在阅读此文前，麻烦您点击一下“关注”，方便您进行讨论和分享，给您带来不一样的参与感，感谢您的支持。

文| 晓山青

编辑| 晓山青

●—≺ 大数据分析液压诊断技术 ≻—●

基于大数据分析的液压故障诊断技术，主要是将人工智能领域的一些研究成果，结合大数据分析应用到液压系统的故障诊断中｡

具体可表述为收集大量类型多样的液压故障数据，以此作为研究对象，以数据库､机器学习等算法为分析工具，从中找出与故障相关的有用诊断信息｡

最后将诊断结果利用可视化等技术展现出来，从而实现故障诊断的一个过程，其核心是数据分析算法，诊断流程如图1所示｡

●—≺ 故障关键技术有何优势 ≻—●

基于大数据分析的液压系统故障诊断主要包括故障数据处理、分析及诊断结果展示3个部分｡

涉及到的关键技术有故障数据特征选择、机器学习和结果可视化等｡

故障数据特征选择是故障数据处理的关键技术，与故障诊断的准确性、快速性密切相关｡

采集到的故障样本信息通常具有数量多、故障特征维数高的特点｡

为提高数据实时性，降低冗余信息的影响，需要对这些信息进行选择、转换，通过有效的特征提取得到最优的样本特征，故障特征选择流程如图2所示｡

在液压系统故障诊断的研究中，最具代表性的特征提取方法有小波包分解、经验模态分析、主元分析等｡

在故障诊断中，可以通过故障信号中变化的能量来识别故障，小波包分解是一种通过多次迭代的小波变换对输入信号的细节部分逐步展开分析的方法｡

可以根据高频调制特性，对信号进行小波包变换和包络解调，从而提取故障特征，小波包特征提取步骤如图3所示｡

针对液压泵压力信号呈现的非线性､非平稳的特性，利用小波包对采集到的压力信号进行分解，将得到的分量重构后，通过模型进行故障预测｡

在此基础上对小波分解进行改进，提出一种基于加权形态的非抽样小波分解方法。

该方法利用特征能量因子表征各分解层近似信号对故障特征的贡献量，对信号进行加权融合，提高了有用信息比重，更便于特征的提取｡

小波包分解因时频局部化能力、多分辨率的特点，适合处理非线性、非平稳信号，但小波包分解得到的结果只与信号的采样频率有关，而与信号本身无关，所以自适应性较差｡

相比于小波包分解，经验模态分解(EMD)是一种自适应的信号分解方法，具有很高的信噪比｡

EMD将复杂信号分解成简单的固有模态函数(IMF)，因分解出的IMF所包含的频率成分不仅与采样频率有关｡

而且随着信号的变化而变化，所以对它进行分析可以更准确有效地把握原数据的特征信息，EMD特征提取步骤如图4所示｡

针对液压泵早期故障诊断时信号微弱的问题，采用改进EMD的集总经验模态分解来分解故障原始信号，再提取故障特征，提高了故障诊断的准确性｡

从另一个角度出发，将EMD方法与敏感度分析(SA)相结合，通过敏感度分析找出敏感度较高的特征参数。

对原始故障信号进行经验模态分解，构造新的故障信号，以此来提取特征，进一步提高泵的故障诊断准确性｡

经验模态分解已经在时频域信号分析广泛应用，但因缺乏完备的理论推导基础，且具有模态混叠、受噪声影响较大等缺陷，在故障数据不完备的情况下，会使故障诊断结果的可信度受到影响｡

●—≺ 主元分析的特征选择 ≻—●

主元分析(PCA)基于原始特征参数，通过线性变换构造一组新的不相关的广义变量，再从新变量中提取主分量，以降低数据维数｡

PCA的实质是对数据样本矩阵的协方差矩阵进行奇异值分解的过程｡

构造采集样本的矩阵Xm×n，其中：m为变量数，n为样本数；再通过求解X的均值和标准差，对X进行标准化；最后，求X的协方差矩阵：

以前k个主元的累计方差贡献率η(k)确定主元个数，通常前k个主元的贡献率在85%以上，保证在降维的同时尽可能保证信息完整，η(k)的表达式为：

最后，将降维后得到的前k个主元组成的向量作为后续的输入样本｡为解决液压故障中特征提取难的问题，利用PCA将高维初始特征向量转化为低维独立的主特征向量，提高了诊断速度及准确率｡

在矿井提升机液压系统故障诊断中，应用PCA对特征参数进行降维去躁；通过引入权值向量来改进传统主元分析法，建立了变量加权主元分析模型，进一步提高诊断的快速性和准确性｡

