一种针对船舶风翼回转液压系统泄漏故障的诊断方法

1.本发明属于液压系统领域，涉及一种针对船舶风翼回转液压系统泄漏故障的诊断方法。


背景技术：

2.近年来，全球变暖及大气污染现象愈发加剧，而全球温室气体排放量很大一部分来自海运行业。面对严峻的形势，国际海事组织(imo)越来越积极地引入旨在减少航运业生态足迹的法规，imo海洋环境保护委员会815通函(mepc.1/circ.815)给出导则，指出风能作为船舶主推进装置的辅助动力，是一种创新的能效技术，使用风翼助航技术对船舶能效优化具有重大意义。
3.作为一种创新的能效技术，船舶风翼助航技术虽然已经发展多年，但是现有技术在多方面还有待完善，而风翼的主要传动机构是回转液压系统，为了使安装在甲板上的风翼能获得最大推力，需要在对应风向调整风翼姿态到最佳攻角位置，此动作正是由风翼回转液压系统完成的。作为一种精密的控制系统，风翼回转液压系统在运行时承担的负载较大，工作环境比较恶劣，以及在多方面不确定因素的影响下，其发生故障的概率在整体风翼系统中较高。而当风翼回转液压系统产生故障状况时，风翼的功能会受到较大影响，风翼对船舶产生的辅助动力会大大降低，甚至会产生负面作用，增大船舶阻力，不仅不能起到节能效果，反而会使燃料消耗增加。
4.目前适用于常规液压系统的故障诊断方法有专家系统诊断法、故障树诊断法、模糊识别诊断法以及神经网络诊断法等，其中故障树诊断法以及神经网络诊断法是比较常用的方法。故障树对于单个现象对应单个原因、单个现象对应多个原因的诊断比较好，但对于状态复杂、结构庞大的大型系统而言，其故障往往是多个现象对应多个原因，此时应用故障树诊断法难以正确分析出故障的准确原因。神经网络诊断法在训练样本充足、数据更新维护迅速的情况下能够具有较高的诊断精度，但对于监测状态信号较少、初始训练数据获取困难的风翼回转液压系统而言，其难以进行有效的适用。
5.在液压系统中最普遍发生的故障是泄漏故障，并且泄漏故障的特点是发生位置隐蔽，情况复杂，是当前液压系统故障诊断的难点所在。由于船舶风翼的工作环境及工作特点与常规液压系统存有较大差异，其泄漏故障的发生位置更加隐蔽、情况更加复杂，同时由于受海事组织相关规定以及风翼系统结构设计的限制，部分传感设备无法安装，因此，常规液压系统的泄漏故障诊断方法往往难以适用于风翼回转液压系统，其常存在以下问题：
6.1、由于部分信号参数无法获取，许多常规液压系统的故障诊断技术并不适用于风翼回转系统；
7.2、由于训练数据及后续的数据更新难以获取，如神经网络等识别方法难以实际应用于船舶风翼回转系统上面；
8.3、由于工作特性以及工作环境间存在较大差异，常规故障诊断方法在对于风翼回转系统中的泄漏故障识别准确率较低，无法准确地判断出故障类型以及故障程度。


技术实现要素：

9.针对现有船舶风翼回转液压系统故障诊断方法的空缺，发明了一种能够适用于船舶风翼回转液压系统泄漏故障的高精度诊断方法，以解决现有方法在船舶风翼上的应用难题，从而可以准确获得回转系统的泄漏情况，同时提供了一种船舶风翼回转液压系统的仿真模型；
10.本发明提供本发明采用的技术方案是：一种针对船舶风翼回转液压系统泄漏故障的诊断方法，包括以下步骤：
11.获取船舶风翼回转系统的物理信号；
12.基于船舶风翼回转系统的物理信号，采用能量熵方法提取引起船舶风翼回转系统泄漏的故障特征；
13.通过提取的故障特征构建模糊集，运用模糊模式识别诊断法实现对泄漏模式的识别。
14.进一步地：所述物理信号包括液压马达进出口处的压力信号、调速阀处流量信号和换向阀处流量信号。
15.进一步地：所述泄漏模式包括：无泄漏、轻度泄漏、中度泄漏和重度泄漏。
16.进一步地：所述基于船舶风翼回转系统的物理信号，采用能量熵方法提取引起船舶风翼回转系统泄漏的故障特征；包括以下步骤：
17.采用小波包分解对船舶风翼回转系统的物理信号进行小波包分解，得到n个子频带；
