基于DMD和t-SNE的液压泵故障分析方法及系统技术方案

本发明专利技术属于液压故障诊断技术领域，公开了一种基于DMD和t‑SNE的液压泵故障分析方法及系统，利用传感器测量液压泵不同故障类型下的振动信号，对液压泵多组不同故障类型振动信号首先利用DMD进行分解获得最能表征信号特点的故障模式分量，再计算分量的方差、峭度等特征参数，形成高维数据结构，然后对其进行t‑SNE降维分析，最终在可视的三维或者二维空间中实现不同故障类型的聚类，进而对液压泵不同类型故障进行无监督识别，为液压泵故障监测与诊断提供了一种新的方法。本发明专利技术通过数值仿真分析和试验台故障数据分析，验证了本发明专利技术基于DMD和t‑SNE的液压泵故障分析方法的可行性及有效性。

【技术实现步骤摘要】
基于DMD和t-SNE的液压泵故障分析方法及系统
本专利技术属于故障诊断
，尤其涉及一种基于DMD和t-SNE的液压泵故障分析方法及系统。具体涉及一种基于动模式分解DMD和t分布随机邻域嵌入(t-SNE)的液压系统故障特征分类方法。
技术介绍
目前，液压系统应用于诸多领域及行业，较好的控制性能和较高的控制安全性使其在我国工业生产制造领域发挥了无可替代的作用。液压泵作为液压系统的“心脏”，当其出现故障和问题时，很难通过简单方法进行迅速的判断以及精确的判别，由此可能会引发系统操控的设备长时间停机，从而使得生产过程的效率下降，带来经济损失，严重情况下，可能导致设备故障和破坏，甚至造成人员的伤亡。因此，对液压泵进行合理准确的故障诊断具有极大的工程意义。实际测量的液压泵监测信号通常是有用信号和噪声等无关信号叠加的复合数据，因此有必要从液压系统复杂的多组分信号中分离出特征信号，对信号进行模式分解。现有技术的经验模态分解(EmpiricalModeDecomposition，EMD)能够将复杂信号分解为若干本征模态函数(IntrinsicModeFunction，IMF)之和，但EMD中一个IMF可能出现不同时间尺度的波动，或在不同IMF中出现相似波动。现有技术2基于EMD的缺陷提出一种噪声辅助集合经验模式分解(EnsembleEmpiricalModeDecomposition，EEMD)，通过向信号中增加辅助白噪声，在时频空间中提供统一的参考基准，使不同时间尺度的信号分量调整到适当的IMF中，但EEMD存在着模态混叠、端点效应、噪声鲁棒性弱等较大缺陷。现有技术3提出了一种经验小波变换(EmpiricalWaveletTransform，EWT)算法，对傅里叶频谱进行划分，然后通过小波滤波器对划分后的频谱进行滤波，得到具有实际意义的瞬时频率和瞬时幅值，在EMD的基础上提高了信噪比和信号分离的可靠性。但由于液压泵实际测量的数据据具有量大、多类型叠加等特点，传统分解计算过程繁杂，且由信号计算的特征是一种高维度的张量，传统方法很难实现降维分解，或者在降低到低维度的过程中容易忽略重要特征，与原始数据相关程度低，无法准确识别特征参数。现有技术4的动模式分解(DynamicModeDecomposition，DMD)是一种数据驱动的模态分析降维算法，能够描述时间序列的内在机理，同时能够将大信息量的数据结构投影为一个低自由度的动态系统。DMD可以便捷地提取出多维度域分量对应的低维度域变化过程，具有计算效率高、参数识别准确等优点，被广泛应用于非线性系统多通道高维数据研究。随机近邻嵌入(StochasticNeighborEmbedding，SNE)的核心思想是将高维数据点间的欧氏距离转换为条件概率来描述点与点之间的相似度，SNE在高维空间建立高斯分布，使得相似数据点间有高的条件概率，不相似数据点间的条件概率相对较低，在低维空间构建相应映射点的高斯分布，使之与高维空间的概率分布差距尽可能小。但SNE将高维和低维中的样本分布都看作高斯分布，倾向于保留局部特征，不考虑不同类间的间隔，导致整个降维后的图像会比较“拥挤”。因此，现有技术5提出了基于t分布的随机近邻嵌入(t-DistributedStochasticNeighborEmbedding，t-SNE)算法，在SNE的基础上进行了改进，将低维中的坐标当作t分布，这样做的好处是为了让距离大的簇之间距离拉大，从而解决了拥挤问题。液压系统被广泛应用于航天航空、钢铁冶金等行业中，起着至关重要的传动和控制作用，液压泵作为液压系统的核心元件，为整个系统提供动力，具有极其重要的地位。但是液压泵长期处于高压、高速的运行工况下，泵体零部件极易引发故障，进而导致经济财产损失甚至引发人员伤害。实际工况下测量的振动信号往往包含着许多无关信号成分如噪声，导致传统方法难以实现故障类型的准确分类识别。通过上述分析，现有技术存在的问题及缺陷为：(1)液压泵实际测量的数据具有量大、多类型叠加等特点，传统分解方法计算过程繁杂，很难实现降维分解，或者在降低到低维度的过程中容易忽略重要特征，与原始数据相关程度低，无法准确识别特征参数；(2)现有的降维方法用作液压故障分类的主要有支持向量机(SVM)和主成分分析(PCA)。SVM作为一种适合小样本的学习方法，对大规模训练样本难以实施，当训练样本比较大时，不能做到快速分类；除此之外，SVM在解决多分类问题上存在困难，当类别比较多时，SVM不能保证分类的正确性。而PCA作为一种常用的线性降维方法，主成分解释其含义往往有一定的模糊性，不如原始样本；并且忽略掉的贡献率较小的成分往往存在着反映样本特征的重要信息，容易导致错误的聚类。DMD作为一种数据驱动的模态分析算法，能够描述时间序列的内在机理，将时间序列分解成含表征故障特征的系列单频模态，具有计算效率高、参数识别准确等优点，被广泛应用于非线性系统数据处理。t-SNE是由随机近邻嵌入(SNE)衍生出的一种算法，在液压故障类型分类中鲜有应用它改变了多维尺度分析和等距特征映射中基于距离不变的思想，将高维映射到低维的同时，尽量保证相互之间的分布概率不变，t-SNE将高维中的样本分布看作高斯分布，而将低维中的坐标当做t分布，这样做让距离大的簇之间距离拉大，从而解决了拥挤问题。解决以上问题及缺陷的难度为：1)实际测量液压泵多组分振动信号的分解问题，识别反映动力学本质特征的模式分量；2)在前面的基础上，选取适当的统计学特征，获得高维特征空间；3)对高维特征空间进行非线性降维处理，使得反映同一类型的故障特征更加集中，使得反映不同类型的故障特征“类间”距离进一步加大。解决以上问题及缺陷的意义为：解决以上问题，可以为液压泵故障诊断提供新的分析手段，利用数据驱动的思想，实现健康监测和智能诊断。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于DMD和t-SNE的液压泵故障分析方法及系统。本专利技术是这样实现的，一种基于DMD和t-SNE的液压泵故障分析方法，所述基于DMD和t-SNE的液压泵故障分析方法包括：获取液压泵振动信号，并对获取的液压泵信号进行特征提取、分析处理，进行故障类型的识别与判断。进一步，所述获取液压泵振动信号，并对获取的液压泵信号进行特征提取、分析处理，进行故障类型的识别与判断包括：通过对泵体布置传感器进行监测获得振动信号，对所述振动信号进行分解获得表征信号本质特征的模式分量，再进行降维聚类，进行不同故障类型的准确识别。进一步，所述基于DMD和t-SNE的液压泵故障分析方法包括以下步骤：步骤一，利用传感器测量液压泵不同故障类型下的振动信号，利用DMD对振动信号进行分解获得最能表征信号特点的故障模式分量；步骤二，计算分量的方差、峭度等特征参数，形成高维数据结构；步骤三，对步骤二得到的高维数据进行t-SNE降维分析，在可视的三维或二维空间中进行不同故障类型的聚类，识别液压泵不同类型的故障。所述步骤二中，特征参数包括：平均值本文档来自技高网...

