一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法

本发明涉及机械设备故障诊断，特别是涉及一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法。

背景技术：

1、轴向柱塞泵作为智能制造装备的核心元件，具有功率密度高、传递扭矩大、可靠性高等优势，广泛应用于工程建设、航空航天和农业水利等领域。随着轴向柱塞泵不断向“高速高压”方向发展，随之带来振动加剧、噪声加大等现象，造成泵的磨损加剧、性能下降、意外故障率激增，因此对其故障诊断对保障液压系统安全运行极为重要。

2、轴向柱塞泵故障具有复杂非线性特点，大多表现为振动信号，故障特征不明显，导致故障诊断困难。目前，柱塞泵故障诊断方法主要分为三种：基于模型的方法、基于信号处理的方法、基于知识的方法。基于模型的方法可不依靠硬件设备实现故障诊断，但实际中往往难以建立精确的数学模型；基于信号处理的方法可不依靠数学模型，直接对信号进行分析处理，但大多依靠人工经验，提取故障特征需大量知识，故障诊断准确率低、诊断效率低下。基于知识的方法主要包含专家系统、神经网络，专家系统可靠性高，但知识获取困难，神经网络鲁棒性强，但是网络结构较复杂。随着人工智能的兴起，智能的诊断方法越来越广泛的应用于柱塞泵的故障诊断中，单一的故障诊断方法存在难以弥补的劣势。因此，我们需要将多种诊断方法相结合，取长补短，既能有效提取关键故障特征，又能准确的进行故障诊断。综上，研究准确高效的柱塞泵故障诊断方法，对提高诊断准确性和效率，具有重要的工程意义和实用价值。

技术实现思路

1、本发明的目的是克服传统故障诊断方法存在提取故障特征困难、诊断准确率低的问题，提供一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，既可提取关键故障特征，又能实现准确高效的故障诊断。

2、本发明为解决上述技术问题采取的技术方案是：

3、一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，包括以下步骤：

4、s1：柱塞泵信号的采集：采集柱塞泵端盖、泵体和出油口的多通道振动信号，以及出油口温度、压力和流量信号；

5、s2：柱塞泵故障信号处理：对多通道振动信号进行降噪处理和时频域处理，并对降噪处理和时频域处理的信号、振动信号、温度信号、压力信号和流量信号进行归一化处理；

6、s3：粗糙集提取信号特征：建立原始故障信息表，对采集的信息预处理；运用粗糙集理论数据等距离散，去除冗余故障征兆，提取最简属性和故障分类规则；

7、s4：建立粗糙集-径向基神经网络模型：运用粗糙集得到的最简属性和状态分类规则初始化径向基神经网络的参数，构建粗糙集-径向基神经网络模型；

8、s5：故障分类、识别和诊断：使用粗糙集-径向基神经网络模型对导入的故障数据进行诊断，故障分类、识别，并对诊断准确率、灵敏度进行分析，得出结论。

9、进一步地，步骤s1中通过在柱塞泵的端盖、泵体、出油口处布置振动传感器，在柱塞泵出油口处布置温度、压力、流量传感器，采集柱塞泵五种状态下的信号；五种状态为：正常、滑靴和斜盘磨损故障、柱塞磨损故障、配流盘空蚀故障、松靴故障。

10、进一步地，步骤s2中，频域处理中时频域特征共18种，其中，时域特征计算量包括14种，最大值、最小值、平均值、峰峰值、绝对值的平均值、方差、标准差、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子；频域特征计算包括4种，重心频率、平均频率、频率均方根和频率方差。

11、进一步地，步骤s2中归一化处理采用如下公式：

12、

13、 z min与 z max分别表示当前经降噪处理、并进行时域和频域特征计算的数据及振动信号、温度信号、压力信号和流量信号 z中的最小值及最大值， x代表经降噪处理、并进行时域和频域特征计算的数据组， x'代表进行归一化处理后的数据组。

14、进一步地，步骤s3中根据粗糙集理论，使用故障征兆和状态类别建立柱塞泵原始故障信息表，故障征兆包括步骤s2中振动信号时频域特征、步骤s1中振动信号、温度信号、压力信号和流量信号，记作[c1,c2,···,cn]；状态类别为：正常；滑靴和斜盘磨损故障；柱塞磨损故障；配流盘空蚀故障；松靴故障，记作[d1,d2,···,d5]。

15、进一步地，步骤s3中数据离散方法为等距离散，将[c1,c2,···,cn]、[d1,d2,···,d5]分成等距的断点段，对每个断点段中属性值的多少不作考虑；若每个断点段中属性值的最大、最小属性值分别为 x max 、x min，则两个断点之间的距离为 δ=(x max -x min )/k，断点可表示为 x min +iδ,i=0,…,k， k为属性参数。

16、进一步地，步骤s3中对等距离散后的[c1,c2,···,cn]、[d1,d2,···,d5]进行遗传约简处理。通过将等距离散后的[c1,c2,···,cn]、[d1,d2,···,d5]二进制编码，初始数据组个数，定义约简函数，以随机的形式选取数据进行交叉、变异运算。