18.通过小波包变换对船舶风翼回转系统的物理信号进行分解可得到其各频带上的单独信号，继而获取其能量特征，对获取得物理信号在所有频段上的能量分布进行统计分析，重构各个子带的分解系数，然后将信号能量进行划分，将信号归结为一个定量的熵值，以子带能量构建特征向量进行归一化处理，得到能量分布特征；
19.利用能量谱方法对能量分布特征进行表示，获取适用于能够反映泄漏故障的能量熵作为故障特征并对其进行量化。
20.进一步地：所述小波包分解采用daubechies小波中适合对高频暂态信号进行分析的db4小波以及db6小波作为小波基函数。
21.进一步地：所述通过提取的故障特征构建隶属度模糊集，运用模糊模式识别诊断法对泄漏故障进行识别，得到船舶风翼回转系统泄漏的故障类型，包括以下步骤：
22.依据最小模糊度原则，确定用于定量描述各类故障模式与故障特征间模糊关系的隶属函数，利用隶属函数来计算隶属度；
23.根据提取的故障特征来构造模糊集，根据最小模糊度原则，取各泄漏模式的间隙中位数情况来计算其模糊集；
24.根据模糊模式隶属函数及对各泄漏故障特征的模糊集，实现对各元件不同泄漏故障模式识别的识别。
25.一种计算机可读存储介质，所述计算机可读存储介质中存储有包括计算机程序，其中，所述计算机程序运行时，执行所述任一项所述的一种针对船舶风翼回转液压系统泄漏故障的诊断方法。
26.一种针对船舶风翼回转液压系统泄漏故障的诊断装置，包括：
27.获取模块：用于获取船舶风翼回转系统的物理信号；
28.提取模块：用于于船舶风翼回转系统的物理信号，采用能量熵方法提取引起船舶风翼回转系统泄漏的故障特征；
29.识别模块：用于通过提取的故障特征构建模糊集，运用模糊模式识别诊断法实现对泄漏模式的识别。
30.本发明提供的一种针对船舶风翼回转液压系统泄漏故障的诊断方法，本发明根据风翼回转液压系统的结构原理和故障特点，提出了一种适用于风翼回转系统的高精度内泄漏故障诊断方法，通过将小波包信号分解技术以及模糊识别技术进行结合，能够针对风翼回转系统泄漏故障实现客观的高精度诊断；本发明的目的在于，针对现有船舶风翼回转液压系统故障诊断方法的空缺，发明了一种能够适用于船舶风翼回转液压系统泄漏故障的高精度诊断方法，以解决现有方法在船舶风翼上的应用难题，从而可以准确获得回转系统的泄漏情况，同时提供了一种船舶风翼回转液压系统的仿真模型。
31.利用小波包技术对压力、流量信号进行高精度时频分解得到的小波包熵特征，能够敏锐地反映出系统中存在的泄漏故障，通过对小波熵特征的模糊模式识别，对换向阀泄漏、液压马达泄漏、调速阀泄漏的故障类型以及故障程度的识别准确率能够达到90％以上，能够满足对风翼回转液压系统泄漏故障诊断的实际应用要求。
32.本技术不需要大量训练样本，避免了神经网络等诊断法在船舶风翼系统上的局限性问题，同时能对多现象多原因的复杂故障情况进行客观地分析识别，避免了故障树诊断法对于复杂故障识别困难以及主观经验的负面影响。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
34.图1示出了本发明提供的一种故障诊断方法的流程图；
35.图2示出了本发明提供的一种风翼回转液压系统的仿真模型图；
36.图3示出了本发明提供的一种故障诊断方法的隶属函数构造图；
37.图4示出了本发明提供的一种故障诊断方法的信号分解模块图；
38.图5示出了本发明提供的一种换向阀的泄漏原理图。
具体实施方式
39.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合，下面将参考附图并结合实施例来详细说明本发明。
40.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属
于本发明保护的范围。
