1.一种液压泵故障预测方法,其特征在于:包括:采集液压泵的振动传感器信号,将所述振动传感器信号按照预设采样频率转换为时域振动数据;
对所述时域振动数据进行小波包分解,得到不同频带的能量系数,并选取前三个最大能量系数对应的频带作为特征频带;
在所述特征频带内提取特征指标,构建故障特征向量,对所述故障特征向量进行训练,建立液压泵故障预测模型;
将待测液压泵的故障特征向量输入所述液压泵故障预测模型,预测液压泵的故障类型;
对所述时域振动数据分解为低频和高频两部分,通过递归分解得到多个频带的子信号;
分别计算所述多个频带的子信号能量系数;
将所述子信号能量系数按照数值大小降序排列,选取排序后的前三个最大能量系数对应的频带作为初步特征频带;
利用频带相关性评价指标进一步验证和优化所述初步特征频带的有效性;
对验证和优化后的初步特征频带进行重构,得到所述特征频带;
所述子信号能量系数的计算如下式所示:,
其中,为频带加权系数,由以下公式确定:,
其中,为第i个频带的中心频率,为液压泵的特征频率,为带宽调节参数,为子信号能量系数,为小波包分解系数,为分解尺度,为平移参数,为频带序号;
所述对验证和优化后的初步特征频带进行重构,采用下式表示:,
其中,为特征频带序号,为自适应重构系数,通过下式计算:,
其中,为重构优化参数,为第一特征频带能量系数的次幂,为第二特征频带能量系数的次幂,为第三特征频带能量系数的次幂,为第个频带能量系数的次幂,为小波包基函数,为重构信号。
2.如权利要求1所述的液压泵故障预测方法,其特征在于:所述特征指标包括振动均方根值、峰值因子和波形指标;
所述振动均方根值的计算如下式所示:,
其中,为采样点数,为时间窗口加权系数:,
其中,为信号均值,为标准差,为第个特征频带重构信号的第个采样点的幅值,为第个特征频带重构信号的振动均方根值。
3.如权利要求2所述的液压泵故障预测方法,其特征在于:所述峰值因子的计算如下式所示:,
其中,为修正系数:
,
其中,为信号偏度,为调节参数,取值范围[0.5,1.5],为第个特征频带重构信号峰值因子;
所述波形指标的计算如下式所示:
,
其中,为熵值修正因子:
,
其中,为信号的香农熵:
,
其中,为信号幅值概率分布,为第个特征频带的重构信号,为采样点总数。
4.如权利要求3所述的液压泵故障预测方法,其特征在于:所述液压泵故障预测模型的构建步骤包括:将构建完成的故障特征向量输入至预训练的支持向量机SVM故障预测模型;
分类器利用预设的核函数计算所述故障特征向量与支持向量之间的相似度;
根据输入特征的核函数结果,结合支持向量的权重,标签和偏置计算决策函数值;
输出的符号确定液压泵的故障类型,完成所述液压泵故障预测模型的构建。
5.如权利要求4所述的液压泵故障预测方法,其特征在于:所述核函数采用自适应权重组合,如下式所示:,
其中,为高斯核,用于捕捉非线性特征,为多项式核,用于捕捉多维线性组合特征,为多项式的阶数,为双曲正切核,用于模拟神经网络的激活特性,为核函数,、、为核函数权重系数,满足:。
6.如权利要求5所述的液压泵故障预测方法,其特征在于:所述故障类型的判断包括:根据输出的符号,若的值为正,则表示所述故障特征向量对应的液压泵处于正常工况,故障类型为“正常”;若的值为负,则表示液压泵发生某种故障,故障类型为对应的故障模式;
所述故障模式判断如下:
对于每个故障类别,计算其决策函数值,如果为负值表示输入特征向量与该故障模式相关,并选择具有最小负值的对应的故障类别作为最终输出的故障类型。
7.一种液压泵故障预测系统,基于权利要求1~6任一所述的液压泵故障预测方法,其特征在于:包括:数据采集模块,用于采集液压泵的振动传感器信号,将所述振动传感器信号按照预设采样频率转换为时域振动数据;
特征构建模块,用于对所述时域振动数据进行小波包分解,得到不同频带的能量系数,并选取前三个最大能量系数对应的频带作为特征频带,在所述特征频带内提取特征指标,构建故障特征向量;
模型构建模块,用于对所述故障特征向量进行训练,建立液压泵故障预测模型;
故障预测模块,用于将待测液压泵的故障特征向量输入所述液压泵故障预测模型,预测液压泵的故障类型。