CN113962256A - 一种用于机电作动器智能故障诊断方法及*** - Google Patents
一种用于机电作动器智能故障诊断方法及*** Download PDFInfo
- Publication number
- CN113962256A CN113962256A CN202111155991.7A CN202111155991A CN113962256A CN 113962256 A CN113962256 A CN 113962256A CN 202111155991 A CN202111155991 A CN 202111155991A CN 113962256 A CN113962256 A CN 113962256A
- Authority
- CN
- China
- Prior art keywords
- electromechanical actuator
- scale
- fault diagnosis
- neural network
- training
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种用于机电作动器智能故障诊断方法及***,包括:采集机电作动器在不同健康状况下的电流信号样本;对采集到的电流信号样本进行预处理,得训练样本;建立基于多尺度特征融合一维卷积神经网络模型;利用训练样本对基于多尺度特征融合一维卷积神经网络模型进行训练;利用训练后的基于多尺度特征融合一维卷积神经网络模型进行机电作动器的智能故障诊断,该方法及***能够对机电作动器进行准确故障诊断。
Description
技术领域
本发明属于机电作动器故障诊断领域,涉及一种用于机电作动器智能故障诊断方法及***。
背景技术
机电作动器(EMA)作为电力作动器的一种形式,是现代飞机向多电和全电驱动发展的关键技术之一。与传统的液压***相比,其具有体积小、质量轻、结构简单、安全性高及维护方便等优点,因此广泛应用于航空、航海和工业过程控制等诸多领域。由于机电作动器的健康状况直接影响飞机的飞行状态和安全,故机电作动器故障诊断方法的研究对保障飞机安全运行和经济维护具有重要意义,然而现有技术中没有给出类似的公开。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种用于机电作动器智能故障诊断方法及***,该方法及***能够对机电作动器进行准确故障诊断。
为达到上述目的,本发明所述的用于机电作动器智能故障诊断方法包括:
采集机电作动器在不同健康状况下的电流信号样本;
对采集到的电流信号样本进行预处理,得训练样本;
建立基于多尺度特征融合一维卷积神经网络模型;
利用训练样本对基于多尺度特征融合一维卷积神经网络模型进行训练;
利用训练后的基于多尺度特征融合一维卷积神经网络模型进行机电作动器的智能故障诊断。
以采样频率fs,采集机电作动器在不同健康状况下的电流信号{x[n]i}。
对采集到的电流信号样本进行预处理,得训练样本的具体过程为:
对采集到的电流信号样本进行归一化处理,再采用重叠采样的方式扩增样本的数目,得训练样本。
所述基于多尺度特征融合一维卷积神经网络模型包括多尺度变换模块、特征学习及融合模块及故障分类模块。
所述多尺度变换模块根据式(3),通过3个不同的尺度分别对输入样本进行时频尺度变换;
y(k,s)=φ(k,s)(x[l]′) (3)
其中,y(k,s)为输入样本经尺度变换后的结果,φ(k,s)(g)为尺度变换运算,k及s均为尺度因子,k用于控制频率尺度,s用于控制时间尺度。
特征学***均池化层GAP。
枝干部分的输入分别为池化层P1~P3输出的特征图T1、T2和T3,输出的特征图G1、G2和G3;
使用Concat方法将主干部分输出的特征图及每个枝干部分输出的特征图进行拼接融合,得预设尺度下的高低层特征融合的结果Q,最后再将3个尺度下的特征融合结果进行融合R。
本发明所述的用于机电作动器智能故障诊断***包括:
采集模块,用于采集机电作动器在不同健康状况下的电流信号样本;
预处理模块,用于对采集到的电流信号样本进行预处理,得训练样本;
建立模块,用于建立基于多尺度特征融合一维卷积神经网络模型;
训练模块,用于利用训练样本对基于多尺度特征融合一维卷积神经网络模型进行训练;
诊断模块,用于利用训练后的基于多尺度特征融合一维卷积神经网络模型进行机电作动器的智能故障诊断。
本发明具有以下有益效果:
本发明所述的用于机电作动器智能故障诊断方法及***在具体操作时,将多尺度变换引入到传统的卷积神经网络中,以建立基于多尺度特征融合一维卷积神经网络模型,使得网络模型在同一层级获取不同感受野的特征,以提取信号中隐藏在不同尺度上的时间和频率特征,再利用训练后的基于多尺度特征融合一维卷积神经网络模型进行故障诊断,能够降低对各种不确定性源的敏感度,具有很好的鲁棒性,诊断的准确性较高,极大的提高了模型对于机电作动器不同健康状况的识别能力。
附图说明
图1为本发明的流程图;
图2为基于多尺度特征融合一维卷积神经网络模型的框架图;
图3为主干和枝干模块的结构图;
图4为机电作动器的结构图;
图5为模型训练及测试分类的结果图;
