分析是目前較有效的信號(hào)處理方法，它可以同時(shí)在時(shí)域和頻域中對(duì)信號(hào)進(jìn)行分析，能有效地區(qū)分信號(hào)中的突變部分和噪聲，實(shí)現(xiàn)信號(hào)的消噪。

　　德國(guó)REXROTH泵出口振動(dòng)信號(hào)及其 消噪后的信號(hào)，選取 消噪的全局閾值為1．049。很明顯，檢測(cè)信號(hào)中包含了許多干擾信號(hào)，很難簡(jiǎn)單地利用檢測(cè)到的振動(dòng)信號(hào)進(jìn)行有效的故障診斷。為了消除干擾影響，經(jīng)過(guò) 處理，可以有效地消除泵出口振動(dòng)信號(hào)中所包含的噪聲，有利于故障特征的提取。

　　3 信息融合故障診斷方法

　　信息融合是將多源信息加以智能合成，產(chǎn)生比單一信息源更精確、容錯(cuò)性和魯棒性更強(qiáng)的估計(jì)和判斷‘2’。由于德國(guó)REXROTH液壓泵出口檢測(cè)到的信息微弱，易于被干擾所淹沒(méi)，很難利用單個(gè)傳感器的檢測(cè)信號(hào)進(jìn)行微弱故障特征的有效診斷。采用的信息融合故障診斷過(guò)程，即將振動(dòng)信號(hào)和壓力信號(hào)進(jìn)行 消噪處理，利用統(tǒng)計(jì)分析提取有效特征信息，采用主成分分析（PrinciP81component analysis，PCA）有效解耦各故障特征間的相關(guān)性，減少故障特征的維數(shù)，采用改進(jìn)算法的BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)德國(guó)REXROTH液壓泵球頭松動(dòng)故障診斷。

　　3．l 特征層信息融合

　　特征層狀態(tài)屬性融合就是將對(duì)多種類型傳感器數(shù)據(jù)進(jìn)行預(yù)處理以完成特征提取及數(shù)據(jù)配準(zhǔn)，即通過(guò)傳感器信息轉(zhuǎn)換，把各傳感器輸人數(shù)據(jù)變換成統(tǒng)一的數(shù)據(jù)表達(dá)形式。

　　通過(guò)特征向量歸一化處理可以實(shí)現(xiàn)信息融合數(shù)據(jù)配準(zhǔn)。本文提取振動(dòng)信號(hào)和壓力信號(hào)的均值、峰值因子、特征頻率的能量值和功率譜幅值、四次矩等作為球頭松動(dòng)故障的特征向量。

　　3．2選取主成分

　　在新樣本空間上，逐次計(jì)算傳感器信息的綜合指數(shù)為主成分上的貢獻(xiàn)。令主成分貢獻(xiàn)綜合指數(shù)閾值為85％，根據(jù)貢獻(xiàn)綜合指數(shù)選取前幾個(gè)主成分，作為下一步信息融合的信息。

　　3．3 故障的可診斷性檢驗(yàn)

　　可診斷性檢驗(yàn)主要是驗(yàn)證所選擇的特征向量經(jīng)過(guò)PCA分析后對(duì)系統(tǒng)的故障是否達(dá)到區(qū)分不同故障的目的。故障的可診斷檢驗(yàn)的實(shí)質(zhì)主要是分析各種故障的故障狀態(tài)樣本是否具有顯著的差異。

　　假設(shè)系統(tǒng)有k種故障狀態(tài)，并且有m個(gè)診斷指標(biāo)，用向量Y表示，其中向量Y是經(jīng)過(guò)PCA分析后的各種特種向量的線性組合出來(lái)的新的特征向量。假定從k個(gè)故障狀態(tài)測(cè)得n個(gè)樣本，為了對(duì)k個(gè)樣本進(jìn)行判別，需要檢驗(yàn)的假設(shè)是區(qū)分k個(gè)母體是沒(méi)有意義的，即不具備可診斷性，除非增加新的指標(biāo)；當(dāng)H。被否定時(shí)測(cè)區(qū)分k個(gè)母體是有意義的，即具備可診斷性，由此建立的診斷模型是有意義的。記組內(nèi)離差陣為組內(nèi)離差和組間離差的實(shí)質(zhì)是多源變量的方差。

　　如果假設(shè)成立，那么所選的特征向量不足以用來(lái)診斷，需要選取新的特征量才能夠達(dá)到對(duì)故障的區(qū)分和診斷；反之，所選的特征量可以達(dá)到對(duì)故障的區(qū)分，無(wú)需再選擇新的特征量。

　　3．4 多層感知器神經(jīng)網(wǎng)絡(luò)信息融合

　　信息融合故障診斷算法的最后一級(jí)采用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行全局故障診斷。原始的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱層和輸出層。

