的液壓泵故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于局部均值變換和Softmax(SoftmaxRegression)的液壓泵故 障診斷方法，屬于故障診斷技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 液壓泵是液壓系統(tǒng)的重要部件之一，其性能好壞對整個液壓系統(tǒng)操作的可靠性有 重要影響，一次液壓泵的健康監(jiān)測及故障診斷方法在工業(yè)應(yīng)用中具有重要的意義。液壓泵 一旦發(fā)生故障，輕則震動、噪聲增加，降低工作效率；重則使液壓泵不能夠工作，甚至?xí)斐?嚴(yán)重的事故。在液壓泵的故障診斷中，特征信息的選擇和提取十分關(guān)鍵。液壓泵的故障診 斷信號大都為非平穩(wěn)信號，故應(yīng)選擇適合處理非平穩(wěn)信號的特征提取方法。局部均值分解 方法作為一種自適應(yīng)時頻分析方法，可以將復(fù)雜的多分量調(diào)幅一調(diào)頻信號自適應(yīng)分解為單 分量的調(diào)幅一調(diào)頻信號。局部均值變換作為一種時域分解方法，其分解得到的PF分量很好 的保持了原始信號的幅值和頻率變換信息，相比于其他時域分解方法，局部均值分解更加 適合于處理類似于液壓泵振動信號的多分量調(diào)幅-調(diào)頻信號。同時相比于現(xiàn)有的頻域分解 方法，局部均值分解方法具有較快的速度，有利于提升評估和診斷算法的效率。
[0003] 邏輯斯蒂回歸屬于概率回歸，適用于二分類（正常和不正常）變量的情況。邏輯 斯蒂模型參數(shù)估計的經(jīng)典方法為最大似然估計法，可以有效的對原始信號的正?；蚬收蠣?態(tài)進(jìn)行分類，然后對于液壓泵處于何種故障卻難以區(qū)分。雖然可以建立多個二分類邏輯斯 蒂模型來對故障進(jìn)行診斷，但是由于液壓泵故障之間屬于相互排斥的類別，在這種情況下， 多個邏輯斯蒂模型將不適用。在液壓泵的故障診斷過程中，相比于現(xiàn)有的建立多個二分類 邏輯斯蒂回歸模型的方法，Softmax回歸模型只需要訓(xùn)練一次就可以實現(xiàn)針對多種故障模 式的分類。同時，針對液壓泵診斷中故障模式存在的互斥現(xiàn)象，Softmax回歸模型相比于多 個邏輯斯蒂模型具有更好的效果。
[0004] 相比于現(xiàn)有的液壓泵健康評估與故障診斷算法，由于局部均值變換算法的運行速 度較快，提升了整套健康評估與故障診斷算法的效率。同時，多維尺度分析實現(xiàn)的對特征維 數(shù)的約簡，提高了邏輯斯蒂回歸以及Softmax回歸進(jìn)行分類的效率。此外，相對于使用多 個邏輯斯蒂回歸模型進(jìn)行故障診斷，單個Softmax回歸模型實現(xiàn)的對不同故障模式的多分 類故障診斷也提升了整個故障診斷流程的效率，同時還克服了多個邏輯斯蒂回歸模型不能 對相互排斥故障類型進(jìn)行分類的缺點。局部均值變換算法與邏輯斯蒂回歸以及Softmax回 歸相結(jié)合的方法相比于其他針對液壓泵的健康評估與故障診斷算法具有更好的效果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明技術(shù)解決問題：克服現(xiàn)有技術(shù)的不足，提供一種基于局部均值變換和 Softmax的液壓泵故障診斷方法，能夠有效的對液壓泵的健康狀態(tài)進(jìn)行評估并對發(fā)生故障 的液壓泵進(jìn)行故障診斷。
[0006] 本發(fā)明技術(shù)解決方案：一種基于局部均值變換和Softmax的液壓泵故障診斷方 法，實現(xiàn)步驟如下：通過分析從液壓泵采集到的振動信號獲取液壓泵的實時狀態(tài)，然后利用 局部均值分解（LMD)將振動信號分解成若干個PF(Productfunction)分量，再對包含故 障信息的PF分量進(jìn)行分析，提取能量特征參數(shù)和相應(yīng)的時域統(tǒng)計量；之后利用多維尺度分 析（MDS)來進(jìn)行特征約簡，在得到約簡后的特征之后，采用經(jīng)過訓(xùn)練的邏輯斯蒂模型對液 壓泵進(jìn)行健康評估，在對液壓泵進(jìn)行健康評估的過程中如果檢測到故障發(fā)生，經(jīng)過訓(xùn)練的 Softmax回歸模型將對可能的故障模式進(jìn)行診斷。