图6为本发明与多种方法的10次测试的结果图;
图7为本发明在3种不同信噪比下的测试结果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,不是全部的实施例,而并非要限制本发明公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要的混淆本发明公开的概念。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
参考图1,本发明所述用于机电作动器智能故障诊断方法包括以下步骤:
对采集到的电流信号进行预处理,以形成训练样本,然后基于多尺度特征融合学习的构建多尺度特征融合一维卷积神经网络,然后利用训练样本对多尺度特征融合一维卷积神经网络进行训练,再利用训练后的多尺度特征融合一维卷积神经网络进行机电作动器的故障诊断,具体包括以下步骤:
1)以采样频率fs,采集机电作动器在不同健康状况下的电流信号x[n]i,并以此构成原始数据集{x[n]i},然后对各电流信号样本x[n]i根据式(1)进行归一化处理;
其中,x[n]imin为片段序列包含的数据点中的最小值,x[n]imax为片段序列包含的数据点中的最大值;
2)根据式(2),通过重叠采样的方式对归一化后的数据进行分割,以扩增电流信号样本;
其中,m为电流信号样本x[n]’i的最大可分割数量,l为每个分段信号x[l]’j的长度,λ为重叠率,x[l]’j为分割后的第j段信号,j∈[1,m];
3)构建基于多尺度特征融合一维卷积神经网络模型,基于有监督学习方法,利用训练样本对基于多尺度特征融合一维卷积神经网络模型进行逐层训练及测试;
4)利用训练后的基于多尺度特征融合一维卷积神经网络模型进行故障诊断。
所述基于多尺度特征融合一维卷积神经网络模型的框架如图2所示,包括:
a)多尺度变换模块
通过3个不同的尺度分别对输入样本进行时频尺度变换,其变换操作如式(3)所示:
y(k,s)=φ(k,s)(x[l]′) (3)
其中,y(k,s)为输入样本经尺度变换后的结果,φ(k,s)(g)为尺度变换运算,k和s均为尺度因子,k用于控制频率尺度,s用于控制时间尺度。
b)特征学习与融合模块
特征学***均池化层(GAP)组成,枝干部分的输入分别为池化层(P1~P3)输出的特征图T1、T2和T3,输出的特征图分别为G1、G2和G3,然后使用Concat方法将主干部分输出的特征图和每个枝干部分输出的特征图进行拼接融合,得到某一尺度下的高低层特征融合的结果Q,最后再将3个尺度下的特征融合结果进行融合R,数学描述为:
Q=F(T,G1,G2,G3) (4)
R=F(Q1,Q2,Q3) (5)
c)故障分类模块
将最终的特征融合结果进行展平,使用Dropout技术以预设概率p对展平后的结果进行随机丢弃,然后通过Softmax层进行故障分类,输出故障诊断结果。
本发明所述基于多尺度特征融合一维卷积神经网络的训练过程如图1所示,包括以下步骤:
11)设定模型中的超参数,包括尺度变换因子k和s、卷积层数目、每层卷积核数目及尺寸大小、每次迭代批量大小m、训练代数e、学习率η;
12)初始化模型中的训练参数,包括模型的权重参数W及偏置参数b;
13)使用训练样本对模型进行迭代训练,通过网络前向传播计算模型的输出值与真实值之间的误差,利用误差反向传播和Adam优化算法更新权值;
14)判断输出值与真实值之间的误差是否满足精度要求或者训练过程是否达到设定的迭代次数,若是,则保存模型的参数,否则,跳至步骤13);
15)将测试样本输入到训练好的模型中,输出故障诊断结果;
16)判断诊断结果是否满足机电作动器故障诊断的性能要求,若满足,则保存该故障诊断模型,否则,则跳至步骤11)。
实施例一
在本实施中,以直驱型机电作动器为依托,具体结构如图4所示。从机电作动器的组成结构来看,运行中可能发生的故障有电机故障、电气故障、机械故障和传感器故障四类。本发明对机电作动器故障发生的频率、影响程度以及故障表现的相似度这三个因素进行综合考虑,选择电机绕组匝间短路、功率管开路、电机堵转和传感器偏差4个故障进行研究,具体如表1所示。
表1
本发明的训练及验证分类结果如图5所示。将6000个训练样本分为两部分,其中,4800个样本用于训练模型,1200个样本用于验证模型的优劣,训练代数为20,批量大小为60,采用Adam优化算法。由图5可以看出,随着训练代数的增加,损失函数值不断减小,当模型训练代数为9左右时,用于验证模型的样本的准确率已达到99.5%,可见模型的该次训练过程很成功,且可初步判断该模型应具有不错的性能。
本发明、WPD-SVM(传统方法)、1DCNN、2DCNN、LSTM和WDCNN的测试结果对比如图6所示。其中,1DCNN、2DCNN和WDCNN三个对比方法可依次参考三个文献:1.曲建岭,余路,袁涛,等.基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J].仪器仪表学报,2018,39(07):134-143;2.肖雄,王健翔,张勇军,等.一种用于轴承故障诊断的二维卷积神经网络优化方法[J].中国电机工程学报,2019,39(15):4558-4568;3.Zhang Wei,Peng Gaoliang,LiChuanhao,et al.A new deep learning model for fault diagnosis with goodanti-noise and domain adaptation ability on raw vibration signals[J].Sensors,2017,17(2):425。
