基于超限學(xué)習(xí)機(jī)的柱塞泵故障診斷

陳浩然

（中煤平朔集團(tuán)有限公司露天設(shè)備維修中心 ，山西 朔州 036000）

露天煤礦常用的前裝機(jī)有復(fù)雜的液壓系統(tǒng)，其含有9個(gè)泵，而柱塞泵就占5個(gè)，且液壓泵是液壓系統(tǒng)中的關(guān)鍵部件，其性能的好壞直接影響到前裝機(jī)的工作效率，因此對(duì)柱塞泵進(jìn)行故障診斷方法的研究在煤礦應(yīng)用中具有重要意義。柱塞泵一旦發(fā)生故障，輕則振動(dòng)、噪聲增大，降低工作效率；重則導(dǎo)致液壓系統(tǒng)不能正常工作，甚至?xí)斐蓢?yán)重事故[1]。

目前對(duì)柱塞泵進(jìn)行故障診斷常用的方法是通過分類算法來實(shí)現(xiàn)[2]。其中一些分類算法，如BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)都已被應(yīng)用在柱塞泵的故障診斷與識(shí)別中。然而這些方法的共同缺點(diǎn)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(xué)習(xí)機(jī)（ELM）來對(duì)柱塞泵進(jìn)行故障診斷與識(shí)別。

1 超限學(xué)習(xí)機(jī)（ELM）理論

考慮任意N個(gè)不同樣本(Xi,ti)∈Rn×Rm。如果一個(gè)含有L個(gè)隱層節(jié)點(diǎn)的SLFN能夠準(zhǔn)確的表示N個(gè)樣本，那就存在 βi,αi和 bi使得[3,4]：

式中：ai和bi為隱層節(jié)點(diǎn)的學(xué)習(xí)參數(shù)；βi為輸出權(quán)重；G(ai,bi,X)為相對(duì)于輸入X的第i個(gè)隱層節(jié)點(diǎn)的輸出。

方程(1)可以簡(jiǎn)寫成如下：

其中：

H在網(wǎng)絡(luò)中被稱為隱藏層輸出矩陣。

根據(jù)ELM理論，所有隱層節(jié)點(diǎn)（ai，bi）都是隨機(jī)生成的。輸出權(quán)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(jié)為以下三步：

1）初始化輸入權(quán)值 ai與偏置值 bi，i=1,…,L

2）計(jì)算隱藏層輸出矩陣H

3）計(jì)算輸出權(quán)重β：β=H+T

2 實(shí)驗(yàn)研究

2.1 實(shí)驗(yàn)數(shù)據(jù)選擇

本文研究的柱塞泵是來自露天煤礦常用的勒?qǐng)D爾勒L1150前裝機(jī)，前裝機(jī)如圖1所示，柱塞泵如圖2所示。

圖1 勒?qǐng)D爾勒L1150前裝機(jī)

圖2 柱塞泵

對(duì)柱塞泵進(jìn)行故障診斷的關(guān)鍵是提取故障特征向量。從柱塞泵采集的信號(hào)是由泵內(nèi)向泵外傳遞的共振信號(hào)，因此原始信號(hào)為調(diào)制信號(hào)。所以需要對(duì)原始信號(hào)進(jìn)行帶通濾波、消噪以及包絡(luò)解調(diào)才能得到有用的真實(shí)包絡(luò)信號(hào)，從而很好的提取故障特征向量。

因此本文首先對(duì)原始信號(hào)進(jìn)行小波包分解，選出高頻頻帶，并對(duì)其用小波包重構(gòu)算法得到對(duì)應(yīng)得時(shí)域信號(hào)，再進(jìn)行閥值去噪，得到了經(jīng)帶通濾波去噪的高頻時(shí)域信號(hào)，由于采集的信號(hào)是調(diào)制信號(hào)，所以應(yīng)對(duì)高頻的時(shí)域信號(hào)進(jìn)行Hilbert包絡(luò)解調(diào)處理[5]。因?yàn)橹霉收咸卣黝l率在1 kHz以下，所以對(duì)包絡(luò)信號(hào)進(jìn)行采樣頻率為2 kHz的重采樣，故重采樣后包絡(luò)信號(hào)頻率為1 kHz。本文選擇的特征向量是重采樣后包絡(luò)信號(hào)的時(shí)域指標(biāo)包括方差、標(biāo)準(zhǔn)差、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)和峭度指標(biāo)。

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(duì)應(yīng)的特征向量作為分類算法超限學(xué)習(xí)機(jī)（ELM）、支持向量機(jī)（SVM）和BP神經(jīng)網(wǎng)絡(luò)的輸入值，比較故障類型的測(cè)試準(zhǔn)確度，選用的柱塞泵數(shù)據(jù)集如表1所示：

表1 柱塞泵故障數(shù)據(jù)集

2.2 實(shí)驗(yàn)結(jié)果分析

在本文中，所有的估算都是在Matlab R2014a平臺(tái)下進(jìn)行的，并且應(yīng)用超限學(xué)習(xí)機(jī)（ELM）和BP神經(jīng)網(wǎng)絡(luò)分類器的結(jié)果是通過仿真20次的平均值。柱塞泵故障診斷結(jié)果對(duì)比如表2所示：

由表2可以得出，基于ELM、BP神經(jīng)網(wǎng)絡(luò)和SVM的測(cè)試精度都非常高且都超過92%，而基于ELM的測(cè)試準(zhǔn)確度達(dá)到99%，且其診斷時(shí)間最短。因此ELM在對(duì)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(zhǔn)確度高且診斷速度快。

表2 在數(shù)據(jù)集中對(duì)超限學(xué)習(xí)機(jī)（ELM）、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）的性能比較

3 結(jié)論

應(yīng)用超限學(xué)習(xí)機(jī)（ELM）分類算法對(duì)前裝機(jī)的柱塞泵常見故障進(jìn)行檢測(cè)，能夠很好地實(shí)現(xiàn)對(duì)柱塞泵故障的診斷，得出結(jié)論：超限學(xué)習(xí)機(jī)（ELM）能夠?qū)χ眠M(jìn)行有效的故障診斷，并且該方法的故障診斷準(zhǔn)確度高診斷時(shí)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(yīng)用前景。