基于AMESim的齿轮泵内泄漏故障预测技术研究

赵　鹏，龙　江

(中国民用航空飞行学院 航空工程学院，四川 广汉 618307)



基于AMESim的齿轮泵内泄漏故障预测技术研究

赵鹏，龙江

(中国民用航空飞行学院 航空工程学院，四川 广汉 618307)

采用AMESim软件构建了齿轮泵内泄漏故障仿真平台，通过运行仿真平台得到齿轮泵泄漏的故障仿真数据。运用故障仿真数据，采取基于支持向量机的故障预测方法，在Matlab中建立了故障预测模型，将预测数据与仿真数据进行对比，计算出预测的误差，并对该模型的故障预测精度进行了评估验证。讨论了基于不同数量样本建模对故障预测精度的影响，为选择合理的样本数量构建预测模型提供了参考。结果表明：建模数据的量越大，预测的误差越小，对齿轮泵的故障预测具有很好的应用价值。提出的思路和方法对齿轮泵内泄漏故障预测技术应用具有一定的参考价值。

齿轮泵；MATLAB；AMESim；支持向量机；故障预测

0　引言

齿轮泵是一种常见的液压泵，和其他类型的泵相比，齿轮泵具有结构简单、体积小、重量轻、工作可靠、便于维修、对油液污染不敏感及价格低廉等优点[1]，大多数通用飞机都采用齿轮泵作为液压系统的动力元件，例如TB20等。齿轮泵是一种能量转换装置，它的作用是把机械能转换成液压能。齿轮泵的状态与设备液压系统工作息息相关，如果齿轮泵故障，齿轮泵的流量、压力以及功率等都会受到影响。对于通用飞机而言，如果齿轮泵泄漏，不仅会使液压系统受到影响，导致工作压力不稳定，甚至影响飞行安全，导致飞机飞行任务受到直接的影响。因此，只要能够对齿轮泵进行监测，及时对它的工作状态进行预测，就可以预测齿轮泵可能出现的情况。故障预测是基于视情维修(CBM,condition based maintenance)思想而孕育出的一种研究方法，它根据历史数据和当前状态数据，在相关理论和方法的指导下，分析和推断研究对象未来的发展状态和趋势[2]。在齿轮泵实际工作中，能够得到齿轮泵流量和压力等相关参数，就可以通过故障预测的方法对齿轮泵的这些数据进行预测，根据当前的状态预测出齿轮泵未来的状态，从而可以提前安排设备工作任务，合理地利用设备，提高设备的利用率。

1　影响齿轮泵内泄漏故障的因素

齿轮泵工作中可能出现故障现象有流量小、不吸油、压力不足、噪声大、油液泄漏、过热、油泵运转不正常或咬死等。而齿轮泵的油液泄漏故障有内泄漏和外泄漏两种。油液从各密封不严的间隙处泄漏至油泵外面,叫做外泄漏。泵内部油液从高压区向低压区泄漏叫做内泄漏。本文选择油液内泄漏作为研究对象，分析内泄漏对流量与压力的影响。齿轮泵的内泄漏与齿轮泵的间隙、进出口压力差和油液的粘度有关。齿轮泵的内泄漏途径主要有：(1)两齿轮啮合点处存在间隙；(2)齿顶与齿轮泵壳体内孔间存在径向间隙；(3)齿轮端面与轴套端面存在轴向间隙[3]。对齿轮泵泄漏量而言，进出口压力差越大，齿轮泵内泄漏的泄漏量越大。泄漏量还与其粘度有关，粘度越低，流过间隙的阻力越小，泄流量会增大。内泄漏会导致齿轮泵的效率下降，使得输出流量和压力减小，从而影响齿轮泵的容积效率[4]。本文主要研究齿轮泵的泄漏与间隙之间的关系。

2　建立齿轮泵故障仿真模型

AMESim(Advanced Modeling Environment of Per-forming Simulation of engineering systems)是法国Imagine公司于1995年推出的基于键合图的液压/机械系统建模、仿真及动力学分析软件[5-7]。AMESim软件能够建立液压系统的仿真平台，模拟液压系统的运行。相较于物理故障模拟平台，用AMESim建立齿轮泵模拟平台能很轻易地改变间隙获得故障数据，建立模型的成本低，代价小[8]。为模拟液压元件的内泄漏,采用在元件进出口并联一个节流孔的办法[9-10]。本文通过AMESim建立齿轮泵液压系统仿真平台，模拟齿轮泵的内泄漏,在齿轮泵进出口并联一个节流孔,如图1所示,通过设置节流孔的不同大小来模拟齿轮泵泄漏程度。