从图6中可以看出:本发明的性能最佳,而WPD-SVM的性能最差,其余方法性能处于中间值。传统诊断方法结果不理想的原因有如下3点:(1)特征提取与分类是分开设计和进行的,而非完全统一的整体,故两者不能同时进行优化,限制了最终诊断性能的上界;(2)特征不能自适应提取,通常依赖人工设计,需要一定的信号处理技术和诊断专业知识,耗时费力;(3)现有的方法大多是针对特定领域的,不能随着应用设备或领域的变化而在线更新,即通用性较差,无法很好地推广到新的诊断领域,所以其效果并不理想。基于LSTM、1DCNN和WDCNN三种故障诊断模型的输入均为一维信号,不过LSTM模型的平均正确率低于后两种模型,原因可能为LSTM的结构更适合于语言和文本处理,故其对机电作动器的状态识别正确率相对较低;而2DCNN模型的输入为二维图像,但由于机电作动器输出的电流为一维信号,所以需要先将一维信号转换为二维图像,转换过程可能存在一定的信息偏差,故2DCNN模型的识别正确率也较低。
然而本发明设计的网络模型通过多个不同尺度和高低层特征融合结构,将不同尺度下样本的低层细节信息和高层抽象特征相融合,可以有效地丰富特征的多样性和互补性,增强融合特征的可辨识性,从而极大提高了模型对于机电作动器不同健康状况的识别能力。
图7为本发明在3种不同信噪比(SNR)下的测试结果图,从图7中可以看出,在3种不同SNR情况下,本发明均有超过90%的诊断性能,且诊断性能随着SNR的增加而增加,例如当SNR=15时,故障识别正确率接近100%,这说明本发明对噪声具有很好的鲁棒性。
Claims (8)
1.一种用于机电作动器智能故障诊断方法,其特征在于,包括:
采集机电作动器在不同健康状况下的电流信号样本;
对采集到的电流信号样本进行预处理,得训练样本;
建立基于多尺度特征融合一维卷积神经网络模型;
利用训练样本对基于多尺度特征融合一维卷积神经网络模型进行训练;
利用训练后的基于多尺度特征融合一维卷积神经网络模型进行机电作动器的智能故障诊断。
2.根据权利要求1所述的用于机电作动器智能故障诊断方法,其特征在于,以采样频率fs,采集机电作动器在不同健康状况下的电流信号{x[n]i}。
3.根据权利要求1所述的用于机电作动器智能故障诊断方法,其特征在于,对采集到的电流信号样本进行预处理,得训练样本的具体过程为:
对采集到的电流信号样本进行归一化处理,再采用重叠采样的方式扩增样本的数目,得训练样本。
4.根据权利要求1所述的用于机电作动器智能故障诊断方法,其特征在于,所述基于多尺度特征融合一维卷积神经网络模型包括多尺度变换模块、特征学习及融合模块及故障分类模块。
5.根据权利要求4所述的用于机电作动器智能故障诊断方法,其特征在于,所述多尺度变换模块根据式(3),通过3个不同的尺度分别对输入样本进行尺度变换;
y(k,s)=φ(k,s)(x[l]′) (3)
其中,y(k,s)为输入样本经尺度变换后的结果,φ(k,s)(g)为尺度变换运算,k及s均为尺度因子,k用于控制频率尺度,s用于控制时间尺度。
6.根据权利要求4所述的用于机电作动器智能故障诊断方法,其特征在于,特征学***均池化层GAP。
7.根据权利要求6所述的用于机电作动器智能故障诊断方法,其特征在于,枝干部分的输入分别为池化层P1~P3输出的特征图T1、T2和T3,输出的特征图G1、G2和G3;
使用Concat方法将主干部分输出的特征图及每个枝干部分输出的特征图进行拼接融合,得预设尺度下的高低层特征融合的结果Q,最后再将3个尺度下的特征融合结果进行融合R。
8.一种用于机电作动器智能故障诊断***,其特征在于,包括:
采集模块,用于采集机电作动器在不同健康状况下的电流信号样本;
预处理模块,用于对采集到的电流信号样本进行预处理,得训练样本;
建立模块,用于建立基于多尺度特征融合一维卷积神经网络模型;
训练模块,用于利用训练样本对基于多尺度特征融合一维卷积神经网络模型进行训练;
诊断模块,用于利用训练后的基于多尺度特征融合一维卷积神经网络模型进行机电作动器的智能故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111155991.7A CN113962256A (zh) | 2021-09-29 | 2021-09-29 | 一种用于机电作动器智能故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111155991.7A CN113962256A (zh) | 2021-09-29 | 2021-09-29 | 一种用于机电作动器智能故障诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962256A true CN113962256A (zh) | 2022-01-21 |
