液压泵的工作环境一般比较恶劣，其工况受环境的影响较大，通常在泵出口检测到的
信号含有很大的噪声。试验表明，液压泵出口检测到的压力信号和振动信号体现出以下特点：
①信号的频谱分布很宽、波形杂乱，规律性差;② 时变与非平稳性表现明显。
　　因此，基于这两种信号的故障特征提取非常困难，有必要对检测的信号进行消噪处理。
　　小波分析是目前较有效的信号处理方法，它可以同时在时域和频域中对信号进行分析
能有效地区分信号中的突变部分和噪声，实现信号的消噪。
　　泵出口振动信号及其小波消噪后的信号，选取小波消噪的全局阈值为

1.049。很明显，

检测信号中包含了许多干扰信号，很难简单地利用检测到的振动信号进行有效的故障诊断。
为了消除干扰影响，经过小波处理，可以有效地消除泵出口振动信号中所包含的噪声，有
利于故障特征的提取。
　　

3、信息融合故障诊断方法

　　信息融合是将多源信息加以智能合成，产生比单一信息源更精确、容错性和鲁棒性更强
的估计和判断

‘2’。由于液压泵出口检测到的信息微弱，易于被干扰所淹没，很难利用单个

传感器的检测信号进行微弱故障特征的有效诊断。采用的信息融合故障诊断过程，即将振动
信号和压力信号进行小波消噪处理，利用统计分析提取有效特征信息，采用主成分分析
(PrinciP81componentanalysis，PCA)有效解耦各故障特征间的相关性，减少故障特征的维数，
采用改进算法的

BP 神经网络实现液压泵球头松动故障诊断。

　　

3.1 特征层信息融合

　　特征层状态属性融合就是将对多种类型传感器数据进行预处理以完成特征提取及数据
配准，即通过传感器信息转换，把各传感器输人数据变换成统一的数据表达形式。
　　通过特征向量归一化处理可以实现信息融合数据配准。本文提取振动信号和压力信号的
均值、峰值因子、特征频率的能量值和功率谱幅值、四次矩等作为球头松动故障的特征向量。
　　

3.2 选取主成分

　　在新样本空间上，逐次计算传感器信息的综合指数为主成分上的贡献。令主成分贡献综
合指数阈值为

85%，根据贡献综合指数选取前几个主成分，作为下一步信息融合的信息。

　　针对液压泵正常和

4 种球头松动故障，各选取 100 个样本，由于高度显著，说明这 4

组特征向量有十分明显的差异，故此类故障的不同故障程度是可以诊断的。
　　选择

BP 神经网络的结构，对液压泵正常和设置的 4 种球头松动故障在训练误差精度要

求下对网络进行训练，通过改进算法的学习和训练得到

BP 网络的优化权值矩阵。在实际使

用时，利用

BP 神经网络的权值矩阵及其改进算法实现多故障的有效诊断。其中输出节点 1

表示液压泵正常时神经网络的输出值，节点

2 表示间隙为 6μm 时神经网络的输出值，节点

3 表示间隙为 9μm 神经网络的输出值，节点 4 表示间隙为 12μm 时神经网络的输出值，节点
5 表示 15μm 时神经网络的输出值。
　　利用

BP 神经网络及其改进算法可以有效诊断不同间隙大小的球头松动故障。

　　

4、结论

　　本文通过液压泵出口的振动信号和压力信号，通过小波消噪处理有效提取故障特征，
利用

PCA 分析很大程度上减少了信息融合特征向量的维数，通过可诊断性检验证明 PCA

重新组合的特征向量可以实现多故障诊断。在

BP 算法中引人附加动量项，获得最优学习率，

通过改进

BP 算法实现不同间隙大小球头松动故障的有效诊断。