CN108533573A - 一种基于第二代小波的液压缸内泄漏故障诊断方法 - Google Patents

一种基于第二代小波的液压缸内泄漏故障诊断方法 Download PDF

Info

Publication number
CN108533573A
CN108533573A CN201810390658.6A CN201810390658A CN108533573A CN 108533573 A CN108533573 A CN 108533573A CN 201810390658 A CN201810390658 A CN 201810390658A CN 108533573 A CN108533573 A CN 108533573A
Authority
CN
China
Prior art keywords
hydraulic cylinder
pressure signal
generation wavelets
signal
generation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810390658.6A
Other languages
English (en)
Inventor
陈晖�
国雨
罗国旭
邱�益
陈凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201810390658.6A priority Critical patent/CN108533573A/zh
Publication of CN108533573A publication Critical patent/CN108533573A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
    • F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
    • F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
    • F15B19/005—Fault detection or monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明涉及一种基于第二代小波的液压缸内泄漏故障诊断方法，通过液压缸两腔压力传感器采集液压缸两腔压力信号，对压力信号进行第二代小波降噪预处理，将处理后的压力信号进行四层第二代小波分解，对分解后得到的第二代小波细节系数cD4求取其均方根值并归一化，以此作为液压缸内泄漏故障特征参数。本发明在不改变原有液压系统的基础上，无需获取液压缸流量信息，即可以有效实现对液压缸内外泄漏的故障诊断。