Family
ID=79462813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111155991.7A Pending CN113962256A (zh) | 2021-09-29 | 2021-09-29 | 一种用于机电作动器智能故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962256A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN110596506A (zh) * | 2019-10-30 | 2019-12-20 | 福州大学 | 基于时间卷积网络的变换器故障诊断方法 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业***的故障诊断方法、装置、设备及存储介质 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
-
2021
- 2021-09-29 CN CN202111155991.7A patent/CN113962256A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299705A (zh) * | 2018-10-24 | 2019-02-01 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110596506A (zh) * | 2019-10-30 | 2019-12-20 | 福州大学 | 基于时间卷积网络的变换器故障诊断方法 |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业***的故障诊断方法、装置、设备及存储介质 |
CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
Non-Patent Citations (1)
Title |
---|
孙曙光;李勤;杜太行;崔景瑞;王景芹;: "基于一维卷积神经网络的低压万能式断路器附件故障诊断", 电工技术学报, no. 12 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340238B (zh) | 一种工业***的故障诊断方法、装置、设备及存储介质 | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及*** | |
CN113567131B (zh) | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 | |
CN111368885A (zh) | 一种基于深度学习和信息融合的航空发动机气路故障诊断方法 | |
CN113203566B (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
CN110991471B (zh) | 一种高速列车牵引***故障诊断方法 | |
CN110954326A (zh) | 一种自动学习特征表达的滚动轴承在线故障诊断方法 | |
CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
CN112859898A (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN111368648B (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
CN114818579A (zh) | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
Zhao et al. | Bearing fault diagnosis based on mel frequency cepstrum coefficient and deformable space-frequency attention network | |
CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及*** | |
CN111783335B (zh) | 一种基于迁移学习的少样本结构频响动力学模型修正方法 | |
CN113343760A (zh) | 一种基于多尺度特征神经网络的人体行为识别方法 | |
CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
CN110231165B (zh) | 一种基于期望差异约束置信网络的机械设备故障诊断方法 |
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 |