液压缸内泄漏故障诊断评估方法
阅读：963发布：2023-01-09
专利汇可以提供液压缸内泄漏故障诊断评估方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种 液压缸 内 泄漏 故障诊断评估方法，属于设备健康监控领域，特别涉及液压缸内泄漏的监测和泄漏等级分类。该方法结合小波分解和BP神经网络，通过采用小波分析的方法分割液压缸进口压 力 信号 ，提取分段时域特征，并采用BP神经网络方法建立液压缸泄漏等级的评估方法。通过实验，说明了方法的有效性，能够准确的实现对液压缸内泄漏的诊断。该方法通过液压缸中常备的进口压力 传感器 ，即可以准确检测液压缸的内泄漏，并能够检测液压缸内泄漏的等级，简单实用的实现了液压缸内泄漏的检测。本方法不需要额外传感器的添加，可实现对工业中常用的液压缸内泄漏的诊断，避免由于液压缸内泄漏造成的事故。，下面是液压缸内泄漏故障诊断评估方法专利的具体信息内容。
1.一种液压缸内泄漏故障诊断评估方法，其特征在于，包括如下步骤：
步骤1：采集液压缸的进口压力信号，并提取相应的压力信号特征构建样本数据集；
步骤2：利用样本数据集训练BP神经网络，建立泄露等级分类器，实现了对液压缸内泄漏的智能识别。
2.根据权利要求1所述的液压缸内泄漏故障诊断评估方法，其特征在于，所述步骤1包括：
步骤1.1：采集液压缸的进口压力信号；
步骤1.2：对液压缸的进口压力信号进分割；
具体地，液压缸的进口压力分为：升压阶段、保压阶段以及泄压阶段，通过小波分解方法对液压缸进口压力信号进分割；
步骤1.3：提取各阶段压力信号特征；通过小波分解对液压缸进口压力信号的分段能够得到不同阶段的小波系数，其中：各阶段压力信号特征包括：时变的二层小波系数的均方根，各阶段小波系数均值、歪度以及峭度；
步骤1.4：构建样本数据集，即将一个样本的所有时域信号特征放在一个集合中，从而生成对应的一个样本数据集。
3.根据权利要求1所述的液压缸内泄漏故障诊断评估方法，其特征在于，所述步骤2包括：
步骤2.1：通过多个样本数据集对多隐含层BP神经网络进行训练，得到隐含层和输出层的连接权值，建立泄露等级分类器；
步骤2.2：取指定数量的样本数据集，通过神经网络验证，得到液压缸泄漏的分类结果。
4.根据权利要求1所述的液压缸内泄漏故障诊断评估方法，其特征在于，所述步骤1的前提为：液压缸内泄露检测监控信号的采集基于液压系统传感器，不改变原有的液压系统。
5.根据权利要求2所述的液压缸内泄漏故障诊断评估方法，其特征在于，所述步骤1.2中液压缸的进口压力信号的分割方法包括：dbN小波分解法，具体地：
通过Inrid Daubechies提出的dbN小波函数，其中，dbN为Daubechies小波的简写，N是小波的阶数，小波ψ(t)和尺度函数 中的支撑区为2N-1，ψ(t)的消失矩为N，除N＝1外，dbN不具有对称性。
液压缸内泄漏故障诊断评估方法
技术领域
[0001] 本发明涉及设备故障监控领域，具体地，涉及一种液压缸内泄漏故障诊断评估方法。
背景技术
[0002] 液压缸是工程机械中常用的执行元件，内泄漏是液压缸常见的故障模式。内泄露将导致液压缸压升速度降低、液压缸爬行、提供力不足等现象，严重影响机械的工作效率和安全性，及时识别液压缸内泄漏能够保证液压缸的正常工作。通过小波分解提取液压缸进口压力信号特征，利用BP神经网络建立分类器，实现了对液压缸内泄漏的智能识别，分类准确率高，提高了液压缸内泄漏故障诊断的效率，为实现液压缸智能状态监控提供了基础。
