一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法

摘要

本发明涉及一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法。所述系统包括特征参数提取模块、数据库模块、人机交互模块和分类器模块，其中：特征参数提取模块用于提取故障特征参数和检验相似度；数据库模块用于存储样本数据和临时数据；分类器模块用于设计分类器和对未知故障信号进行分类；人机交互模块用于根据用户输入完成相关查询显示功能。本发明公开了一种故障样本信号采集方法，用于在液压缸型式试验台上开展面向故障树底事件的分级模拟试验，采集故障样本信号和试验台状态信号。本发明的有益之处在于：所述系统故障诊断精度较高，可诊断出故障原因和故障等级；采集的故障样本信号杂质少便于提取特征参数。

权利要求

1.一种故障样本信号采集方法，其特征在于，该方法包括如下步骤：

步骤一：对售后维修数据进行统计分析，获取给定型号液压缸的所有故障形式，并根据故障事件间的逻辑关系，建立该型号液压缸的故障树；

步骤二：对所有故障树底事件的发生概率进行赋值，并确定各故障树底事件的模拟方法；根据再制造难易程度及对工程机械工作性能的影响程度，划分故障树底事件的等级，并为每个故障等级确定分级阈值；

步骤三：选取同一型号的正常液压缸作为被试缸，参照故障树底事件的模拟方法和分级阈值，在液压缸型式试验台上开展面向故障树底事件的分级模拟试验；

步骤四：采集步骤三中产生的故障样本信号和试验台状态信号。

2.一种采用权利要求1所述的故障样本信号采集方法的工程机械液压缸故障诊断系统，其特征在于，该系统包括特征参数提取模块、数据库模块、人机交互模块和分类器模块，其中：特征参数提取模块，用于对采集到的故障信号进行小波分析和主成分分析，并提取故障特征参数，所述故障信号包括故障样本信号和未知故障信号；所述特征参数提取模块还用于检验该故障特征参数相对于数据库模块中同一故障树底事件在同一故障等级下的故障特征参数样本集的相似度；

数据库模块，用于存储与故障相关的样本数据和临时数据；所述样本数据包括采集到的故障样本信号、与故障样本信号相对应的试验台状态参数和故障特征参数、故障树底事件发生概率；所述临时数据包括未知故障信号、与未知故障信号相对应的试验台状态参数和故障特征参数；

分类器模块，用于设计分类器，并利用所述分类器对未知故障信号进行分类；

人机交互模块，用于根据用户输入完成如下功能：精确或模糊查询数据库模块中的样本数据、对样本数据进行统计学分析并显示分析结果、进行故障树定性/定量分析并显示分析结果、增删样本数据、进行分类器参数设置和显示分类器模块的诊断结果，进行特征参数提取模块的参数设置和显示特征参数提取模块提取的故障特征参数。

3.根据权利要求2所述的工程机械液压缸故障诊断系统，其特征在于，所述样本数据与液压缸型号、故障树底事件及故障等级一一对应；所述临时数据与液压缸型号一一对应。

4.根据权利要求2所述的工程机械液压缸故障诊断系统，其特征在于，各模块间的连接关系为：人机交互模块分别与特征参数提取模块、数据库模块和分类器模块连接；数据库模块、特征参数提取模块和分类器模块之间两两连接。

5.根据权利要求2所述的工程机械液压缸故障诊断系统，其特征在于，故障诊断的基本流程包括：步骤一：根据所述的故障样本信号采集方法，采集给定型号液压缸在给定故障树底事件和给定等级下的故障样本信号和试验台状态信号，并将其作为样本数据存储于数据库模块；

步骤二：利用特征参数提取模块提取所述故障样本信号中的故障特征参数，并检验其相似度；若检验通过，则转入步骤三；否则放弃所述故障特征参数，并删除数据库模块中相关样本数据，返回步骤一重新进行采集；

步骤三：将步骤二提取的故障特征参数作为样本数据存储于数据库模块，并检验数据库模块中的样本规模；若检验通过，则转入步骤四；否则返回步骤一，重复采集给定型号液压缸在同一故障树底事件和故障等级下的故障样本信号和试验台状态信号，或者采集给定型号液压缸在不同故障树底事件和故障等级下的故障样本信号和试验台状态信号；

