MOMED和双谱熵在液压泵退化特征提取中的应用

田再克 李洪儒 王卫国

摘要： 针对液压泵振动信号通常具有非线性强和信噪比低的特点，提出了一种基于多点最优最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution， MOMED）和雙谱熵（Bispectral Entropy）的液压泵退化特征提取方法。首先针对最小熵解卷积（Minimum Entropy Deconvolution， MED）降噪效果受滤波器长度和迭代次数影响的问题，提出了一种多点最优最小熵解卷积（MOMED）降噪方法，并利用MOMED对液压泵原始振动信号进行处理，以降低原始信号中干扰成分的影响;然后采用双谱分析提取双谱熵作为退化特征，以提高对液压泵退化状态的反映能力;最后，通过对液压泵性能退化试验实测振动信号的应用分析，验证了该方法的有效性。

关键词： 故障诊断; 液压泵; 双谱分析; 退化状态识别; MOMED

中图分类号： TH165+.3; TN911.7 文献标志码： A 文章编号： 1004-4523（2019）04-0730-09

DOI：10.16385/j.cnki.issn.1004-4523.2019.04.021

引 言

液压泵是整个液压系统的“心脏”，其性能好坏不仅直接影响液压系统的可靠性，甚至对整个系统的安全运行产生决定性的影响[1]。退化状态识别是实现液压泵故障预测的关键，由于液压泵振动信号往往受到流体压缩性、泵源与伺服系统的流固耦合作用以及自身固有机械振动的影响，呈现出非线性、非平稳、非高斯的特点，使得传统线性信号处理方法很难准确识别液压泵的退化状态[2-3]。因此，有必要寻求一种有效的液压泵退化特征提取方法，以满足液压泵故障预测的需要。

最小熵解卷积最早由Wiggins提出[4]，用于地震数据处理，提取数中的突变成分，通过迭代更新滤波器使信号恢复原本的简单形状。唐力伟等利用MED方法对快速谱峭度（Fast Spectral Kurtosis， FSK）方法进行改进，有效提取了滚动轴承的微弱故障信号[5]。在MED的基础上，Sawalhi等引入AR模型，将AR模型与MED结合，用于机械振动信号的处理[6]。McDonald等则引入周期信息提出了最大相关峭度解卷积算法（Maximum Correlated Kurtosis Deconvolution，MCKD）[7]，以相关峭度为评价指标，充分考虑了信号所含冲击成分的周期特性，可通过迭代过程实现解卷积运算，突出信号中被强烈噪声所掩盖的连续脉冲。

高阶谱分析方法是近年来信号处理领域中涌现出来的一种新的数学工具，与传统的信号处理方法不同，它可进行非高斯信号处理[8-9]。双谱是三阶累积量的二次傅里叶变换，它保留了信号的相位信息，可以定量描述信号中与故障密切联系的非线性相位耦合。本文在双谱分析的基础上，引入信息熵的概念，建立双谱熵模型，提取双谱熵作为液压泵退化特征参量。

本文针对液压泵退化特征提取问题，提出了基于多点最优最小熵解卷积（MOMED）和双谱熵相结合的退化特征提取方法。该方法首先利用MOMED对液压泵振动信号进行处理，以减少干扰成分的影响;然后对处理后的数据进行双谱分析，提取双谱熵作为退化特征量，通过仿真和实验信号对其液压泵特征提取进行了验证。