[0004] 方法1：中国专利申请号：CN201410839306.6，专利名称为：《一种模拟液压系统故障的液压诊断装置》，该发明专利“公开了一种模拟液压系统故障的液压诊断装置。包括油缸、换向阀、油箱、设有第一堵塞控制阀的第一堵塞诊断油路、设有第二堵塞控制阀的第二堵塞诊断油路、回油管路、进油管路、气穴检测支路和液压泵，第一堵塞诊断油路和第二堵塞诊断油路一端分别与油缸连通，另一端分别与换向阀的对应端连接,进油管路和回油管路的一端分别与换向阀对应端连接，另一端与油箱相连通，液压泵连接在进油管路上，气穴检测支路一端与进油管路相连，一端与空气连通。本发明结构简洁、功能多样，高度集成了液压系统常见的典型故障,既可以进行液压系统单一故障测量，也可以进行液压系统两种或三种复合故障的测量。”该发明，提出了一种对液压缸各种故障模式的模拟的诊断装置，实验设计和装备设计应用为主要发明目标。
[0005] 方法2：中国专利申请号：CN201110063092.4，专利名称为：《汽车液压动力转向器油封泄露试验装置及测试方法》，改发明专利，针对汽车液压动力转向器油封泄露问题，设计了一种汽车液压动力转向器油封处泄露的试验台。该发明“在原有的汽车液压动力转向器油封泄露试验的液压控制回路装置中，增加一个二位三通阀和一个溢流阀，使测试系统产生试验背压；测试方法为当调到高压时，二位三通阀不得电，溢流阀不工作；当返回低压时，二位三通阀得电，溢流阀工作，压力为2MPa，由于端盖里的低压油封最大承受压力为2MPa，这样容易检测出油封是否破损及O型密封圈是否漏装”。该发明，主要针对汽车液压动力转向系统中的油封损坏造成的泄露问题，实现了由于密封损坏造成泄露问题的模拟和检测方法设计。
[0006] 方法3：Liang An等在“Hydraulic actuator leakage fault detection using extended Kalman filter”中，通过建立液压系统的模型，基于扩展卡尔曼滤波器(EKF)建立了故障诊断器，能够较好地识别液压缸的外泄漏和内泄漏。
[0007] 方法4：李瑞在《基于小波分析的工程机械液压缸故障特征提取研究》中，基于小孔泄露、缝隙泄露、平板泄露等模型，建立了液压缸泄露的数学模型。在分析了对液压缸泄露有影响的几种参数后，采用小波包的方法，对液压缸内泄露进行识别，并分析了小波的5个特征量对液压缸泄漏的敏感度，实现对液压缸内泄漏的准确识别。
[0008] 方法5：Xin Wu等在“Internal leakage detection for wind turbine hydraulic pitching system with computationally efficient adaptive asymmetric SVM”中采用了阀芯位置、液压缸两腔的压力来描述液压系统的状态，通过不对称支持向量机(ASVM)研究了风力发电机变桨系统的液压缸内泄漏的故障诊断，通过仿真说明了ASVM能很好的识别系统的泄漏状态。
发明内容
[0010] 根据本发明提供的液压缸内泄漏故障诊断评估方法，包括如下步骤：
[0011] 步骤1：采集液压缸的进口压力信号，并提取相应的压力信号特征构建样本数据集；
[0012] 步骤2：利用样本数据集训练BP神经网络，建立泄露等级分类器，实现了对液压缸内泄漏的智能识别。
[0013] 优选地，所述步骤1包括：
[0014] 步骤1.1：采集液压缸的进口压力信号；
[0015] 步骤1.2：对液压缸的进口压力信号进分割；
[0016] 具体地，液压缸的进口压力分为：升压阶段、保压阶段以及泄压阶段，通过小波分解方法对液压缸进口压力信号进分割；
[0017] 步骤1.3：提取各阶段压力信号特征；通过小波分解对液压缸进口压力信号的分段能够得到不同阶段的小波系数，其中：各阶段压力信号特征包括：时变的二层小波系数的均方根，各阶段小波系数均值、歪度以及峭度；
[0018] 步骤1.4：构建样本数据集，即将一个样本的所有时域信号特征放在一个集合中，从而生成对应的一个样本数据集。
[0019] 优选地，所述步骤2包括：
[0023] 优选地，所述步骤1.2中液压缸的进口压力信号的分割方法包括：dbN小波分解法，具体地：
