CN111753465B - 升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法 - Google Patents

升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法 Download PDF

Info

Publication number
CN111753465B
CN111753465B CN202010506265.4A CN202010506265A CN111753465B CN 111753465 B CN111753465 B CN 111753465B CN 202010506265 A CN202010506265 A CN 202010506265A CN 111753465 B CN111753465 B CN 111753465B
Authority
CN
China
Prior art keywords
oil cylinder
layer
buffer
hydraulic system
leakage fault
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010506265.4A
Other languages
English (en)
Other versions
CN111753465A (zh
Inventor
李然
齐俊麟
于升飞
邹涛
朱汉华
李明
范世东
谢启龙
李飞
邹斌斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Three Gorges Navigation Authority
Original Assignee
Wuhan University of Technology WUT
Three Gorges Navigation Authority
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT, Three Gorges Navigation Authority filed Critical Wuhan University of Technology WUT
Priority to CN202010506265.4A priority Critical patent/CN111753465B/zh
Publication of CN111753465A publication Critical patent/CN111753465A/zh
Application granted granted Critical
Publication of CN111753465B publication Critical patent/CN111753465B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法，建立初始液压***模拟模型，进行稳态和动态仿真计算，得到油缸内泄漏故障工况模拟数据集；对流量系数、雷诺数、摩擦系数参数进行修正，得到改进后液压***模拟模型；改变间隙量在改进后液压***模拟模型上进行仿真计算，得到缓冲油缸输出数据集；选取缓冲活塞时域位移信号，建立缓冲活塞时域位移信号与油缸间隙、以及内泄故障之间的关系；提取缓冲油缸活塞杆的位移信号，建立不同内泄漏故障模式对应的样本集，划分为训练样本和测试样本；通过基于Adam优化算法的卷积神经网络，实现不同内泄漏故障模式的内泄漏故障诊断。本发明提高了液压***缓冲油缸内泄漏故障诊断的准确度以及诊断效率。