步骤四：设计分类器，并训练、检验该分类器；若检验通过，则转入步骤五，否则重新设计分类器，直至检验通过；

步骤五：将同一型号的待诊断液压缸作为液压缸型式试验台的被试缸，采集未知故障信号和试验台状态信号，并将其作为临时数据存储于数据库模块；

步骤六：利用特征参数提取模块提取该未知故障信号的故障特征参数，并将其作为临时数据存储于数据库模块；

步骤七：利用分类器模块对步骤六中提取的故障特征参数进行分类；

步骤八：根据步骤七获得的故障诊断结果，将临时数据作为样本数据转存于数据库模块；

步骤九：利用人机交互模块查看故障诊断结果。

6.根据权利要求5所述的工程机械液压缸故障诊断系统，其特征在于，利用数据库模块中的样本数据训练、检验所述分类器。

7.根据权利要求6所述的工程机械液压缸故障诊断系统，其特征在于，所述分类器采用BP神经网络，其输入节点数等于故障特征参数的个数，其输出节点数等于故障树底事件个数与故障等级数之积。

8.根据权利要求2或5所述的工程机械液压缸故障诊断系统，其特征在于，所述分类器模块能够诊断出未知故障信号的故障树底事件名称及所处故障等级。

说明书

一种工程机械液压缸故障诊断系统及与之适用的故障样本信

号采集方法

技术领域

[0001] 本发明属于计算机软件技术、信号分析与处理技术和故障诊断技术的交叉领域，涉及一种液压缸故障诊断系统及与之适用的故障样本信号采集方法，尤其涉及一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法。

背景技术

[0002] 液压缸是一个由多元件构成的液压关重件，故障现象多样、机理复杂，呈现综合性和复杂性的特点。液压缸发生一种宏观故障现象，往往存在多方面的原因。例如，液压缸动作失灵有可能是由于液压缸内泄漏、外载荷过大、液压缸内部别劲、缓冲作用失灵和液压回路故障等原因引起的。上述每种故障原因的产生又有更为复杂的子原因，如引发液压缸内泄漏的原因就有活塞杆弯曲、油液被污染、缸内壁拉伤磨损、活塞圆度差、活塞密封失效、活塞杆密封失效和液压油油温过高等。显然，传统的人工拆卸排查液压缸故障根源的方法，不仅费时费力，也易产生其他并发故障，致使故障复杂化。起源于航空、航天和核工业的经典故障诊断技术虽然无需拆解液压缸，但受制于理论模型的复杂性(如基于数学模型的故障诊断方法)和知识难以获取描述的特点(例如专家系统诊断法)，其液压缸故障诊断精度较低，技术尚不成熟。近年来，一种基于人工智能(AI)的故障诊断技术，即神经网络诊断法逐步在工业应用领域兴起。该诊断法既不需要知识工程师整理、总结以及消化领域专家的知识，也无需建立准确的被诊断对象的数学模型，只需用故障诊断样本来训练神经网络，就可以对故障缸产生的测试信号即未知故障信号进行分类，从而达到故障诊断的目的，因此该诊断法具备较广阔的应用前景。在神经网络诊断法中，故障诊断样本(或称实例)本质上为典型故障与故障特征参数(或称故障征兆)的之间映射关系，其准确程度决定了神经网络的训练精度，进而影响诊断精度。从现阶段来看，通常利用随车试验来采集已知故障液压缸的动态响应信号即故障样本信号，并通过信号分析处理技术提取其故障特征参数来获取故障诊断样本。但是由于现场测试环境复杂且难以人工干预控制，采集到的故障样本信号往往因隐含有多种故障子原因(即含杂质信号)而难以准确提取出故障特征参数。文献《基于神经网络的液压缸故障诊断专家系统》(作者：郑军华，昆明理工大学，2002年)描述了一种用于阳极生产线的基于神经网络的液压缸故障诊断智能专家系统。该系统包括信号监测、动态模拟及现场监测、学习系统、故障诊断决策系统和数据库模块。由于该系统回避了两个亟需解决的关键问题：即故障样本信号如何采集及故障特征参数如何有效提取，因此该系统实际的诊断精度无法获得保障。文献《液压油缸亚健康状态评估理论方法及实验研究》(作者：周京干，燕山大学，2013年)在液压缸两腔体间外接节流阀，并通过调节节流阀开口度来模拟液压缸不同的内泄漏状态，从而采集相应状态的故障样本信号和提取故障特征参数。最后，基于BP神经网络状态分类器对液压缸进行亚健康状态评估。该文献也存在两个方面的瓶颈：一方面，如前所述内泄漏故障实际上由多种复杂因素引起，而文献中内泄漏故障模拟试验与工程实际相差较远，因此获取的故障样本信号存在失真，从而影响诊断精度；另一方面，文献所建立的BP神经网络状态分类器仅能够预测内泄漏的严重程度，无法对故障底层原因进行诊断分析。

