CN114962390A - 液压***故障诊断方法、***及作业机械 - Google Patents

液压***故障诊断方法、***及作业机械 Download PDF

Info

Publication number
CN114962390A
CN114962390A CN202210509206.1A CN202210509206A CN114962390A CN 114962390 A CN114962390 A CN 114962390A CN 202210509206 A CN202210509206 A CN 202210509206A CN 114962390 A CN114962390 A CN 114962390A
Authority
CN
China
Prior art keywords
hydraulic system
running state
fault
state data
diagnosis
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
Application number
CN202210509206.1A
Other languages
English (en)
Inventor
何文卓
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.)
Sany Heavy Machinery Ltd
Original Assignee
Sany Heavy Machinery Ltd
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 Sany Heavy Machinery Ltd filed Critical Sany Heavy Machinery Ltd
Priority to CN202210509206.1A priority Critical patent/CN114962390A/zh
Publication of CN114962390A publication Critical patent/CN114962390A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
    • F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
    • F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
    • F15B19/005—Fault detection or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
    • F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
    • F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
    • F15B19/007—Simulation or modelling
    • 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
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
    • F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
    • F15B2211/00—Circuits for servomotor systems
    • F15B2211/80—Other types of control related to particular problems or conditions
    • F15B2211/87—Detection of failures
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mechanical Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种液压***故障诊断方法、***及液压***，涉及故障检测技术领域，其中方法包括：获取液压***的运行状态数据；将运行状态数据输入诊断模型中，得到液压***的故障诊断结果；其中，诊断模型基于液压***在不同故障类型下的运行状态参数样本，与运行状态参数样本对应的故障类型标签训练得到，运行状态参数样本由从液压***获取的多种运行状态数据样本组合构成。该方法用以解决现有技术中基于单一类型的检测数据对液压***的故障类型进行预测，造成的对液压***故障的诊断结果准确率低的缺陷，实现基于多类型运行状态数据对液压***故障的诊断，提高诊断结果的准确度。