Description

升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法
技术领域
本发明涉及升船机防撞缓冲液压***故障诊断技术领域，具体涉及一种升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法。
背景技术
升船机防撞缓冲液压***结构复杂，由多个相互之间有耦合关系的部件组成，是升船机的重要组成部分。当船舶过坝，由于失控撞击升船机时，防撞缓冲液压***可以起到制动缓冲的作用，缓冲油缸作为液压***的重要成部分，其性能好坏直接影响防撞缓冲液压***的工作状态，甚至会影响升船机的安全性和可靠性。缓冲油缸的内泄漏故障由于具有隐蔽性、多样性、不确定性和因果关系复杂性等特点，内泄漏故障出现后不易进行诊断，且诊断时间长。
升船机防撞缓冲***中有三个溢流阀，用来控制缓冲油缸运动，实现减缓船舶对升船项撞击力的功能。防撞冲击的工况较为复杂，当缓冲油缸发生内泄漏故障时，传统的故障诊断方法不易实现快速准确的故障诊断。
发明内容
针对现有的液压***内泄漏故障诊断技术存在的操作繁复、效率低下、诊断精度不高的问题。本发明提出一种升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法，本发明采用基于卷积神经网络的故障诊断方法对液压***缓冲油缸内泄漏故障进行诊断，从而提高了液压***缓冲油缸内泄漏故障诊断的准确度以及诊断效率。
本发明采取的技术方案为：
升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法，包括以下步骤：
步骤1：在AMEsim软件平台上，建立初始液压***模拟模型，在此基础上进行稳态和动态仿真计算，得到油缸内泄漏故障工况模拟数据集；
步骤2：对比升船机实测试验数据与AMEsim软件仿真计算数据，对步骤1中初始液压***模拟模型中的流量系数、雷诺数、摩擦系数参数进行修正，完善所述初始液压***模拟模型，得到改进后液压***模拟模型；
步骤3：按照缓冲油缸间隙大小引起的内泄漏故障模式进行分类，分别为：轻度内泄漏、中度内泄漏和重度内泄漏，改变间隙量在步骤2中改进后液压***模拟模型上进行仿真计算，得到缓冲油缸输出数据集；
步骤4：在步骤3缓冲油缸输出数据集中，选取缓冲活塞时域位移信号，作为故障诊断信号，建立缓冲活塞时域位移信号与油缸间隙、以及内泄故障之间的关系；
步骤5：提取缓冲油缸活塞杆的位移信号，建立不同内泄漏故障模式对应的样本集，并将所述样本集划分为训练样本和测试样本；
步骤6：通过基于Adam优化算法的卷积神经网络，实现缓冲油缸不同内泄漏故障模式的内泄漏故障诊断。
所述步骤6包括以下步骤：
步骤6.1：获取缓冲油缸在不同内泄漏故障模式下的以时域位移信号作为特征的样本集，作为卷积神经网络的输入项；
步骤6.2：根据缓冲油缸的内泄漏故障模式：轻度内泄漏、中度内泄漏和重度内泄漏，对每种故障模式进行分类描述，再加上正常状况，共四种工况，以此作为卷积神经网络的输出项；
步骤6.3：设计用于缓冲油缸一维卷积神经网络的结构，包括神经网络的输入层、卷积层、激活层、池化层、全连接层和输出层的神经元的大小，确定激活函数，其中，输入层神经元数由选取的活塞杆位移信号数据点的数量决定，输出层神经元个数由缓冲油缸状态内泄漏故障模式种类决定；
步骤6.4：设计一维卷积神经网络目标函数和Adam优化算法的各个参数；
步骤6.5、训练：以步骤5得到的多组训练样本集作为输入，各样本对应的分类描述作为输出，利用python编程语言在Tensorflow深度学习平台上进行多次训练，当目标函数的数值得到满足时，结束训练；
步骤6.6、测试：一维卷积神经网络训练完成后，即对步骤5得到的测试样本进行测试。
所述步骤6.3中，卷积神经网络模型包括1个输入层、2个卷积层、2个池化层、1个全连接层和1个输出层。
所述步骤6.3中，卷积神经网络模型包括：
输入层：输入层神经元数由选取的一段的活塞杆位移信号数据点的数量决定，为N1；
卷积层C1：卷积核大小为k1×1，数量为n1，步长为s1×1，对输入的位移信号进行卷积，并经过激活层，输出大小为(N1/s1)×n1，构成卷积层C1；
池化层P1：卷积层C1经过大小为的c1×1池化区域的池化，输出大小为(N1/s1)×n1；
卷积层C2：卷积核大小为k2×1，数量为n2，步长为s2×1，对池化层输出的信号进行卷积，并经过激活层，输出大小为
Figure GDA0003713854980000031
构成卷积层C2；
池化层P2：卷积层C2经过大小为的c2×1池化区域的池化，输出大小为