[0003] 目前，针对工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法尚未见报道。

发明内容

[0004] 本发明的目的是提供一种工程机械液压缸故障诊断系统及与之配合的故障样本信号采集方法，以克服故障诊断精度低，故障样本信号杂质多且难以分离提取故障特征参数，以及难以同时诊断故障原因和故障等级等不足。

[0005] 一种故障样本信号采集方法，包括如下步骤：

[0006] 步骤一：对售后维修数据进行统计分析，获取给定型号液压缸的所有故障形式，并根据故障事件间的逻辑关系，建立该型液压缸的故障树；

[0007] 步骤二：对所有故障树底事件的发生概率进行赋值，并确定各故障树底事件的模拟方法；根据再制造难易程度及对工程机械工作性能的影响程度，划分故障树底事件的等级，并为每个故障等级确定分级阀值；

[0008] 步骤三：选取同一型号的正常液压缸作为被试缸，参照故障树底事件的模拟方法和分级阀值，在液压缸型式试验台上开展面向故障树底事件的分级模拟试验；

[0009] 步骤四：采集步骤三中产生的故障样本信号和试验台状态信号。

[0010] 一种工程机械液压缸故障诊断系统，包括特征参数提取模块、数据库模块、人机交互模块和分类器模块，其中：

[0011] 1)特征参数提取模块，用于对采集到的故障信号(故障样本信号和未知故障信号)进行小波分析和主成分分析，并提取故障特征参数；所述特征参数提取模块还用于检验该故障特征参数相对于数据库模块中同一故障树底事件在同一故障等级下的故障特征参数样本集的相似度；

[0012] 2)数据库模块，用于存储与故障相关的样本数据和临时数据；所述样本数据包括采集到的故障样本信号、与故障样本信号相对应的试验台状态参数和故障特征参数、故障树底事件发生概率；所述临时数据包括未知故障信号、与未知故障信号相对应的试验台状态参数和故障特征参数；所述样本数据与液压缸型号、故障树底事件及故障等级一一对应；所述临时数据与液压缸型号一一对应；

[0013] 3)分类器模块，用于设计分类器，并利用所述分类器对未知故障信号进行分类；

[0014] 4)人机交互模块，用于根据用户输入完成如下功能：精确或模糊查询数据库模块中的样本数据、对样本数据进行统计学分析并显示分析结果、进行故障树定性/定量分析并显示分析结果、增删样本数据、进行分类器参数设置和显示分类器模块的诊断结果，进行特征参数提取模块的参数设置和显示该模块提取的故障特征参数；

[0015] 各模块间的连接关系为：人机交互模块分别与特征参数提取模块、数据库模块和分类器模块连接；数据库模块、特征参数提取模块和分类器模块之间两两连接。

[0016] 故障诊断的基本流程包括：

[0017] 步骤一：根据所述故障样本信号采集方法，采集给定型号液压缸在给定故障树底事件和给定等级下的故障样本信号和试验台状态信号，并将其作为样本数据存储于数据库模块；

[0018] 步骤二：利用特征参数提取模块提取所述故障样本信号中的故障特征参数，并检验其相似度；若检验通过，则转入步骤三；否则放弃所述故障特征参数，并删除数据库模块中相关样本数据，返回步骤一重新进行采集；

