分析是目前較有效的信號處理方法，它可以同時在時域和頻域中對信號進行分析，能有效地區(qū)分信號中的突變部分和噪聲，實現(xiàn)信號的消噪。

　　德國REXROTH泵出口振動信號及其 消噪后的信號，選取 消噪的全局閾值為1．049。很明顯，檢測信號中包含了許多干擾信號，很難簡單地利用檢測到的振動信號進行有效的故障診斷。為了消除干擾影響，經(jīng)過 處理，可以有效地消除泵出口振動信號中所包含的噪聲，有利于故障特征的提取。

　　3 信息融合故障診斷方法

　　信息融合是將多源信息加以智能合成，產(chǎn)生比單一信息源更精確、容錯性和魯棒性更強的估計和判斷‘2’。由于德國REXROTH液壓泵出口檢測到的信息微弱，易于被干擾所淹沒，很難利用單個傳感器的檢測信號進行微弱故障特征的有效診斷。采用的信息融合故障診斷過程，即將振動信號和壓力信號進行 消噪處理，利用統(tǒng)計分析提取有效特征信息，采用主成分分析（PrinciP81component analysis，PCA）有效解耦各故障特征間的相關(guān)性，減少故障特征的維數(shù)，采用改進算法的BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)德國REXROTH液壓泵球頭松動故障診斷。

　　3．l 特征層信息融合

　　特征層狀態(tài)屬性融合就是將對多種類型傳感器數(shù)據(jù)進行預(yù)處理以完成特征提取及數(shù)據(jù)配準，即通過傳感器信息轉(zhuǎn)換，把各傳感器輸人數(shù)據(jù)變換成統(tǒng)一的數(shù)據(jù)表達形式。

　　通過特征向量歸一化處理可以實現(xiàn)信息融合數(shù)據(jù)配準。本文提取振動信號和壓力信號的均值、峰值因子、特征頻率的能量值和功率譜幅值、四次矩等作為球頭松動故障的特征向量。

　　3．2選取主成分

　　在新樣本空間上，逐次計算傳感器信息的綜合指數(shù)為主成分上的貢獻。令主成分貢獻綜合指數(shù)閾值為85％，根據(jù)貢獻綜合指數(shù)選取前幾個主成分，作為下一步信息融合的信息。

　　3．3 故障的可診斷性檢驗

　　可診斷性檢驗主要是驗證所選擇的特征向量經(jīng)過PCA分析后對系統(tǒng)的故障是否達到區(qū)分不同故障的目的。故障的可診斷檢驗的實質(zhì)主要是分析各種故障的故障狀態(tài)樣本是否具有顯著的差異。

　　假設(shè)系統(tǒng)有k種故障狀態(tài)，并且有m個診斷指標，用向量Y表示，其中向量Y是經(jīng)過PCA分析后的各種特種向量的線性組合出來的新的特征向量。假定從k個故障狀態(tài)測得n個樣本，為了對k個樣本進行判別，需要檢驗的假設(shè)是區(qū)分k個母體是沒有意義的，即不具備可診斷性，除非增加新的指標；當H。被否定時測區(qū)分k個母體是有意義的，即具備可診斷性，由此建立的診斷模型是有意義的。記組內(nèi)離差陣為組內(nèi)離差和組間離差的實質(zhì)是多源變量的方差。

　　如果假設(shè)成立，那么所選的特征向量不足以用來診斷，需要選取新的特征量才能夠達到對故障的區(qū)分和診斷；反之，所選的特征量可以達到對故障的區(qū)分，無需再選擇新的特征量。

　　3．4 多層感知器神經(jīng)網(wǎng)絡(luò)信息融合

　　信息融合故障診斷算法的最后一級采用改進BP神經(jīng)網(wǎng)絡(luò)進行全局故障診斷。原始的BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱層和輸出層。