41.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
42.除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
43.在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。
44.为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
45.此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
46.本发明提出了一种船舶风翼回转液压系统泄漏故障诊断方法，具体地，图1为故障诊断方法的流程图，
47.此故障诊断方法主要包括获取信号数据、小波包特征分析、模糊模式识别三个阶段。
48.一种针对船舶风翼回转液压系统泄漏故障的诊断方法，包括以下步骤：
49.步骤一：获取船舶风翼回转系统的物理信号；所述物理信号包括液压马达进出口处的压力信号、调速阀处流量信号和换向阀处流量信号；
50.步骤二：基于船舶风翼回转系统的物理信号，采用能量熵方法提取引起船舶风翼回转系统泄漏的故障特征；
51.步骤三：通过提取的故障特征构建模糊集，运用模糊模式识别诊断法实现对泄漏
模式的识别，所述泄漏模式包括：无泄漏、轻度泄漏、中度泄漏和重度泄漏。
52.所述步骤一、步骤二、步骤三顺序进行；
53.进一步地，获取船舶风翼回转系统的物理信号的具体过程如下：
54.液压系统的流量和压力信号受到液压泵、液压阀件、管路及负载设备工作状态的影响。当液压系统出现泄漏故障时，会使这些信号当中所包含的成分发生相应的变化，其各频带能量均会发生增加或者降低的情况。这意味着当信号中的能量发生某一种变化时，系统也处于对应的故障状态，通过这种对应关系，可以建立风翼回转液压系统泄漏故障诊断方法。
55.1.1.基于风翼回转液压系统的工作原理，利用amesim软件中的活塞腔模块、泄漏模块、质量模块、控制模块、液压马达模块、负载模块、连杆模块等仿真模块，构建起调速阀仿真模型、换向阀仿真模型、液压马达仿真模型，并将这三类仿真模型进行联合仿真，构建起如图2所示的风翼回转液压系统仿真模型，通过对比仿真模型与实际系统工作时的状态参数来验证仿真模型的准确性；
56.1.2.在液压系统仿真模型中分别对各个仿真元件的泄漏模块的参数进行调整，由于换向阀、调速阀、液压马达的泄漏故障往往是由于轴间存在偏心间隙引起，其泄漏量的计算可用以下公式表示：
[0057][0058]
ε＝e/h
ꢀꢀꢀ
(2)
[0059]
式中：d为内环直径，ε为相对偏心率，e为偏心距，h为内外圆同心时半径方向间隙值。
[0060]
依据此公式及amesim模型中元件参数可计算换向阀不同间隙的泄漏量，因此可通过设置不同的轴偏心距离，模拟液压系统在各个部件出现无泄漏、轻度泄漏、中度泄漏、重度泄漏情况时的工作状态，提取液压马达进出口处的压力数据以及调速阀处的流量数据，选取在回转液压系统工作稳定时间段内的数据进行分析。
[0061]
由于目前共有三个可用信号传感器，包括一个流量传感器和两个压力传感器。
[0062]
可对换向阀设置不同的间隙来模拟泄漏故障，从而获取三种信号的数据，即液压马达进出口处的压力信号、调速阀处流量信号和换向阀处流量信号。
[0063]
进一步地、基于船舶风翼回转系统的物理信号，采用能量熵方法提取引起船舶风翼回转系统泄漏的故障特征得具体过程见如下
[0064]
当风翼回转液压系统在实际工作状态中发生故障时，其振动、压力、流量等状态信息都会发生异常变化，能够有针对性的记录代表性高的状态信号是获得具有较强指向性特征的前提条件。
[0065]
