应用时间序列分析的液压溢流阀故障诊断法_刘少谦

　第28卷　第3期

　2007年7月华侨大学学报(自然科学版)JournalofHuaqiaoUniversity(NaturalScience)Vol.28　No.3　Jul.2007　文章编号:　1000-5013(2007)03-0228-04　

应用时间序列分析的液压溢流阀故障诊断法

刘少谦,黄宜坚

(华侨大学机电及自动化学院,福建泉州362021)

摘要:　基于液压溢流阀体工况,提出一种振动频率特性的故障诊断方法.利用溢流阀体振动信号的相关性、自回归模型的参数和功率谱特性,获得故障的突变信息,从而确认溢流阀的工作状态,为液压系统故障的诊断提供判断依据.测试系统采用LabVIEW虚拟仪器构建,并通过计算机自动完成测试和分析.实验结果表明,正常状态和故障状态下的电压信号没有明显的趋势,是一种平稳时间序列;有故障时,相关函数衰减比正常状态慢,但都不够明显;正常状态和故障状态下的特征根分布明显不同,故障状态下的系统可能处于某种稳定状态;正常状态的自回归(AR)功率谱比任何一种溢流阀常见故障的功率谱都低.

关键词:　溢流阀;故障诊断;时间序列;频谱分析

中图分类号:　TH165+.3;TP271+.31;O211.61文献标识码:　A

在工业系统中,应用时间序列进行故障诊断已十分普通.羊拯民等[1]研究了时序分析在汽车变速箱齿轮故障诊断中的应用;张仕海等[2]研究了集装箱吊前大梁振动的时间序列分析与故障诊断;Wang等研究了瞬态振动信号的适应性建模.本文就液压系统中因油液脉动引起溢流阀体的振动,

通过位移传感器检测阀体的振动信号,建立自回归

(Auto-Regressive,AR)模型.技术人员可

以根据AR模型,获得溢流阀的工作状态.[3]

1　实验部分

1.1　溢流阀工作原理

先导式溢流阀由先导阀和主阀两部分

组成,如图1所示.先导式溢流阀的故障,

会在阀体工作时所产生的振动信号中表现

出来.

1.2　检测系统

检测系统结构简图,如图2所示.其工

作过程如下:位移传感器采集振动阀体位　　　　　图1　溢流阀结构图图2　检测系统结构简图　　　Fig.1　Configuration　　　Fig.2　Schematicof　　　　ofreliefvalve　　　　　detectionsystem

移、电压信号,经调理和去噪声后通过数据采集卡输入计算机,在基于LabVIEW虚拟仪器测控平台上进行处理、分析和显示,然后根据正常状态和故障状态所测量的数据,建立的AR时间序列模型.

1.3　测试过程

在对溢流阀振动的测试过程中,我们分两个步骤对阀体振动的位移信号和电压信号进行提取.首先测量正常工作状态下的溢流阀体的振动信号,然后测量故障状态下的振动信号.在实验过程中,共设置了如下4种故障.(1)将溢流阀的主阀芯弹簧两端各剪去半圈,弹簧两端向外翘起,受力时会向一侧弯曲.(2)溢流阀主阀芯的阻尼孔穿上一根细导线,导线横截面积略小于阻尼孔横截面积的一半.(3)溢　收稿日期:　2006-11-01

　作者简介:　刘少谦(1979-),男,工程师,硕士研究生,主要从事机械电子的研究;通信作者:黄宜坚(1945-),男,教授,

E-mail:yjhuang@http://wendang.chazidian.com.　

第3期　　　　　　　　　　　刘少谦,等:应用时间序列分析的液压溢流阀故障诊断法229流阀中先导阀的弹簧两端向外翘起.(4)前3种故障之和.在每种测量中,油路压力分1,2,3,4,5,6MPa共6个压力等级,采样频率250Hz,读取频率125Hz,采样过程时间约2min.

2　数据分析和时间序列建模

2.1　数据分析

在正常状态和故障状态下,分别任取一组数据(本文取电压信号数据)进行分析.首先对所取数据消除趋势项,然后进行零均值处理,如图3所示.由图3可知,正常状态和故障状态下的电压信号没有明显的趋势,均值为一常量,是一种平稳时间序列

.

