轴向柱塞泵故障诊断与预测.docx

轴向柱塞泵故障诊断和预测李启龙 黄志坚 （广东工业大学机电工程学院 510090）摘要：本文主要介绍轴向柱塞泵故障诊断和预测方法。把各故障症状模糊量化作为输入，经过诊断可找出故障原因，利用故障预测模型对轴向柱塞泵未来状况进行预测，可减小意外故障对生产影响。关键词：故障诊断，模糊处理，故障预测，故障症状，故障原因Diagnosis and forecast for the fault of Axial Plunger PumpAbstract:：The way of diagnosis and forecast for the fault of axial plunger pumps have been introduced in this paper. Using symptoms of fault as input by fuzzy way, the reasons of fault can be got; and by means of forecasting model, the fault of axial plunger pump in future can be forecasted, the affect of faults to producing will be lowest. Key words: diagnosis for fault, fuzzy way，forecast for fault, symptoms of fault, reasons of fault1 轴向柱塞泵故障诊断和预测概述1液压泵是整个液压系统动力元件。它将原动机（电动机，内燃机）机械能转换成油液压力能，为液压系统提供有一定流量和压力油液。轴向柱塞泵有其自身优点，结构紧凑、径向尺寸小,惯性小,容积效率高,目前最高压力可达40.0MPa,甚至更高，因此一般用于工程机械、压力机等高压系统中在很多场合如矿山机械，钢铁厂等。液压泵出现故障将导致整个液压系统无法正常工作，液压泵故障诊断对液压系统和整个生产线都有重大意义。本文主要针对斜盘式轴向柱塞泵发生故障进行诊断方法一个模型建立和讨论。对柱塞泵智能故障诊断，一般是开发出故障诊断专家系统等方法直接诊断出故障发生位置和发生原因，然后利用专家知识推理，提出故障解决方案和措施。而很少对故障进行预测，不能有效对柱塞泵预先检修，而有可能耽误了最佳检修时间，影响生产，并使泵遭受不可修复损坏，缩短泵使用寿命。由于导致泵故障因素多样，一个因素会导致多个故障产生，一个故障，也可能是由多个因素共同产生，因此，在很多情况下，并不能非常准确地描述故障情况。本文用模糊处理方法，利用模糊数学概念，把故障症状进行模糊化作为诊断依据，同时输出故障原因模糊量。对柱塞泵故障进行诊断，诊断出故障发生原因和元件，并对柱塞泵故障进行预测，达到预警目。2 故障诊断方法故障分类23故障分类，是同一时间不同故障之间相互比较，分辨出最可能发生故障。根据故障症状明显程度和故障原因对应模糊关系，以及故障原因和故障源发生难易性对应关系，两条路径综合考虑方法来求出最后故障发生原因。以某钢铁公司轧钢线PV250DF型柱塞泵为例，主要故障症状有液压泵压力小，压力波动大，油液温度高，内泄漏大，流量小或无流量，振动大等。2.1 有关参量模糊处理设故障症状集为A：A（a1、a2、a3、a4、a5，a6 ，a7 ，a8 ，a9）；其中，a1表示压力小，a2压力波动大，a3表示表示流量小，a4表示内泄漏大，a5表示油液温度高，a6表示225HZ振动大，a7表示铜含量大，a8表示铬含量大，a9表示铁含量大。产生这些症状主要故障有缸体和配流盘磨损，滑履和斜盘磨损，柱塞和缸孔磨损等。设故障集为B：B（b1、b2、b3、b4、b5、b6、b7、b8、b9、b10、b11）；其中b1表示缸体和配流盘磨损，b2表示滑履和斜盘磨损，b3表示柱塞和缸孔磨损，b4 表示吸油口堵塞、b5表示油液粘度高，b6表示中心弹簧损坏，b7表示吸油不足，吸空，b8表示轴承损坏，b9表示油液粘度小，b10表示滤油器堵塞，b11表示变量机构工作不佳。设主要导致这些故障故障源集为C：C（c1, c2, c3, c4）c1表示运行时间长，磨损大，c2表示油液污染，c3表示混入空气，c4表示混入水分。用模糊处理方法来表示故障和症状之间密切关系。用隶属函数对这种关系进行模糊量化，假设隶属函数为，其中i表示故障，取（1，11），j表示症状，取（1，5）。