然而不是所有信号均适合作为故障识别的特征，风翼所处的工作环境比较恶劣，这样的条件对振动及噪声信号的获取有比较大的干扰，采集的信号噪音比较大，后期处理比较繁琐，准确度比较低。流量及压力信号的采集比较方便，环境对其影响甚微，流量传感器与压力传感器在实际风翼回转液压系统上安装也比较方便。因此选取用以诊断风翼回转液压系统内泄漏故障的特征信号为压力及流量信号。
[0066]
液压系统的流量和压力信号受到液压泵、液压阀件、管路及负载设备工作状态的
影响，当液压系统出现泄漏故障时，会使这些信号当中所包含的成分发生相应的变化，其各频带能量均会发生增加或者降低的情况。这意味着当信号中的能量发生某一种变化时，系统也处于对应的故障状态，通过这种对应关系，可以建立风翼回转液压系统泄漏故障诊断方法。
[0067]
2.1由于流量和压力信号的其特征为高频暂态，并且其存在不光滑连续的导数，因此选择daubechies小波中比较适合对高频暂态信号进行分析的db4小波以及db6小波作为小波基函数。daubechies小波是进行小波分析时最常用的小波基函数，其比较适用于对故障信号进行分析，由于所选取的特征信号为流量和压力信号，其特征为高频暂态，并且其存在不光滑连续的导数，
[0068]
将获取的物理信号数据导入matlab中分别用db4与db6小波做小波包分解，设定分解层数为4层，每组分解结果均得到16个子频带，其中(i,j)表示第i层的第j个结点(i＝0,1,2,3,4；j＝0,1,2,
…
,14,15)，每个结点都代表一定的信号特征，(0,0)表示原始信号；
[0069]
2.2通过小波包变换对目标信号进行分解可得到其各频带上的单独信号，继而获取其能量特征，对待识别信号在所有频段上的能量分布进行统计分析，重构各个子带的分解系数，然后将信号能量进行划分，将信号归结为一个定量的熵值，以子带能量构建特征向量进行归一化处理。
[0070]
为了对信号能量进行研究，需要对其进行量化，通常所使用的形式主要包括能量、能量矩、能量熵以及能量方差等，而其中能量熵方法更适用于故障识别。
[0071]
之后利用能量谱方法对这种能量分布特征进行表示，选取适用于能够反映泄漏故障的能量熵作为故障特征并对其进行量化。
[0072]
本技术选用能量熵方法对风翼回转液压系统的泄漏故障信号特征进行提取，其具体提取方法如下：
[0073]
以s
(i,j)
表示经小波包变换后第i层第j频段的重构信号，其中i为分解层数；j＝0,1,2
…
(2
i-1)。则有，
[0074][0075]
式中e
(i,j)
表示s
(i,j)
对应的能量，x
(j,k)
(k＝1,2
…
n)表示s
(i,j)
的离散点幅值。然后构造特征向量t，同时进行归一化运算，
[0076][0077][0078]
小波包能量熵能够对信号在各频段上的能量分布进行综合的统计分析，其定义为：
[0079]
[0080][0081]
式中：pj表示第j频段能量占总能量e百分比。
[0082]
2.3通过上述2.1以及2.2过程对所采集各类故障状态下的流量以及压力信号进行小波包分解，提取压力信号以及流量信号的db4和db6小波的小波包熵作为风翼回转液压系统泄漏故障的故障特征，以便于后续模糊集的构建。
[0083]
步骤三、通过提取的故障特征构建模糊集，运用模糊模式识别诊断法实现对泄漏模式的识别得具体过程如下：
[0084]
3.1依据最小模糊度原则，如图3所示，当参数x取中位数时模糊度最小，因此a取最小间隙对应的信号能量熵值，b取最大间隙对应的信号能量熵值，m取中位数对应的信号能量熵值，由此可得到换向阀故障情况、调速阀故障情况、液压马达故障情况对压力与流量信号的db4与db6小波包熵等特征的三角形隶属函数，其形式如下所示：
[0085][0086]
3.2提取被识别目标的特征参数值来构造模糊集，根据最小模糊度原则，取各泄漏模式的间隙中位数情况来计算其模糊集。分别取无泄漏模式、轻度泄漏模式、中度泄漏模式、重度泄漏模式时的间隙中位数作为基准，利用小波包熵来计算这4类故障程度对6种故障特征的隶属度，构建各泄漏模式所对应的隶属度模糊集；
