基于超限學習機的柱塞泵故障診斷

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。

1 超限學習機（ELM）理論

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

2 實驗研究

2.1 實驗數據選擇

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

2.2 實驗結果分析

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

3 結論

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。