dice系数 交叉熵_基于能量熵特征的挖掘机液压系统故障诊断

第一作者简介： 王衡(1995-)， 男，山西阳泉人，研究生在读，研究方向为机械电子工程，工作于四川大学机械工程学院。 基金项目：四川省科技计划项目(2018JY0620)；川大-泸州战略合作专项资金项目(2014CDLZ-G15) 摘 要： 液压系统作为挖掘机的核心组成，其工作的可靠性将直接影响主机的性能。在现有较为先进的故障模式判别方法中，选择应用小波包分析计算故障信号的能量熵，构造特征向量输入到支持向量机中进行训练，判定故障的类型。该文融合小波包数据处理技术和支持向量机故障模式识别技术来实现故障的有效判别，完成了液压系统的状态监测及故障诊断系统的搭建。通过测试发现，故障识别的准确率良好，试验结果也验证了支持向量机在处理小样本方面的优势所在。

关键词：挖掘机；液压系统；支持向量机；小波包分解

0 引言 挖掘机作为主要的工程机械，是施工单位必备的关键工程设备，其作业场所大多为比较恶劣的露天环境，工作负载变化大，持续作业时间长，而液压系统作为挖掘机的核心部件，比一般设备的液压系统更容易发生故障。由于挖掘机液压系统的组成复杂，导致故障的原因又多种多样，具有很多的不确定性因素，使得挖掘机液压系统的故障诊断变得困难。因此，如何利用先进的故障诊断方法，提高挖掘机液压系统故障诊断的速度和准确性，减少不必要事故的发生，是目前急需解决的问题。 液压系统有很多种故障诊断方法。故障树是一种图形化故障模型，具有简单、灵活、直观等优点。但是，在故障树法的应用中对于处理大型冗余结构难度很大，对分析人员的要求也很高。在目前常用的诊断模式识别方法中，BP神经网络被广泛使用，但BP神经网络和概率神经网络学习和调整时间长，容易陷入局部最优解，收敛速度慢。此外，BP网络方法的初始权值非常敏感，训练结果相对不稳定。网络的收敛速度也取决于具体的权值和阈值的学习算法，所以容易出现过拟合的情况，而数据过拟合模型对结果的推广存在一定的局限性。结合小波包分解和灰色关联分析的故障诊断方法具有较高的诊断速度和诊断效率，但判别系数 ρ的选择仅基于实验和经验，如何更好地选择 ρ仍有待进一步研究。基于多特征融合支持向量机的液压系统故障诊断方法，较好地解决了机械设备智能故障诊断中的两个关键问题:特征提取和模式识别，但信号提取和处理的效率并不理想。

本文提出了一种基于能量熵特征的挖掘机液压系统故障诊断方法，将小波包分解及支持向量机分别用于特征提取和故障分类，从不同频带提取故障特征，将提取处理后的特征向量输入到多分类支持向量机(SVM)中进行分类，判定故障的类型，利用较少的特征向量样本定位故障元件，大大减少故障排查的时间和工作量。实验表明：文中的方法能有效提高故障的诊断准确率，并且具有一定的泛化能力。

1 理论原理

1.1  小波包分解

小波包分析在在分解信号时，同时分解了信号的低频和高频段，保留了信号在不同频段的成分，使分解出的信号更加精细，拥有更多的信号状态信息，使随机复杂信号的高频瞬态特性更加明显，有利于增强特征向量的可分性，提高复杂高频信号分析的能力。

从多分辨分析的角度看，小波包分解的实质是让信号 x( t)通过高、低通组合滤波器组，在做信号处理时把原信号分解到高、低两个频率通道内，如此重复，其分解过程如图1所示。

图1  小波包分解示意图

1.2  支持向量机原理

支持向量机(support vector machine,简称SVM)是由统计学习理论演化而来的一种新的机器学习方法，对于小样本、非线性、高维数和局部极小点等实际问题有良好的解决能力。其基本思想如图2所示。