[0024] 通过Inrid Daubechies提出的dbN小波函数，其中，dbN为Daubechies小波的简写，N是小波的阶数，小波ψ(t)和尺度函数 中的支撑区为2N-1，ψ(t)的消失矩为N，除N＝1外，dbN不具有对称性。
[0025] 与现有技术相比，本发明具有如下的有益效果：
[0026] 1、本发明中的方法可以仅通过采集液压缸的进口压力信号(该信号为液压缸工作中必备信号)无需添加新的传感器，即可以实现对液压缸泄露等级的监测，简单，方便。
[0027] 2、本发明中的方法采用db4小波对液压缸的进口压力数据进行分割，得到了不同阶段的液压进口压力数据的特征值，实现了时变数据的特征提取。
[0029] 通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0030] 图1为本发明液压缸内泄漏故障诊断方法的流程图。
[0031] 图2为本发明液压缸内泄漏故障诊断方法的一种液压缸内泄漏检测试验装置系统示意图。
[0032] 图3为本发明一种液压缸内泄漏故障诊断方法的一种实施实例的详细流程图[0033] 图中：
[0034] 1-邮箱
[0035] 2-过滤器 3-液压泵 4-变频电机
[0036] 5-变频器 6-压力表 7-流量阀
[0037] 8-溢流阀 9-手动换向阀 10-节流孔
[0042] 23-溢流阀 24-单向阀 25-单向阀
[0043] 26-单向阀 27-溢流阀 28-溢流阀
[0044] 29-液压泵 30--过滤器
具体实施方式
[0045] 下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0046] 本发明的目的在于针对现阶段的液压缸泄漏诊断多采用小波均方根作为特征，通过设置阈值，实现对液压缸内泄漏的监测，需要专家判定，难以实现智能分类的问题，设计一种新的方法实现对液压缸内泄漏的智能监测。通过小波变换提取液压缸进口压力的特征，结合BP神经网络建立故障分类器，实现了对液压缸泄漏的智能诊断。
[0047] 为达到以上目的，本发明所采用的解决方案如下：
[0048] 1、液压缸压力信号的采集
[0049] 采集液压缸的进口压力信号作为内泄露故障诊断评估模型的输入，对于常用的液压系统，液压缸的进出口压力是必要采集的信号，并不需要额外加装传感器。
[0050] 2、压力信号的分割
[0051] 液压缸的进口压力可以分为升压阶段、保压阶段和泄压阶段，有明显非平稳现象，为了研究不同阶段进口压力的特征，采用小波分析的方法将液压缸的压力数据分段，进而得到不同阶段的压力信号的特征。
[0052] 计算方法为：选取db4小波进行数据分割。dbN是Daubechies小波的简写，是由世界著名的小波分析学者Inrid Daubechies构造的小波函数，N代表小波的阶数，小波函数ψ(t)和尺度函数 中的支撑区为2N-1，ψ(t)的消失矩为N。除N＝1外，dbN不具有对称性(即非线性相位)。dbN除N＝1外，没有明确的表达式，但转换函数h的平方模是明确的。对于N阶小波，令 其中 为二项式的系数，其中，k的取值范围为：[0,N-1]；则有： 表示转换函数h的平方模，式中，
式中：hk表示k阶转换函数，db4小波函数对突变点有很好的识别能力，采用其发现压力信号的突变点，实现对数据的分割。
式中：hk表示k阶转换函数，db4小波函数对突变点有很好的识别能力，采用其发现压力信号的突变点，实现对数据的分割。
[0053] 3、压力信号的特征提取
[0054] 通过小波分解对液压缸进口压力数据的分段，可以求得液压缸进口压力不同阶段的小波系数，提取各阶段的时域信号特征，如最大值、最小值、均方根等。由于特征存在差异，提取特征后，对各个特征进行标准化，对于一个样本，将该样本所有特征放在一起，生成样本数据集。
[0055] 4、分类器建立