Figure GDA0003713854980000032
全连接层F：将池化层P2的连接成一维向量，作为最终提取到的特征向量层，为全连接层F；
输出层：全连接层F与输出层全连接，得到输出量。
所述激活层中的激活函数为ReLU函数。
所述步骤6.4中，目标函数和Adam优化算法分别为：
假设卷积神经网络的实际输出的Softmax值为q，其目标分布p为one-hot类型的向量，即当目标类别为j时，pj＝1，否则pj＝0，则以平方误差函数，以及交叉熵函数为目标函数表达式，分别如式(1)与式(2)所示：
Figure GDA0003713854980000033
Figure GDA0003713854980000034
式中，m表示输入的小批量(mini-batch)的大小；
θ*＝argminθL(f(xi；θ))
式中：L(·)、f(·)分别表示目标函数值与输出值；
θ表示卷积神经网络的所有参数；
θ*表示卷积神经网络的所有最优参数；
xi表示卷积神经网络的输入。
本发明一种升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法，技术效果如下：
1)、本发明将卷积神经网络引入升船机防撞缓冲液压***的故障诊断，可快速处理大量物理量数据，故障诊断速度快。
2)、由于卷积神经网络在各种识别领域已有成熟应用，而本发明将引入其升船机防撞缓冲液压***缓冲油缸内泄漏故障分类，从液压***监测的大数据中提取故障信息，故障诊断准确率高。
3)、传统的液压***故障诊断方法一般包括信号去噪预处理，特征提取，故障分类，而本发明可以简化诊断流程，对操作人员的专业知识水平要求低。
4)、本发明有助于解决目前升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断技术中过程复杂、诊断速度慢、诊断准确率低的问题。可应用于升船机防撞缓冲液压***缓冲油缸的内泄漏故障诊断领域，或其他机械设备液压***的内泄漏故障诊断领域。
附图说明
图1是本发明故障诊断方法的防撞缓冲液压***内缓冲油缸内泄漏故障仿真图；
其中：1-电液换向阀，2-液控单向阀，3-单向节流阀，4-单向阀，5-缓冲油缸内泄漏模块，6-高位油箱，7-钢丝绳受力信号源，8-溢流阀。
图2是本发明故障诊断方法卷积神经网络的结构示意图。
图3是本发明故障诊断方法卷积神经网络的训练过程流程图。
图4是本发明故障诊断方法卷积神经网络的训练效果图。
图5是本发明故障诊断方法卷积神经网络的测试效果图。
具体实施方式
升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法，包括以下步骤：
步骤1：升船机防撞缓冲液压***主要有电液换向阀1、液控单向阀2、单向节流阀3、溢流阀8、缓冲油缸、高位油箱6等部件组成，而缓冲油缸主要由缸筒组件、活塞组件、密封装置和缓冲装置等组成；
按照从部件到***、由简单到复杂的思路，对整个防撞缓冲***进行建模。首先，根据各部件的工作原理利用AMEsim软件画出草图，将各部件模型连接起来，建立防撞缓冲液压***整体模型，再为各个部件设置子模型和参数型，AMEsim软件下的防撞缓冲液压***缓冲内泄漏故障仿真图如图1所示。然后将具体数据代入部件级模型进行仿真，对其进行稳态和动态仿真，得到缓冲油缸流量和压力等特性。最后以缓冲油缸出厂数据为标准，考核所建缓冲油缸模型的精确度和准确度。
步骤2：收集现有的试验、检验与工作数据，并根据这些数据对步骤1所建的液压***整体模型中的雷诺数、流量系数、摩擦系数等参数进行微调，得到改进后液压***模拟模型，减小初始液压***模拟模型与真实缓冲油缸性能之间的误差。
步骤3：缓冲油缸作为防撞缓冲液压***的一个重要部件，在实际运行过程中较容易发生内泄漏故障，且故障不易排除。通过阅读总结大量的缓冲油缸失效案例可知，根据其内泄漏的程度，一般可以分为轻度、中度和重度内泄漏3种内泄漏故障模式。
步骤4：通过分析缓冲油缸不同程度内泄漏故障发生的机理，得知活塞和缸壁之间的间隙量大小是影响内泄漏程度不同的主要原因。基于这种原因，通过改变缓冲油缸部件模型中活塞杆与缸壁之间的间隙量，模拟真实缓冲油缸中可能出现的各类不同程度的内泄漏故障。各类不同程度的内泄漏故障模拟方法如表1所示。
表1缓冲油缸各类不同程度的内泄漏故障模拟方法
编号 内泄漏程度 故障模拟方法
01 轻度泄露 将活塞与缸壁之间的间隙量设置在0.01-0.05mm之间
02 中度泄露 将活塞与缸壁之间的间隙量设置在0.05-0.10mm之间
03 重度泄露 将活塞与缸壁之间的间隙量设置在0.10-0.15mm之间
