【技术实现步骤摘要】
基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法
本专利技术涉及一种基于多模态同源特征和XGBoost模型的电静液作动器早期故障状态监测、识别方法，具体涉及一种基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法。
技术介绍
电静液作动器(Electro-HydrostaticActuator，EHA)是电机、液压泵、增压油箱、作动筒、控制器等高度集成的高压高速执行元件，是航空飞行器主要控制部件。主要用于尾翼、机翼、起落架、发动机、襟副翼的控制，实现航空飞行器的翻滚、爬升、偏航、起降等飞行动作。因此对EHA展开智能健康监测是降低飞行器事故、保障航空飞行器安全运行的重要手段。航空飞行器的EHA、发动机和其他运行部件的振动会相互干扰，且由于流体的压缩、泵源与液压回路的流固耦合作用，EHA的振动响应模式相比于传统回转机械设备更复杂，因此开展电静液作动器多部件早期故障的智能健康监测十分必要，可以为空乘人员提供预警，以便工作人员采取相关措施避免造成生命财产的重大损失。国内对电静液作动器的研究...
【技术保护点】
1.基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法，其特征在于，首先对大数据时代采集到的电静液作动器振动信号、压力信号与电流信号进行数据集切分构建原始样本集，并对其划分训练集和测试集；其次对样本集数据分别提取多模态同源特征，即时域模态、频域模态、小波包模态和改进希尔伯特黄模态，最终构建得到更具鲁棒性的高维特征向量，进而利用XGBoost模型结合高维多模态同源特征与XGBoost模型，在训练集上进行XGBoost模型超参数n
【技术特征摘要】
1.基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法，其特征在于，首先对大数据时代采集到的电静液作动器振动信号、压力信号与电流信号进行数据集切分构建原始样本集，并对其划分训练集和测试集；其次对样本集数据分别提取多模态同源特征，即时域模态、频域模态、小波包模态和改进希尔伯特黄模态，最终构建得到更具鲁棒性的高维特征向量，进而利用XGBoost模型结合高维多模态同源特征与XGBoost模型，在训练集上进行XGBoost模型超参数ntrees、ndepth和nlearning_rates的微调，最终基于最优XGBoost模型在训练集上进行XGBoost模型泛化性能评估并实现电静液作动器故障识别。
2.根据权利要求1所述的基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法，其特征在于，该方法具体包含以下步骤：
步骤1、采集电静液作动器电机电流、电机泵壳体振动信号与液压泵出油口压力信号的正常状态与非正常状态下数据，并进行数据集切分构建原始样本集，并划分训练集和测试集；
步骤2、三种信号的训练集和测试集数据都分别进行基于时域、傅里叶变换、小波包分解和改进希尔伯特黄变换的处理，对处理结果进行统计特征参数的特征提取；
步骤3、对电静液作动器三种信号训练数据集特征，合并构建高维特征向量，作为XGBoost模型训练的输入样本数据，并对电静液作动器多种故障进行独热编码，作为模型训练的输出样本；
步骤4、利用电静液作动器训练样本数据集对网格搜索的XGBoost模型进行训练，微调XGBoost模型超参数，最终通过十折交叉验证得到最优电静液作动器智能健康监测模型；
步骤5、利用训练完成的网格搜索优化XGBoost模型在电静液作动器测试集上进行电静液作动器智能健康监测模型的泛化性能评估与故障识别。
3.根据权利要求2所述的基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法，其特征在于，步骤1中，对振动、压力与电流信号分别进行数据集切分，切分是通过窗函数截断原始信号，窗函数长度2048，并移动窗函数多次截取信号，移动步长200，最终构建出样本集，并随机打乱原始样本集通过9：1的比例抽取出训练集和测试集。
4.根据权利要求2所述的基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法，其特征在于，步骤2中，小波包分解层数为3层，引入自适应白噪声的完备集合经验模态分解改进希尔伯特黄变换模态，能够克服传统希尔伯特黄变换模态使用的经验模式分解模态混叠和集合经验模态分解过程不具完整性、分解效率低的问题。
<...
【专利技术属性】
技术研发人员：丁建军，贺梓洲，仙丹，刘阳鹏，李涛，白杨，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。