基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法与流程

本发明属于设备健康监控领域，特别涉及基于小波包和拉普拉斯特征映射的柱塞泵的健康状态评估。

背景技术：

液压泵广泛应用于各种工业场合，但液压泵健康评估机理复杂，缺乏理论研究模型，且检测信号所包含的噪声较多，所以难以对健康状态识别。当液压泵处于故障初期，一般表现为振动、冲击、噪声增加，并制约生产效率提高；随着故障不断加剧，液压泵往往会因为故障引起压力下降，最终导致液压泵不能正常工作，甚至造成严重的安全事故。因此，通过对液压泵的健康状态的评估，判断液压泵的运行状态，从而对可能产生的故障进行预防，具有极其重要的作用。

经过对现有技术的文献检索和专利的检索发现常见的柱塞泵健康状态评估方法有以下几种：

方法1：中国专利公开号：CN103758742，专利名称为：一种基于双类特征融合诊断的柱塞泵故障诊断系统。该专利自述为：涉及一种基于双类特征融合诊断的柱塞泵故障诊断系统，包括加速度传感器、数据采集模块、双类特征提取模块和融合诊断模块，所述加速度传感器用于将柱塞泵的振动信号转换为电信号；所述数据采集模块用于将加速度传感器所采集的信号进行预处理；所述双类特征提取模块用于提取由数据采集模块预处理的信号的小波包相对能量谱与小波包相对特征熵两类特征；所述融合诊断模块用于将获取的小波包相对能量谱与小波包相对特征熵两类特征分别通过相关向量机模型进行诊断，再将诊断结果通过DS证据理论进行融合，以获取最终的诊断结果。方法1主要侧重使用双类特征模块进行信号获取。

方法2：刘玉娇等人在《基于粒子滤波和自回归谱的液压泵故障诊断》中提出了一种基于液压泵振动信号分析处理的故障诊断新方法。通过对加速度传感器的原始数据序列进行信号建模，利用粒子数优化后的粒子滤波算法进行降噪；根据滤波后信号的自回归谱提取特征值，结合液压泵的故障机理分析其工作状态，实现对液压泵的故障分析和诊断。方法2主要侧重于使用自回归谱对滤波后的信号提取特征。

方法3：蒋全胜等人在《基于拉普拉斯特征映射的故障模式识别方法》中使用了拉普拉斯特征映射算法(Laplacian Eigenmap LE)对高维特征向量降维，有效提取了高维非线性数据中嵌入的低维流形特征。将其引入到设备故障诊断领域，并应用于故障模式识别问题，提出了一种基于拉普拉斯特征映射的齿轮箱故障模式识别新方法。 方法3主要侧重于拉普拉斯特征映射在齿轮箱故障信号提取中的应用。

方法4：黄宏臣等人在《基于拉普拉斯特征映射的滚动轴承故障识别》中将拉普拉斯特征映射算法应用到滚动轴承的故障识别中。在振动信号构建的时域和频域高维特征空间矩阵中，充分利用拉普拉斯特征映射算法在非线性特征提取和降维的优点进行学习，提取表征轴承状态的特征量，并以可视化的聚类结果进行表示。实验模拟了轴承的4种不同类型故障以及滚动体的4种不同受损程度，采用模式识别中聚类性的类内距和类间距两个参数作为衡量指标。与PCA和KPCA两种方法对比，LE不仅明显识别出四种故障类型和有效的区分出滚动体的不同受损程度，而且识别率大大提高。方法4主要侧重于拉普拉斯特征映射在滚动轴承故障诊断中的应用。

方法5：刘红梅等人在《基于小波包和Elman神经网络的液压泵故障诊断》中提出了一种将小波包变换和改进的Elman神经网络相结合进行液压泵故障诊断的新方法。利用具有紧支结构的小波函数对信号进行分解，削减小波系数以滤除信号中的噪声；单支重构以有效提取各频带的故障特征，并以频带能量作为识别故障的特征向量；应用改进的Elman神经网络建立从特征向量到故障模式之间的映射，实现液压泵故障分类的效果。方法5主要采用Elman神经网络作为分类器进行液压泵故障特征的识别。

因此，本领域的技术人员致力于开发一种基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法，通过对液压泵的健康状态的评估，判断液压泵的运行状态，从而对可能产生的故障进行预防，具有极其重要的作用。

技术实现要素：

本发明的目的在于针对现有技术的不足，采用小波包分解对信号预处理，并提取时域特征作为高维特征向量。通过拉普拉斯特征映射等流形学习方法对高维特征向量进行降维处理，并使用K最近邻方法验证分类效果。实验结果表明，所提出的健康评估的方法能够提高辨识精度，对柱塞泵的健康状态识别具有重要的作用。在生产过程中实现部件的智能维护，可减少因设备性能衰退带来的柱塞泵性能下降，从而提高经济效益。