Description

一种基于第二代小波的液压缸内泄漏故障诊断方法
技术领域
本发明涉及故障诊断方法应用领域，特别是一种基于第二代小波的液压缸内泄漏故障诊断方法。
背景技术
液压缸是液压系统的核心元件，其工作状况将直接影响整个设备的正常运作。而液压缸常见的失效模式就是液压油的泄漏，泄漏可分为内泄漏和外泄漏。外泄漏是指液压油通过液压缸缸筒与缸盖、排气阀、油管接口等孔隙向外部泄漏。其主要特点是从外部可直接观测，比较容易解决；而内泄漏主要出现在液压缸的内部，由于压差的作用，使得液压油通过活塞内孔与缸壁的缝隙从高压腔流向低压腔。其特点是故障发生隐秘，无法直接观测到。液压缸的泄漏将影响液压缸的工作性能，造成液压油的浪费，污染周边环境，严重的会出现液压缸动力不足，液压缸爬行，工作不平稳等现象。所以及时发现液压缸泄漏，对工程设备健康、经济、高效运行意义重大。
传统液压缸泄漏故障诊断方法采用传统小波方法，传统小波方法过分依赖于Fourier变换，并且小波基选择具有盲目性。
发明内容
有鉴于此，本发明的目的是提出一种基于第二代小波的液压缸内泄漏故障诊断方法，诊断速度比传统方法快，节省内存，并且能够在不改变原有液压系统的基础上，实现对液压缸泄漏的快速诊断。
本发明采用以下方案实现：一种基于第二代小波的液压缸内泄漏故障诊断方法，包括以下步骤：
步骤S1：采集液压缸的两腔压力信号，并对其进行第二代小波降噪预处理，利用第二代小波分析方法，对降噪后的液压缸两腔压力信号进行分解，得到压力信号时域特征向量；
步骤S2：求取步骤S1得到的压力信号时域特征向量均方根值，以此作为故障特征参数，实现对液压缸泄漏的故障诊断。
进一步地，步骤S1中，所述对其进行第二代小波降噪预处理具体为：
首先，对压力信号进行第二代小波变换；接着对变换后得到的近似参数和细节参数进行软阈值法处理；最后对处理后的细节系数进行重构，得到降噪后的压力信号。
进一步地，所述软阈值法处理的去噪方程为：
dx＝sign(d(n))(|d(n)-τ|)；
σ＝1/0.6745Med(|dj|)
其中,dx为降噪后的信号，d(n)为降噪前的信号，τ是计算阈值，σ是噪声的标准偏差估计，N表示细节信号的采样数，Med()是中值函数，dj为第j层的小波系数。
进一步地，步骤S1中，利用第二代小波分析方法，对降噪后的液压缸两腔压力信号进行分解，得到压力信号时域特征向量具体包括以下步骤：
剖分：将降噪后的液压缸两腔压力信号序列分解为偶样本序列se(k)＝s(2k)k∈Z和奇样本序列s0(k)＝s(2k+1)k∈Z；
预测：利用算子P和偶样本se(k)预测奇样本s0(k)，并得到预测误差d＝d(k)k∈Z，并将预测误差定义为液压缸两腔压力信号经过第二代小波分解的细节信号d；
其中，d(k)＝s0(k)-P[se(k)]，式中：P(·)定义为M点预测器，M为预测器系数的个数；
更新：在获得细节信号d的基础上，利用算子U更新偶样本se(k)，将更新后的信号序列c(k)定义为液压缸两腔压力信号经过第二代小波分解后的近似信号；
其中，c(k)＝se(k)+U[d(k)]，式中：U(·)定义为点更新器，为更新器系数的个数。
进一步地，步骤S2中具体包括：
步骤S21：分别计算两腔压力信号第二代小波分解的其第四层近似系数和细节系数；
步骤S22：计算步骤S21得到的第四层细节系数的均方根值，并将均方根值进行归一化处理，得到归一化后的故障特征参数。
进一步地，步骤S1中，所述采集液压缸的两腔压力信号采用原液压系统的压力传感器来实现。
与现有技术相比，本发明有以下有益效果：
1、本发明直接利用液压缸两腔固有的压力传感器获取两腔压力信号，无需添加新的传感器，不改变原有的液压系统，测试过程简单方便。
2、本发明采用第二代小波分析进行压力信号的分解，得到对液压缸内泄漏敏感的小波系数。无需建立液压缸或泄漏故障的数学模型。
3、现有技术中利用传统小波进行故障诊断，其小波基函数选择具有盲目性，不同的基函数会产生不同的分析效果。本发明采用第二代小波分析进行液压缸泄漏故障诊断无需进行小波函数基的选泽，并且不再依赖傅里叶变换。
4、本发明利用第二代小波可实现本位运算，提升了诊断效率，减少计算时间。
附图说明
图1是本发明实施例中的方法流程示意图。
图2是本发明实施例中液压缸内泄漏故障检测试验装置系统结构示意图。
图3是本发明实施例中第二代小波分解过程图。
图4是本发明实施例中液压缸泄漏故障诊断方法压力信号分解示意图。
图5是本发明实施例中液压缸压力信号多尺度第二代小波细节系数分级示意图。
图6是本发明实施例中液压缸内泄漏故障诊断的实施流程图。
图7是本发明实施例中第二代小波和db8经典小波最优故障诊断特征参数内泄漏敏感度对比曲线。