[0056] 根据实验数据的样本量，随机选取一定数量的特征样本数据对多隐含层BP神经网络进行训练，得到隐含层和输出层的连接权值，建立泄露等级分类器；然后，随机选取一定数量的特征样本数据，通过神经网络验证，得到液压缸泄漏的分类结果。
[0057] 计算方法为：采用BP神经网络建立液压缸泄露分类器。BP神经网络由输入层节点、输出层节点和一层或多层隐含节点组成，将学习过程分为两个阶段：1)在正向传播过程中，给出输入信息通过输入层经隐含层处理并计算每个单元的实际输出值；2)在反向过程阶段，若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值(即误差)，以便根据此差值调节权值，即可对每一权重计算出接收单元的误差值与发送单元的激活值的积。
[0058] 以下结合附图和实例介绍对本发明做进一步的解释说明。
[0059] 该发明已经通过试验台进行验证，下面对此案例中以液压缸内泄漏故障模拟试验台为例对本发明的内容加以说明。
[0060] 1、液压缸压力信号的采集
[0061] 采集液压缸的进口压力信号作为内泄露故障诊断评估模型的输入，对于常用的液压系统，液压缸的进出口压力是必要采集的信号，并不需要额外加装传感器。
[0062] 试验装置如图2所示。液压缸内泄露实验的模拟装置主要包括：加载液压缸19和测试液压缸16均水平放置，通过调定溢流阀23和27的开启压力大小，可调整加载压力的大小。溢流阀28的开启压力很低，仅用于补油。溢流阀6的开启压力要大于溢流阀23和27的开启压力。调速阀7的出口流量保持不变，用来保证在模拟不同内泄漏量等级时液压缸工作条件的一致性。通过在液压缸两腔之间的旁接节流孔13可模拟液压缸内泄漏。试验台其他部件，可见说明书附图中的具体说明。
[0063] 试验方案如下：通过更换不同直径的节流孔13来模拟不同等级的液压缸内泄露，试验中，分别采集无内泄露，直径为0.3mm和0.5mm的节流孔模拟的内泄露的液压缸进口压力信号。
[0064] 2、压力信号的分割
[0065] 压缸的进口压力可以分为升压阶段、保压阶段和泄压阶段，有明显非平稳现象，为了研究不同阶段进口压力的特征，采用小波分析的方法将液压缸的压力数据分段，进而得到不同阶段的压力信号的特征。
[0066] 液压泄漏流量可由 计算得到，忽略剪切流量，可得到 式中：qv表示泄漏流量，Δp表示进出口压力差，w表示节流孔高度，μ表示流体动力粘度，l表示节流孔长度，d表示液压缸直径，ε表示偏心量，u0表示活塞杆运动速度；进而可知液压缸的泄漏量正比于压力差和泄漏缝隙的高度，即液压缸的压力信号能够较好地反应液压缸的泄漏量。采用不同的节流孔仿真液压缸的内泄漏，测得了实验液压缸的进口压力、出口压力等信号。
[0067] 3、压力信号的特征提取
[0068] 通过小波分解对液压缸进口压力数据的分段，可以求得液压缸进口压力不同阶段的小波系数，提取各阶段的时域信号特征，如最大值、最小值、均方根等。由于特征存在差异，提取特征后，对各个特征进行标准化，对于一个样本，将该样本所有特征放在一起，生成样本数据集。
[0069] 通过小波分解对液压缸进口压力数据的分段，可以求得液压缸进口压力不同阶段的小波系数。为了实现液压缸内泄漏的智能识别，需要求得对液压缸内泄漏敏感的特征值，文献中常用的液压泄漏特征为二层小波系数的均方根，为了提高模式识别的精度，选取小波系数均值 均方根 歪度 和峭度作为特征。式中：xi表示第i阶小波系数，n的取值范围为各阶小波系数
的长度，表示小波系数的平均值。
的长度，表示小波系数的平均值。
[0070] 4、分类器建立
[0072] 首先，为了去除不同量纲和数据尺度对学习效率的影响，对输入、输出样本进行规范化处理：
[0073] 其中，分别为处理前后神经网络的输入和输出信号。 表示第k个规范化后的输入样本信号，表示第k个规范化后的输出样本信号， 表示第k个未规范化的粗采集输入信号， 表示第k个未规范化的粗采集输出信号，m的取值范围为神经网络特征值数目，此处m＝4。