根据统计整理得到隶属函数如下：故障：b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11症状：a1 0.8 0.4 0.8 0.4 0.2 0.2 0 0 0 0 0a2 0.6 0.8 0.6 0.4 0.2 0.2 0.2 0.2 0 0.4 0a3 0.8 0.2 0.8 0 0.2 0.2 0.2 0 0 0.6 0.2a4 0.8 0.8 0.6 0 0 0.4 0 0.2 0.4 0 0a5 0.8 0.4 0.8 0 0.4 0.2 0.2 0 0 0 0a6 0.6 0.6 0.6 0 0.2 0 0.2 0.4 0 0.2 0a7 0.8 0.8 0.6 0.2 0 0.4 0 0.6 0 0.6 0.4a8 0 0 0.8 0.2 0 0.4 0 0.2 0 0.2 0.2a9 0.6 0.6 0 0.2 0 0.4 0 0.4 0 0.2 0.4故障和症状之间隶属函数，形成矩阵R。作为输入量，是可以用各种仪器和方法测得症状数据，数据大小用症状明显程度来表示。设故障症状明显程度集X（x1,x2,x3,x4,x5）。对故障症状明显程度模糊量化，作为输入。其模糊函数集为： 。各症状对应明显度模糊函数如下：症状特征量/单位 隶属度/量值0 0.2 0.4 0.6 0.8 1.0压力低/ MPa >28.8 (286,28.8) (28.4,28.6) (28.2,28.4) (28,28.2) 28压力波动大/±MPa 0.2 (0.2,0.4) (0.4,0.6) (0.6,0.8) (0.8,1.0) >1.0流量小/L/min >370 (365,370) (360,365) (355,360) (350,355) 350泄漏大/L/min 2 (2,4) (4,6) (6,8) (8,10) >10泵温高/ 60 (60,63) (63,66) (66,69) (69,72) >72225Hz振动大/mm/s 2 (2,4) (4,6) (6,8) (8,10) >10铜含量大/ppm 2 (2,3) (3,4) (4,5) (5,6) >6铬含量大/ppm 0.2 (0.2,0.3) (0.3,0.4) (0.4,0.5) (0.5,0.6) >0.6铁含量大/ppm 3 (3,4) (4,5) (5,6) (6,7) >7故障源发生可能性（难易性）隶属函数集为： 故障源 特征量单位 隶属度/量值0 0.2 0.4 0.6 0.8 1.0运行时间长/ 千小时 0,4 4,6 6,8 8,10 10,12 12混入空气/ 0,0.3 0.3,0.6 0.6,0.9 0.9,1.2 1.2,1.45 16油液污染/ Nas级 6 7 8 9 10 >10油中水分多/ 0,0.5 0.5,1 1,1.5 1.5,2 2,2.5 2.5故障和故障源之间密切系数，其中i表示故障，取（1，11），k表示故障源，取（1，4），所构成隶属函数为：故障：b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11故障源：c1 0.6 0.8 0.8 0.2 0 0.6 0 0.6 0 0.2 0.6c2 0.4 0.6 0.6 0.8 0.2 0.6 0 0.6 0.2 0.8 0.2c3 0.6 0.4 0.6 0 0.2 0.2 0.8 0.2 0 0 0c4 0.4 0.6 0.4 0 0 0 0 0.2 0.6 0 02.2 由故障和症状之间隶属关系求出故障发生可能性设由故障和症状之间隶属关系求出故障发生可能性值集为：，表示每个故障原因成立可能性。为了便于相互比较，把求得每一值进行归一处理，使求得值都在（0，1）之间，只需要把每一个值都除以求得最大值即可，其中为：归一化处理结果为：2.3 由故障和故障源之间隶属关系求出故障发生可能性设由故障和故障源之间隶属关系求出故障发生可能性值集为 其中表示每个故障成立可能性。同样进行归一化处理 归一化处理结果为：2.3 综合评判对两项结果进行综合处理，对两项结果加权求和，得到最后结果，即根据可观测故障症状明显度求得故障原因发生可能性为：和分别是故障和症状，故障和故障源之间权系数，且，取0.6；0.4Y=(Y1，2，Y11)中较大者所对应故障是最可能故障。3 故障严重程度判断故障预测3由于各类随机性因素影响，精确液压泵磨损劣化预测比较困难。预测基本依据是惯性原则、相似原则和概率原则等。3.1 根据惯性原则进行预测此原则基本思想是假定液压泵磨损裂化速度和加速度是相对稳定。