图中，1为油箱；2为吸油过滤器；3为变量柱塞泵；4为泵驱动电机；5为单向截止阀；6为比例溢流阀；7为流量阀；8为比例换向阀；9为截止阀；10为节流孔；11为压力传感器；12为压力传感器；13为单杆液压缸；14为截止阀；15为节流孔；16为位移传感器；17为接头；18为单杆液压缸；19为压力表；20为压力表；21为比例换向阀；22为流量阀；23为单向截止阀；24为比例溢流阀；25为变量柱塞泵；26为泵驱动电机；27为吸油过滤器；28为数据采集卡；29为计算机。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示，本实施例提供了一种基于第二代小波的液压缸内泄漏故障诊断方法，包括以下步骤：
步骤S1：采集液压缸的两腔压力信号，并对其进行第二代小波降噪预处理，利用第二代小波分析方法，对降噪后的液压缸两腔压力信号进行分解，得到压力信号时域特征向量；
步骤S2：求取步骤S1得到的压力信号时域特征向量均方根值，以此作为故障特征参数，实现对液压缸泄漏的故障诊断。
对于常用的液压系统，液压缸进出口压力信号为液压系统正常工作时必须采集的信号，所以无需添加额外的传感器，便可直接采集液压缸两腔压力信号序列，作为故障诊断样本数据集的输入。本实施例的实验装置如图2所示，主要包括：油箱1；吸油过滤器2；变量柱塞泵3；泵驱动电机4；单向截止阀5；比例溢流阀6；流量阀7；比例换向阀8；截止阀9；节流孔10；压力传感器11；压力传感器12；单杆液压缸13；截止阀14；节流孔15；位移传感器16；接头17；单杆液压缸18；压力表19；压力表20；比例换向阀21；流量阀22；单向截止阀23；比例溢流阀24；变量柱塞泵25；泵驱动电机26；吸油过滤器27；数据采集卡28；计算机29。
本实施例的实验方案如下：通过更换不同直径的节流孔，来模拟不同的内泄漏水平，孔径为0.2mm为液压缸轻度内泄漏，孔径为0.5mm为液压缸中度内泄漏，孔径为1mm为液压缸重度内泄漏。
在信号的采集过程中，由于现场大量背景噪声的存在，因此采集的信号往往存在大量的噪声信号。对于故障早期的信号往往淹没在强烈的噪声信号中，导致故障无法及时有效地识别出来。传统小波的降噪过分依赖于小波基函数的选取，而人为选取基函数具有一定的偶然性。第二代小波克服了这一缺陷。鉴于以上第二代小波在降噪上的优点，本实施例使用第二代小波对液压缸两腔压力信号进行第二代小波降噪预处理在本实施例中，步骤S1中，所述对其进行第二代小波降噪预处理具体为：
首先，对压力信号进行第二代小波变换；接着对变换后得到的近似参数和细节参数进行软阈值法处理；最后对处理后的细节系数进行重构，得到降噪后的压力信号。在本实施例中，实际采集的液压缸压力信号为离散的点，所以离散信号的第二代小波去噪可分为三步：将液压缸两腔压力信号进行第二代小波分解，得到小波近似系数和细节系数；小波系数缩减，即：对变换后的细节系数进行软阈值法处理；缩减小波系数合成，即对处理后的小波细节系数进行重构，得到去噪后的信号。
在本实施例中，所述软阈值法处理的去噪方程为：
σ＝1/0.6745Med(dj)
其中,dx为降噪后的信号，d(n)为降噪前的信号，τ是计算阈值，σ是噪声的标准偏差估计，N表示细节信号的采样数，Med()是中值函数，dj为第j层的小波系数。
如图3所示，在本实施例中，步骤S1中，利用第二代小波分析方法，对降噪后的液压缸两腔压力信号进行四层分解，得到压力信号时域特征向量具体包括以下步骤：
设液压缸两腔压力信号序列为s＝{s(k),k∈Z}；
(1)剖分：将降噪后的液压缸两腔压力信号序列分解为偶样本序列se(k)＝s(2k)k∈Z和奇样本序列s0(k)＝s(2k+1)k∈Z；
(2)预测：利用算子P和偶样本se(k)预测奇样本s0(k)，并得到预测误差d＝d(k)k∈Z，并将预测误差定义为液压缸两腔压力信号经过第二代小波分解的细节信号d；则，细节信号序列D＝{d(k),k∈Z}，由此获得了液压缸压力信号经过第二代小波分解后的细节系数；
其中，d(k)＝s0(k)-P[se(k)]，式中：P(·)定义为M点预测器，M为预测器系数的个数；
(3)更新：在获得细节信号d的基础上，利用算子U更新偶样本se(k)，将更新后的信号序列c(k)定义为液压缸两腔压力信号经过第二代小波分解后的近似信号；则近似信号序列为c(k)＝se(k)+U[d(k)]k∈Z，由此获得了液压缸压力信号经过第二代小波分解后的近似系数；
其中，c(k)＝se(k)+U[d(k)]，式中：U(·)定义为点更新器，为更新器系数的个数。
在本实施例中，步骤S2中具体包括：
步骤S21：分别计算两腔压力信号第二代小波分解的其第四层近似系数和细节系数；如图4所示，将液压缸两腔压力信号经过四层第二代小波分解后，可以分别获得四个近似系数和细节系数：cA1、cA2、cA3、cA4、cD1、cD2、cD3、cD4。
步骤S22：计算步骤S21得到的第四层细节系数的均方根值，并将均方根值进行归一化处理，得到归一化后的故障特征参数。如图5所示，图5为本实施例的液压缸压力信号多尺度第二代小波细节系数分级示意图。上一步获得的第二代小波近似系数和细节系数均为波形信号，为便于观察和提高诊断精度需要对其进行进一步的处理。对细节系数求取其均方根值：式中表示Ci第i阶小波系数，n表示小波系数波形信号的长度。选择对液压缸泄漏敏感的系数，作为液压缸故障诊断特征参数。