　我們在原始的BP網(wǎng)絡(luò)的基礎(chǔ)上，附加動量項，改進權(quán)值學(xué)習(xí)。由于增加了動量項，可以方便地實現(xiàn)學(xué)習(xí)率的自適應(yīng)調(diào)整。如果在預(yù)定義范圍內(nèi)新的誤差超過了前一次誤差，那么新的權(quán)值和閾值就被舍棄；否則，新的權(quán)值就被保留下來。通過優(yōu)化可以得到最優(yōu)的學(xué)習(xí)率，即當新的誤差比原來的誤差小，學(xué)習(xí)率增大，使學(xué)習(xí)平穩(wěn)；當學(xué)習(xí)率過大使得學(xué)習(xí)不穩(wěn)定，那么減小學(xué)習(xí)率，直至重新達到穩(wěn)定。

　　4 試驗分析

　　本文采用SCY柱塞式德國REXROTH液壓泵作為試驗對象，其轉(zhuǎn)速為 5280r／min，相應(yīng)的軸頻率為 88Hz。在該泵上預(yù)先設(shè)置了6μm、9μm、12μm和15μm的球頭松動故障。通過檢測泵出口垂直設(shè)置的2個加速度傳感器和1個壓力傳感器可以獲得故障特征，12μm球頭松動故障下檢測到的振動信號，很明顯其故障特征被噪聲淹沒。

　　經(jīng)過 消噪后的振動信號峰值確實在軸頻率和其倍頻處，結(jié)論同故障機理分析。在垂直方向的振動信號和壓力信號中，提取信號的均值、有效值、峰值因子、脈沖因子、四次矩、特征頻帶的能量值和特征頻率點的功率譜的幅值為特征量。假設(shè)X方向振動信號特征向量的協(xié)方差矩陣為RX（7，7）。

　　對X方向振動信號特征向量進行PCA分析，得各個特征值對應(yīng)的貢獻率和積累貢獻率在滿足積累貢獻率為85％的條件時應(yīng)選的特征量有4個，它們是協(xié)方差矩陣特征向量的線性組合，同理，可以得到Y(jié)方向振動信號和壓力信號的新特征向量。由于系統(tǒng)中有2個振動傳感器和1個壓力傳感器，總共提取的原特征量為21個，通過 PCA分析可將故障特征向量減少到了11個。

　　針對德國REXROTH液壓泵正常和4種球頭松動故障，各選取100個樣本，由于高度顯著，說明這4組特征向量有十分明顯的差異，故此類故障的不同故障程度是可以診斷的。

　　選擇BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，對德國REXROTH液壓泵正常和設(shè)置的4種球頭松動故障在訓(xùn)練誤差精度要求下對網(wǎng)絡(luò)進行訓(xùn)練，通過改進算法的學(xué)習(xí)和訓(xùn)練得到BP網(wǎng)絡(luò)的優(yōu)化權(quán)值矩陣。在實際使用時，利用BP神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣及其改進算法實現(xiàn)多故障的有效診斷。其中輸出節(jié)點1表示德國REXROTH液壓泵正常時神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點 2表示間隙為 6μm時神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點3表示間隙為9μm神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點4表示間隙為12μm時神經(jīng)網(wǎng)絡(luò)的輸出值，節(jié)點5表示15μm時神經(jīng)網(wǎng)絡(luò)的輸出值。

　　利用BP神經(jīng)網(wǎng)絡(luò)及其改進算法可以有效診斷不同間隙大小的球頭松動故障。

　　5 結(jié)論

　　本文通過德國REXROTH液壓泵出口的振動信號和壓力信號，通過 消噪處理有效提取故障特征，利用PCA分析很大程度上減少了信息融合特征向量的維數(shù)，通過可診斷性檢驗證明PCA重新組合的特征向量可以實現(xiàn)多故障診斷。在BP算法中引人附加動量項，獲得最優(yōu)學(xué)習(xí)率，通過改進BP算法實現(xiàn)不同間隙大小球頭松動故障的有效診斷。