一种基于局部均值变换和Softmax的液压泵故障诊断方法
【技术领域】
[0001] 本发明涉及一种基于局部均值变换和Softmax(SoftmaxRegression)的液压泵故 障诊断方法，属于故障诊断技术领域。
【背景技术】
[0002] 液压泵是液压系统的重要部件之一，其性能好坏对整个液压系统操作的可靠性有 重要影响，一次液压泵的健康监测及故障诊断方法在工业应用中具有重要的意义。液压泵 一旦发生故障，轻则震动、噪声增加，降低工作效率；重则使液压泵不能够工作，甚至会造成 严重的事故。在液压泵的故障诊断中，特征信息的选择和提取十分关键。液压泵的故障诊 断信号大都为非平稳信号，故应选择适合处理非平稳信号的特征提取方法。局部均值分解 方法作为一种自适应时频分析方法，可以将复杂的多分量调幅一调频信号自适应分解为单 分量的调幅一调频信号。局部均值变换作为一种时域分解方法，其分解得到的PF分量很好 的保持了原始信号的幅值和频率变换信息，相比于其他时域分解方法，局部均值分解更加 适合于处理类似于液压泵振动信号的多分量调幅-调频信号。同时相比于现有的频域分解 方法，局部均值分解方法具有较快的速度，有利于提升评估和诊断算法的效率。
[0003] 逻辑斯蒂回归属于概率回归，适用于二分类（正常和不正常）变量的情况。逻辑 斯蒂模型参数估计的经典方法为最大似然估计法，可以有效的对原始信号的正常或故障状 态进行分类，然后对于液压泵处于何种故障却难以区分。虽然可以建立多个二分类逻辑斯 蒂模型来对故障进行诊断，但是由于液压泵故障之间属于相互排斥的类别，在这种情况下， 多个逻辑斯蒂模型将不适用。在液压泵的故障诊断过程中，相比于现有的建立多个二分类 逻辑斯蒂回归模型的方法，Softmax回归模型只需要训练一次就可以实现针对多种故障模 式的分类。同时，针对液压泵诊断中故障模式存在的互斥现象，Softmax回归模型相比于多 个逻辑斯蒂模型具有更好的效果。
[0004] 相比于现有的液压泵健康评估与故障诊断算法，由于局部均值变换算法的运行速 度较快，提升了整套健康评估与故障诊断算法的效率。同时，多维尺度分析实现的对特征维 数的约简，提高了逻辑斯蒂回归以及Softmax回归进行分类的效率。此外，相对于使用多 个逻辑斯蒂回归模型进行故障诊断，单个Softmax回归模型实现的对不同故障模式的多分 类故障诊断也提升了整个故障诊断流程的效率，同时还克服了多个逻辑斯蒂回归模型不能 对相互排斥故障类型进行分类的缺点。局部均值变换算法与逻辑斯蒂回归以及Softmax回 归相结合的方法相比于其他针对液压泵的健康评估与故障诊断算法具有更好的效果。
【发明内容】
[0005] 本发明技术解决问题：克服现有技术的不足，提供一种基于局部均值变换和 Softmax的液压泵故障诊断方法，能够有效的对液压泵的健康状态进行评估并对发生故障 的液压泵进行故障诊断。
[0006] 本发明技术解决方案：一种基于局部均值变换和Softmax的液压泵故障诊断方 法，实现步骤如下：通过分析从液压泵采集到的振动信号获取液压泵的实时状态，然后利用 局部均值分解（LMD)将振动信号分解成若干个PF(Productfunction)分量，再对包含故 障信息的PF分量进行分析，提取能量特征参数和相应的时域统计量；之后利用多维尺度分 析（MDS)来进行特征约简，在得到约简后的特征之后，采用经过训练的逻辑斯蒂模型对液 压泵进行健康评估，在对液压泵进行健康评估的过程中如果检测到故障发生，经过训练的 Softmax回归模型将对可能的故障模式进行诊断。