[0019] 步骤三：将步骤二提取的故障特征参数作为样本数据存储于数据库模块，并检验数据库模块中的样本规模；若检验通过，则转入步骤四；否则返回步骤一，重复采集给定型号液压缸在同一故障树底事件和故障等级下的故障样本信号和试验台状态信号，或者采集给定型号液压缸在不同故障树底事件和故障等级下的故障样本信号和试验台状态信号；

[0020] 步骤四：设计分类器，并训练、检验该分类器；若检验通过，则转入步骤五，否则重新设计分类器，直至检验通过；

[0021] 作为优选，设计分类器时，采用BP神经网络，其输入节点数等于故障特征参数的个数，其输出节点数等于故障树底事件个数与故障等级数之积；

[0022] 作为优选，利用数据库模块中的样本数据训练、检验所述分类器；

[0023] 作为优选，利用所述数据库模块中的三分之二的样本数据训练分类器；利用剩余的三分之一的样本数据检验生成的分类器；

[0024] 步骤五：将同一型号的待诊断液压缸作为液压缸型式试验台的被试缸，采集未知故障信号和试验台状态信号，并将其作为临时数据存储于数据库模块；

[0025] 步骤六：利用特征参数提取模块提取该未知故障信号的故障特征参数，并将其作为临时数据存储于数据库模块；

[0026] 步骤七：利用分类器模块对步骤六中提取的故障特征参数进行分类；由于用于训练和检验所述分类器的样本数据均与故障树底事件及故障等级一一对应，因此分类器模块能够诊断出未知故障信号的故障底事件名称及所处等级。

[0027] 步骤八：根据步骤七获得的故障诊断结果，将临时数据作为样本数据转存于数据库模块；

[0028] 步骤九：利用人机交互模块查看故障诊断结果。

[0029] 本发明的有益之处在于：本发明提供了一种工程机械液压缸故障诊断系统及与之配合的故障样本信号采集方法。所述系统的故障诊断精度较高，可诊断出故障原因和故障等级；所述方法采集到的故障样本信号杂质少便于提取特征参数。

附图说明

[0030] 下面结合附图和实施例对本发明专利进一步说明。

[0031] 图1为某型支腿油缸故障树结构示意图。

[0032] 图2为工程机械液压缸故障诊断系统构成及各子模块连接示意图。

[0033] 图3为数据库中样本数据与液压缸型号、故障树底事件及故障等级映射关系示意图。

[0034] 图4为BP神经网络分类器结构示意图。

[0035] 图5为工程机械液压缸故障诊断系统的故障诊断基本流程图。

具体实施方式

[0036] 结合图1-5和表1说明本发明具体实施方式：

[0037] 根据故障树理论可知，尽管液压缸故障诱因复杂且各因素间存在相互耦合作用，但导致液压缸发生顶事件(宏观故障现象)和各类中间事件(故障原因、子原因)的底事件彼此却相互独立，表现形式简单，因此易于在液压缸型式试验台上模拟再现。根据液压缸故障树层级关系及内涵，开展面向故障树底事件的故障分级模拟试验，可以获取单一故障的故障样本信号，信号杂质少，便于分离提取故障特征参数。

[0038] 以某型支腿油缸为例，说明本发明中故障样本信号采集方法的实施步骤：

[0039] 步骤一：通过对该型支腿油缸的售后维修数据进行统计分析，获取该型液压缸的所有故障形式，并根据故障事件间的逻辑关系，建立如图1所示故障树。图中，T液压缸故障为顶层事件，其下包括M1动作不正常、M2漏油、M3零部件失效和M4液压缸工作时声音异常等四个一级中间事件。各一级中间事件下又包含二级中间事件和三级中间事件，且各级中间事件可能包含底事件，因篇幅限制仅画出了M1的故障树结构。