为实现上述目的，本发明提供了一种基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法，包括以下步骤：

步骤1)采集柱塞泵在不同工况下的传感器信号作为评估模型的输入；

步骤2)利用小波包对所述传感器信号进行分解，获得所述传感器信号在某一时间点的频率特性；

步骤3)加窗提取信号的时域特征、频域特征和时频域特征；对各个时域特征、频域特征和时频域特征进行标准化；将同一个样本的所有特征放在一起生成样本数据集；

步骤4)对所述样本数据集采用流形学习的方法进行特征的降维，从观测得到 的高维信号波形的几何信息中得出嵌入的低维光滑流形；

步骤5)采用K最近邻分类法验证模型分类精度和评价模型判断健康状态的准确性。

进一步地，所述传感器信号为振动传感器信号。

进一步地，所述振动传感器信号是直接通过振动传感器从液压泵实验台中读取的。

进一步地，所述步骤2中的小波包信号分解步骤为：信号f(x)在子空间中的系数通过计算。信号f(x)在的子空间和中的系数和通过和 计算，将分解后的系数求绝对平方后用以描述信号的能量特征。

进一步地，所述步骤4中数据降维的方法采用拉普拉斯特征映射方法，边的权值的确定通过热核方法和直接法获得；特征映射低维嵌入通过广义特征向量求解，通过Ly＝λDy求得拉普拉斯矩阵L，最小化如下目标函数通过

求得。

进一步地，评估结果以分类精度作为量化指标。

本发明所采用的解决方案如下：

1、柱塞泵振动信号的采集

采集柱塞泵在不同工况下的振动信号，以及运行参数，作为评估模型的输入，考虑到在线检测的要求，不能影响到柱塞泵的正常生产加工。可以使用振动传感器从柱塞泵测试试验台中读取柱塞泵的加速度信号，从而获得柱塞泵的振动信号。

2、信号的预处理

利用小波包对非平稳随机的柱塞泵振动信号进行分解，能够获得信号在某一时间点的频率特性。同时，小波包能够更加精细地对原始信号进行分解和重构，细化不同健康状态对应的信号频率范围，有利于准确评估健康状态，提高模型对柱塞泵可靠性。

3、信号的时域频域特征提取

柱塞泵运行时的健康状态的识别的关键是通过对柱塞泵运行状态特征的提取。由于实验的设备复杂，所测得的振动信号中包含大量噪声数据和冗余信息，所以难以直接通过振动信号进行评估。

借助于特征提取的方法，把原始信号变换到高维的特征空间中，进而通过对特征的分析掌握设备运行的健康状态。通过原始信号提取的时域，频域和时频混合域的参数已经被广泛使用，但是不同的设备对应采集信号的性质各不相同，甄选出具有较高分辨率和规律性强的频域和时频混合域的参数是状态评估的关键。

4、特征降维

对信号进行特征提取后，得到高维的信号样本。由于实时性的要求，需要进行特征数据压缩。假设每种状态的特征数据分布是相对稳定的，那么特征降维后也能反映对应状态的数据分布。采用流形学习的方法进行特征的降维，如拉普拉斯特征值映射方法。拉普拉斯特征值映射是一种典型的基于流形学习的数据降维方法，目的是发现数据的内在本质特征，从观测得到的高维信号波形的几何信息中，得出嵌入的低维光滑流形。

5、选用K最近邻分类方法验证模型分类精度

为了评价分类后的分类精度，选用K最近邻分类法验证模型分类精度，以此评价模型判断健康状态的准确性。

本发明所述的柱塞泵健康评估方法通过小波包方法进行特征提取，使用拉普拉斯特征值映射进行降维，结合分类的精度评价量化评估的效果。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1为本发明一种较佳实施例的流程图；

图2为本发明一种较佳实施例的试验装置系统示意图；

图3为本发明一种较佳实施实例的详细流程图。

具体实施方式

以下结合附图和实例介绍对本发明做进一步的解释说明。

该发明已经通过试验台进行验证，下面此案例中对柱塞泵试验台中柱塞泵的健康状态评估为例对本发明的内容加以说明。

1、柱塞泵振动信号的采集

柱塞泵测试系统参考国标“GB/T 23253-2009液压传动电控液压泵性能试验方法”中的标准进行搭建。实验的对象为川崎K3V系列斜盘式轴向柱塞泵，通过JX61G系列振动传感器测得柱塞泵的振动信号。首先选取1#、3#和5#柱塞泵，在柱塞泵转速为2200r/min工况下运行800s。实验使用的振动传感器有3个，分别安装在柱塞泵出口处的左上、右上和正下方，任意两个传感器之间的夹角为120°。传感器的采样频率为50kHz。