[0074] 然后，进入正向过程，对于输入信息，首先向前传播到隐含层的节点上，经过各单元的激活函数，把隐含节点的输出信息传播到输出节点，最后得到输出结果。在正向传播过程中，每一层的神经元的状态只影响下一层神经元网络。隐含层各节点的输入、输出分别为：
[0075]
[0076] 输出层各节点的输入、输出分别为：
[0077]
[0078] 式中： 表示隐含层第k个神经元的j单元的激活值， 表示第k个输入向量，ωij表示输入层与隐含层间的连接权值，θj表示第j阶隐含层单元的阈值， 表示第k个隐含层j单元的输出值， 表示输出层第k个输出层的t单元激活函数，vjt表示隐含层至输出层的权值， 表示k个输出层t单元输出值。
[0079] 若输出层不能得到期望输出，即实际输出值与期望输出值之间有误差，那么进入误差的反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，再经过正向传播过程，这两个过程的反复运用，使得误差信号最小。设网络的计算输出为 网络的期望输出与计算输出的偏差的均方值 为：
[0080]
[0081] 计算输出层各节点的误差 为：
[0082] 隐含层各节点的误差 为：
[0083] 式中： 表示第k个神经元第t层网络的期望输出，p的取值范围为隐含层层数，q的取值范围为输出层层数。
[0084] 通过计算输出层和隐含层的误差，根据最速梯度下降法的原则，修正各层的连接权值和阈值为
[0085]
[0086]
[0087]
[0088]
[0089] 式中：vjt(N+1)表示第N+1次输出层至隐含层连接权值，vjt(N)表示第N次输出层至隐含层连接权值，α表示学习系数,α＞0, 表示第k个神经元第t层输出层的校正误差，γt(N+1)表示第N+1次输出层至隐含层的阈值，γt(N)表示第N次输出层至隐含层的阈值，ωij(N+1)表示第N+1次隐含层至输入层连接权值，ωij(N)表示第N隐含层至输入层连接权值，β表示学习系数，0<β<1，θj(N+1)表示第N+1次隐含层至输入层的阈值，θj(N)表示第N隐含层至输入层的阈值。
[0090] 其中，N为修正次数。通过m次循环，得到所需要的BP神经网络，进而对输入数据进行模式识别，得到相应的分类结果。
[0091] 通过小波分解，首先对进口压力数据进行预处理，检测压力数据的突变点，进而对压力信号分段，其中无泄漏数据19组，中等泄漏数据21组，大泄漏数据20组，共60个样本。求解每层小波系数的均值、均方根、歪度和峭度作为特征，共64维特征作为BP神经网络的输入值，则神经网络的输入向量X为：
[0092]
[0093] 式中： 表示第i个样本的平均值， 表示第i个样本的均方根， 表示第i个样本的歪度， 表示第i个样本的峭度，上标T表示矩阵的转置运算。
[0094] 将液压缸的不同状态作为神经网络的输出值Y，即无泄漏、中等泄漏和大泄漏，分别用1、2和3：
[0095]
[0096] 随机选取40组数据训练多隐含层BP神经网络，得到隐含层和输出层的连接权值。随机选取20组压力数据，通过神经网络验证，得到液压缸泄漏的分类结果。
[0097] 根据实验结果，可得对三种液压缸状态的识别准确率分别为：90％、85.71％和85.71％，综合准确率达到87％。
[0098] 上述对实例的描述可便于设备健康监控领域内的普通技术人员理解和应用本发明。熟悉该领域的技术人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实例中而不必经过创造性的劳动。因此，本发明不限于这里的实例，本领域技术人员根据本发明的揭示，在不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
液力变矩器热门专利
QQ群二维码
意见反馈
意见反馈