当缓冲油缸内泄漏故障程度发生改变时，会引起许多参数的变化。对缓冲油缸内泄漏进行故障诊断，首先要提取能反映缓冲油缸工作状态的参数。当缓冲油缸发生故障时，这些参数会直接或是间接地发生变化。所以，通过对这些参数的变化进行分析，就可以诊断出缓冲油缸所发生的故障。如果特征参数选择过多，会产生冗余信息，增加参数采集成本和卷积神经网络训练的难度，如果参数选择过少，则会降低诊断的正确性，甚至可能会造成故障的误判。因此，特征参数的选取起着至关重要的作用。
对于缓冲油缸来说，活塞位移信号最能反映其工作状态。一旦发生故障，缓冲油缸活塞杆的位移就会出现异常，其值降低、或者其值增加，或者产生波动。因此，选取活塞杆的位移信号作为表征缓冲油缸工作状态的诊断信号。
步骤5：按照步骤4中所述模拟故障的方法，根据内泄漏故障的严重程度，对不同的故障模式利用python脚本进行自动化仿真，得到各故障状态下对应的仿真结果，获得大量的故障数据。接着，在不同故障模式下，分别对步骤4中所述活塞杆位移信号进行二次采样，采样点为1024个，建立不同故障模式所对应的样本集，共有样本2600个，按照9:1的比例并将其划分为训练样本和测试样本，缓冲有缸内泄漏故障数据集描述见表2。
表2缓冲有缸内泄漏故障数据集描述
Figure GDA0003713854980000051
Figure GDA0003713854980000061
步骤6：选择基于Adam算法的卷积神经网络作为缓冲油缸故障诊断的分类器。卷积神经网络是一种多层的前向型神经网络，在神经网络中，信号是正向传播的，而误差则是反向传播的。如图1所示，本发明的卷积神经网络模型包括1个输入层，2个卷积层，2个池化层，1个全连接层和1个输出层。利用卷积神经网络对缓冲油缸进行内泄漏故障诊断，步骤如下。
步骤6.1：获取训练样本。训练样本的获取过程已在步骤5中有详细介绍，此处不再赘述。在得到训练样本之后，将其作为卷积神经网络的输入项。
步骤6.2：故障分类描述。根据缓冲油缸的内泄漏故障模式和故障机理，为检测对象进行分类描述。对于正常、轻度内泄漏、中度内泄漏和重度内泄漏等四种模式采用one-hot方法进行编码，分别描述为[1 0 0 0]、[0 1 0 0]、[0 0 1 0]、[0 0 0 1]。每种模式对应不同的分类描述，作为卷积神经网络的输出项。
步骤6.3：设计神经网络的结构，具体的结构设置详见表3。
步骤6.4：训练。以生成的训练样本作为输入，对应的内泄漏故障分类描述作为输出，采用基于Adam算法的一维卷积神经网络在Tensorflow深度学习平台上进行训练，每进行依次训练，更新依次网络各层的权重和偏置，训练效果如图2所示。
步骤6.5：测试。神经网络训练完成后，即可对待检测对象进行测试。将在步骤5中所述的测试样本放入到已训练好的卷积神经网络模型中进行测试，得出的测试效果如图2所示。
步骤6.4中的目标函数和Adam优化算法分别为：
假设卷积神经网络的实际输出的Softmax值为q，其目标分布p为one-hot类型的向量，即当目标类别为j时，pj＝1，否则pj＝0，则以平方误差函数，以及交叉熵函数为目标函数表达式，分别如式(1)与式(2)所示：
Figure GDA0003713854980000062
Figure GDA0003713854980000063
式中：m——输入的小批量(mini-batch)的大小。
θ*＝argminθL(f(xi；θ))
式中：L(·)、f(·)——目标函数值与输出值；
θ——卷积神经网络的所有参数；
θ*——卷积神经网络的所有最优参数；
xi——卷积神经网络的输入。
结合表3对本发明的卷积神经网络模型建立过程进行步骤说明：
表3本发明的液压***内泄漏故障卷积神经网络结构参数表
Figure GDA0003713854980000071
输入层：输入层神经元数由选取的一段的活塞杆位移信号数据点的数量决定，为1024；
卷积层C1：卷积核大小为16×1，数量为32，步长为8×1，对输入的位移信号进行卷积，并经过激活层，输出大小为128×1×32，构成卷积层C1；
池化层P1：卷积层C1经过大小为的2×1池化区域的池化，输出大小为64×1×32；
卷积层C2：卷积核大小为5×1，数量64，步长为5×1，对池化层输出的信号进行卷积，并经过激活层，输出大小为32×1×64，构成卷积层C2；
池化层P2：卷积层C2经过大小为的2×1池化区域的池化，输出大小为；16×1×64
全连接层F：将池化层P2的连接成一维向量，作为最终提取到的特征向量层，为全连接层F；
输出层：全连接层F与输出层全连接，输出缓冲油缸内泄漏故障种类的标签。
上述激活层中的激活函数为ReLU函数。
训练好的模型的识别率可以达到99％以上，说明本发明所提出的缓冲油缸内泄漏故障诊断方法是有效的、可行的。

