【技术实现步骤摘要】
液压泵泄漏故障诊断方法
[0001]本专利技术属于液压泵故障诊断
，特别是一种基于LDA降维和SSA
‑
SVM的液压泵泄漏故障诊断方法。
技术介绍
[0002]液压系统以其响应快，运行平稳等特点，在煤矿、航空等领域得到了广泛应用。液压系统的故障具有隐蔽性、随机性和交错性等特点，导致维护管理具有较大难度，其中液压泵是液压回路的核心部件，其运行状态是否正常直接影响整个液压系统的稳定性。
[0003]液压泵的泄漏问题一直是液压系统运行过程中的关键性问题。当液压泵发生泄漏时，不仅会对整个机械系统的控制精度以及设备工作造成影响，也会造成液压元件损坏。因此，及时发现液压系统的泄漏情况就成为了液压系统使用过程进行维护的一个关键步骤。液压系统中，故障的机理与失效形式复杂且多样，导致了在设备处于工作状态时难以准确地识别出液压泵的泄漏状态。
[0004]为了保障液压系统的平稳安全运行，必须建立具有诊断效果良好，诊断过程迅速的泄漏故障诊断模型。传统的液压泵故障诊断方法大多采集振动信号作为模型输入，但是，液压...
【技术保护点】
【技术特征摘要】
1.一种液压泵泄漏故障诊断方法，其特征在于，包括：步骤一：采集液压泵的压力和流量信号，并对压力和流量信号进行时域和频域的特征提取，得到时域特征和频域特征；步骤二：对压力和流量信号进行经验模态分解，对分解得到的本征模态函数IMF1、IMF2、IMF3计算其方差贡献率，获得时频域联合特征；步骤三：对本征模态函数IMF1进行希尔伯特
‑
黄变换，得到本征模态函数IMF1的瞬时频率和瞬时幅值向量，求出瞬时幅值和瞬时频率向量的最大值，得到时频域联合特征；步骤四：将步骤一、步骤二和步骤三中得到的时域特征、频域特征、时频域联合特征组合形成第一数据集并设置对应故障类别标签；步骤五：使用线性判别分析算法对第一数据集进行降维，得到第二数据集，划分50％测试集与50％训练集；步骤六：使用训练集和麻雀搜索算法对支持向量机故障诊断模型的惩罚参数c和核函数参数g进行优化，构建最佳参数的SVM诊断模型，基于SVM诊断模型和测试集得出液压泵泄漏故障类别。2.根据权利要求1所述的液压泵泄漏故障诊断方法，其特征在于：步骤一中，在液压泵出口安装1个压力传感器和1个流量传感器采集液压泵的压力和流量信号，其中，压力传感器的采样频率为100Hz，流量传感器的采样频率为10Hz；每个样本包括1个压力与1个流量信号，采集时长1min。3.根据权利要求1所述的液压泵泄漏故障诊断方法，其特征在于：步骤一中，所述的时域特征包括均值、均方根值、最大值、峰
‑
峰值、标准差、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子和方差共12个特征。4.根据权利要求1所述的液压泵泄漏故障诊断方法，其特征在于：步骤一中，所述的频域特征包括重心频率、均方频率、频率方差共3个特征。5.根据权利要求1所述的液压泵泄漏故障诊断方法，其特征在于：第一数据集为20*2的40维特征向量，降维后得到的第二数据集为6维特征向量。6.根据权利要求1所述的液压泵泄漏故障诊断方法，其特征在于：步骤三中所述的希尔伯特
‑
黄变换包含两个部分，即经验模态分解和希尔伯特变换；其中，经验模态分解将采集的液压泵压力与流量信号分解为一系列的本征模态函数IMF；式中:n为本征模态的数量；c
i
(t)是第i个本征模态函数；r
n
(t)为残差函数；对分解得到的IMF1、IMF2、IMF3计算其方差贡献率：对分解得到的IMF1、IMF2、IMF3计算其方差贡献率：式中：Di为第i阶IMF分量的方差，Δt为信号数据采集时间间隔，对于压力信号是0.01秒，对于流量信号是0.1秒。
7.根据权利要求6所述的液压泵泄漏故障诊断方法，其特征在于：步骤三中，将通过经验模态分解之后得到的第一个本征模态函数c1(t)进行希尔伯特变换，得到其瞬时幅值以及瞬时频率，对于任意的本征模态函数c
i
(t)，希尔伯特变换定义如下：解析信号z(t)如下:z(t)＝c(t)+jy(t)＝a(t)e
jθ(t)
(5)其中a(t)为c1(t)的瞬时幅值,θ(t)为c1(t)的瞬时相位:(t)的瞬时相位:c1(t)的瞬时频率为:8.根据权利要求7所述的液压泵泄漏故障诊断方法，其特征在于：以SVM训练集液压泵泄漏故障诊断准确率作为适应度函数，保留最优的适应度值及对应的惩罚参数c和核函数参数g；SSA(Sparrow S...
【专利技术属性】
技术研发人员：耿蒲龙，刘顺烈，张孟辉，雷志鹏，宋建成，栗林波，李雁龙，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。