一种基于迁移学习的电液伺服阀故障诊断方法及系统技术方案

本发明专利技术提供一种基于迁移学习的电液伺服阀故障诊断方法及系统，包括以下步骤：S01.获取电液伺服阀故障数据库，包括对应电流下的空载流量数据与故障类型；S02.对电液伺服阀数据进行预处理，建立训练集；S03.利用所述训练集，基于马氏度量的迁移学习框架建立故障诊断模型；S04.处理待检测电液伺服阀的样本数据，并利用所建立故障模型对该电液伺服阀数据进行故障甄别。本发明专利技术所述的基于迁移学习的电液伺服阀故障诊断系统及方法，在训练数据不足的情况下，能够充分利用辅助数据完成目标域任务，降低诊断成本，实现对电液伺服阀故障进行高效、准确地诊断。

【技术实现步骤摘要】
一种基于迁移学习的电液伺服阀故障诊断方法及系统
本专利技术涉及电液伺服阀故障诊断
，具体来说是一种基于迁移学习的电液伺服阀故障诊断方法及系统。
技术介绍
电液伺服阀是液压伺服系统中的关键部件，同时也是液压系统中故障频率最高的液压元件之一，其使用情况决定了液压伺服系统的工作性能，被广泛应用于航天、钢铁、冶金、化工等行业中。电液伺服阀集机、电、液于一身，其高精密、高集成化的特点使其故障模式具有复杂多变、诊断周期长、极度依赖专家经验等特点。此外，由于部分型号电液伺服阀的故障样本少，从而使基于数据驱动构建的电液伺服阀故障诊断模型，泛化能力低，难以有效的诊断此类电液伺服阀的故障。因此，针对少量样本的电液伺服阀，研究出一种有效故障诊断系统及方法，对此类型号的电液伺服阀进行准确故障诊断将非常重要。如申请号为201911155556.7公开的一种基于部分迁移卷及网络的机械设备智能故障诊断方法，其公开了采集机械设备在不同运行工况下的运行数据，组成数据集，将数据集X中的部分数据作为源域训练样本集和目标域测试样本集，并对每个样本数据进行数据标准化，然后本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的电液伺服阀故障诊断方法，其特征在于：包括以下步骤：/nS01.获取电液伺服阀故障数据库，分别采集不同型号电液伺服阀K种故障下的空载流量特性曲线数据；由于待检测型号的电液伺服阀数据较少，因此选取样本较多的电液伺服阀数据作为辅助域，定义为源域：/ns

【技术特征摘要】
1.一种基于迁移学习的电液伺服阀故障诊断方法，其特征在于：包括以下步骤：
S01.获取电液伺服阀故障数据库，分别采集不同型号电液伺服阀K种故障下的空载流量特性曲线数据；由于待检测型号的电液伺服阀数据较少，因此选取样本较多的电液伺服阀数据作为辅助域，定义为源域：
sj＝(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j＝1,2,...,NS(1)
将待检测型号的电液伺服阀数据样本定义为目标域：
sj＝(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j＝NS+1,...,NS+NT(2)
式中，NS表示源域样本个数，NT表示目标域中带标签的样本个数，NT＜NS；每个样本都包含了m个电流值(Ij1,Ij2,...,Ijm)与所对应的流量值(qj1,qj2,...,qjm)，并设置相应的类别标签yj，yj∈{1,2,…,K}；
S02.对电液伺服阀数据进行预处理，建立训练集；
S03.利用所述训练集，基于马氏度量的迁移学习框架建立故障诊断模型，模型为



其中，ρ为非负的惩罚参数，为常数向量，如果j≤NS，则ej＝1；如果NS＜j≤NS+NT，则ej＝0，δij表示指示函数，ω0为源域样本的实例权重向量，A为目标域的度量矩阵；
S04.处理待检测电液伺服阀的样本数据，并利用所建立故障模型对该电液伺服阀数据进行故障甄别。


2.根据权利要求1所述的一种基于迁移学习的电液伺服阀故障诊断方法，其特征在于：所述步骤S02中建立训练集的具体方法为：将源域样本集数据归一化，
归一化具体方法如下：