　　(a)正常状态的原始电压信号(b)正常

状态零均值后的电压信号

　　(c)故障状态的原始电压信号(d)故障状态零均值后的电压信号

图3　不同状态的电压信号数据图

Fig.3　Thevoltagesignalsondifferentstates

2.2　时间序列建模

利用最小二乘法[4]进行分析,可以得到任意p阶的AR模型.AR(p)公式为

1xt-1+φ2xt-2+…+φpxt-p+at.xt=φ(1)

(2)式(1)中,φi(i=1,2,…,p)为自回归参数,at为白噪声.将式(1)改写成矩阵形式为Y=XΥ+E.

x1

其中Y,XxNx0x1xN-1x-1x0xN-2………x1-px2-pxN-p1a1aN,Υ,E.

利用阀体工作过程中所输出的振动信号建立时间序列模型,是为了辨识系统是否处于正常工作状态,或者有故障.从式(1)可知,通过建模可以将阀体振动的过程信息提取成几个自回归参数φ,再根据参数φ的分布特征进行分析.另外,选取数据点个数的多少与正确判断系统工作状态密切相关.本文以1000个数据为一组,取20组数据,建立AR模型,分别计算其自回归参数,并采用赤池信息准则(AIC准则)对模型的阶次进行适应性检验.即AIC(p)=Nlnσ+2p.其中,σ=S/(N-p),S=?(xt-t=p+1

22φ1xt-1-φ2xt-2-φpxt-p),N为数据个数,σa为残差方差,AIC(p)是模型阶次p的函数,取AIC(p)绝[5]2a2aN

对值最小时的模型阶次p为最佳模型阶次.根据参数矩阵Υ的最小二乘法估计,则有

Υ=(XX)XY.

T-1T(3)计算出自回归模型参数φk,得出2～5阶次模型AIC值分别为-10569,-10632,-11157,-13833,

230华侨大学学报(自然科学版)　　　　　　　　　　　　　　2007年3　故障分析

3.1　相关性分析[6]

建立二阶模型后,根据

Rx(τ)=Tlim→∞2T)dt,x(t)x(t+τ-TT(4)

对电压信号进行相关性分析,绘制出自相关函数曲线图.任取正常与4种故障状态下的数据各500组,分析计算并绘制自相关函数图,如图4所示.通过对图4的分析,可看出正常状态和故障状态下电压信号的自相关曲线明显不同,有故障时,自相关函数衰减比正常状态时慢,但都不太明显

.

　　　　(a)正常状态(b)故障状态1(c)故障状态

2

　　(d)故障状态3

图4　5种状态下自相关曲线图(e)故障状态4

Fig.4　Auto-regressivecurveonfivestates

3.2　自回归系数分布

建立二阶模型后,根据式(3)计算出正常与故障状态下自回归参数φ1,φ2,并绘成φ1-φ2相平面,如图5(a)所示.由图5(a)可以看出,

正常与故障状态下的模型参数有着

明显不同的分布,正常状态下的自

回归系数位于相平面的右下角,故

障状态位于左上角.

3.3　自回归模型的稳定性判定

对于AR(2)模型,有xt=

1xt-1+2xt-2+φφat,即xt=at/(1-

1B-φ2B).对于分母多项式则有φ

1B-φ2B=1B)(1-1-φ(1-λ

λ2B).其中,λ1,λ2是分母多项式的22　　(a)φφ1-2图5　正常与故障状态分布图(b)λλ1-2

Fig.5　Distributiondiagramofnormalandfaultstates

特征根,φ1=λ1+λ2,φ2=-λ1λ2.即

λ1,2=[φ1±1+4φ2]/2.根据上式计算出λ1,λ2,并绘制λ1-λ2相平面,如图5(b)所示.由图5(b)可看

出,正常状态和故障状态下的特征根分布明显不同,正常状态下的特征根分布在λ1∈(0.75,0.85),λ2∈(0.7,0.9)区间,而故障状态下的特征根分布在λ1∈(0.6,0.9),λ2∈(0.4,0.7)区间.虽然两个状态的系统都是稳定的,但这两个状态的分布区间不同.

