陳浩然
(中煤平朔集團有限公司露天設備維修中心 ,山西 朔州 036000)
露天煤礦常用的前裝機有復雜的液壓系統,其含有9個泵,而柱塞泵就占5個,且液壓泵是液壓系統中的關鍵部件,其性能的好壞直接影響到前裝機的工作效率,因此對柱塞泵進行故障診斷方法的研究在煤礦應用中具有重要意義。柱塞泵一旦發生故障,輕則振動、噪聲增大,降低工作效率;重則導致液壓系統不能正常工作,甚至會造成嚴重事故[1]。
目前對柱塞泵進行故障診斷常用的方法是通過分類算法來實現[2]。其中一些分類算法,如BP神經網絡和支持向量機都已被應用在柱塞泵的故障診斷與識別中。然而這些方法的共同缺點就是診斷速度慢。而在本文中則采用一種新的分類算法即超限學習機(ELM)來對柱塞泵進行故障診斷與識別。
考慮任意N個不同樣本(Xi,ti)∈Rn×Rm。如果一個含有L個隱層節點的SLFN能夠準確的表示N個樣本,那就存在 βi,αi和 bi使得[3,4]:
式中:ai和bi為隱層節點的學習參數;βi為輸出權重;G(ai,bi,X)為相對于輸入X的第i個隱層節點的輸出。
方程(1)可以簡寫成如下:
其中:
H在網絡中被稱為隱藏層輸出矩陣。
根據ELM理論,所有隱層節點(ai,bi)都是隨機生成的。輸出權值β的解被表示為:
H+是隱藏層輸出矩陣H的Moore-Penrose廣義逆矩陣。ELM算法總結為以下三步:
1)初始化輸入權值 ai與偏置值 bi,i=1,…,L
2)計算隱藏層輸出矩陣H
3)計算輸出權重β:β=H+T
本文研究的柱塞泵是來自露天煤礦常用的勒圖爾勒L1150前裝機,前裝機如圖1所示,柱塞泵如圖2所示。
圖1 勒圖爾勒L1150前裝機
圖2 柱塞泵
對柱塞泵進行故障診斷的關鍵是提取故障特征向量。從柱塞泵采集的信號是由泵內向泵外傳遞的共振信號,因此原始信號為調制信號。所以需要對原始信號進行帶通濾波、消噪以及包絡解調才能得到有用的真實包絡信號,從而很好的提取故障特征向量。
因此本文首先對原始信號進行小波包分解,選出高頻頻帶,并對其用小波包重構算法得到對應得時域信號,再進行閥值去噪,得到了經帶通濾波去噪的高頻時域信號,由于采集的信號是調制信號,所以應對高頻的時域信號進行Hilbert包絡解調處理[5]。因為柱塞泵故障特征頻率在1 kHz以下,所以對包絡信號進行采樣頻率為2 kHz的重采樣,故重采樣后包絡信號頻率為1 kHz。本文選擇的特征向量是重采樣后包絡信號的時域指標包括方差、標準差、峰值指標、脈沖指標、裕度指標和峭度指標。
柱塞泵常見的故障類型包括:滑靴磨損、松靴和配流盤磨損等。本文將不同的故障對應的特征向量作為分類算法超限學習機(ELM)、支持向量機(SVM)和BP神經網絡的輸入值,比較故障類型的測試準確度,選用的柱塞泵數據集如表1所示:
表1 柱塞泵故障數據集
在本文中,所有的估算都是在Matlab R2014a平臺下進行的,并且應用超限學習機(ELM)和BP神經網絡分類器的結果是通過仿真20次的平均值。柱塞泵故障診斷結果對比如表2所示:
由表2可以得出,基于ELM、BP神經網絡和SVM的測試精度都非常高且都超過92%,而基于ELM的測試準確度達到99%,且其診斷時間最短。因此ELM在對柱塞泵的故障診斷方法是可行的,可以看出該方法故障診斷準確度高且診斷速度快。
表2 在數據集中對超限學習機(ELM)、BP神經網絡和支持向量機(SVM)的性能比較
應用超限學習機(ELM)分類算法對前裝機的柱塞泵常見故障進行檢測,能夠很好地實現對柱塞泵故障的診斷,得出結論:超限學習機(ELM)能夠對柱塞泵進行有效的故障診斷,并且該方法的故障診斷準確度高診斷時間短,可以推廣到柱塞泵的其它故障診斷中,具有較為廣闊的應用前景。