Claims (5)

1.升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法，其特征在于包括以下步骤：
步骤1：建立初始液压***模拟模型，进行稳态和动态仿真计算，得到油缸内泄漏故障工况模拟数据集；
步骤2：对步骤1中初始液压***模拟模型中的流量系数、雷诺数、摩擦系数参数进行修正，完善所述初始液压***模拟模型，得到改进后液压***模拟模型；
步骤3：按照缓冲油缸间隙大小引起的内泄漏故障模式进行分类，分别为：轻度内泄漏、中度内泄漏和重度内泄漏，改变间隙量大小并在步骤2中改进后液压***模拟模型上进行仿真计算，得到缓冲油缸输出数据集；
步骤4：在步骤3缓冲油缸输出数据集中，选取缓冲活塞时域位移信号，作为故障诊断信号，建立缓冲活塞时域位移信号与油缸间隙、以及内泄故障之间的关系；
步骤5：提取缓冲油缸活塞杆的位移信号，建立不同内泄漏故障模式对应的样本集，并将所述样本集划分为训练样本和测试样本；
步骤6：通过基于Adam优化算法的卷积神经网络，实现缓冲油缸不同内泄漏故障模式的内泄漏故障诊断；
所述步骤6包括以下步骤：
步骤6.1：获取缓冲油缸在不同内泄漏故障模式下的以时域位移信号作为特征的样本集，作为卷积神经网络的输入项；
步骤6.2：根据缓冲油缸的内泄漏故障模式：轻度内泄漏、中度内泄漏和重度内泄漏，对每种故障模式进行分类描述，再加上正常状况，共四种工况，以此作为卷积神经网络的输出项；
步骤6.3：设计用于缓冲油缸一维卷积神经网络的结构，包括神经网络的输入层、卷积层、激活层、池化层、全连接层和输出层的神经元的大小，确定激活函数，其中，输入层神经元数由选取的活塞杆位移信号数据点的数量决定，输出层神经元个数由缓冲油缸状态内泄漏故障模式种类决定；
步骤6.4：设计一维卷积神经网络目标函数和Adam优化算法的各个参数；
步骤6.5、训练：以步骤5得到的多组训练样本集作为输入，各样本对应的分类描述作为输出，利用python编程语言在Tensorflow深度学习平台上进行多次训练，当目标函数的数值得到满足时，结束训练；
步骤6.6、测试：一维卷积神经网络训练完成后，即对步骤5得到的测试样本进行测试。
2.根据权利要求1所述升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法，其特征在于：所述步骤6.3中，卷积神经网络模型包括1个输入层、2个卷积层、2个池化层、1个全连接层和1个输出层。
3.根据权利要求2所述升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法，其特征在于：所述步骤6.3中，卷积神经网络模型包括：
输入层：输入层神经元数由选取的一段的活塞杆位移信号数据点的数量决定，为N1；
卷积层C1：卷积核大小为k1×1，数量为n1，步长为s1×1，对输入的位移信号进行卷积，并经过激活层，输出大小为(N1/s1)×n1，构成卷积层C1；
池化层P1：卷积层C1经过大小为的c1×1池化区域的池化，输出大小为(N1/s1)×n1；
卷积层C2：卷积核大小为k2×1，数量为n2，步长为s2×1，对池化层输出的信号进行卷积，并经过激活层，输出大小为
Figure FDA0003713854970000021
构成卷积层C2；
池化层P2：卷积层C2经过大小为的c2×1池化区域的池化，输出大小为
Figure FDA0003713854970000022
全连接层F：将池化层P2的连接成一维向量，作为最终提取到的特征向量层，为全连接层F；
输出层：全连接层F与输出层全连接，得到输出量。
4.根据权利要求3所述升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法，其特征在于：所述激活层中的激活函数为ReLU函数。
5.根据权利要求3所述升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法，其特征在于：所述步骤6.4中，目标函数和Adam优化算法分别为：
设卷积神经网络的实际输出的Softmax值为q，其目标分布p为one-hot类型的向量，即当目标类别为j时，pj＝1，否则pj＝0，则以平方误差函数，以及交叉熵函数为目标函数表达式，分别如式(1)与式(2)所示：
Figure FDA0003713854970000023
Figure FDA0003713854970000031
式中，m表示输入的小批量mini-batch的大小；
θ*＝argminθL(f(xi；θ))
式中：L(·)、f(·)分别表示目标函数值与输出值；
θ表示卷积神经网络的所有参数；
θ*表示卷积神经网络的所有最优参数；
xi表示卷积神经网络的输入。
CN202010506265.4A 2020-06-05 2020-06-05 升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法 Active CN111753465B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010506265.4A CN111753465B (zh) 2020-06-05 2020-06-05 升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010506265.4A CN111753465B (zh) 2020-06-05 2020-06-05 升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法

Publications (2)

Publication Number Publication Date
CN111753465A CN111753465A (zh) 2020-10-09
CN111753465B true CN111753465B (zh) 2022-08-16

Family

ID=72674909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010506265.4A Active CN111753465B (zh) 2020-06-05 2020-06-05 升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法

Country Status (1)