17、进一步地，步骤s4中初始化径向基神经网络参数，确定隐含层到输出层的权值、隐含层的中心、隐含层的宽度，运用最简属性和状态分类规则构建径向基神经网络结构，使用梯度下降法作为学习算法不断优化调整网络的结构；设置网络的误差目标、最大迭代次数、学习速率，进行网络训练和测试，调整优化网络结构，使网络达到预期的误差训练目标。

18、进一步地，步骤s5中将柱塞泵测试样本输入粗糙集-径向基神经网络模型中，进行故障分类、识别，对诊断结果的准确率、精确率和灵敏度以及数据的分布情况进行分析，得出诊断结论。

19、本发明相对于现有技术取得了以下有益效果：

20、本发明可实现对柱塞泵故障的多种耦合信号进行特征提取，利用粗糙集理论去除冗余故障征兆，通过信号的时频域处理和归一化处理，准确提取出关键的故障特征和故障分类规则。

21、本发明结合数据挖掘技术和机器学习方法，将粗糙集理论和径向基神经网络方法相结合，挖掘潜在知识，使用最简属性和故障分类规则构建径向基神经网络，优化了网络结构，两种方法优势互补，实现了准确高效的故障诊断。

技术特征：

1.一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，其特征在于，所述步骤s1中通过在柱塞泵的端盖、泵体、出油口处布置振动传感器，在柱塞泵出油口处布置温度、压力、流量传感器，采集柱塞泵五种状态下的信号；五种状态为：正常、滑靴和斜盘磨损故障、柱塞磨损故障、配流盘空蚀故障、松靴故障。

3.根据权利要求1所述的一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，其特征在于，所述步骤s2中，频域处理中时频域特征共18种，其中，时域特征计算量包括14种，最大值、最小值、平均值、峰峰值、绝对值的平均值、方差、标准差、峭度、偏度、均方根、波形因子、峰值因子、脉冲因子和裕度因子；频域特征计算包括4种，重心频率、平均频率、频率均方根和频率方差。

4.根据权利要求1或3所述的一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，其特征在于，所述步骤s2中归一化处理采用如下公式：

5.根据权利要求4所述的一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，其特征在于，所述步骤s3中根据粗糙集理论，使用故障征兆和状态类别建立柱塞泵原始故障信息表，故障征兆包括步骤s2中振动信号时频域特征、步骤s1中振动信号、温度信号、压力信号和流量信号，记作[c1,c2,···,cn]；状态类别为：正常；滑靴和斜盘磨损故障；柱塞磨损故障；配流盘空蚀故障；松靴故障，记作[d1,d2,···,d5]。

6.根据权利要求5所述的一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，其特征在于，所述步骤s3中数据离散方法为等距离散，将[c1,c2,···,cn]、[d1,d2,···,d5]分成等距的断点段，对每个断点段中属性值的多少不作考虑；若每个断点段中属性值的最大、最小属性值分别为xmax、xmin，则两个断点之间的距离为δ=(xmax-xmin)/k，断点可表示为xmin+iδ,i=0,…,k，k为属性参数。

7.根据权利要求6所述的一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，其特征在于，所述步骤s3中对等距离散后的[c1,c2,···,cn]、[d1,d2,···,d5]进行遗传约简处理；通过将等距离散后的[c1,c2,···,cn]、[d1,d2,···,d5]二进制编码，初始数据组个数，定义约简函数，以随机的形式选取数据进行交叉、变异运算。

8.根据权利要求1所述的一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，其特征在于，所述步骤s4中初始化径向基神经网络参数，确定隐含层到输出层的权值、隐含层的中心、隐含层的宽度，运用最简属性和状态分类规则构建径向基神经网络结构，使用梯度下降法作为学习算法不断优化调整网络的结构；设置网络的误差目标、最大迭代次数、学习速率，进行网络训练和测试，调整优化网络结构，使网络达到预期的误差训练目标。

9.根据权利要求1所述的一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，其特征在于，所述步骤s5中将柱塞泵测试样本输入粗糙集-径向基神经网络模型中，进行故障分类、识别，对诊断结果的准确率、精确率和灵敏度以及数据的分布情况进行分析，得出诊断结论。

技术总结本发明公开了一种基于粗糙集和径向基神经网络的柱塞泵故障诊断方法，属于机械设备故障诊断技术领域。该方法包括：采集柱塞泵运行信号，并进行时频域和归一化处理，运用粗糙集提取信号特征，建立粗糙集‑径向基神经网络模型，使用该模型对导入的故障数据进行诊断，实现柱塞泵故障分类、识别和诊断。本发明针对柱塞泵故障类型复杂多样和故障数据冗余，导致故障诊断困难的问题，高效挖掘数据隐含信息，运用故障关键特征和故障分类规则优化网络结构，提升训练速度，提高柱塞泵的故障诊断准确率，为柱塞泵故障诊断提供一种新的思路。技术研发人员：刘敏,刘志奇,马志鹏,崔金元,陈伟敬,陈峙,李庆受保护的技术使用者：太原科技大学技术研发日：技术公布日：2024/9/26