3.4　功率谱分析,[7]

内容需要下载文档才能查看

第3期　　　　　　　　　　　刘少谦,等:应用时间序列分析的液压溢流阀故障诊断法231任取正常与4种故障状态下的数据各500组,分析计算并

绘制功率谱密度(SAR)与频率(f)的关系,如图6所示.图6

中,实线1～4分别为故障状态1～4下的功率谱曲线,虚线

为正常状态下的功率谱曲线.从图6可看出,正常状态下

功率谱曲线最低,而在4种故障状态中,故障状态2,3,4比

故障状态1更严重,故障状态4最严重,结果与实验过程事

实相符.

4　结束语

利用液压阀正常与故障状态下的输出振动信号,可以图6　5种状态下的AR功率谱Fig.6　ARpowerspectrumonfivestates

获得系统工作状态的相关信息.振动信号的相关性分析表明,有故障时,相关函数衰减比正常状态慢,但都不够明显.从输出信号的AR模型绘制的系数φ1-φ2相平面可以看出,正常状态下的自回归系数位于相平面的右下角,故障状态位于左上角,可以明确诊断出溢流阀故障.从输出信号的AR模型的特征根绘制的λ1-λ2相平面可以看出,故障状态下的系统也可能处于某种稳定状态,而从AR功率谱可以获得故障信息.上述分析说明,采用AR模型对溢流阀振动信号进行分析,对元件的故障诊断有实用意义.参考文献:

[1]　羊拯民,张成宝.时序分析在汽车变速箱齿轮故障诊断中的应用[J].农业机械学报,2000,31(3):92-95.

[2]　张仕海,朱建元.集装箱吊前大梁振动的时间序列分析与故障诊断[J].上海海事大学学报,2004,25(4):1-3.

[3]　WANGFeng-lin,MECHEFSKECK.Adaptivemodellingoftransientvibrationsignals[J].MechanicalSystems

andSignalProcessing,2006,20(4):825-842.

[4]　LENNARTL.Systemidentification[M].NewJersey:PTRPrenticlHall,1989.

[5]　杨叔子,吴　雅.时间序列分析的工程应用:上册[M].武汉:华中理工大学出版社,1991:255-256,353.

[6]　REHORNAG,SEJDICE,JIANGJin.Faultdiagnosisinmachinetoolsusingselectiveregionalcorrelation[J].

MechanicalSystemsandSignalProcessing,2006,20:1221-1238.

[7]　张旭东,陆明泉.离散随机信号处理[M].北京:清华大学出版社,2005:156-157.

FaultDiagnosisofHydraulicReliefValveUsingTimeSeriesAnalysis

LIUShao-qian,HUANGYi-jian

(CollegeofMechanicalEngineeringandAutomation,HuaqiaoUniversity,Quanzhou362021,China)

Abstract:　Inthispaper,http://wendang.chazidian.comingthecorrelationanalysis,theparametersandspectraofatimeseriesmodelofthevi-brantsignalsfromthereliefvalve,theabruptchangeinformationscanbeobtained.Thereforethefaultconditionsofthereliefvalvecanbeconfirmedandthedecisionsupportisprovidedforthefaultdiagnosisofhydraulicreliefvalve.Theex-perimentanddiagnosisprocessbasedonvirtualinstrumentsLabVIEWareautomaticallycontrolledbycomputerinthispaper.Theexperimentshowsthatvoltagesignalsonnormalandfaultstatesareasteadytimeserieswhichhavenoappar-enttendency;thecorrelatedfunctionsonfaultstatesattenuatemoreslowlythanoneonnormalstate,buttheyarenotprettyapparent;thedistributionsofcharacteristicrootsareobviouslydifferentbetweennormalandfaultstates;thesys-temonfaultstatesmaybeinastablecondition;auto-regressive(AR)powerspectrumcurveonnormalstateisdifferentfromotherfaultstatesofhydraulicreliefvalve.

Keywords:　reliefvalve;faultdiagnosis;timeseries;spectralanalysis

(责任编辑:黄仲一)