在航空工業(yè)中，液壓系統(tǒng)的工作性能直接影響著飛機(jī)的安全和旅客的生命，而液壓泵是液壓系統(tǒng)的動(dòng)力源，因此對(duì) 液壓泵 的狀態(tài)監(jiān)控與故障診斷尤為重要。軸承故障是液壓泵常見的故障模式之一，由于軸承故障所引起的附加振動(dòng)相對(duì)于 液壓泵 的固有振動(dòng)較弱，因而很難把故障信息從信號(hào)中分離開來。到目前為止，對(duì)液壓泵軸承故障的故障診斷尚缺少十分有效的方法。本文提出在頻域和倒頻域進(jìn)行特征提取，旨在解決軸承特征提取困難的問題并利用集成BP網(wǎng)絡(luò)解決多故障診斷與識(shí)別和魯棒性問題。
　　1、液壓泵軸承故障的特征提取
　　對(duì)于機(jī)械系統(tǒng)而言，如有故障則一定會(huì)引起系統(tǒng)的附加振動(dòng)。振動(dòng)信號(hào)是動(dòng)態(tài)信號(hào)，它包含的信息豐富，很適合進(jìn)行故障診斷。但是如果附加振動(dòng)信號(hào)由于固有信號(hào)或外界干擾對(duì)故障信號(hào)的干擾很大而淹沒，那么如何從振動(dòng)信號(hào)中提取有用信號(hào)就顯得十分關(guān)鍵。
　　根據(jù)摩擦學(xué)理論，當(dāng)軸承流動(dòng)面的內(nèi)環(huán)、外環(huán)滾道及滾柱上出現(xiàn)一處損傷，滾道的表面平滑受到破壞，每當(dāng)滾子滾過損傷點(diǎn)，都會(huì)產(chǎn)生一次振動(dòng)。假設(shè)軸承零件為剛體，不考慮接觸變形的影響，滾子沿滾道為純滾。
　　Hilbert變換用于信號(hào)分析中求時(shí)域信號(hào)的包絡(luò)，以達(dá)到對(duì)功率譜進(jìn)行平滑從而突出故障信息。定義信號(hào)：為最佳包絡(luò)。倒譜包絡(luò)模型實(shí)質(zhì)是對(duì)從傳感器獲得的信號(hào)進(jìn)行倒頻譜分析，然后對(duì)其倒頻譜信號(hào)進(jìn)行包絡(luò)提取，從而雙重性地突出了故障信息，為信噪比小的故障特征的提取提供了依據(jù)。
　　2、集成BP網(wǎng)絡(luò)進(jìn)行故障診斷的原理
　　神經(jīng)網(wǎng)絡(luò)的組織結(jié)構(gòu)是由求解問題的領(lǐng)域特征決定的。由于故障診斷系統(tǒng)的復(fù)雜性，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于障診斷系統(tǒng)的設(shè)計(jì)中，將是大規(guī)模神經(jīng)網(wǎng)絡(luò)的組織和學(xué)習(xí)問題。為了減少工作的復(fù)雜性，減少網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間，本文將故障診斷知識(shí)集合分解為幾個(gè)邏輯上獨(dú)立的子集合，每個(gè)子集合再分解為若干規(guī)則子集，然后根據(jù)規(guī)則子集來組織網(wǎng)絡(luò)。每個(gè)規(guī)則子集是一個(gè)邏輯上獨(dú)立的子網(wǎng)絡(luò)的映射，規(guī)則子集間的聯(lián)系，通過子網(wǎng)絡(luò)的權(quán)系矩陣表示。各個(gè)子網(wǎng)絡(luò)獨(dú)立地運(yùn)用BP學(xué)習(xí)算法分別進(jìn)行學(xué)習(xí)訓(xùn)練。由于分解后的子網(wǎng)絡(luò)比原來的網(wǎng)絡(luò)規(guī)模小得多且問題局部化了，從而使訓(xùn)練時(shí)間大為減少。利用集成BP網(wǎng)絡(luò)進(jìn)行液壓泵軸承故障診斷的信息處理能力源于神經(jīng)元的非線性機(jī)理特性和BP算法。
　　3、神經(jīng)網(wǎng)絡(luò)魯棒性的研究
　　神經(jīng)網(wǎng)絡(luò)的魯棒性是指神經(jīng)網(wǎng)絡(luò)對(duì)故障的容錯(cuò)能力。眾所周知，人腦具有容錯(cuò)特性，大腦中個(gè)別神經(jīng)元的損傷不會(huì)使它的總體性能發(fā)生嚴(yán)重的降級(jí)，這是因?yàn)榇竽X中每一概念并非只保存在一個(gè)神經(jīng)元中，而是散布于許多神經(jīng)元及其連接之中。大腦可以通過再次學(xué)習(xí)，使因一部分神經(jīng)元的損傷而淡忘的知識(shí)重新表達(dá)在剩余的神經(jīng)元中。由于神經(jīng)網(wǎng)絡(luò)是對(duì)生物神經(jīng)元網(wǎng)絡(luò)的模擬，所以神經(jīng)網(wǎng)絡(luò)的最大特征是具有“聯(lián)想記憶”功能，即神經(jīng)網(wǎng)絡(luò)可以由以往的知識(shí)組合，在部分信息丟失或部分信息不確定的條件下，用剩余的特征信息做出正確的診斷。
　　表2給出了 軸承 6個(gè)特征信息中某些輸入特征不正確或不確定情況下正確診斷和識(shí)別的成功率。
　　表1神經(jīng)網(wǎng)絡(luò)魯棒性統(tǒng)計(jì)表
　　輸入特征不確定元素診斷成功率
　　一個(gè)特征參數(shù)不確定100％
　　二個(gè)特征參數(shù)不確定94％
　　三個(gè)特征參數(shù)不確定76％
　　四個(gè)特征參數(shù)不確定70％
　　五個(gè)特征參數(shù)不確定20％
　　六個(gè)特征參數(shù)不確定8％
　　由表1可以看出，利用集成神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷可以在丟失了大量信息的情況下(近一半特征參數(shù)不確定)仍可以作出正確判斷的成功率相當(dāng)高(76％~100％)因而集成神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)能力。