在本实施例中，步骤S1中，所述采集液压缸的两腔压力信号采用原液压系统的压力传感器来实现。
综上，本实施例的具体液压缸内泄漏故障诊断的实施流程图如图6所示。
在本实施例中，通多更换不同尺寸的节流孔，采集不同泄漏水平下的液压缸压力信号：获取对压力信号进行第二代小波降噪和第二代小波分解处理，获取第四层小波细节信号的均方根统计值，作为故障诊断特征参数，实现对液压缸内泄漏的故障诊断。
如图7所示为第二代小波和db8经典小波最优故障诊断特征参数内泄漏敏感度对比曲线。由图可知，分别使用第二代小波和db8经典小波获取的最优故障诊断特征参数，前者随着内泄漏水平的增加，特征参数的改变量更大，其对液压缸内泄漏更为敏感。因此基于第二代小波的液压缸内泄漏故障诊断方法优于db8经典小波方法。
特别的，在本实施例中，通过调整参数增加实验次数：无内泄漏20组，轻度内泄漏20组，中度内泄漏20组，重度内泄漏20组。
根据实验结果，本发明对四种液压缸状态的识别准确率为：85％，90％，90％，95％，整体准确率达到90％。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种基于第二代小波的液压缸内泄漏故障诊断方法，其特征在于：包括以下步骤：
步骤S1：采集液压缸的两腔压力信号，并对其进行第二代小波降噪预处理，利用第二代小波分析方法，对降噪后的液压缸两腔压力信号进行分解，得到压力信号时域特征向量；
步骤S2：求取步骤S1得到的压力信号时域特征向量均方根值，以此作为故障特征参数，实现对液压缸泄漏的故障诊断。
2.根据权利要求1所述的一种基于第二代小波的液压缸内泄漏故障诊断方法，其特征在于：步骤S1中，所述对其进行第二代小波降噪预处理具体为：
首先，对压力信号进行第二代小波变换；接着对变换后得到的近似参数和细节参数进行软阈值法处理；最后对处理后的细节系数进行重构，得到降噪后的压力信号。
3.根据根据权利要求2所述的一种基于第二代小波的液压缸内泄漏故障诊断方法，其特征在于：所述软阈值法处理的去噪方程为：
dx＝sign(d(n))(|d(n)-τ|)；
σ＝1/0.6745Med(|dj|)
其中，dx为降噪后的信号，d(n)为降噪前的信号，τ是计算阈值，σ是噪声的标准偏差估计，N表示细节信号的采样数，Med()是中值函数，dj为第j层的小波系数。
4.根据权利要求1所述的一种基于第二代小波的液压缸内泄漏故障诊断方法，其特征在于：步骤S1中，利用第二代小波分析方法，对降噪后的液压缸两腔压力信号进行分解，得到压力信号时域特征向量具体包括以下步骤：
剖分：将降噪后的液压缸两腔压力信号序列分解为偶样本序列se(k)＝s(2k)k∈Z和奇样本序列s0(k)＝s(2k+1)k∈Z；
预测：利用算子P和偶样本se(k)预测奇样本s0(k)，并得到预测误差d＝d(k)k∈Z，并将预测误差定义为液压缸两腔压力信号经过第二代小波分解的细节信号d；
其中，d(k)＝s0(k)-P[se(k)]，式中：P(·)定义为M点预测器，M为预测器系数的个数；
更新：在获得细节信号d的基础上，利用算子U更新偶样本se(k)，将更新后的信号序列c(k)定义为液压缸两腔压力信号经过第二代小波分解后的近似信号；
其中，c(k)＝se(k)+U[d(k)]，式中：U(·)定义为点更新器，为更新器系数的个数。
5.根据权利要求1所述的一种基于第二代小波的液压缸内泄漏故障诊断方法，其特征在于：步骤S2中具体包括：
步骤S21：分别计算两腔压力信号第二代小波分解的其第四层近似系数和细节系数；
步骤S22：计算步骤S21得到的第四层细节系数的均方根值，并将均方根值进行归一化处理，得到归一化后的故障特征参数。
6.根据权利要求1所述的一种基于第二代小波的液压缸内泄漏故障诊断方法，其特征在于：步骤S1中，所述采集液压缸的两腔压力信号采用原液压系统的压力传感器来实现。
CN201810390658.6A 2018-04-27 2018-04-27 一种基于第二代小波的液压缸内泄漏故障诊断方法 Pending CN108533573A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810390658.6A CN108533573A (zh) 2018-04-27 2018-04-27 一种基于第二代小波的液压缸内泄漏故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810390658.6A CN108533573A (zh) 2018-04-27 2018-04-27 一种基于第二代小波的液压缸内泄漏故障诊断方法