Description

液压***故障诊断方法、***及作业机械
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种液压***故障诊断方法、***及作业机械。
背景技术
液压***重量轻、功率强且运行平稳，因此普遍运用到机械设备当中，液压***分为传动***和控制***，由动力元件、执行元件、控制元件、辅助元件和液压油组成，各液压元件的结构复杂，且需要实现电能、液压能和机械能之间的相互转换，工作状况复杂。此外，液压***这种重工机械设备的工作环境恶劣，导致设备故障频发，降低了工作效率且对企业的效益带来很大的影响。
液压***复杂的结构和恶劣的工作环境导致其故障排查及修复工作的难度很大。传统的故障诊断方法需要人为地进行特征提取、特征选择和特征融合，这个过程往往需要大量反复的调试和选择，才能获得能够准确反映***状态的特征，原始信息在这个复杂的特征工程中容易产生消减或丢失，增大了特征提取的不确定性，影响分类结果准确性。而且传统故障诊断方法的计算能力已经明显无法满足如今“机械大数据”背景下的故障诊断需求。在这种情况下，基于深度学习的故障诊断方法应时而生，克服了传统故障诊断方法的不足，实现大数据发展趋势下机械设备特征自适应提取与健康状况智能诊断。
然而，目前用于液压***故障诊断的深度学习模型，多基于液压***在运行时的一种检测数据进行故障的预测，这对于结构和工作状况均较为复杂的液压***来说，对于故障类型的预测并不够准确。
发明内容
本发明提供一种液压***故障诊断方法、***及作业机械，用以解决现有技术中基于单一类型的检测数据对液压***的故障类型进行预测，造成的对液压***故障的诊断结果准确率低的缺陷，实现基于多类型运行状态数据对液压***故障的诊断，提高诊断结果的准确度。
本发明提供一种液压***故障诊断方法，包括：
获取液压***的运行状态数据；
将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果；
其中，所述诊断模型基于所述液压***在不同故障类型下的运行状态参数样本，与所述运行状态参数样本对应的故障类型标签训练得到，所述运行状态参数样本由从所述液压***获取的多种运行状态数据样本组合构成。
根据本发明所述的液压***故障诊断方法，将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果，包括：
对所述运行状态数据进行标准归一化处理，得到运行状态参数；
对所述运行状态参数进行特征提取，得到所述运行状态参数中表征所述液压***工作状态的特征；
对所述特征进行降维处理，得到降维特征；
对所述降维特征进行非线性组合，得到组合特征；
对所述组合特征进行分类，得到所述故障诊断结果。
根据本发明所述的液压***故障诊断方法，所述运行状态数据包括：油液温度、油液压力、油液流量、振动频率、噪声中的一种或多种。
根据本发明所述的液压***故障诊断方法，对所述运行状态数据进行标准归一化处理，得到运行状态参数，包括：
基于所述运行状态数据的种类，将所述运行状态数据进行分类，得到以种类进行划分的各类运行状态数据；
基于所述各类运行状态数据的数据总量，计算得到所述各类运行状态数据的均值；
基于所述各类运行状态数据、所述数据总量和所述均值，计算得到所述各类运行状态数据的标准差；
基于所述各类运行状态数据、所述均值和所述标准差，得到所述各类运行状态数据的运行状态参数；
将所述各类运行状态数据的运行状态参数组合，得到所述运行状态数据经标准归一化处理后得到的所述运行状态参数。
根据本发明所述的液压***故障诊断方法，所述诊断模型的构建方式为：
基于所述运行状态参数样本，以及与所述运行状态参数样本对应的故障类型标签训练得到预备诊断模型；
对所述预备诊断模型进行超参数调优；
将经所述超参数调优后的所述预备诊断模型，作为所述诊断模型。
根据本发明所述的液压***故障诊断方法，对所述预备诊断模型进行超参数调优，包括：
基于将所述运行状态参数样本输入所述预备诊断模型得到的故障类型预测结果，和所述运行状态参数样本对应的故障类型标签，得到表征所述故障类型预测结果与所述故障类型标签间的误差的目标函数；
基于所述目标函数和上一时间步长时的所述超参数，得到在当前所述时间步长的所述目标函数梯度；
基于所述目标函数梯度和在上一所述时间步长时的期望，得到在当前所述时间步长的所述目标函数梯度的期望；
基于在当前所述时间步长的所述目标函数梯度的期望，得到在当前所述时间步长的偏置矫正；
基于在当前所述时间步长的偏置矫正和上一所述时间步长时的所述超参数，得到在当前所述时间步长的所述超参数；
基于在当前所述时间步长的所述超参数，更新上一所述时间步长时的所述超参数，直至所述目标函数收敛。
本发明还提供一种液压***故障诊断***，包括：