图1　齿轮泵内泄漏故障仿真平台

通过查阅文献，齿轮泵的流量范围为q=2.5L/min至750L/min，转速范围为1300r/min至4000r/min，压力范围为1MPa至31.5MPa[1]。参考上面的数据范围，主要设置参数如表1，并对仿真平台上建立的液压系统进行模拟仿真，测量出齿轮泵的输出压力与流量。

表1　AMESim中主要设置参数

本文基于AMESim软件，分别模拟节流孔径从0.1mm增大到10mm(每次增大0.1mm)的100组故障数据，每组数据包括齿轮泵出口的压力与流量，压力、流量与节流孔间隙对应的关系如图2、图3所示。

图2　出口压力图

图3　出口流量图

3　基于支持向量机方法的故障预测

支持向量机像多层感知器神经网络和径向基函数网络一样，可用于模式识别和非线性回归[11]。支持向量机将故障数据通过核函数的变换，最后得到理想的输出，本文选择的核函数为径向基核函数，通过LIBSVM实现支持向量机在MATLAB上的故障预测[12]。LIBSVM是台湾大学林智仁教授等设计开发的SVM模式识别与回归的软件包，编写好程序就可以调用相关程序包[13]。本文首先用前70组数据建立预测的模型，再预测后30组数据，计算出预测的误差。然后，在100组数据中分别用前60组数据、前70组数据、前80组数据和前90组数据，分别建立预测模型，并通过建立的预测模型预测后40组、后30组、后20组和后10组数据。通过不同的数据组合，得出预测的精度与不同数据组合的关系。

通过在AMESim仿真平台模拟出来的齿轮泵内泄漏的故障数据，在MATLAB中编写程序，运用支持向量机故障预测方法[14]，对仿真平台模拟出来的齿轮泵内泄漏故障数据进行归一化处理，用前70组数据在MATLAB中建立齿轮泵的故障预测模型，并计算建立的模型的平方相关系数，相关系数越高,模型能更好的反映数据的变化规律。再用建立的模型对后30组数进行预测，整个故障预测的流程图[15-16]如图4所示。

图4　故障预测流程图

预测步骤为:

(1)对仿真出的数据进行归一化处理。

(2)编写程序，建立齿轮泵故障预测模型。

(3)优化模型建立的参数，并计算出误差和平方相关系数。

(4)对后30组数据进行预测，得到预测的数据。

(5)判断模型是否满足相对误差大于5%(工程误差一般允许5%以内)，优化预测模型。

4　预测结果的分析与说明

在MTLAB软件上对数据进行建模后，得到预测数据，再将预测出的数据与在AMESim仿真中的故障数据进行对比[17]。

对齿轮泵出口压力进行分析，用前70组数据建模，图5为前70组数据与预测模型回归数据对比图，图6为前70组数据与回归数据的相对误差。

通过图5分析，前70组数据与在MATLAB上建立模型的回归数据变化趋势相同，计算出预测的平方相关系数为0.999639，回归数据很好的拟合了前70组原数据。

图6可以看出这70组建模数据与回归数据相对误差小，相对误差最大为3×10-5，满足工程上5%的误差范围。

图5　前70组数据与回归数据对比图

图6　前70组数据与回归数据的相对误差图

图7　后30组数据与预测数据对比图

图8　后30组数据与预测数据的相对误差图

运用在MATLAB上建立的故障预测模型对齿轮泵出口压力后30组仿真出的数据进行预测，得到预测数据。图7为后30组数据与预测数据对比图，图8为后30组数据与预测数据的相对误差。

通过对图7分析，可以看出后30组数据与预测数据的变化趋势是相同的。图8显示，随着预测数据的增多，预测的误差渐渐增大，相对误差最大为4.8×10-4，满足要求。

通过相似的预测方法，对齿轮泵出口的流量进行预测分析，出口流量建立的故障模型的平方相关系数0.999578，预测出的数据误差最大为0.68，满足要求。

为了研究不同数量样本建模对故障预测精度的影响，本文用不同数量的仿真数据建立建模并预测，表2为不同数量样本建模对故障预测精度计算结果影响的汇总表。通过对比，建模的数据越多，模型的平方相关系数越高，预测出数据的均方误差越小。当样本数量有限时,这种方法能够为选择采用不同的数量建立故障模型提供参考。