其中，xj为归一化数据；
然后提取出相应的类别标签yj，yj∈{1,2,…,K}，得到源域样本训练集DS＝{(xj,yj)|j＝1,...,NS}
同理，将目标域样本集数据进行归一化，得到目标域样本训练集DT＝{(xj,yj)|j＝NS+1,...,NS+NT}。


3.根据权利要求2所述的一种基于迁移学习的电液伺服阀故障诊断方法，其特征在于：所述步骤S03中采用马氏度量的迁移学习框架来构建故障诊断学习模型，样本xi和样本xj之间的马氏度量距离可以定义为：



其中
为了求取适合目标域的度量矩阵A，定义目标函数为：



其中，λ＞0和β＞0是两个平衡参数，正则化项r(A)被用来控制度量矩阵的A的泛化误差，定义为：
r(A)＝tr(ATA)
lin(A,ω)表示基于度量矩阵A的类内样本加权误差，lout(A,ω)表示基于度量矩阵A的类间样本加权误差，被定义为：



其中，ψ(ω)是实例权重向量ω的正则项，定义为



其中，ω0(xj)＝αφ(xj)表示欧式距离下实例xj的权重，φ(x)表示一种预定义的基函数，α表示相应需要学习的非负参数；
利用以c为中心的高斯核函数来定义基函数



σ为高斯核函数中的带宽参数；
通过最小化PT(x)和ω0(x)PS(x)之间的KL离散度来获取ω0(xj)，PT(x)表示目标域数据分布，PS(x)表示源域数据分布，PT(x)≠PS(x)；



可以转化为式(10)的优化问题：



利用梯度下降法来获取上式全局最优解α，再使用α及定义的基函数φ(x)计算出源域样本的实例权重向量ω0；在训练过程中，源域和目标域带标签实例都参与；默认目标域带标签实例权重为1；
为简化描述，使用表示所有参与训练的实例的权重向量；当xj∈DS时，xj的权重为当xj∈DT时，xj的权重为因此使用作为需要学习的源域实例权重；
最后，得具体的优化模型为：



其中，δij表示指示函数，



其中，表示基于度量矩阵A的样本点对(xi,xj)的误差将模型(11)转化为公式(13)无约束形式：



其中，ρ为非负的惩罚参数，为常数向量，如果j≤NS，则ej＝1；如果NS＜j≤NS+NT，则ej＝0。


4.根据权利要求3所述的一种基于迁移学习的电液伺服阀故障诊断方法，其特征在于：所述A和的值通过以下迭代优化算法获得：
Step1：初始化平衡参数λ,β，惩罚参数ρ，阈值ε，步长γ1,γ2，最大迭代次数T，当前迭代步数t＝0；初始化A0,A0设置为2m×2m的单位矩阵，通过欧式距离下KLIEP算法初始化；
Step2：计算梯度值






Step3：更新
固定度量矩阵At，利用梯度下降法更新更新公式如下：



其中，γ1＞0是自适应步长；
Step4：更新A
更新完后，交替的固定按照以下公式更新At：



其中，γ2＞0是自适应步长；
Step5：如果则否则t＝t+1；
Step6：若达到迭代总步数T，则停止迭代，否则返回Step2。


5.根据权利要求1至4任一所述的一种基于迁移学习的电液伺服阀故障诊断方法，其特征在于：所述步骤S04中的故障甄别方法是以k近邻算法作为分类器，进行待检测电液伺服阀的故障诊断；亦即基于度量矩阵A的马氏距离来寻找待检电液伺服阀的k个样本，建立分类模型，具体为：
Step1：计算测试数据与各个训练数据之间的马氏距离dij；
Step2：将计算得到的马氏距离按照递增顺序排列；
Step3：选取距离最小的前k个样本；
Step4：统计前k个样本所属故障类别出现的频率；
Step5：返回前k个样本故障类别出现频率最高的作为待检电液伺服阀的故障。


6.一种基于...

【专利技术属性】
技术研发人员：潘天红，王云芳，郑刚，刘超，
申请(专利权)人：安徽大学，镇江四联机电科技有限公司，
类型：发明
国别省市：安徽;34