CN104989633A - 一种基于仿生小波变换的飞机液压泵故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于仿生小波变换的飞机液压泵故障诊断方法，包含以下步骤：将采集到的飞机液压泵振动信号进行数据预处理后通过连续小波变换，得到各尺度上的小波系数；结合小波系数和自适应参数将小波变换转换为仿生小波变换，从而获得仿生小波系数；将仿生小波系数的有效频率成分转换回常规小波域，得到信号的故障特征成分；根据提取到的故障特征成分，以及对应的故障模式，构建故障特征样本库；将得到的故障特征成分代入神经网络，对神经网络进行训练，从而建模；运用建好的神经网络模型对飞机液压泵进行故障诊断，最后得到故障诊断结果。本发明提供了一种具有高可靠性、高准确性的飞机液压泵故障诊断方法，使故障诊断能力提升一个新台阶。

Description

一种基于仿生小波变换的飞机液压泵故障诊断方法

技术领域

本发明属于故障诊断方法应用领域，具体涉及一种基于仿生小波变换的飞机液压泵故障诊断方法。

背景技术

液压系统具有广泛的适应性、优良的控制性能、反应快、输出力大、可实现无级调速且调速范围大等优点，在现代歼、强、运输等多种型号飞机中得到广泛采用。液压泵作为液压系统的主要附件，其性能安全将会直接影响飞机上众多系统或部件的工作状态，如起落架系统等，起落架的收放均是靠液压系统的操控来完成的，假如液压泵发生故障，液压系统将无法正常工作，从而使起落架系统无法正常的收放，轻者将会增加停机时间，提高维修成本，严重时将会造成灾难事故。因此，亟需研究飞机液压泵故障诊断技术，时刻保持液压泵处于正常工作状态。

发明内容

本发明要解决的技术问题是提供一种具有高可靠性、高准确性的飞机液压泵故障诊断方法，使飞机液压泵故障诊断能力提升一个新台阶。

本发明的发明目的通过以下技术方案实现：

一种基于仿生小波变换的飞机液压泵故障诊断方法，包含以下步骤：

1)将采集到的飞机液压泵振动信号进行数据预处理后通过连续小波变换，得到各尺度上的小波系数；

2)结合小波系数和自适应参数将小波变换转换为仿生小波变换，从而获得仿生小波系数；

3)将仿生小波系数的有效频率成分转换回常规小波域，得到信号的故障特征成分；

4)根据提取到的故障特征成分，以及对应的故障模式，构建故障特征样本库；

5)将得到的故障特征成分代入神经网络，对神经网络进行训练，从而建模；

6)运用建好的神经网络模型对飞机液压泵进行故障诊断，最后得到故障诊断结果。

本发明将仿生技术与小波变换方法相结合，在小波变换中，一个复杂的母函数在单一尺度下的所有窗，沿着时间轴都是固定的，窗的大小随着分析频率的改变而改变。但是在仿生小波变换中，单一尺度下的时间和频率分辨率都是可以改变的。仿生小波变换的分辨率可由调整因子K(a,τ)进行自适应调节，从而使之能够在时频域的变换尺度不仅可以根据信号的频率进行调节，而且可以随着信号的瞬时幅度以及一阶微分系数自适应地进行调节，最终解决非平稳信号中的频带分离问题。仿生小波变换的优势在于它在时频域的变换尺度不仅可以根据信号的频率进行调节，而且可以随着信号的瞬时幅度以及一阶微分系数自适应地进行调节。同时，通过优化仿生小波变换的参数并行修改先前的阈值规则。

附图说明

图1为本发明一种基于仿生小波变换的飞机液压泵故障诊断方法的流程示意图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步说明。

参见图1，本发明一种基于仿生小波变换的飞机液压泵故障诊断方法，主要是依据采集到的飞机液压泵非平稳振动信号，采用数据预处理技术，对采集到的振动信号进行预处理，得到故障诊断的输入数据；然后，将预处理过的数据通过连续小波变换，将常规小波变换转换为仿生小波变换，从而可获得仿生小波系数，利用获得的仿生小波系数，通过常规小波域转换、逆变换，最终可获得飞机液压泵振动信号中的特征成分；根据所提取的故障特征成分，可实现对飞机液压泵的故障进行准确有效诊断。具体包含以下步骤：