[0007] 所述利用局部均值分解（LMD)將振動信號分解成若干個PF(Productfunction) 分量，再對包含故障信息的PF分量進(jìn)行分析，提取能量特征參數(shù)的過程為：將一個復(fù)雜的 多分量信號分解為若干個PF分量之和，其中每一個PF分量由一個包絡(luò)信號和一個純調(diào)頻 信號相乘而得到，將所有PF分量的瞬時幅值和瞬時頻率組合便得到原始信號完整的時頻 分布，循環(huán)上述過程以將所有的PF分量分解出來，便得到原始信號的時頻分布，通過求分 解得到的PF分量的歸一化能量值以及每一個PF分量的偏度系數(shù)及峭度系數(shù)，得到原始信 號的特征向量。
[0008] 所述利用多維尺度分析（MDS)來進(jìn)行特征約簡的過程為：通過對多個原始信號進(jìn) 行局部均值變換得到的原始信號數(shù)據(jù)集特征矩陣進(jìn)行特征約簡，將得到的特征矩陣中特征 向量的維度進(jìn)行降低，得到約簡之后的低維特征向量形成的特征矩陣。
[0009] 所述采用經(jīng)過訓(xùn)練的邏輯斯蒂模型對液壓泵進(jìn)行健康評估的過程為：將由測試數(shù) 據(jù)得到的特征向量輸入經(jīng)過訓(xùn)練的邏輯斯蒂模型，計算其CV值，通過將該CV值與預(yù)設(shè)的閾 值進(jìn)行比較，當(dāng)該CV值大于預(yù)設(shè)的閾值時，則認(rèn)為系統(tǒng)狀態(tài)健康；反之則認(rèn)為系統(tǒng)發(fā)生故 障。
[0010] 所述經(jīng)過訓(xùn)練的Softmax回歸模型將對可能的故障模式進(jìn)行診斷的過程為：當(dāng) 健康評估過程中判定系統(tǒng)發(fā)生故障時，則將相應(yīng)的測試數(shù)據(jù)特征向量輸入訓(xùn)練完成的 Softmax回歸模型，得到其對應(yīng)于每種故障模式發(fā)生的概率，對于概率值較高的情況則認(rèn)為 該種故障發(fā)生。
[0011] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于：
[0012] (1)局部均值變換作為一種時域分解方法，其分解得到的PF分量很好的保持了原 始信號的幅值和頻率變換信息，相比于其他時域分解方法，局部均值分解更加適合于處理 類似于液壓泵振動信號的多分量調(diào)幅-調(diào)頻信號。同時相比于現(xiàn)有的頻域分解方法，局部 均值分解方法具有較快的速度，有利于提升評估和診斷算法的效率。
[0013] (2)在液壓泵的故障診斷過程中，相比于現(xiàn)有的建立多個二分類邏輯斯蒂回歸模 型的方法，Softmax回歸模型只需要訓(xùn)練一次就可以實現(xiàn)針對多種故障模式的分類。同時， 針對液壓泵診斷中故障模式存在的互斥現(xiàn)象，Softmax回歸模型相比于多個邏輯斯蒂模型 具有更好的效果。
[0014] (3)相比于現(xiàn)有的液壓泵健康評估與故障診斷算法，由于局部均值變換算法的運 行速度較快，提升了整套健康評估與故障診斷算法的效率。同時，多維尺度分析實現(xiàn)的對特 征維數(shù)的約簡，提高了邏輯斯蒂回歸以及Softmax回歸進(jìn)行分類的效率。此外，相對于使用 多個邏輯斯蒂回歸模型進(jìn)行故障診斷，單個Softmax回歸模型實現(xiàn)的對不同故障模式的多 分類故障診斷也提升了整個故障診斷流程的效率，同時還克服了多個邏輯斯蒂回歸模型不 能對相互排斥故障類型進(jìn)行分類的缺點。局部均值變換算法與邏輯斯蒂回歸以及Softmax 回歸相結(jié)合的方法相比于其他針對液壓泵的健康評估與故障診斷算法具有更好的效果。
【附圖說明】
[0015] 圖1為本發(fā)明實現(xiàn)流程圖；
[0016] 圖2為本發(fā)明中正常和故障狀態(tài)下的局部均值變換結(jié)果；其中（a)為正常工況下 信號的局部均值分解結(jié)果，（b)為故障情況下信號的局部分解結(jié)果；
[0017] 圖3為本發(fā)明兩種模式下的健康評估結(jié)果；其中（a)為故障模式1發(fā)生時的CV值 變化情況曲線，（b)為故障模式2發(fā)生時的CV值變化情況曲線；
[0018] 圖4為本發(fā)明中故障1和故障2的概率，其中（a)為故障模式1發(fā)生的概率值變 化曲線，（b)為故障模式2發(fā)生的概率值變化曲線。
【具體實施方式】
[0019] 本發(fā)明通過分析從液壓泵采集到的振動信號可以獲取液壓泵的實時狀態(tài)。首先利 用局部均值分解（LMD)將振動信號分解成若干個PF(Productfunction簡稱PF)分量。再 對包含故障信息的PF分量進(jìn)行分析，提取能量等特征參數(shù)和相應(yīng)的時域統(tǒng)計量。之后利 用多維尺度分析（MDS)來進(jìn)行特征約簡。在得到約簡后的特征之后，經(jīng)過訓(xùn)練的邏