表2　各项数据预测的计算结果

5　结论

(1)基于支持向量机的故障预测方法能够较好地预测在仿真平台下的齿轮泵内泄漏程度。

(2)建立预测模型的数据越多，预测模型的精度就越高，而预测的误差就越小。

(3)当数据有限时，本文能够为选择合理的数据建立齿轮泵故障预测模型提供理论依据，从而提高预测的适用性以及工作的合理性。

[1] 简引霞.航空液压与气动技术[M].北京:国防工业出版社,2008:45.

[2] 曾声奎,Pecht M G,吴际.故障预测与健康管理(PHM)技术的现状与发展[J].航空学报,2005,26(5):626-632.

[3] 毕新胜.液压系统齿轮泵泄漏原因分析[J].农业机械,1999(9):44.

[4] 宋静波.飞机构造基础[M].2版.北京:航空工业出版社,2011:178-179.

[5] 梁全,苏齐莹.液压系统AMESim计算机仿真指南[M].北京:机械工业出版社,2014：24-28.

[6] 苏东海,于江华.液压仿真新技术AMESim及应用[J].机械,2006,33(11):35-37.

[7] 王继努,李天富,段方亮,等.AMESim在液压元件仿真中的应用研究[J].液压气动与密封,2011,31(3):1-3.

[8] 尚泽译,龙江.基于AMESim的柱塞泵内泄漏故障注入研究[J].西安航空学院学报,2016,34(1):24-29.

[9] 周小军.基于AMESim 液压系统泄漏仿真与故障诊断研究[D].长沙:国防科技大学,2012.

[10] 彭国朋,黄海涛.雷达天线车液压故障分析及其动态仿真[J].火控雷达技术,2009，38(2):34-37.

[11] 丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):2-10.

[12] 郭明玮,赵宇宙,项俊平,等.基于支持向量机的目标检测算法综述[J].控制与决策,2014,29(2):193-200.

[13] 王小川,史峰,郁磊,等.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社,2013:138-143.

[14] 韩东,许葆华.基于支持向量机的电动机构故障预测研究[J].计算机工程与设计,2011,32(1):297-300.

[15] 丰世林,吴江.基于区间灰色预测模型的飞机轮胎磨损预测技术研究[J].数学的实践与认识,2016,46(4):97-101.

[16] 曾波,孟伟.面向特殊序列的灰色预测建模方法[M].重庆:重庆大学出版社,2011:32-84.

[17] 吴瑞.航空发动机状态预测与健康管理中的气路数据挖掘方法研究[D].广汉:中国民用航空飞行学院,2015.

[责任编辑、校对：东艳]

Research on the Gear Pump Fault Prediction Based on AMESim Simulation Platform

ZHAOPeng,LONGJiang

(Aviation Engineering Institute,Civil Aviation Flight University of China,Guanghan 618307,China)

Firstly,the gear pump internal leakage fault simulation platform is constructed by the AMESim software,and the fault simulation data can be obtained through the simulation platform.With the fault prediction method based on support vector machine (SVM),a fault prediction model is set up in Matlab,and the fault simulation data are predicted by the fault prediction model.Then,the predicted data are acquired,and the fault prediction precision validation of the model is evaluated through the simulation data.In addition,the paper also elaborates the influence on the fault prediction accuracy by modeling based on different numbers of samples,thus offering the reference for selecting the reasonable number of samples.The findings indicate that the high quantity of modeling data is,the lower error of the prediction is,which is of the significant application value for fault prediction of gear pumps.The idea and method presented serve as the reference for the application of the pump gear leakage failure prediction technology.

gear pump;MATLAB;AMESim;support vector machine (SVM);fault prediction

2016-06-07

四川省教育厅科研重点项目(16ZA0020)；中国民用航空飞行学院研究生创新项目(X2015-10)

赵鹏(1989-),男,四川广汉人，硕士研究生,主要从事故障诊断与预测方向的研究。

TH137.51

A

1008-9233(2016)05-0034-05