试验方案如下：此实验对柱塞泵运行状态分成BN(Brand New:全新)，CS(Close to Scrap:接近报废)，NF(Normal Functioning:正常运转)三种状态，其中全新泵(BN)是指处于磨合期的柱塞泵，工作时间小于100小时；正常运转的泵(NF)是指处于正常工作状态的柱塞泵，工作时间800到1000小时，斜盘和配流盘处于正常磨损 区间的柱塞泵；接近报废的泵(CS)主要指斜盘、配流盘及相关部件磨损严重，即将报废的柱塞泵，工作时间超过3000小时。

2、信号的预处理

设{μn(x)|n∈Z+}是相对于滤波器{hn}的正交小波包，信号f(x)在子空间中的系数为：

则f(x)在的子空间和中的系数。和为

{hn}是低通滤波器，{gn}是高通滤波器，通过⑵、⑶把分成低频部分和高频部分分解后得到每一层的标准系数。将分解后的系数求绝对平方后可以描述系数包含的柱塞泵能量特征。

3、信号的时域频域特征提取

采集的信号为高频信号，数据量较大，分析复杂。为了便于分析，采用常见的小波系数能量为计算特征向量的方法，同时根据柱塞泵振动信号的特点，选取最大绝对均值、最小绝对均值、绝对均值、方差、峰度和偏度六个参数作为信号的时频信息，采用db6小波进行8层分解，得到全频带均匀划分的256个特征作为子频带滤波信号，将各子频带的能量作为频域的统计特征。所列的时域和频域的262个特征构成数据表示为X∈R^N×m，其中N为样本数目，m为原始特征数，m＝262。

4、特征降维

对信号进行特征提取后，得到高维的信号样本。由于实时性的要求，需要进行特征数据压缩。假设每种状态的特征数据分布是相对稳定的，那么特征降维后也能反映对应状态的数据分布。采用流形学习的方法进行特征的降维，如拉普拉斯特征值映射方法。拉普拉斯特征值映射是一种典型的基于流形学习的数据降维方法，目的是发现数据的内在本质特征，从观测得到的高维信号波形的几何信息中，得出嵌入的低维光滑流形。

拉普拉斯特征值映射的基本思想是平均意义上保持数据点的邻近信息，即通过特征映射，原本在高维空间上距离接近的点在低维空间中的映射后也应该距离接近。以两个数据点之间的加权距离作为罚函数，利用图拉普拉斯算子进行求解。拉普拉斯特征值映射具有良好的算法保持性，具有对噪声不敏感，使用局部距离 不易短路等优点。

拉普拉斯特征值映射算法可表述为以下三步:

(1)构建近邻图。如果Xi和Xj是近邻点，可以在结点i和j之间置一条边，目前有ε-邻域法和K近邻两种方法。本文选用K＝5的K近邻方法构建邻接图。

(2)确定边的权值Wij。边的权值的确定一般有两种方法：1.热核方法(Heat Kernel)。若第i个节点和第j个结点之间的是连接的，则定义边的权值：Wij＝exp(-||xi-xj||²/σ²)；否则Wij＝0。2.直接法，如果第i个和第j个节点之间有边连接，则定义边的权值为Wij＝1，否则Wij＝0。

(3)特征映射。假设前面所建立的邻接图是连通的，寻找低维的嵌入的问题实际上是对广义特征向量的求解:

Ly＝λDy ⑷

式中D是对角权值矩阵，它的每个元素是Dii＝ΣjWji；其中对角元是W矩阵的列或者行的和(W为对角矩阵)，L＝D-W是对称的半正定的矩阵，称L为拉普拉斯矩阵。最小化如下目标函数：

随机从BN、CS、NF三种状态下平稳运行后的典型信号中选取各100个数据样本点，以构建的262维高维矩阵作为采样点的样本维数，构建297个262维的数据样本用于数据测试。

以拉普拉斯特征值映射算法对数据进行维数约简处理，转化到低维空间进行特征提取以进行设备状态识别分析。设参数的邻近因子k＝5，使用相关性维数算子计算嵌入维数d＝2

5、K最近邻分类方法验证模型分类精度

不同样本对应模型的分类精度按10次平均计算(所得到的均值用M表示)，并由此获得最佳的效果。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。