[0040] 步骤二：对所有故障树底事件的发生概率进行赋值，并确定各故障树底事件的模拟方法；根据再制造难易程度及对工程机械工作性能的影响程度，划分故障树底事件的等级，并为每个故障等级确定分级阀值。简单起见，以该型支腿油缸的第三级中间事件M17内泄漏严重为例，进一步说明本步骤实施过程。如图1所示，M17由X2活塞杆弯曲、X10油液固体颗粒污染、X17缸内壁拉伤、X23缸内壁磨损、X41活塞密封老化、X42活塞杆密封老化和X43液压油油温过高等底事件引发。X17的故障树底事件概率赋值为1.74％，其他底事件概率值不再赘述。假定所有底事件均可划分为三级，则M17下所有故障树底事件的等级划分阀值如下表1所示：

[0041] 表1 某型支腿油缸中间事件M17下所有故障树底事件的等级划分阀值表(表中阀值仅作举例描述用)

[0042]

[0043] 步骤三：选取同一型号的正常液压缸作为被试缸，参照故障树底事件的模拟方法和分级阀值，在液压缸型式试验台上开展面向故障树底事件的分级模拟试验；

[0044] 步骤四：采集步骤三中产生的故障样本信号和试验台状态信号。故障样本信号可包括被试液压缸左右油腔压力信号、活塞杆位移与速度信号、活塞杆径向加速度信号和缸体外表面应力应变信号。试验台状态参数包括系统压力、流量、油箱油温、环境温度值和油液粘度。

[0045] 如图2所示，工程机械液压缸故障诊断系统包括分类器模块(1)、特征参数提取模块(2)、数据库模块(3)和人机交互模块(4)，其中：

[0046] 1)特征参数提取模块(2)，用于对采集到的故障信号(包括故障样本信号和未知故障信号)进行小波分析和主成分分析，并提取故障特征参数；任一故障信号对应的故障特征参数可采用行向量A表示，如下式所示：

[0047] A＝[a1，a2，…，an]

[0048] 式中，行向量A的元素an代表第n个故障特征指标。

[0049] 另外，特征参数提取模块还用于检验故障样本信号的故障特征参数的相似度。

[0050] 2)采用MSSQL建立数据库模块(3)，用于存储与故障相关的样本数据和临时数据；所述样本数据包括采集到的故障样本信号、与故障样本信号相对应的试验台状态参数和故障特征参数、故障树底事件发生概率；所述临时数据包括未知故障信号、与未知故障信号相对应的试验台状态参数和故障特征参数；如图3所示，所述样本数据与液压缸型号、故障树底事件及故障等级一一对应；所述临时数据与液压缸型号一一对应；

[0051] 3)分类器模块(1)，用于设计分类器，并利用所述分类器对未知故障信号进行分类；在分类器模块(1)中采用BP神经网络，如图4所示为一种单隐层BP神经网络结构。图中，输入层包含n个神经元，中间层有p个神经元，输出层有q个神经元，同层神经元之间无连接，只有上下层之间实现全连接。该分类器在VC++环境下实现；

[0052] 4)采用VC++可视化编程语言开发人机交互模块(4)，用于根据用户输入完成如下功能：精确或模糊查询数据库模块(3)中的样本数据、对样本数据进行统计学分析并显示分析结果、进行故障树定性/定量分析并显示分析结果、增删样本数据、进行分类器参数设置和显示分类器模块(1)的诊断结果，进行特征参数提取模块(2)的参数设置和显示该模块提取的故障特征参数。

[0053] 具体地，用户可输入液压缸型号、故障树底事件名称、故障等级和样本编号四个查询条件精确查询某一条样本数据；若仅输入部分查询条件，则获得同一条件下所有样本数据的集合，即样本集。为了研究液压缸故障机理的统计学变化规律，用户还可以对所述样本集进行统计分析。例如，数据库模块(3)中同一故障树底事件在同一故障等级下的故障特征参数的集合，即故障特征参数样本集，可以采用矩阵P表示，如下式所示：

[0054]

[0055] 式中，矩阵P的元素akn为故障特征参数样本集中第k个样本的第n个故障特征指标。

[0056] 通过对矩阵P的行、列向量求取均值、方差和均方根等统计学指标，达到对故障特征参数进行统计学分析的目的。故障树定性/定量分析包括根据故障树理论公式求取故障树中任一故障事件的发生概率和最小割集。假设用户选择对M17进行故障树定性/定量分析，则可获得M17的全部最小割集为({X2}、{X10}、{X17}、{X23}、{X41}、{X42}和{X43})以及M17的事件发生概率。