[0087]
3.3根据上述所建立的模糊模式隶属度函数以及换向阀、调速阀、液压马达在无泄漏模式、轻度泄漏模式、中度泄漏模式、重度泄漏模式时对泄漏故障特征的模糊集，能够实现对泄漏故障的高精度诊断。对所需诊断的信号进行特征提取后根据隶属函数计算可得到该信号的隶属度模糊集，通过计算该模糊集与上述预置的模糊集的贴近度，最大贴近度所对应的故障情况即为模糊识别诊断结果。
[0088]
具体实施例：
[0089]
以换向阀流量信号为例进行风翼回转液压系统泄漏故障的特征分析以验证所选取特征的有效性。首先在已建立的液压系统amesim仿真模型中设置换向阀泄漏间隙分别为0.01mm(几乎无泄漏)、0.02mm、0.03mm、0.05mm、0.1mm，其余参数设置为正常值，然后将获取的仿真数据导入matlab中用db4小波做小波包分解。
[0090]
以换向阀泄漏间隙0.01mm时的流量信号为例，其四层小波包分解结构如图4所示，其中，(i,j)表示第i层的第j个结点(i＝0,1,2,3,4；j＝0,1,2...14,15)，每个结点都代表一定的信号特征，(0,0)表示原始信号。
[0091]
当换向阀泄漏量逐渐增大时，流量的上升速度随之下降，液压能的损失将会增大。由分析可知，流量信号在频域上的能量分布会伴随着泄漏量的增加而发生变化。因此这种变化的特点可以用各频段的能量特征信息来表征。
[0092]
对采集的换向阀不同间隙下的流量信号数据求得db4小波包能量熵，如表1所示。
[0093]
表1.小波包能量熵
[0094][0095][0096]
从结果可以分析出，由于换向阀泄漏量的不断增大，液压油在管路中的状态也随之变化，流动状态无序性增加，其反映到能量特征上即为流量信号的小波包能量熵随之变大。因此可验证小波包能量熵理论的有效性，表明小波包能量熵可以作为有效特征，用以进行风翼回转液压系统泄漏故障诊断方法的建立。
[0097]
风翼回转液压系统泄漏故障模式识别
[0098]
(1)换向阀泄漏故障特征提取及模糊集的建立
[0099]
根据故障特征的提取方法，可计算得到换向阀不同间隙的特征量统计如表2所示。
[0100]
表2.换向阀特征量
[0101][0102]
由于正常泄漏情况下的液压油泄漏量很小，可在各运动副接触面形成油膜，起到冷却和润滑作用，可以降低摩擦及减少发热，使元件的寿面更长，此时换向阀间隙较小，可按照无泄漏进行分析，目前并没有针对液压元件泄漏程度分级的明确文件，因此依据泄漏量标准gb/t4213-92，通过计算不同泄漏间隙的泄漏量来进行分级。换向阀、调速阀及液压马达主要的泄漏位置形状为偏心环形间隙，其示意图如图5所示。
[0103]
其泄漏量采用公式(1)和(2)进行计算；
[0104]
依据此公式及amesim模型中元件参数可计算换向阀不同间隙的泄漏量，按照不同泄漏量可分为四种不同泄漏模式如表3所示。
[0105]
表3.换向阀泄漏模式
[0106][0107][0108]
(2)构造不同故障的隶属函数，依据最小模糊度原则，当取中位数时模糊度最小，因此取最小间隙对应的信号能量熵值，取最大间隙对应的信号能量熵值，取中位数对应的信号能量熵值，可得到各隶属函数。
[0109]
换向阀流量信号的db4小波熵隶属函数如公式9所示。
[0110][0111]
换向阀流量信号的db6小波熵隶属函数如公式10所示。
[0112][0113]
换向阀压力信号1的db4小波熵隶属函数如公式11所示。
[0114][0115]
换向阀压力信号1的db6小波熵隶属函数如公式12所示。
[0116][0117]
换向阀压力信号2的db4小波熵隶属函数如公式13所示。
[0118][0119]
换向阀压力信号2的db6小波熵隶属函数如公式14所示。
[0120][0121]
(3)计算各泄漏模式模糊集及待识别信号模糊集