获取模块，用于获取液压***的运行状态数据；
处理模块，用于将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果；
其中，所述诊断模型基于所述液压***在不同故障类型下的运行状态参数样本，与所述运行状态参数样本对应的故障类型标签训练得到，所述运行状态参数样本由从所述液压***获取的多种运行状态数据样本组合构成。
本发明还提供一种包括如上述所述的液压***故障诊断***的作业机械。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的液压***故障诊断方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的液压***故障诊断方法。
本发明提供的一种液压***故障诊断方法、***及作业机械，通过将获取的液压***的运行状态数据输入预先基于液压***在不同故障类型下的运行状态参数样本，以及与运行状态参数样本对应的故障类型标签训练得到的诊断模型中，得到液压***的故障诊断结果，同时，运行状态参数样本由从液压***获取的多种运行状态数据样本组合构成，使得诊断模型能够基于造成液压***故障的多种因素进行综合预测，有效提高了基于诊断模型判断液压***故障类型的准确率。
通过将包含多种数据类型的运行状态数据进行标准归一化处理，使得各个维度的特征归一化到同一取值区间，消除了不同特征之间的相关性，使得诊断模型对不同维度的特征进行综合分析，保证了对故障类型预测的准确性。
通过基于运行状态参数样本，以及与运行状态参数样本对应的故障类型标签训练得到预备诊断模型，然后对预备诊断模型进行超参数调优后，再将经超参数调优后的预备诊断模型作为诊断模型，使利用诊断模型进行液压***故障诊断的准确度进一步提高。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种液压***故障诊断方法的流程示意图；
图2是本发明提供的一种液压***故障诊断***的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，对于液压***的故障诊断，传统的故障诊断方法需要人为地进行特征提取、特征选择和特征融合，这个过程往往需要大量反复的调试和选择，才能获得能够准确反映***状态的特征，原始信息在这个复杂的特征工程中容易产生消减或丢失，增大了特征提取的不确定性，影响分类结果准确性。而且传统故障诊断方法的计算能力已经明显无法满足如今“机械大数据”背景下的故障诊断需求。在这种情况下，基于深度学习的故障诊断方法应时而生，克服了传统故障诊断方法的不足，实现大数据发展趋势下机械设备特征自适应提取与健康状况智能诊断。
然而，目前基于深度学习的故障诊断方法往往仅针对液压***的一种检测数据进行故障类型的预测，但是，液压***的结构复杂、工作环境恶劣，工作状况复杂，故障也至少能够分为压力异常、动作异常和速度异常三大类，而这些故障的表现形式右可以包括温度异常、振动、噪声、油压异常等，因而，基于单一检测数据的故障类型预测显然不能保证对于液压***故障诊断的准确度。
基于此，本发明实施例提出了一种液压***故障诊断方法，通过将获取的液压***的运行状态数据，输入基于液压***在不同故障类型下的由从液压***获取的多种运行状态数据样本组合构成的运行状态参数样本，以及与运行状态参数样本对应的故障类型标签训练得到的诊断模型中，得到故障诊断结果，使得对于液压***的故障诊断基于液压***在运行时的多种监测数据得到，有效提高了对于故障诊断的准确率。
下面结合图1描述本发明的一种液压***故障诊断方法，通过液压***的控制器或者其中的软件和/或硬件执行，如图1所示，所述方法包括以下步骤：
101、获取液压***的运行状态数据；
具体地，液压***在运行过程中，***的温度、油压、流量等均会发生一定的变化，而当出现故障时，也会体现在液压***的某些方面，例如：当液压***的吸油路中混入空气，或困油、叶片或活塞卡死时，会使得液压***的振动异常，同时还会产生噪声；当散热不良、油箱内油量低或油液中混入空气或水分等时，会使得液压***的温度过高；当减压阀、溢流阀或卸荷阀堵塞、变量结构不工作等时，会使得油压过高，而当溢流阀旁通阀损坏或液压阀损坏等时，则会使得油压不足。可见，通过对监测得到的液压***的温度、油压、振动、噪声等运行状态数据进行准确的分析，就能判断出液压***是否发生故障，并得到故障类型。
102、将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果；
其中，诊断模型基于液压***在不同故障类型下的运行状态参数样本，以及与所述运行状态参数样本对应的故障类型标签训练得到，所述运行状态参数样本由从所述液压***获取的多种运行状态数据样本组合构成。