[0057] 上述各模块间的连接关系为：人机交互模块(4)分别与特征参数提取模块(2)、数据库模块(3)和分类器模块(1)连接；数据库模块(3)、特征参数提取模块(2)和分类器模块(1)之间两两连接。

[0058] 仍以该型支腿油缸为例，假设仅诊断M17下的所有故障树底事件，且故障分级模拟试验只采集该型液压缸无杆腔压力信号，说明所述系统进行故障诊断的基本流程，如图5所示包括：

[0059] 步骤一：根据所述故障样本信号采集方法和表1，采集故障样本信号(无杆腔压力信号)和试验台状态信号，并将其作为样本数据存储于数据库模块(3)；

[0060] 步骤二：在特征参数提取模块(2)中，对该压力信号进行时频域分析，获取了0～125Hz频段的小波包能量值、小波包能量熵和小波包能量方差等计算指标；对该压力信号进行时域分析，得到8种初始时域参数，并对初始时域参数进行主成分分析，获取了第一至第六主成分等计算指标。从上述计算指标中挑选小波包能量值a1、小波包能量熵a2、小波包能量方差a3、第一主成分a4、第二主成分a5和第三主成分a6，组成故障特征参数A。采用改进欧式算法计算故障特征参数A相对于数据库模块(3)中同一故障树底事件在同一故障等级下的故障特征参数样本集的改进欧式距离，以检验故障特征参数A的相似度，当改进欧式距离不小于检验阀值时，检验通过，转入步骤三；否则放弃所述故障特征参数，并删除数据库模块(3)中相关样本数据，返回步骤一重新进行采集；

[0061] 步骤三：将步骤二提取的故障特征参数A作为样本数据存储于数据库模块(3)，并检验数据库模块(3)中的样本规模；若检验通过，则转入步骤四；否则返回步骤一，重复采集该型号液压缸在同一故障树底事件和故障等级下的故障样本信号和试验台状态信号，或者采集给定型号液压缸在不同故障树底事件和故障等级下的故障样本信号和试验台状态信号；

[0062] 步骤四：设计分类器，并训练、检验该分类器；若检验通过，则转入步骤五，否则重新设计分类器，直至检验通过；

[0063] 作为优选，设计分类器时，采用BP神经网络，其输入节点数设计为6个，输出节点设计为21个。

[0064] 作为优选，利用数据库模块(3)中的样本数据训练、检验所述分类器，可保证数据的通用性；

[0065] 作为优选，利用数据库模块(3)中的三分之二的样本数据训练分类器；利用剩余的三分之一的样本数据检验生成的分类器；

[0066] 步骤五：将同一型号的待诊断支腿油缸作为液压缸型式试验台的被试缸，采集未知故障信号(无杆腔压力信号)和试验台状态信号，并将其作为临时数据存储于数据库模块(3)；

[0067] 步骤六：利用特征参数提取模块(2)提取该未知故障信号的故障特征参数A′，并将其作为临时数据存储于数据库模块(3)；

[0068] 步骤七：利用分类器模块(1)对故障特征参数A′进行分类；

[0069] 步骤八：根据步骤七获得的故障诊断结果(X？-L？)，将临时数据(包括待诊断支腿油缸无杆腔压力信号，试验台状态信号和故障特征参数A′)作为样本数据转存于数据库模块(3)；

[0070] 步骤九：利用人机交互模块(4)查看故障诊断结果。

[0071] 本发明专利公开的工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法，通过在现有液压缸型式试验台上开展面向故障树底事件的不同等级的故障模拟试验，采集杂质较少的单一故障样本信号，并可较容易地获得高精度的故障诊断样本；由于故障诊断样本与故障树底事件及故障等级一一对应，因此利用其故障诊断样本训练、检验的分类器，可以诊断出未知故障信号的故障产生原因和故障等级，且诊断精度相对较高；另外利用数据库技术可快速方便地查询管理样本数据，并可对其进行统计学分析和故障树分析。

[0072] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。