【技术保护点】
1.一种基于DMD和t-SNE的液压泵故障分析方法，其特征在于，所述基于DMD和t-SNE的液压泵故障分析方法包括：/n获取液压泵振动信号，并对获取的液压泵信号进行特征提取、分析处理，进行故障类型的识别与判断。/n

【技术特征摘要】
1.一种基于DMD和t-SNE的液压泵故障分析方法，其特征在于，所述基于DMD和t-SNE的液压泵故障分析方法包括：
获取液压泵振动信号，并对获取的液压泵信号进行特征提取、分析处理，进行故障类型的识别与判断。


2.如权利要求1所述基于DMD和t-SNE的液压泵故障分析方法，其特征在于，所述获取液压泵振动信号，并对获取的液压泵信号进行特征提取、分析处理，进行故障类型的识别与判断包括：
通过对泵体布置传感器进行监测获得振动信号，对所述振动信号进行模式分解，获得表征信号本质特征的模式分量，再对模式分量进行降维处理和聚类分析，从而进行不同故障类型的准确识别。


3.如权利要求1所述基于DMD和t-SNE的液压泵故障分析方法，其特征在于，所述基于DMD和t-SNE的液压泵故障分析方法包括具体以下步骤：
步骤一，利用传感器测量液压泵不同故障类型下的振动信号，利用DMD对振动信号进行分解获得最能表征信号特点的故障模式分量；
步骤二，计算分量的方差、峭度多个特征参数，形成高维数据结构；
步骤三，对步骤二得到的高维数据进行t-SNE降维分析，在可视的三维或二维空间中进行不同故障类型的自动聚类，识别液压泵不同类型的故障。


4.如权利要求3所述基于DMD和t-SNE的液压泵故障分析方法，其特征在于，所述步骤二中，特征参数包括：平均值、有效值、峰值、方根幅值、歪度、峭度、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标、频率重心、频率均方、频率均方根、频率方差、频率标准差；
所述利用DMD对液压泵振动信号进行分解包括：
利用下式对液压泵振动数据进行分解：
φi＝V1N-1yi；
式中，表示动模式即对特征张量的分解结果；表示由一定数量向量构成的原始数据特征张量序列矩阵，N表示序列的总数；yi表示伴随矩阵S的对应的特征向量，满足Syi＝μiyi；其中，μi表示S的特征值，μi的模量用于反映相应动模式的稳定性。


5.如权利要求4所述基于DMD和t-SNE的液压泵故障分析方法，其特征在于，所述伴随矩阵S由线性系数组成：

【专利技术属性】
技术研发人员：朱亚军，叶杰凯，唐建富，张珍，金林彩，邵锡余，梁登，
申请(专利权)人：丽水市特种设备检测院，
类型：发明
国别省市：浙江;33