Publications (1)

Publication Number Publication Date
CN108533573A true CN108533573A (zh) 2018-09-14

Family

ID=63479138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810390658.6A Pending CN108533573A (zh) 2018-04-27 2018-04-27 一种基于第二代小波的液压缸内泄漏故障诊断方法

Country Status (1)

Country Link
CN (1) CN108533573A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111503525A (zh) * 2020-04-28 2020-08-07 浙江工业大学 一种关于气动调节阀气室漏气的在线诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102468807A (zh) * 2010-11-09 2012-05-23 中国舰船研究设计中心 一种机械故障信号消噪方法
CN107727333A (zh) * 2017-09-29 2018-02-23 福州大学 一种用于液压缸泄漏分析的诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102468807A (zh) * 2010-11-09 2012-05-23 中国舰船研究设计中心 一种机械故障信号消噪方法
CN107727333A (zh) * 2017-09-29 2018-02-23 福州大学 一种用于液压缸泄漏分析的诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
荆双喜等: "第二代小波降噪法在故障诊断中的应用", 《煤矿机电》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111503525A (zh) * 2020-04-28 2020-08-07 浙江工业大学 一种关于气动调节阀气室漏气的在线诊断方法

Similar Documents

Publication Publication Date Title
CN110334764B (zh) 基于集成深度自编码器的旋转机械智能故障诊断方法
Huijie et al. Fault diagnosis of hydraulic pump based on stacked autoencoders
CN109782603A (zh) 旋转机械耦合故障的检测方法及监测系统
CN110363337B (zh) 一种基于数据驱动的抽油机量油方法及系统
Wang et al. Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM
CN105466693B (zh) 基于灰色模型的柴油机燃油系统故障预诊断方法
Zhong et al. Fault diagnosis of the hydraulic valve using a novel semi-supervised learning method based on multi-sensor information fusion
CN109858352A (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN107727333A (zh) 一种用于液压缸泄漏分析的诊断方法
CN110991295A (zh) 一种基于一维卷积神经网络的自适应故障诊断方法
CN115824519B (zh) 基于多传感器信息融合的阀门泄露故障综合诊断方法
CN111401136B (zh) 一种柱塞泵空化程度检测方法、装置及终端
CN106197886A (zh) 液压缸内泄漏故障诊断评估方法
CN114062511B (zh) 一种基于单传感器的航空发动机早期损伤声发射智能识别方法
CN112668526A (zh) 基于深度学习和压电主动传感的螺栓群松动定位监测方法
CN111272886A (zh) 一种基于卷积神经网络的压力容器损伤定位方法
Wang et al. Real-time identification of natural gas pipeline leakage apertures based on lightweight residual convolutional neural network
CN114818826B (zh) 基于轻量级Vision Transformer模块的故障诊断方法
CN108533573A (zh) 一种基于第二代小波的液压缸内泄漏故障诊断方法
CN113312719B (zh) 基于类别不平衡权重交叉熵的旋转机械故障诊断方法
CN111241629A (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
CN116772122A (zh) 一种天然气管道泄漏故障诊断方法、系统、设备及介质
CN117037841A (zh) 基于层级过渡网络的声学信号层级空化强度识别方法
CN112198232A (zh) 一种排水管道工况检测和识别方法
Wei et al. Cavitation state recognition for control valve using AlexNet-type neural networks with three-channel images transformed by time series

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180914