[0122]
根据最小模糊度原则，取各泄漏模式中位数计算其模糊集，即无泄漏模式取泄漏间隙0.01mm，轻度泄漏模式取泄漏间隙0.035mm，中度泄漏模式取泄漏间隙0.075mm，重度泄漏模式取泄漏间隙0.550mm，可计算得各泄漏模式隶属度模糊集如表4.所示。
[0123]
表4.换向阀隶属度模糊集
[0124][0125][0126]
则换向阀四种泄漏模式模糊集分别为：
[0127]
无泄漏模糊集μ1＝[0.1975 0.2156 0.8758 0.7427 0.9685 0.8590]
[0128]
轻度泄漏模糊集μ2＝[0.3560 0.3860 0.9001 0.8600 0.9682 0.9588]
[0129]
中度泄漏模糊集μ3＝[0.9630 0.9516 0.4524 0.5614 0.8178 0.8215]
[0130]
重度泄漏模糊集μ4＝[0.9442 0.9390 0.0335 0.3660 0.2923 0.4277]。
[0131]
同理可计算待识别信号特征隶属度模糊集，以泄漏间隙0.005mm为例，利用仿真模型获得换向阀泄漏间隙0.005mm的流量传感器信号和两个压力传感器信号数据，将其导入到matlab中，利用前文方法可获得泄漏间隙0.005mm的六种小波能量熵特征，再将其带入本章所建立的隶属度函数中，则可获得换向阀泄漏间隙0.005mm的隶属度模糊集为μ
x
＝[0.1454 0.1559 0.8604 0.6974 0.9622 0.8150]。
[0132]
(4)泄漏模式识别
[0133]
由模糊模式识别方法，采用格贴近度方式计算待识别信号特征隶属度模糊集的贴近度情况。设x为论域，a,b∈f(x)，a
°
b为模糊集a与b的内积：
[0134][0135]
为模糊集a与b的外积：
[0136][0137]
模糊集a与b的格贴近度为：
[0138][0139]
利用matlab编程可分别求出换向阀泄漏间隙0.005mm的模糊集与换向阀无泄漏模糊集μ1、换向阀轻度泄漏模糊集μ2、换向阀中度泄漏模糊集μ3、换向阀重度泄漏模糊集μ4的格贴近度如公式15所示。
[0140][0141]
再利用matlab编程比较可得，n(μ
x
,μ1)值最大，即换向阀泄漏间隙0.005mm与换向阀无泄漏模式贴近度最大，则根据择近原则可识别出换向阀泄漏间隙0.005mm产生的信号模式为换向阀无泄漏模式。
[0142]
识别方式检验
[0143]
为了对风翼回转液压系统泄漏故障诊断方法进行检验，进一步验证方法的准确性及可靠性，利用仿真模型，分别采集液压系统的不同元件的不同程度的泄漏故障各五十个样本，利用建立的模糊模式识别方法进行检测识别，诊断结果统计如表6所示。为了使表格完整，用以下代码代替对应的故障。
[0144]
表5.泄漏故障代码表
[0145]
泄漏故障模式代码换向阀无泄漏a1换向阀轻度泄漏a2换向阀中度泄漏a3换向阀重度泄漏a4液压马达无泄漏b1液压马达轻度泄漏b2液压马达中度泄漏b3液压马达重度泄漏b4调速阀无泄漏c1调速阀轻度泄漏c2调速阀中度泄漏c3调速阀重度泄漏c4
[0146]
表6.泄漏故障诊断结果统计表
[0147][0148][0149]
从实验结果看出本文算法对各元件不同泄漏故障模式识别效果较好，均能达到90％以上，其中部分偏差是由于待识别故障与两种泄漏故障模式边界距离过近，总体上本文算法可达到比较理想的诊断效果。
[0150]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0151]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
[0152]
例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。