具体地，通过采集液压***在不同故障类型下的运行状态数据，然后将运行状态数据组合构成运行状态参数，通过运行状态参数样本和对应的故障类型标签训练就能得到用于液压***故障诊断的诊断模型，进而实现对液压***故障的实时诊断。
更具体地，通过将多种运行状态数据样本组合构成运行状态参数样本，然后利用运行状态参数样本和标签来训练得到诊断模型，使得诊断模型能够基于液压***运行时的多种运行状态数据对液压***的运行状态进行综合性的判断，进而准确的预测液压***的故障类型，便于后续对液压***的针对性维修，有效提高了液压***的运行效率，保证了工程进度。
作为本发明的一种实施例，将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果，包括：
对所述运行状态数据进行标准归一化处理，得到所述运行状态参数；
对所述运行状态参数进行特征提取，得到所述运行状态参数中表征所述液压***工作状态的特征；
对所述特征进行降维处理，得到降维特征；
对所述降维特征进行非线性组合，得到组合特征；
对所述组合特征进行分类，得到所述故障诊断结果。
具体地，能够体现液压***故障的数据的类型分为多种，例如：油压、温度、振动、噪声等，这些运行状态数据在输入诊断模型时，按照类型的不同被诊断模型视为处于不同维度的特征，可以理解的是，每一维特征的来源及度量单位一般都不相同，因此特征取值的分布范围也就存在很大差异，通过将运行状态数据进行标准归一化处理，使得各个维度的特征归一化到同一取值区间，消除了不同特征之间的相关性，使得诊断模型对不同维度的特征进行综合分析，保证了对故障类型预测的准确性。
更具体地，诊断模型对运行状态参数进行特征提取，以提取出能够表征液压***故障类型的类型，然后对特征进行降维，即降采样，去掉得到的特征映射的次要部分，进而避免过拟合，之后对降维特征进行非线性组合得以输出，最后使用先前描述的网络层组合，将输入的运行状态数据转换为最终的类别，即得到故障诊断结果。
可以理解的是，通过液压***的运行状态数据，基于诊断模型对液压***的故障进行诊断的过程，与诊断模型的训练过程是一致的，也就是说在诊断模型的训练过程中，当将运行状态数据样本输入构建的初始模型后，初始模型也会先对运行状态数据样本进行标准归一化处理，因为运行状态数据样本中不同的特征取值范围会使大多数位置上的梯度方向不是最优的搜索方向，这会导致在训练时需要多次迭代网络才能收敛，因此需要对数据进行归一化处理，将各个维度的特征归一化到同一取值区间，消除不同特征之间的相关性，提高训练效率。另外，由于当特征指标不同时，其量纲和量纲单位不同，如果不进行归一化，则可能会使有些指标被忽略，从而影响到数据分析的结果。后续，在得到运行状态参数样本后，在顺次经过特征提取、特征降维、非线性组合和分类，最后，再基于由诊断模型得到的故障诊断结果和所述运行状态数据样本实际对应的标签来对模型的参数进行调整，直至由诊断模型得到的故障诊断结果和标签适配，则代表诊断模型训练完成。
作为本发明的一种实施例，所述运行状态数据包括：油液温度、油液压力、油液流量、振动频率、噪声中的一种或多种。
具体地，如前所述，基于液压***故障类型的不同，体现在液压***的不同运行参数上，因而，在对液压***进行故障诊断时，同时获取液压***的油液温度、油液压力、油液流量、振动频率、噪声中的一种或多种，能够提高对液压***故障类型诊断的准确性。
更具体地，本发明实施例所记载的运行状态数据类型仅是目前相对常见的能够反应液压***故障的数据类型，属于示例性的，其他本发明实施例未列出的运行状态数据类型也属于本发明技术方案的保护范围。
作为本发明的一种实施例，对所述运行状态数据进行标准归一化处理，得到运行状态参数，包括：
基于所述运行状态数据的种类，将所述运行状态数据进行分类，得到以种类进行划分的各类运行状态数据；
基于所述各类运行状态数据的数据总量，计算得到所述各类运行状态数据的均值；
基于所述各类运行状态数据、所述数据总量和所述均值，计算得到所述各类运行状态数据的标准差；
基于所述各类运行状态数据、所述均值和所述标准差，得到所述各类运行状态数据的运行状态参数；
将所述各类运行状态数据的运行状态参数组合，得到所述运行状态数据经标准归一化处理后得到的所述运行状态参数。
具体地，归一化处理数据能够提高模型的训练效率，并使模型获得较高的准确率，所以，在将运行状态数据输入所述诊断模型后，首先进行标准归一化处理，得到所述运行状态参数。
更具体地，对于本发明实施例所采用的标准归一化处理，以有N个样本
Figure BDA0003637260710000101
为例，对于每一维特征x，则其均值和标准差分别为：
Figure BDA0003637260710000102
Figure BDA0003637260710000103
基于均值和标准差，就能得到如式3所示的各类运行状态数据的运行状态参数：
Figure BDA0003637260710000104
作为本发明的一种实施例，所述诊断模型的构建方式为：
基于所述运行状态参数样本，以及与所述运行状态参数样本对应的故障类型标签训练得到预备诊断模型；
对所述预备诊断模型进行超参数调优；
将经所述超参数调优后的所述预备诊断模型，作为所述诊断模型。
可以理解的是，在卷积神经网络模型的训练过程中，传统的随机梯度下降法会保持不变的学习率更新权重，所以，当学习率取值不当时，容易使训练陷入局部最小值或鞍点，影响整个模型的性能。
基于此，在本发明上述实施例中，在基于所述运行状态参数样本，以及与所述运行状态参数样本对应的故障类型标签训练得到预备诊断模型后，对所述预备诊断模型进行超参数调优，然后将经所述超参数调优后的所述预备诊断模型，作为所述诊断模型，即对预备诊断模型的超参数学习率进行周期性的调整，以提高得到的诊断模型进行液压***故障诊断的准确度。
作为本发明的一种实施例，对所述预备诊断模型进行超参数调优，包括：
基于将所述运行状态参数样本输入所述预备诊断模型得到的故障类型预测结果，和所述运行状态参数样本对应的故障类型标签，得到表征所述故障类型预测结果与所述故障类型标签间的误差的目标函数；
基于所述目标函数和上一时间步长时的所述超参数，得到在当前所述时间步长的所述目标函数梯度；
基于所述目标函数梯度和在上一所述时间步长时的期望，得到在当前所述时间步长的所述目标函数梯度的期望；
基于在当前所述时间步长的所述目标函数梯度的期望，得到在当前所述时间步长的偏置矫正；
基于在当前所述时间步长的偏置矫正和上一所述时间步长时的所述超参数，得到在当前所述时间步长的所述超参数；
基于在当前所述时间步长的所述超参数，更新上一所述时间步长时的所述超参数，直至所述目标函数收敛。
具体地，在诊断模型的训练过程中，当基于输入模型的运行状态数据样本输出的预测结果不符合期望值时，通过反向传播的过程来调整模型的参数，所述反向传播的过程即为对所述预备诊断模型进行超参数调优的过程。
更具体地，将所述运行状态数据样本据从输入层，经过卷积层、池化层、全连接层到输出层，数据在各层之间传递会造成数据的损失，会导致误差产生。通过计算出输出结果与标签，即期望值的误差，将误差输入输出端，以反向传播的方式逐层递归地计算各层误差，利用自适应矩估计Adam优化算法调整各层的连接权重，就是一次反向传播过程。通过不断重复此过程，直到输出值与期望值间的误差缩小到一定值，权值停止更新，则对诊断模型的训练完成。
可以理解的是，反向传播的主要目的是通过训练样本和期望值来调整网络权值。由于液压***故障诊断问题是一个多分类问题，因此采用最小交叉熵损失函数计算输出结果与真实值间的误差：
Figure BDA0003637260710000121
其中，y为输出值，即样本预测值；n表示样本总数；a为期望值，即标签。
进一步地，采用Adam优化算法，对预备诊断模型的权值进行更新，具体步骤包括：
Figure BDA0003637260710000122
mt＝μ*mt-1+(1-μ)*gt (6)
Figure BDA0003637260710000123
其中，gt为目标函数梯度，mt和nt分别为梯度的一阶矩估计和二阶矩估计，μ和v分别为梯度的一阶矩估计和二阶矩估计的指数衰减率，且μ，v∈[0,1]。
则在第t次迭代时：
Figure BDA0003637260710000124
Figure BDA0003637260710000125
进而得到预备诊断模型的参数的更新的表达式为：
Figure BDA0003637260710000126
其中，α为学习率，ε为很小的数，防止分母为0。θt则为更新的参数，包括权值和偏置量。
本发明上述实施例所述的液压***故障诊断方法，通过计算梯度的一阶矩估计和二阶矩估计来自适应调整参数学习率，并给予训练数据迭代的更新神经网络权值，同时，在梯度下降中的优化过程，更新参数θt的学习率，实现为不同的参数产生自适应性的学习率，从而避免了在基于随机梯度下降法对诊断模型进行训练时，陷入局部最小值或鞍点的问题。
另外，本发明实施例所述液压***故障诊断方法基于包括油液温度、油液压力、油液流量、振动频率、噪声等运行状态数据进行液压***故障的类型估测，各运行状态数据在进行标准归一化后，形成一维的时间序列信号，使得所述诊断模型中用于特征提取的卷积层能够为一维卷积层序列，同时卷积核数量不需要超过10个，大大降低了诊断模型的训练难度，并提高了利用所述诊断模型进行液压***故障诊断的效率。
下面对本发明提供的一种液压***故障诊断***进行描述，下文描述的一种液压***故障诊断***与上文描述的一种液压***故障诊断方法可相互对应参照。
如图2所示，为本发明实施例提供的一种液压***故障诊断***，包括：获取模块210和处理模块220；其中，
所述获取模块210用于获取液压***的运行状态数据；
所述处理模块220用于将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果；
其中，所述诊断模型基于所述液压***在不同故障类型下的运行状态参数样本，与所述运行状态参数样本对应的故障类型标签训练得到，所述运行状态参数样本由从所述液压***获取的多种运行状态数据样本组合构成。
本发明实施例所述的液压***故障诊断***，通过将获取的液压***的运行状态数据输入预先基于液压***在不同故障类型下的运行状态参数样本，以及与运行状态参数样本对应的故障类型标签训练得到的诊断模型中，得到液压***的故障诊断结果，同时，运行状态参数样本由从液压***获取的多种运行状态数据样本组合构成，使得诊断模型能够基于造成液压***故障的多种因素进行综合预测，有效提高了基于诊断模型判断液压***故障类型的准确率。
优选的，所述处理模块具体用于对所述运行状态数据进行标准归一化处理，得到所述运行状态参数；对所述运行状态参数进行特征提取，得到所述运行状态参数中表征所述液压***工作状态的特征；对所述特征进行降维处理，得到降维特征；对所述降维特征进行非线性组合，得到组合特征；以及对所述组合特征进行分类，得到所述故障诊断结果。
优选的，所述获取模块获取的所述运行状态数据包括：油液温度、油液压力、油液流量、振动频率、噪声中的一种或多种。
优选的，所述处理模块进一步用于基于所述运行状态数据的种类，将所述运行状态数据进行分类，得到以种类进行划分的各类运行状态数据；基于所述各类运行状态数据的数据总量，计算得到所述各类运行状态数据的均值；基于所述各类运行状态数据、所述数据总量和所述均值，计算得到所述各类运行状态数据的标准差；基于所述各类运行状态数据、所述均值和所述标准差，得到所述各类运行状态数据的运行状态参数；以及将所述各类运行状态数据的运行状态参数组合，得到所述运行状态数据经标准归一化处理后得到的所述运行状态参数。
优选的，所述诊断模型的构建方式为：
基于所述运行状态参数样本，以及与所述运行状态参数样本对应的故障类型标签训练得到预备诊断模型；
对所述预备诊断模型进行超参数调优；
将经所述超参数调优后的所述预备诊断模型，作为所述诊断模型。
优选的，对所述预备诊断模型进行超参数调优，包括：
基于将所述运行状态参数样本输入所述预备诊断模型得到的故障类型预测结果，和所述运行状态参数样本对应的故障类型标签，得到表征所述故障类型预测结果与所述故障类型标签间的误差的目标函数；基于所述目标函数和上一时间步长时的所述超参数，得到在当前所述时间步长的所述目标函数梯度；基于所述目标函数梯度和在上一所述时间步长时的期望，得到在当前所述时间步长的所述目标函数梯度的期望；基于在当前所述时间步长的所述目标函数梯度的期望，得到在当前所述时间步长的偏置矫正；基于在当前所述时间步长的偏置矫正和上一所述时间步长时的所述超参数，得到在当前所述时间步长的所述超参数；以及基于在当前所述时间步长的所述超参数，更新上一所述时间步长时的所述超参数，直至所述目标函数收敛。
本发明实施例还提供一种包括如上述任一种实施例所述的液压***故障诊断***的作业机械。
具体地，所述包括本发明所述的液压***故障诊断***的作业机械具有所述液压***故障诊断***的所有优点和技术效果，此处不再赘述。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行一种液压***故障诊断方法，该方法包括：获取液压***的运行状态数据；将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果；其中，所述诊断模型基于所述液压***在不同故障类型下的运行状态参数样本，与所述运行状态参数样本对应的故障类型标签训练得到，所述运行状态参数样本由从所述液压***获取的多种运行状态数据样本组合构成。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的一种液压***故障诊断方法，该方法包括：获取液压***的运行状态数据；将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果；其中，所述诊断模型基于所述液压***在不同故障类型下的运行状态参数样本，与所述运行状态参数样本对应的故障类型标签训练得到，所述运行状态参数样本由从所述液压***获取的多种运行状态数据样本组合构成。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时能够实现上述各方法提供的一种液压***故障诊断方法，该方法包括：获取液压***的运行状态数据；将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果；其中，所述诊断模型基于所述液压***在不同故障类型下的运行状态参数样本，与所述运行状态参数样本对应的故障类型标签训练得到，所述运行状态参数样本由从所述液压***获取的多种运行状态数据样本组合构成。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种液压***故障诊断方法，其特征在于，包括：
获取液压***的运行状态数据；
将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果；
其中，所述诊断模型基于所述液压***在不同故障类型下的运行状态参数样本，与所述运行状态参数样本对应的故障类型标签训练得到，所述运行状态参数样本由从所述液压***获取的多种运行状态数据样本组合构成。
2.根据权利要求1所述的液压***故障诊断方法，其特征在于，将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果，包括：
对所述运行状态数据进行标准归一化处理，得到运行状态参数；
对所述运行状态参数进行特征提取，得到所述运行状态参数中表征所述液压***工作状态的特征；
对所述特征进行降维处理，得到降维特征；
对所述降维特征进行非线性组合，得到组合特征；
对所述组合特征进行分类，得到所述故障诊断结果。
3.根据权利要求2所述的液压***故障诊断方法，其特征在于，所述运行状态数据包括：油液温度、油液压力、油液流量、振动频率、噪声中的一种或多种。
4.根据权利要求3所述的液压***故障诊断方法，其特征在于，对所述运行状态数据进行标准归一化处理，得到运行状态参数，包括：
基于所述运行状态数据的种类，将所述运行状态数据进行分类，得到以种类进行划分的各类运行状态数据；
基于所述各类运行状态数据的数据总量，计算得到所述各类运行状态数据的均值；
基于所述各类运行状态数据、所述数据总量和所述均值，计算得到所述各类运行状态数据的标准差；
基于所述各类运行状态数据、所述均值和所述标准差，得到所述各类运行状态数据的运行状态参数；
将所述各类运行状态数据的运行状态参数组合，得到所述运行状态数据经标准归一化处理后得到的所述运行状态参数。
5.根据权利要求1所述的液压***故障诊断方法，其特征在于，所述诊断模型的构建方式为：
基于所述运行状态参数样本，以及与所述运行状态参数样本对应的故障类型标签训练得到预备诊断模型；
对所述预备诊断模型进行超参数调优；
将经所述超参数调优后的所述预备诊断模型，作为所述诊断模型。
6.根据权利要求5所述的液压***故障诊断方法，其特征在于，对所述预备诊断模型进行超参数调优，包括：
基于将所述运行状态参数样本输入所述预备诊断模型得到的故障类型预测结果，和所述运行状态参数样本对应的故障类型标签，得到表征所述故障类型预测结果与所述故障类型标签间的误差的目标函数；
基于所述目标函数和上一时间步长时的所述超参数，得到在当前所述时间步长的所述目标函数梯度；
基于所述目标函数梯度和在上一所述时间步长时的期望，得到在当前所述时间步长的所述目标函数梯度的期望；
基于在当前所述时间步长的所述目标函数梯度的期望，得到在当前所述时间步长的偏置矫正；
基于在当前所述时间步长的偏置矫正和上一所述时间步长时的所述超参数，得到在当前所述时间步长的所述超参数；
基于在当前所述时间步长的所述超参数，更新上一所述时间步长时的所述超参数，直至所述目标函数收敛。
7.一种液压***故障诊断***，其特征在于，包括：
获取模块，用于获取液压***的运行状态数据；
处理模块，用于将所述运行状态数据输入诊断模型中，得到所述液压***的故障诊断结果；
其中，所述诊断模型基于所述液压***在不同故障类型下的运行状态参数样本，与所述运行状态参数样本对应的故障类型标签训练得到，所述运行状态参数样本由从所述液压***获取的多种运行状态数据样本组合构成。
8.一种作业机械，其特征在于，包括如权利要求7所述的液压***故障诊断***。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的液压***故障诊断方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的液压***故障诊断方法。
CN202210509206.1A 2022-05-10 2022-05-10 液压***故障诊断方法、***及作业机械 Pending CN114962390A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210509206.1A CN114962390A (zh) 2022-05-10 2022-05-10 液压***故障诊断方法、***及作业机械