[0007] 所述利用局部均值分解（LMD)将振动信号分解成若干个PF(Productfunction) 分量，再对包含故障信息的PF分量进行分析，提取能量特征参数的过程为：将一个复杂的 多分量信号分解为若干个PF分量之和，其中每一个PF分量由一个包络信号和一个纯调频 信号相乘而得到，将所有PF分量的瞬时幅值和瞬时频率组合便得到原始信号完整的时频 分布，循环上述过程以将所有的PF分量分解出来，便得到原始信号的时频分布，通过求分 解得到的PF分量的归一化能量值以及每一个PF分量的偏度系数及峭度系数，得到原始信 号的特征向量。
[0008] 所述利用多维尺度分析（MDS)来进行特征约简的过程为：通过对多个原始信号进 行局部均值变换得到的原始信号数据集特征矩阵进行特征约简，将得到的特征矩阵中特征 向量的维度进行降低，得到约简之后的低维特征向量形成的特征矩阵。
[0009] 所述采用经过训练的逻辑斯蒂模型对液压泵进行健康评估的过程为：将由测试数 据得到的特征向量输入经过训练的逻辑斯蒂模型，计算其CV值，通过将该CV值与预设的阈 值进行比较，当该CV值大于预设的阈值时，则认为系统状态健康；反之则认为系统发生故 障。
[0010] 所述经过训练的Softmax回归模型将对可能的故障模式进行诊断的过程为：当 健康评估过程中判定系统发生故障时，则将相应的测试数据特征向量输入训练完成的 Softmax回归模型，得到其对应于每种故障模式发生的概率，对于概率值较高的情况则认为 该种故障发生。
[0011] 本发明与现有技术相比的优点在于：
[0012] (1)局部均值变换作为一种时域分解方法，其分解得到的PF分量很好的保持了原 始信号的幅值和频率变换信息，相比于其他时域分解方法，局部均值分解更加适合于处理 类似于液压泵振动信号的多分量调幅-调频信号。同时相比于现有的频域分解方法，局部 均值分解方法具有较快的速度，有利于提升评估和诊断算法的效率。
[0013] (2)在液压泵的故障诊断过程中，相比于现有的建立多个二分类逻辑斯蒂回归模 型的方法，Softmax回归模型只需要训练一次就可以实现针对多种故障模式的分类。同时， 针对液压泵诊断中故障模式存在的互斥现象，Softmax回归模型相比于多个逻辑斯蒂模型 具有更好的效果。
[0014] (3)相比于现有的液压泵健康评估与故障诊断算法，由于局部均值变换算法的运 行速度较快，提升了整套健康评估与故障诊断算法的效率。同时，多维尺度分析实现的对特 征维数的约简，提高了逻辑斯蒂回归以及Softmax回归进行分类的效率。此外，相对于使用 多个逻辑斯蒂回归模型进行故障诊断，单个Softmax回归模型实现的对不同故障模式的多 分类故障诊断也提升了整个故障诊断流程的效率，同时还克服了多个逻辑斯蒂回归模型不 能对相互排斥故障类型进行分类的缺点。局部均值变换算法与逻辑斯蒂回归以及Softmax 回归相结合的方法相比于其他针对液压泵的健康评估与故障诊断算法具有更好的效果。
【附图说明】
[0015] 图1为本发明实现流程图；
[0016] 图2为本发明中正常和故障状态下的局部均值变换结果；其中（a)为正常工况下 信号的局部均值分解结果，（b)为故障情况下信号的局部分解结果；
[0017] 图3为本发明两种模式下的健康评估结果；其中（a)为故障模式1发生时的CV值 变化情况曲线，（b)为故障模式2发生时的CV值变化情况曲线；
[0018] 图4为本发明中故障1和故障2的概率，其中（a)为故障模式1发生的概率值变 化曲线，（b)为故障模式2发生的概率值变化曲线。
【具体实施方式】
[0019] 本发明通过分析从液压泵采集到的振动信号可以获取液压泵的实时状态。首先利 用局部均值分解（LMD)将振动信号分解成若干个PF(Productfunction简称PF)分量。再 对包含故障信息的PF分量进行分析，提取能量等特征参数和相应的时域统计量。之后利 用多维尺度分析（MDS)来进行特征约简。在得到约简后的特征之后，经过训练的逻