　我們?cè)谠嫉腂P網(wǎng)絡(luò)的基礎(chǔ)上，附加動(dòng)量項(xiàng)，改進(jìn)權(quán)值學(xué)習(xí)。由于增加了動(dòng)量項(xiàng)，可以方便地實(shí)現(xiàn)學(xué)習(xí)率的自適應(yīng)調(diào)整。如果在預(yù)定義范圍內(nèi)新的誤差超過(guò)了前一次誤差，那么新的權(quán)值和閾值就被舍棄；否則，新的權(quán)值就被保留下來(lái)。通過(guò)優(yōu)化可以得到最優(yōu)的學(xué)習(xí)率，即當(dāng)新的誤差比原來(lái)的誤差小，學(xué)習(xí)率增大，使學(xué)習(xí)平穩(wěn)；當(dāng)學(xué)習(xí)率過(guò)大使得學(xué)習(xí)不穩(wěn)定，那么減小學(xué)習(xí)率，直至重新達(dá)到穩(wěn)定。

　　4 試驗(yàn)分析

　　本文采用SCY柱塞式德國(guó)REXROTH液壓泵作為試驗(yàn)對(duì)象，其轉(zhuǎn)速為 5280r／min，相應(yīng)的軸頻率為 88Hz。在該泵上預(yù)先設(shè)置了6μm、9μm、12μm和15μm的球頭松動(dòng)故障。通過(guò)檢測(cè)泵出口垂直設(shè)置的2個(gè)加速度傳感器和1個(gè)壓力傳感器可以獲得故障特征，12μm球頭松動(dòng)故障下檢測(cè)到的振動(dòng)信號(hào)，很明顯其故障特征被噪聲淹沒(méi)。

　　經(jīng)過(guò) 消噪后的振動(dòng)信號(hào)峰值確實(shí)在軸頻率和其倍頻處，結(jié)論同故障機(jī)理分析。在垂直方向的振動(dòng)信號(hào)和壓力信號(hào)中，提取信號(hào)的均值、有效值、峰值因子、脈沖因子、四次矩、特征頻帶的能量值和特征頻率點(diǎn)的功率譜的幅值為特征量。假設(shè)X方向振動(dòng)信號(hào)特征向量的協(xié)方差矩陣為RX（7，7）。

　　對(duì)X方向振動(dòng)信號(hào)特征向量進(jìn)行PCA分析，得各個(gè)特征值對(duì)應(yīng)的貢獻(xiàn)率和積累貢獻(xiàn)率在滿足積累貢獻(xiàn)率為85％的條件時(shí)應(yīng)選的特征量有4個(gè)，它們是協(xié)方差矩陣特征向量的線性組合，同理，可以得到Y(jié)方向振動(dòng)信號(hào)和壓力信號(hào)的新特征向量。由于系統(tǒng)中有2個(gè)振動(dòng)傳感器和1個(gè)壓力傳感器，總共提取的原特征量為21個(gè)，通過(guò) PCA分析可將故障特征向量減少到了11個(gè)。

　　針對(duì)德國(guó)REXROTH液壓泵正常和4種球頭松動(dòng)故障，各選取100個(gè)樣本，由于高度顯著，說(shuō)明這4組特征向量有十分明顯的差異，故此類故障的不同故障程度是可以診斷的。

　　選擇BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，對(duì)德國(guó)REXROTH液壓泵正常和設(shè)置的4種球頭松動(dòng)故障在訓(xùn)練誤差精度要求下對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過(guò)改進(jìn)算法的學(xué)習(xí)和訓(xùn)練得到BP網(wǎng)絡(luò)的優(yōu)化權(quán)值矩陣。在實(shí)際使用時(shí)，利用BP神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣及其改進(jìn)算法實(shí)現(xiàn)多故障的有效診斷。其中輸出節(jié)點(diǎn)1表示德國(guó)REXROTH液壓泵正常時(shí)神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點(diǎn) 2表示間隙為 6μm時(shí)神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點(diǎn)3表示間隙為9μm神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點(diǎn)4表示間隙為12μm時(shí)神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點(diǎn)5表示15μm時(shí)神經(jīng)網(wǎng)絡(luò)的輸出值。

　　利用BP神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法可以有效診斷不同間隙大小的球頭松動(dòng)故障。

　　5 結(jié)論

　　本文通過(guò)德國(guó)REXROTH液壓泵出口的振動(dòng)信號(hào)和壓力信號(hào)，通過(guò) 消噪處理有效提取故障特征，利用PCA分析很大程度上減少了信息融合特征向量的維數(shù)，通過(guò)可診斷性檢驗(yàn)證明PCA重新組合的特征向量可以實(shí)現(xiàn)多故障診斷。在BP算法中引人附加動(dòng)量項(xiàng)，獲得最優(yōu)學(xué)習(xí)率，通過(guò)改進(jìn)BP算法實(shí)現(xiàn)不同間隙大小球頭松動(dòng)故障的有效診斷。