论文部分内容阅读
液压泵作为液压系统的动力源,其性能的好坏将直接影响着整个液压系统工作的可靠性,因此对液压泵进行健康监测和状态评估具有十分重要的意义。出于更好地对液压泵的性能退化状态进行评估的目的,本文针对液压泵的退化特征提取方法以及退化状态识别方法进行了研究。对液压泵进行健康状态评估,首先需要提取液压泵的退化特征。针对采集到的液压泵振动信号具有非线性、非平稳性,信噪比低等特点,本文在详细对比了经验模态分解(Empirical Mode Decomposition,EMD)、总体经验模态分解(Ensemble empirical mode decomposition,EEMD)和完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)算法的分解效果的基础上,又对近似熵(Approximate entropy,ApEn)、样本熵(Sample entropy,SampEn)和模糊熵(Fuzzy Entropy,FuzzyEn)的性能进行了比较,提出了一种基于完备总体经验模态分解和模糊熵的特征提取方法。并且引入了基于变量预测模型的模式识别(Variable Predictive Model based Class Discriminate,VPMCD)方法对提取的退化特征信息进行分类、识别,实现了液压泵的性能退化评估。首先,采用CEEMD方法对不同故障程度的液压泵振动信号进行分解,得到一系列频率由高到低排列的固有模态函数(Intrinsic Mode Function,IMF)分量;选取与原始信号相关性高的IMF分量并求出它们的模糊熵,从而提取出液压泵的退化特征向量。其次,使用VPMCD方法对训练样本每种状态下的所有特征值建立预测模型,然后对测试样本进行归类识别,以实现液压泵的性能退化评估。使用美国凯斯西储大学公布的滚动轴承数据对该方法进行了验证,识别结果正确率达到了100%。最后,在实验室模拟轴向柱塞泵松靴和滑靴磨损故障下的退化过程,使用本文提出的结合CEEMD、模糊熵和VPMCD的综合评估方法对液压泵进行了性能退化评估,实验结果验证了该方法的可行性和有效性。