Country Link
CN (1) CN111753465B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112762362A (zh) * 2021-01-15 2021-05-07 中国海洋石油集团有限公司 基于卷积神经网络的水下管道泄漏声发射检测方法
CN116522672B (zh) * 2023-05-19 2024-04-02 中国人民解放军海军工程大学 一种油缸缓冲机构优化方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002054608A (ja) * 2000-08-08 2002-02-20 Hitachi Constr Mach Co Ltd 油圧シリンダ及び油圧シリンダ駆動装置
CN106197886A (zh) * 2016-06-29 2016-12-07 上海交通大学 液压缸内泄漏故障诊断评估方法
CN107329939A (zh) * 2017-06-29 2017-11-07 华北电力大学 燃机压气机进口导叶液压调节***油缸泄漏系数估算方法
CN108363896A (zh) * 2018-05-10 2018-08-03 南京航空航天大学 一种液压缸故障诊断方法
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN109083887A (zh) * 2018-09-13 2018-12-25 西安建筑科技大学 一种基于aca-bp算法的挖掘机液压***的故障诊断方法
CN109165421A (zh) * 2018-08-03 2019-01-08 武汉理工大学 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002054608A (ja) * 2000-08-08 2002-02-20 Hitachi Constr Mach Co Ltd 油圧シリンダ及び油圧シリンダ駆動装置
CN106197886A (zh) * 2016-06-29 2016-12-07 上海交通大学 液压缸内泄漏故障诊断评估方法
CN107329939A (zh) * 2017-06-29 2017-11-07 华北电力大学 燃机压气机进口导叶液压调节***油缸泄漏系数估算方法
CN108830127A (zh) * 2018-03-22 2018-11-16 南京航空航天大学 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN108363896A (zh) * 2018-05-10 2018-08-03 南京航空航天大学 一种液压缸故障诊断方法
CN109165421A (zh) * 2018-08-03 2019-01-08 武汉理工大学 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法
CN109083887A (zh) * 2018-09-13 2018-12-25 西安建筑科技大学 一种基于aca-bp算法的挖掘机液压***的故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
三峡升船机防撞缓冲液压***部件内泄漏故障仿真分析;于升飞等;《中国修船》;20200430;第33卷(第02期);第36-41页 *
基于BP神经网络的液压缸内泄漏诊断;李琳等;《液压与气动》;20170731(第07期);第11-15页 *

Also Published As

Publication number Publication date
CN111753465A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
Jin et al. Fault diagnosis of hydraulic seal wear and internal leakage using wavelets and wavelet neural network
CN103983453B (zh) 一种航空发动机的执行机构和传感器故障诊断的区分方法
CN108092623B (zh) 一种光伏阵列多传感器故障检测定位方法
CN111753465B (zh) 升船机防撞缓冲液压***缓冲油缸内泄漏故障诊断方法
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN114297918A (zh) 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法
CN112762362A (zh) 基于卷积神经网络的水下管道泄漏声发射检测方法
CN114925536A (zh) 机载***phm测试性建模与诊断策略优化方法和装置
CN117076935B (zh) 数字孪生辅助的机械故障数据轻量级生成方法及***
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN115824519B (zh) 基于多传感器信息融合的阀门泄露故障综合诊断方法
CN114964781B (zh) 一种列车轴承故障智能诊断方法
CN115014789A (zh) 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法
CN116340848B (zh) 一种基于数字孪生的发动机故障诊断方法
CN116296127B (zh) 基于多传感器信像映射的阀门泄漏故障诊断方法
KR102674766B1 (ko) 인공지능을 이용한 밸브 고장진단 시스템 및 이를 이용한 밸브 고장진단 방법
CN115017984A (zh) 一种航空发动机故障风险预警方法及***
CN114120043A (zh) 一种基于生产动态数据和示功图检测异常抽油井的方法
CN114818825A (zh) 基于卷积核多层分布残差网络的旋转机械故障诊断方法
CN111931574B (zh) 一种气动调节阀鲁棒故障诊断方法
CN115540935A (zh) 一种新型护航舰艇压载水***设备故障诊断方法
CN115468718B (zh) 一种针对船舶风翼回转液压***泄漏故障的诊断方法
CN112834194B (zh) 一种无故障样本下基于软目标度量的故障智能检测方法
CN118051743B (zh) 一种航空发动机气路故障诊断方法和装置
Ruan et al. 2D-CNN-Based Fault Diagnosis of Internal Leakage in Electro-Hydrostatic Actuators

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant