CN116340817A - 液压活塞泵智能故障识别方法 - Google Patents
液压活塞泵智能故障识别方法 Download PDFInfo
- Publication number
- CN116340817A CN116340817A CN202310218482.7A CN202310218482A CN116340817A CN 116340817 A CN116340817 A CN 116340817A CN 202310218482 A CN202310218482 A CN 202310218482A CN 116340817 A CN116340817 A CN 116340817A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution layer
- convolution
- fault
- maximum pooling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 102
- 230000006870 function Effects 0.000 claims description 71
- 238000010586 diagram Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000009471 action Effects 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 8
- 238000002945 steepest descent method Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种液压活塞泵智能故障识别方法,包括原始信号获取:通过多传感器采集典型状态原始一维时域信号;信号处理与分析:对原始信号进行时频域转换,构建时频特征图谱库;样本库构建:按比例划分训练集、验证集、测试集,构建故障特征样本库;模型构建及训练验证:构建具有特征提取和记忆能力的融合诊断模型,训练样本输入模型进行训练,验证样本参与调参及性能评估,获得最优特征记忆融合网络模型;故障类型识别:随机抽取一定比例测试样本,调整至合适大小后输入到模型中,模型输出状态标签值,获得最终的识别结果。本发明能够实现深层故障特征提取,且具有特征记忆能力,能够智能高效地识别出液压活塞泵典型故障。
Description
技术领域
本发明涉及液压元件智能故障识别技术领域,尤其涉及液压活塞泵智能故障识别方法。
背景技术
液压***由于具备功率大、精度高、响应快等优点,被广泛应用于航空航天、工程机械、海工装备等领域多种机械装备中。液压活塞泵作为液压***的核心元件,是众多领域常见机械装备的动力源,其性能好坏对保证液压***的稳定性和可靠性有着至关重要的作用,决定着整机装备能否正常运行。随着科技的发展和装备工况需求多样化,液压活塞泵时常面临高温、高压、变负载等恶劣工况,滑靴副、柱塞副、配流副等关键部件极易出现磨损故障,故障形式也越来越复杂多样。因此,为了确保整机装备的安全性和可靠性,有必要对液压活塞泵进行及时有效地故障诊断,从而保证液压***和整机装备的正常运转,减少因故障发生而造成的经济损失或人员伤亡。
近年来,机械设备的故障诊断一直备受国内外专家学者们的关注。早期对液压活塞泵进行故障诊断往往需要专家先验知识,且准确率较低。现代的故障识别方法中,基于浅层神经网络的故障诊断需要预先提取故障特征,且数据预处理过程耗时耗力,不具备普适性。液压活塞泵故障具有隐蔽性、渐进性、耦合性、复杂性,典型故障状态数据具有时序性且同一故障可能由不同原因引起,目前单一的故障特征提取方法不能完全适用于液压活塞泵故障识别。因此,亟需发明一种具有强特征提取能力和特征记忆能力的智能故障识别方法。
发明内容
针对现有技术中存在的不足,本发明提供一种液压活塞泵智能故障识别方法,充分挖掘故障数据中的隐含特征信息和时序变化规律,该方法具有学习长期依赖信息的能力,能够实现液压活塞泵典型故障的高效精确智能识别。
为实现上述目的,采用以下技术手段,一种液压活塞泵智能故障识别方法,主要包括以下步骤:
获取原始一维时域信号;
基于原始一维时域信号建立二维时频特征图谱库;
基于二维时频特征图谱库,构建故障特征样本库;
构建具有强特征提取能力和特征记忆能力的融合诊断模型,并基于故障特征样本库,对融合诊断模型进行训练,得已知故障模式下参数最优的特征记忆融合网络模型;
基于所述特征记忆融合网络模型,识别故障类型。
进一步的,获取原始一维时域信号包括:根据对液压活塞泵的运行机理分析,完成故障元件替换,由信号传递路径,将传感器分别安装在液压活塞泵的不同位置,采集正常状态及典型故障类型的原始一维时域信号。
进一步的,所述基于原始一维时域信号建立二维时频特征图谱库包括:对原始一维时域信号进行同步压缩小波变换,采用随机旋转、尺度变换、翻转、平移的方法进行数据增强,将原始一维时域信号转换成二维时频特征图,建立二维时频特征图谱库。
进一步的,所述基于二维时频特征图谱库,构建故障特征样本库包括:将二维时频特征图谱库划分为训练样本、验证样本、测试样本,同时添加标签,使每种故障类型下的样本数量达到均衡,构建出故障特征样本库。
进一步的,对融合诊断模型进行训练包括:将训练样本输入所述融合诊断模型进行训练,利用验证样本对融合诊断模型性能进行评估,极大化地保留表征信号特征,充分挖掘时态数据中的隐含有效信息,得已知故障模式下参数最优的特征记忆融合网络模型。
进一步的,在所述特征记忆融合网络模型中内嵌随机最速下降法和交叉熵损失函数,基于所述随机最速下降法结合所述交叉熵损失函数,将动量设置为0.9,对所述特征记忆融合网络模型进一步优化。
进一步的,所述特征记忆融合网络模型包括:输入层、卷积层A、最大池化层A、卷积层B、最大池化层B、卷积层C、卷积层D、最大池化层C、卷积层E、卷积层F、最大池化层D、卷积层G、卷积层H、最大池化层E、LSTM层、全连接层和分类层;其中,所述二维时频特征图从输入层输入后;卷积层A、最大池化层A、卷积层B、最大池化层B、卷积层C、卷积层D、最大池化层C、卷积层E、卷积层F、最大池化层D、卷积层G、卷积层H、最大池化层E、LSTM层对输入样本进行特征提取;全连接层和分类层完成对故障类型的识别。
进一步的,卷积层A、卷积层B、卷积层C、卷积层D、卷积层E、卷积层F、卷积层G和卷积层H的卷积核个数分别为64、128、256、256、512、512、512、512个;输入层的输入数据是3通道时频特征图,长和宽为224×224;卷积层A的步长为1,由64个大小为3×3卷积核组成,载有线性整流函数;卷积层B的步长为1,由128个大小为3×3卷积核组成,载有线性整流函数;卷积层C的步长为1,由256个大小为3×3卷积核组成,载有线性整流函数;卷积层D的步长为1,由256个大小为3×3卷积核组成,载有线性整流函数;卷积层E的步长为1,由512个大小为3×3卷积核组成,载有线性整流函数;卷积层F的步长为1,由512个大小为3×3卷积核组成,载有线性整流函数;卷积层G的步长为1,由512个大小为3×3卷积核组成,载有线性整流函数;卷积层H的步长为1,由512个大小为3×3卷积核组成,载有线性整流函数;最大池化层A由64个尺寸为2×2的池化核组成,无激活函数;最大池化层B由128个尺寸为2×2的池化核组成,无激活函数;最大池化层C由256个尺寸为2×2的池化核组成,无激活函数;最大池化层D由512个尺寸为2×2的池化核组成,无激活函数;最大池化层E由512个尺寸为2×2的池化核组成,无激活函数;LSTM层有64个隐藏层;全连接层的初始学习率为0.001,载有线性整流函数;分类层由5个节点组成。
进一步的,所述特征记忆融合网络模型运行过程如下:输入层输入的二维时频特征图经卷积层A特征提取后,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层A输出特征传递至最大池化层A进行特征选择和信息过滤;最大池化层A输出数据经卷积层B特征提取后,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层B输出特征传递至最大池化层B进行特征选择和信息过滤;最大池化层B输出数据经卷积层C特征提取后,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层C输出特征传递至卷积层D,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层D输出特征传递至最大池化层C进行特征选择和信息过滤;最大池化层C输出数据经卷积层E继续进行特征提取,经卷积层E特征提取后,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层E输出特征传递至卷积层F,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层F输出特征传递至最大池化层D进行特征选择和信息过滤;最大池化层D输出数据经卷积层G继续进行特征提取,经卷积层G特征提取后,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层G输出特征传递至卷积层H,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层H输出特征传递至最大池化层E进行特征选择和信息过滤;最大池化层E选择和过滤后的输出数据通过Reshape函数重构后输入到LSTM层提取相应时间信息,分析完时间特征后,经展平处理进而被传递至全连接层进行特征提取,采用Dropout策略,经全连接层提取特征后,经线性整流函数作用,增加神经网络各层之间的非线性关系,全连接层特征提取后的输出数据最终被传递至分类层进行状态分类识别。
进一步的,所述基于所述特征记忆融合网络模型,识别故障类型包括:随机抽测试样本,将图像调整至合适大小后输入到特征记忆融合网络模型中,模型输出状态标签值,依据状态标签值获得最终的故障类型识别结果。
借由以上的技术方案,本发明的有益效果如下:
1、本发明提供了一种兼具特征提取和特征记忆能力的液压活塞泵智能故障识别方法,构建出特征记忆融合网络模型并应用到液压活塞泵典型故障识别上,能够较好地挖掘出原始状态信号中的相关性,提高了液压活塞泵典型故障的诊断精度;
2、本发明所述的兼具特征提取和特征记忆能力的智能故障识别方法,通过调整特征记忆融合网络模型卷积核的大小及尺寸,将随机最速下降法及交叉熵损失函数内嵌于融合模型,设置分层学习率策略,提升了融合模型诊断效率和泛化能力;
3、本发明所述的兼具特征提取和特征记忆能力的智能故障识别方法,具备强大的时序处理能力,缩短了诊断模型的识别时间;融合重构多种功能,增强了故障识别模型的特征挖掘能力,降低了模型对数据样本数量的依赖性,充分结合了模型潜在特征提取能力及对时态数据中隐含信息的挖掘能力,提高了液压活塞泵典型故障的识别能力。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例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,下面描述中的附图仅仅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是本发明的方法流程图;
图2是本发明实施例实测液压活塞泵不同模式振动信号的原始一维时域波形示意图,其中(a)图为正常状态,(b)图为斜盘故障模式,(c)图为松靴故障模式,(d)图为滑靴故障模式,(e)图为中心弹簧失效故障模式;
图3是本发明实施例实测液压活塞泵不同模式振动信号部分二维时频特征图,其中(a)图为正常状态,(b)图为斜盘故障模式,(c)图为松靴故障模式,(d)图为滑靴故障模式,(e)图为中心弹簧失效故障模式;
图4是本发明构建的特征记忆融合网络模型结构简图;
图5是本发明实施例识别模型的综合性能验证结果;其中(a)图为训练准确率和验证准确率曲线,(b)图为训练误差和验证误差曲线;
图6是本发明实施例实测液压活塞泵典型状态数据分类结果的混淆矩阵图;图中:SS-滑靴磨损;LS-松靴故障;CS-中心弹簧失效;SP-斜盘磨损;NS-正常状态。
以上附图的附图标记:1-输入层;2-卷积层A;3-最大池化层A;4-卷积层B;5-最大池化层B;6-卷积层C;7-卷积层D;8-最大池化层C;9-卷积层E;10-卷积层F;11-最大池化层D;12-卷积层G;13-卷积层H;14-最大池化层E;15-LSTM层;16-全连接层;17-分类层。
其中,LSTM是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。
具体实施方式
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做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,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的和区别类似的对象,两者之间并不存在先后顺序,也不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例:结合图1-6所示,本实施例中公开了一种液压活塞泵智能故障识别方法,主要包括以下模块:
1.获取原始一维时域信号:根据对液压活塞泵的运行机理分析,完成故障元件替换,选用多个振动加速度传感器,由信号传递路径,分别安装在液压活塞泵壳体的不同方向,采集正常状态及四种故障类型的原始一维时域信号;
2.基于原始一维时域信号建立二维时频特征图谱库:通过同步压缩小波变换对所采集原始一维时域信号进行时频域转换,并通过随机旋转、翻转、尺度变换和平移等方法对图像进行数据增强,将原始一维时域信号转换成二维时频特征图,构建二维时频特征图谱库;
3.基于二维时频特征图谱库,构建故障特征样本库:将二维时频特征图谱库按照一定数量比例划分为训练样本、验证样本、测试样本,同时添加标签,使每种故障状态下的样本数量达到均衡,构建出故障特征样本库;
4.模型构建及训练验证:构建具有强特征提取能力和特征记忆能力的融合诊断模型,将训练样本输入模型进行训练,利用验证样本验证训练结果同时微调模型参数,进行模型性能评估;极大化地保留表征信号特征,充分挖掘时态数据中的隐含有效信息,基于随机最速下降法结合交叉熵损失函数,动量Momentum设置为0.9,继续优化网络结构;模型及参数达到最优时,保存模型及参数,获得特征记忆融合网络模型;
5.基于所述特征记忆融合网络模型,识别故障类型:随机抽取一定比例测试样本,图像调整至合适大小后输入到保存后的特征记忆融合网络模型中,所述故障识别模型输出状态标签值,依据输出状态标签值获得最终的故障类型识别结果。
如图4所示,本发明所述用于液压活塞泵智能故障识别的特征记忆融合网络模型,其构成包括:输入层1、卷积层2A、最大池化层3A、卷积层4B、最大池化层5B、卷积层6C、卷积层7D、最大池化层8C、卷积层9E、卷积层10F、最大池化层11D、卷积层12G、卷积层13H、最大池化层14E、LSTM层15A、全连接层16A和分类层17。其中,信号预处理后所得二维时频特征图从输入层1输入;卷积层2A、最大池化层3A、卷积层4B、最大池化层5B、卷积层6C、卷积层7D、最大池化层8C、卷积层9E、卷积层10F、最大池化层11D、卷积层12G、卷积层13H、最大池化层14E、LSTM层15部分对输入样本进行特征提取;全连接层16和分类层17完成对故障类型的识别。
输入层1样本数据输出后与卷积层2A输入端连接,卷积层2A输出特征传递至最大池化层3A与最大池化层3A输入端连接;最大池化层3A输出数据端与卷积层4B输入端连接,经卷积层4B特征提取后,卷积层4B输出特征传递至最大池化层5B输入端,进行特征选择和信息过滤后;最大池化层5B输出端与卷积层6C输入端连接,卷积层6C输出特征传递至卷积层7D,卷积层7D输出端与最大池化层8C输入端连接;最大池化层8C输出数据端与卷积层9E输入端连接,卷积层9E继续进行特征提取,经特征提取后,卷积层9E输出特征传递至卷积层10F,卷积层10F输出端与最大池化层11D输入端连接;最大池化层11D输出数据端与卷积层12G输入端连接,卷积层12G继续进行特征提取,经特征提取后,卷积层12G输出特征传递至卷积层13H,卷积层13H输出端与最大池化层14E输入端连接;最大池化层14E输出端输出特征,经Reshape重构后信息传递至LSTM层15,LSTM层15输出端与全连接层16进行连接,经全连接层16特征提取后,全连接层16输出端经信息传递通道与分类层17输入端进行连接。
具体流程如下:
搭建液压活塞泵试验台,泵额定转速为1470r/min,额定压力为31.5MPa。选用加速度传感器布置在活塞泵壳体端盖上,采集振动加速度信号。将泵工作压力分别调定为2MPa、5MPa、8MPa、10MPa、15MPa,每种工作压力下,使用加速度传感器采集泵五种典型状态振动信号,五种状态分别为:正常状态NS、斜盘磨损SP、松靴故障LS、滑靴磨损SS、中心弹簧失效CS。图2a为正常状态NS振动信号时域分布示意图,图2b为斜盘磨损SP振动信号时域分布示意图,图2c为松靴故障LS振动信号时域分布示意图,图2d为滑靴磨损SS振动信号时域分布示意图,图2e为中心弹簧失效CS振动信号时域分布示意图。由图2可知,正常状态与故障状态之间振动信号时域图存在较为明显的区别,当液压活塞泵发生故障时,振幅有所增大,但是时域图之间的差异仅能够辅助判断泵是否发生故障,无法直接辨别出对应的故障类型。
利用同步压缩小波变换方法将振动一维时域信号变换到二维时频域,变换后得到的液压活塞泵5种典型状态数据的部分二维时频特征图如图3所示。其中,图3a为正常状态NS振动信号二维时频特征图,图3b为斜盘磨损SP振动信号二维时频特征图,图3c为松靴磨损LS振动信号二维时频特征图,图3d为滑靴故障SS振动信号二维时频特征图,图3e为中心弹簧失效CS振动信号二维时频特征图。由图3可知,不同信号时频图之间存在差异,不同故障类型所对应的时频图表现特征不同,而凭借肉眼难以直观判断各个时频图所对应的故障类型。对泵5种典型状态的二维时频特征图构建振动信号时频特征样本库。本实施例中,每种工作压力下状态样本数据量为480个,总样本数为12000个,按照6:2:2的比例将样本库划分为训练样本集、验证样本集和测试样本集,具体样本库划分如表1所示。
表1样本库划分及对应标签
本发明构建的特征记忆融合网络模型结构如图4所示。将上述所得液压活塞泵5种典型状态数据的二维时频图作为输入层1的数据样本,输入层1的样本经卷积层A2特征提取后,在线性整流函数的作用下增加与各层之间的非线性关系,卷积层A2输出特征图传递至最大池化层A3进行特征选择和信息过滤;最大池化层A3输出数据经卷积层B4特征提取后,在线性整流函数的作用下增加与各层之间的非线性关系,卷积层B4输出特征图传递至最大池化层B5进行特征选择和信息过滤;最大池化层B5输出数据经卷积层C6特征提取后,在线性整流函数的作用下增加与各层之间的非线性关系,卷积层C6输出特征图传递至卷积层D7继续进行特征提取,经卷积层D7特征提取后,在线性整流函数的作用下增加与各层之间的非线性关系,卷积层D7输出特征图传递至最大池化层C8进行特征选择和信息过滤;最大池化层C8输出数据经卷积层E9特征提取后,在线性整流函数的作用下增加与各层之间的非线性关系,卷积层9E输出特征图传递至卷积层F10继续进行特征提取,经卷积层F10特征提取后,在线性整流函数的作用下增加与各层之间的非线性关系,卷积层F10输出特征图传递至最大池化层D11进行特征选择和信息过滤;最大池化层D11输出数据经卷积层G12特征提取后,在线性整流函数的作用下增加与各层之间的非线性关系,卷积层G12输出特征图传递至卷积层H13继续进行特征提取,经卷积层H13特征提取后,在线性整流函数的作用下增加与各层之间的非线性关系,卷积层H13输出特征图传递至最大池化层E14进行特征选择和信息过滤;最大池化层E14选择和过滤后的输出数据通过重构后输入到LSTM层15提取相应时间信息,分析完时间特征后经展平处理而后被传递至全连接层16进行特征提取,采用Dropout策略,经全连接层16特征提取后的输出数据最终被传递至分类层17进行状态分类识别。
其中,Reshape函数是MATLAB中将指定的矩阵变换成特定维数矩阵一种函数,且矩阵中元素个数不变,函数可以重新调整矩阵的行数、列数、维数;Dropout策略是一种近似同时训练许多不同的卷积神经网络的正则化方法。
本实施例中,经过训练和优化更新后构建的故障识别模型的详细结构参数如表2所示:卷积层A2的卷积核个数为64个,卷积层B4的卷积核个数为128个,卷积层C6和D7的卷积核个数为256个,卷积层E9和F10的卷积核个数512个,卷积层G12和H13的卷积核个数512个;全连接层16载有线性整流函数,学习率为0.001;输入层1的输入数据是3通道时频特征图,长和宽为224×224;降采样的方式选择最大池化,池化区域为2×2;卷积层A2由步长为1,64个尺寸为3×3的卷积核组成,载有线性整流函数;最大池化层A3由64个尺寸为2×2的池化核组成,无激活函数;卷积层B4由步长为1,128个尺寸为3×3的卷积核组成,载有线性整流函数;最大池化层B5由128个尺寸为2×2的池化核组成,无激活函数;分类层17由5个节点组成;模型超参数如表2所示。
表2模型超参数
将所构造的训练样本和验证样本输入所建立的特征记忆融合网络模型中进行训练,优化器绑定一个指数衰减学***稳定状态,训练集、验证集的误差均趋近于0。无论是准确率曲线还是误差曲线,训练样本与验证样本之间差异微小,说明该模型稳定性较好,可用于实测数据状态识别。
为证明所提方法的泛化性,随机抽取20%测试集测试已训练完成模型的性能,对测试集进行10次独立重复试验,测试结果如表3所示。对10次结果进行计算,可得测试准确率均值为99.43%,测试准确率的标准偏差为0.0011;测试平均时间为2.6755s,测试时间的标准偏差为0.0527,说明模型的鲁棒性较强,稳定性较好,泛化性较好,具有较强的故障识别能力。10次独立重复试验中,某次试验结果的混淆矩阵如图6所示,每种状态的分类精确率如表4所示。由结果可知,同步压缩小波变换与特征记忆融合网络模型相结合的故障识别方法识别精度较高,对液压活塞泵5种状态类别的分类精确率达到99%以上。结果表明,本发明提出的方法具有强大的故障识别能力,可以很好的对液压活塞泵五种状态下的原始信号完成识别。
表3融合方法的重复测试时间及准确率
表4融合方法对每种状态的分类精确率
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种液压活塞泵智能故障识别方法,其特征在于,主要包括以下步骤:
获取原始一维时域信号;
基于原始一维时域信号建立二维时频特征图谱库;
基于二维时频特征图谱库,构建故障特征样本库;
构建具有强特征提取能力和特征记忆能力的融合诊断模型,并基于故障特征样本库,对融合诊断模型进行训练,得已知故障模式下参数最优的特征记忆融合网络模型;
基于所述特征记忆融合网络模型,识别故障类型。
2.根据权利要求1所述的液压活塞泵智能故障识别方法,其特征在于,获取原始一维时域信号包括:根据对液压活塞泵的运行机理分析,完成故障元件替换,由信号传递路径,将传感器分别安装在液压活塞泵的不同位置,采集正常状态及典型故障类型的原始一维时域信号。
3.根据权利要求2所述的液压活塞泵智能故障识别方法,其特征在于,所述基于原始一维时域信号建立二维时频特征图谱库包括:对原始一维时域信号进行同步压缩小波变换,采用随机旋转、尺度变换、翻转、平移的方法进行数据增强,将原始一维时域信号转换成二维时频特征图,建立二维时频特征图谱库。
4.根据权利要求3所述的液压活塞泵智能故障识别方法,其特征在于,所述基于二维时频特征图谱库,构建故障特征样本库包括:将二维时频特征图谱库划分为训练样本、验证样本、测试样本,同时添加标签,使每种故障类型下的样本数量达到均衡,构建出故障特征样本库。
5.根据权利要求4所述的液压活塞泵智能故障识别方法,其特征在于,对融合诊断模型进行训练包括:将所述训练样本输入所述融合诊断模型进行训练,利用所述验证样本对融合诊断模型性能进行评估,极大化地保留表征信号特征,充分挖掘时态数据中的隐含有效信息,得已知故障模式下参数最优的特征记忆融合网络模型。
6.根据权利要求5所述的液压活塞泵智能故障识别方法,其特征在于,在所述特征记忆融合网络模型中内嵌随机最速下降法和交叉熵损失函数,基于所述随机最速下降法结合所述交叉熵损失函数,将动量设置为0.9,对所述特征记忆融合网络模型进一步优化。
7.根据权利要求5所述的液压活塞泵智能故障识别方法,其特征在于,所述特征记忆融合网络模型包括:输入层、卷积层A、最大池化层A、卷积层B、最大池化层B、卷积层C、卷积层D、最大池化层C、卷积层E、卷积层F、最大池化层D、卷积层G、卷积层H、最大池化层E、LSTM层、全连接层和分类层;其中,所述二维时频特征图从输入层输入后;卷积层A、最大池化层A、卷积层B、最大池化层B、卷积层C、卷积层D、最大池化层C、卷积层E、卷积层F、最大池化层D、卷积层G、卷积层H、最大池化层E、LSTM层对输入样本进行特征提取;全连接层和分类层完成对故障类型的识别。
8.根据权利要求7所述的液压活塞泵智能故障识别方法,其特征在于,卷积层A、卷积层B、卷积层C、卷积层D、卷积层E、卷积层F、卷积层G和卷积层H的卷积核个数分别为64、128、256、256、512、512、512、512个;输入层的输入数据是3通道时频特征图,长和宽为224×224;卷积层A的步长为1,由64个大小为3×3卷积核组成,载有线性整流函数;卷积层B的步长为1,由128个大小为3×3卷积核组成,载有线性整流函数;卷积层C的步长为1,由256个大小为3×3卷积核组成,载有线性整流函数;卷积层D的步长为1,由256个大小为3×3卷积核组成,载有线性整流函数;卷积层E的步长为1,由512个大小为3×3卷积核组成,载有线性整流函数;卷积层F的步长为1,由512个大小为3×3卷积核组成,载有线性整流函数;卷积层G的步长为1,由512个大小为3×3卷积核组成,载有线性整流函数;卷积层H的步长为1,由512个大小为3×3卷积核组成,载有线性整流函数;最大池化层A由64个尺寸为2×2的池化核组成,无激活函数;最大池化层B由128个尺寸为2×2的池化核组成,无激活函数;最大池化层C由256个尺寸为2×2的池化核组成,无激活函数;最大池化层D由512个尺寸为2×2的池化核组成,无激活函数;最大池化层E由512个尺寸为2×2的池化核组成,无激活函数;LSTM层有64个隐藏层;全连接层的初始学习率为0.001,载有线性整流函数;分类层由5个节点组成。
9.根据权利要求8所述的液压活塞泵智能故障识别方法,其特征在于,所述特征记忆融合网络模型运行过程如下:输入层输入的二维时频特征图经卷积层A特征提取后,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层A输出特征传递至最大池化层A进行特征选择和信息过滤;最大池化层A输出数据经卷积层B特征提取后,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层B输出特征传递至最大池化层B进行特征选择和信息过滤;最大池化层B输出数据经卷积层C特征提取后,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层C输出特征传递至卷积层D,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层D输出特征传递至最大池化层C进行特征选择和信息过滤;最大池化层C输出数据经卷积层E继续进行特征提取,经卷积层E特征提取后,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层E输出特征传递至卷积层F,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层F输出特征传递至最大池化层D进行特征选择和信息过滤;最大池化层D输出数据经卷积层G继续进行特征提取,经卷积层G特征提取后,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层G输出特征传递至卷积层H,经线性整流函数作用,增加神经网络各层之间的非线性关系,卷积层H输出特征传递至最大池化层E进行特征选择和信息过滤;最大池化层E选择和过滤后的输出数据通过Reshape函数重构后输入到LSTM层提取相应时间信息,分析完时间特征后,经展平处理进而被传递至全连接层进行特征提取,采用Dropout策略,经全连接层提取特征后,经线性整流函数作用,增加神经网络各层之间的非线性关系,全连接层特征提取后的输出数据最终被传递至分类层进行状态分类识别。
10.根据权利要求5或6所述的液压活塞泵智能故障识别方法,其特征在于,所述基于所述特征记忆融合网络模型,识别故障类型包括:随机抽测试样本,将图像调整至合适大小后输入到特征记忆融合网络模型中,模型输出状态标签值,依据状态标签值获得最终的故障类型识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310218482.7A CN116340817A (zh) | 2023-03-02 | 2023-03-02 | 液压活塞泵智能故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310218482.7A CN116340817A (zh) | 2023-03-02 | 2023-03-02 | 液压活塞泵智能故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116340817A true CN116340817A (zh) | 2023-06-27 |
Family
ID=86885047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310218482.7A Pending CN116340817A (zh) | 2023-03-02 | 2023-03-02 | 液压活塞泵智能故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340817A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723782A (zh) * | 2024-02-07 | 2024-03-19 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及*** |
-
2023
- 2023-03-02 CN CN202310218482.7A patent/CN116340817A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117723782A (zh) * | 2024-02-07 | 2024-03-19 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及*** |
CN117723782B (zh) * | 2024-02-07 | 2024-05-03 | 山东大学 | 用于桥梁结构健康监测的传感器故障识别定位方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
CN111709448A (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN109765333A (zh) | 一种基于GoogleNet模型的变压器故障诊断方法 | |
CN115758212B (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
CN112033463B (zh) | 一种核动力设备状态评估与预测一体化方法和*** | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN113434970B (zh) | 一种机械设备的健康指标曲线提取和寿命预测方法 | |
CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
CN114216682B (zh) | 一种基于tcn和bls的滚动轴承的寿命预测方法及装置 | |
CN116340817A (zh) | 液压活塞泵智能故障识别方法 | |
CN114239641A (zh) | 一种联合注意力机制选择核卷积残差网络的故障诊断方法 | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
CN110135066A (zh) | 一种动力换挡变速箱先导式溢流阀的故障诊断方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN109389170A (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
CN117556317A (zh) | 一种基于时频图像的转动轴承故障诊断方法 | |
Cheung et al. | Oreonet: Deep convolutional network for oil reservoir optimization | |
CN116610935A (zh) | 一种基于发动机振动信号多模态分析的机械故障检测方法 | |
CN104675988A (zh) | 整车电液控制故障诊断方法 | |
Wang et al. | Fault diagnosis of power-shift system in continuously variable transmission tractors based on improved Echo State Network | |
CN115204218A (zh) | 振动特征与深度学习融合的液压柱塞泵智能故障识别方法 | |
CN113298265B (zh) | 一种基于深度学习的异构传感器潜在相关性学习方法 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、***、设备及可读存储介质 | |
CN114152441A (zh) | 基于移位窗口变换器网络的滚动轴承故障诊断方法及*** | |
CN114548153B (zh) | 基于残差-胶囊网络的行星齿轮箱故障诊断方法 |
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 |