研究表明，将PCA用于高维初始特征向量的特征提取，效果较好｡

PCA通过降维、二次提取特征，将特征数据进行降维去噪，在保持原始故障信息特征的同时，减小了变量间的过相关，使诊断模型结构得以简化，提高了诊断效率｡

机器学习是故障数据分析的关键技术，将机器学习用于故障诊断，主要是通过机器学习算法自动学习故障样本的数据结构和内在规律，求得诊断模型，以对新的故障进行识别、诊断｡

机器学习因具有高效的数据分析能力、自学习能力，在液压系统故障诊断领域得到了广泛重视，研究较多，但同时也由于其瓶颈问题的制约。

对于不确定的、随机性强以及知识信息不完备的诊断对象，其智能性仍然较低，机器学习的故障诊断流程如图5所示｡

在液压故障数据分析中，机器学习用到的算法主要有神经网络、支持向量机、深度学习等｡

为克服一些固有的不足，将算法与其他的数据处理算法、技术相结合进行改进，产生了形式多样的数据分析方法｡

在基于神经网络的液压故障诊断中，多应用BP神经网络、概率神经网络、径向基神经网络｡

BP神经网络能够以任意精度实现输入参数到目标输出参数的非线性映射，它使用最速下降法，通过反向传播不断调整网络的权值和阈值，使网络的误差最小，其网络结构如图6所示｡

针对盾构机推进液压系统结构复杂与高度非线性难以建立准确数学模型的问题，提出一种基于差分进化算法和BP神经网络融合的模型｡

为克服BP神经网络收敛速度慢、易于陷入局部极小点的问题，以液压柱塞泵为例，提出一种蚁群算法改进BP神经网络的故障诊断方法，通过蚁群算法优化神经网络的权值和阈值，使网络具有全局兼局部寻优能力｡

当网络足够大、分类足够多时，BP神经网络算法的收敛速度变慢、精度变低｡

一种基于BP神经网络算法的故障诊断模型，采用分块思想，对不同的液压执行系统采用不同模块建立独立的BP网络模型｡

该方法在提高神经网络训练收敛速度的同时兼顾了故障诊断的准确度，有较大的实用价值和工程意义｡

概率神经网络有速度快、结构简单、不会陷入局部最优等优点，与BP神经网络不同，PNN的网络结构增加了求和层，如图7所示｡

将PNN网络用于CVT液压系统的故障诊断，构建了诊断系统，对故障模式进行了识别｡

考虑到不同故障模式下的不同故障程度，在液压泵的故障诊断中，提出了将敏感度分析与PNN相结合的方法｡

对各种状态下的振动信号提取特征参数后进行敏感度分析，将敏感度高的参数以向量的形式输入PNN进行训练和测试，以提高诊断的正确率｡

数据可视化是数据分析及数据解释的关键技术，它利用图像学基本算法和可视化算法把海量的数据转换为图像或图形展示出来。

使数据中隐含的不可见数据成为可见，以使人们更好地分析、理解数据，故障诊断可视化流程如图8所示｡

根据工程机械液压系统故障特点，将故障定位流程图作为专家系统诊断知识的表示方式，通过研究图形化的知识库生成构建了诊断知识数据库。

开发了基于流程图知识表示的故障诊断专系统，提高了故障查找的效率｡

通过建立系统有向图模型来构造系统结构，再生成故障树图以进行故障诊断，避免了传统树图中系统结构隐含的不足｡

将计算机辅助诊断技术用于解决液压系统的故障诊断问题，通过分析现有故障，提出了可视化动态诊断技术｡

以上研究都不同程度地拓宽了可视化在液压故障诊断方面的应用，在数据可视化方面，液压故障诊断的研究潜力较大，原因是国内外对这方面的研究不足，但其应用需求较大｡

在未来的研究中，可以考虑将一些比较成熟的技术应用于此，如基于模型的定义(MBD)以及混合现实(MR)等｡

这些技术在制造、装配等领域应用较多，但应用于液压故障诊断的研究较少｡

●—≺ 结论 ≻—●

笔者结合大数据分析技术，针对液压领域的故障诊断，围绕近几年故障诊断的研究现状，归纳总结了基于大数据分析的液压故障诊断原理。

本文诊断的关键技术，阐述了这些技术的优势与不足，对液压系统故障诊断方法进一步的研究思路进行了展望，以为后续的研究提供参考｡

根据平台规则，您关注+点赞评论会保持铁粉身份，更好为您推荐优质内容

---END---