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210509206.1A CN114962390A (zh) 2022-05-10 2022-05-10 液压***故障诊断方法、***及作业机械

Publications (1)

Publication Number Publication Date
CN114962390A true CN114962390A (zh) 2022-08-30

Family

ID=82972293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210509206.1A Pending CN114962390A (zh) 2022-05-10 2022-05-10 液压***故障诊断方法、***及作业机械

Country Status (1)

Country Link
CN (1) CN114962390A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116163943A (zh) * 2023-03-27 2023-05-26 蚌埠市联合压缩机制造有限公司 一种运行状态实时监测的压缩机
CN116517921A (zh) * 2023-07-03 2023-08-01 成都飞机工业（集团）有限责任公司 航空液压油车状态在线检测方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116163943A (zh) * 2023-03-27 2023-05-26 蚌埠市联合压缩机制造有限公司 一种运行状态实时监测的压缩机
CN116163943B (zh) * 2023-03-27 2023-09-08 蚌埠市联合压缩机制造有限公司 一种运行状态实时监测的压缩机
CN116517921A (zh) * 2023-07-03 2023-08-01 成都飞机工业（集团）有限责任公司 航空液压油车状态在线检测方法及***
CN116517921B (zh) * 2023-07-03 2023-11-10 成都飞机工业（集团）有限责任公司 航空液压油车状态在线检测方法及***

Similar Documents

Publication Publication Date Title
CN111222290B (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN114962390A (zh) 液压***故障诊断方法、***及作业机械
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
CN114048600A (zh) 一种数字孪生驱动的多模型融合工业***异常检测方法
US11650968B2 (en) Systems and methods for predictive early stopping in neural network training
CN111340282B (zh) 基于da-tcn的设备剩余使用寿命的估计方法及***
CN111539515A (zh) 一种基于故障预测的复杂装备维修决策方法
CN112116198B (zh) 数据驱动的流程工业状态感知网络关键节点筛选方法
CN112629585A (zh) 基于多维参数估计的设备在线监测方法及装置
CN110119787B (zh) 一种旋转型机械设备工况检测方法及设备
CN112598172A (zh) 一种风电机组轴承温度预警方法
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN113822421A (zh) 基于神经网络的异常定位方法、***、设备及存储介质
US20240185115A1 (en) Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program
CN108959498A (zh) 一种用于健康监测的大数据处理平台及其设计方法
CN116010900A (zh) 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法
CN115827411A (zh) 一种用于自动化设备的在线监测及运维评估***和方法
CN115964907A (zh) 复杂***健康趋势预测方法、***、电子设备及存储介质
CN112506718B (zh) 一种故障冗余机制的安全芯片处理器及处理方法
CN111241629B (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
CN112418460A (zh) 工程车辆的故障诊断方法和故障诊断装置
CN117458955A (zh) 电机的运行控制方法及***
CN114970674A (zh) 一种基于关联度对齐的时序数据概念漂移适配方法
KR20230075150A (ko) 시스템 건전성을 관리하기 위한 방법 및 장치

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