设已知液压泵在运行时刻t1故障A故障严重度为y1，在运行时刻t2故障严重度为y2，则t2时刻磨损速度v2为 v2=（y2-y1）/（t2-t1）t3时刻故障严重度y3为 y3=y2+y=y2+t3. v2 =y2+（t3-t2）（y2-y1）/（t2-t1）式中t1< t2< t3这里假定在短时期内泵磨损劣化速度不变。为提高预测精度，可适当修正磨损速度。设v1为t1时刻磨损速度 v1=（y1-y0）/（t1-t0）则t1至t2时间段磨损速度变化值v2为 v2=v2- v1设t3时刻磨损速度为v3，并假定速度变化率为常数，则 v3= v2+v2（t3-t2）/（t2-t1）t2至t3时间段磨损速度均值v3为 v3=（v3+ v2）/2此时故障严重度y3预测式变为 y3=y2+y3=y2+t3. v3这种预测方法仅依赖自身数据，简单易行，但难以实现长期预测。3.2 依据相似原则和概率原则进行预测所谓相似原则就是假定同一种液压泵在类似工况下磨损劣化速度是相似，按照类比法进行预测。设一组同类液压泵（a1, a2, , am）时间-故障严重度数据是已知，现有另一同类同工况液压泵ak，其前期时间-故障严重度数据也是已知，依此预测ak未来故障严重度。设泵ai在时刻tj（1jn）故障严重度是yij，可得矩阵Y。Y= （1）根据液压元件运行时间-故障严重度曲线接近度进行预测设作为考察对象液压泵ak在已知各时刻（t1，t2, , ts s<n）故障严重度是（yk1, yk2, , yks）,要预测以后时刻故障严重度（yks+1,yks+2,ykn），可计算（yk1,yk2,yks）和Y中各（yi1,yi2,yis）接近度ci，构成接近度集C=（c1, c2 , cm）。设其中cmax 为C中最大值，其对应元件为ax, 可认为ak和ax磨损劣化状况最相似，由此可推断（yks+1, yks+2, , ykn）最接近于（yxs+1,yxs+2 , , yxn）。在这一过程中，正确计算C并求出cmax是至关重要，计算过程如下：设在时刻tj，Y对应各元件故障严重度为（y1j, y2j,ymj）。设ak故障严重度为ykj。设在时刻tj , ykj和Y对应各元件故障严重度yij之差集合为距离dj=（d1j, d2j ,dmj）。 dij=|yij-yk| ,设dj中最大值为djmax, 它是时刻tj，ykj和各yij之差最大值。 cij=1-dij/djmax最后可得 式中为权系数，显然，接近tscij，权系数相对要大一些，亦即后面数据对结论影响更大。这种预测方法主要优点是能实现较长期预测，由于是系统地、全面地考虑和比较，精度高，可信度高。（2）根据液压泵磨损速度和趋势相似性进行预测此方法假定同类同工况液压泵磨损规律是相似，仅由于某些因素影响元件磨损评价值y有差距，但各磨损曲线基本平行，这和实际情况是相符。1）计算考察对象ak和作为基准对象ax磨损曲线平行度p对于矩阵Y和作为考察对象液压泵ak在已知各时刻（t1，t2, , ts s<n）故障严重度（yk1, yk2, , yks），分别计算和各基准元件ai所对应（yi1, yi2, , yis）平行度pi，可得平行度集P=(p1, p2, , pm)设Ti为各时刻yij和ykj之差ij平均值 Ti=(yi1-yk1)+ (yi2-yk2)+(yis-yks)/s=i1+i2+ 。+is/s设Ki为yij和ykj之差均方差 Ki= 式中为权系数，同样，接近tsij，权系数相对要大一些，亦即后面数据对结论影响更大。根据此式，可计算出均方差集K=（K1, K2, Km），pi=1-Ki/Kmax由此得P=( p1, p2, pm)2) 趋势预测设Max( p1, p2, pm)为px，其对应磨损度值为yx，和ykj之差平均值为Tx, 要预测（yks+1,yks+2,ykn）,可通过（yxs+1, yxs+2, yxn）减去Tx实现，即： yks+1= yxs+1-Tx yks+2= yxs+2-Tx yks+2= yxs+2-Tx这种预测方法能实现较长期限精确预测，计算稍复杂。4 小结上述轴向柱塞式液压泵故障诊断和预测方法简便、有效，并易于编程实现。加入神经网络学习机制，可对预测算法进行修正。这种计算和推理方法已运用于某钢厂轧机液压泵站智能诊断和预测系统，取得了较好应用效果。参考文献1 黄志坚、袁周 液压设备故障诊断和监测实用技术 北京：机械工业出版社 20052 彭祖增等 模糊数学及其应用 武汉： 武汉大学出版社 20023 黄志坚 轧机液压故障诊断和监测研究 北京航空航天大学博士论文 2002李启龙 男 1981年生 籍贯：江西赣州 广东工业大学硕士研究生。主要研究方向：液压故障诊断