基于超限学习机的柱塞泵故障诊断

陈浩然

（中煤平朔集团有限公司露天设备维修中心 ，山西 朔州 036000）

露天煤矿常用的前装机有复杂的液压系统，其含有9个泵，而柱塞泵就占5个，且液压泵是液压系统中的关键部件，其性能的好坏直接影响到前装机的工作效率，因此对柱塞泵进行故障诊断方法的研究在煤矿应用中具有重要意义。柱塞泵一旦发生故障，轻则振动、噪声增大，降低工作效率；重则导致液压系统不能正常工作，甚至会造成严重事故[1]。

目前对柱塞泵进行故障诊断常用的方法是通过分类算法来实现[2]。其中一些分类算法，如BP神经网络和支持向量机都已被应用在柱塞泵的故障诊断与识别中。然而这些方法的共同缺点就是诊断速度慢。而在本文中则采用一种新的分类算法即超限学习机（ELM）来对柱塞泵进行故障诊断与识别。

1 超限学习机（ELM）理论

考虑任意N个不同样本(Xi,ti)∈Rn×Rm。如果一个含有L个隐层节点的SLFN能够准确的表示N个样本，那就存在 βi,αi和 bi使得[3,4]：

式中：ai和bi为隐层节点的学习参数；βi为输出权重；G(ai,bi,X)为相对于输入X的第i个隐层节点的输出。

方程(1)可以简写成如下：

其中：

H在网络中被称为隐藏层输出矩阵。

根据ELM理论，所有隐层节点（ai，bi）都是随机生成的。输出权值β的解被表示为：

H+是隐藏层输出矩阵H的Moore-Penrose广义逆矩阵。ELM算法总结为以下三步：

1）初始化输入权值 ai与偏置值 bi，i=1,…,L

2）计算隐藏层输出矩阵H

3）计算输出权重β：β=H+T

2 实验研究

2.1 实验数据选择

本文研究的柱塞泵是来自露天煤矿常用的勒图尔勒L1150前装机，前装机如图1所示，柱塞泵如图2所示。

图1 勒图尔勒L1150前装机

图2 柱塞泵

对柱塞泵进行故障诊断的关键是提取故障特征向量。从柱塞泵采集的信号是由泵内向泵外传递的共振信号，因此原始信号为调制信号。所以需要对原始信号进行带通滤波、消噪以及包络解调才能得到有用的真实包络信号，从而很好的提取故障特征向量。

因此本文首先对原始信号进行小波包分解，选出高频频带，并对其用小波包重构算法得到对应得时域信号，再进行阀值去噪，得到了经带通滤波去噪的高频时域信号，由于采集的信号是调制信号，所以应对高频的时域信号进行Hilbert包络解调处理[5]。因为柱塞泵故障特征频率在1 kHz以下，所以对包络信号进行采样频率为2 kHz的重采样，故重采样后包络信号频率为1 kHz。本文选择的特征向量是重采样后包络信号的时域指标包括方差、标准差、峰值指标、脉冲指标、裕度指标和峭度指标。

柱塞泵常见的故障类型包括：滑靴磨损、松靴和配流盘磨损等。本文将不同的故障对应的特征向量作为分类算法超限学习机（ELM）、支持向量机（SVM）和BP神经网络的输入值，比较故障类型的测试准确度，选用的柱塞泵数据集如表1所示：

表1 柱塞泵故障数据集

2.2 实验结果分析

在本文中，所有的估算都是在Matlab R2014a平台下进行的，并且应用超限学习机（ELM）和BP神经网络分类器的结果是通过仿真20次的平均值。柱塞泵故障诊断结果对比如表2所示：

由表2可以得出，基于ELM、BP神经网络和SVM的测试精度都非常高且都超过92%，而基于ELM的测试准确度达到99%，且其诊断时间最短。因此ELM在对柱塞泵的故障诊断方法是可行的，可以看出该方法故障诊断准确度高且诊断速度快。

表2 在数据集中对超限学习机（ELM）、BP神经网络和支持向量机（SVM）的性能比较

3 结论

应用超限学习机（ELM）分类算法对前装机的柱塞泵常见故障进行检测，能够很好地实现对柱塞泵故障的诊断，得出结论：超限学习机（ELM）能够对柱塞泵进行有效的故障诊断，并且该方法的故障诊断准确度高诊断时间短，可以推广到柱塞泵的其它故障诊断中，具有较为广阔的应用前景。