1、将采集到的飞机液压泵振动信号进行数据预处理后通过连续小波变换，得到各尺度上的小波系数。

将预处理之后的飞机液压泵振动信号带入下述公式(1)中，得到各尺度上的小波系数X_CWT(a,τ)；

$X_{\mathrm{CWT}}(a,\mathrm{\τ})=(x\left(t\right),{\mathrm{\ψ}}_{a,\mathrm{\τ}})=\frac{1}{\sqrt{a}}\∫x\left(t\right)\widetilde{\mathrm{\ψ}}*\left(\frac{t-\mathrm{\τ}}{a}\right)\mathrm{dt}---\left(1\right)$

式中：x(t)为待处理信号；ψ(t)为母小波函数，a和τ分别表示小波函数的尺度因子和时移变量。

在小波变换中引入自适应参数T(a,τ),则仿生小波变换(BWT)可以表示为：

$X_{\mathrm{BWT}}(a,\mathrm{\τ})=\frac{1}{T(a,\mathrm{\τ})\sqrt{a}}\∫x\left(t\right)\widetilde{\mathrm{\ψ}}*\left(\frac{t-\mathrm{\τ}}{\mathrm{aT}(a,\mathrm{\τ})}\right)\exp (-j{\mathrm{\ω}}_0\left(\frac{t-\mathrm{\τ}}{a}\right))\mathrm{dt}---\left(2\right)$

式中：

$T(a,\mathrm{\τ}+\mathrm{\Δ\τ})={(1-G_1\frac{G_s}{G_s+\left|X_{\mathrm{BWT}}(a,\mathrm{\τ})\right|})}^{-1}\×{(1+G_2|\frac{\∂\left(X_{\mathrm{BWT}}(a,\mathrm{\τ})\right)}{\∂\left(t\right)}\left|\right)}^{-1};\widetilde{\mathrm{\ψ}}\left(t\right)=\exp (-{\left(\frac{t}{T}\right)}^2)$

a,τ分别表示尺度因子和时移变量，表示母小波的包络函数，G₁和G₂为主动因子，G_s为饱和因子，X_BWT(a,τ)表示时间τ和尺度a下的仿生小波系数，x(t)为待处理信号。

2.结合小波系数和自适应参数将小波变换转换为仿生小波变换，从而获得仿生小波系数。

将步骤1所得到的小波系数X_CWT(a,τ)并结合自适应参数K(a,τ)，可计算出仿生小波系数X_BWT(a,τ)：

X_BWT(a,τ)＝K(a,τ)X_wt(a,τ)    (3)

$K(a,\mathrm{\τ})=\frac{{\∫}_{-\∞}^{+\∞}{e}^{{-t}^2}\mathrm{dt}}{\sqrt{{(T/T_0)}^2+1}}\≈\frac{1.7725}{\sqrt{{(T/T_0)}^2+1}}---\left(4\right)$

式中，X_BWT(a,τ)表示时间τ和尺度a下的仿生小波系数。为自适应参数的计算方法，T₀代表母小波函数的常量。

3、将仿生小波系数的有效频率成分转换回常规小波域，得到信号的故障特征成分。

将步骤2得到的仿生小波系数带入到公式(1)中，进行逆变换，可以在常规小波变换中得到其有效信息成分，从而提取飞机液压泵振动信号中的故障特征成分；

4、根据提取到的故障特征成分，以及对应的故障模式，建立飞机液压泵故障特征样本库；

5、根据提取的特征样本库，将特征样本作为输入，对应的故障模式作为输出，训练神经网络；

6.、运用训练完成的神经网络，将采集到的飞机液压泵振动信号作为输入，进行故障诊断，从而得到飞机液压泵故障诊断结果。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (1)

1.一种基于仿生小波变换的飞机液压泵故障诊断方法，包含以下步骤：

1)将采集到的飞机液压泵振动信号进行数据预处理后通过连续小波变换，得到各尺度上的小波系数；

2)结合小波系数和自适应参数将小波变换转换为仿生小波变换，从而获得仿生小波系数；

3)将仿生小波系数的有效频率成分转换回常规小波域，得到信号的故障特征成分；

4)根据提取到的故障特征成分，以及对应的故障模式，构建故障特征样本库；

5)将得到的故障特征成分代入神经网络，对神经网络进行训练，从而建模；

6)运用建好的神经网络模型对飞机液压泵进行故障诊断，最后得到故障诊断结果。