一种用于液压轴向柱塞泵智能故障诊断的深度卷积神经网络模型制造技术

本发明专利技术提供了一种用于液压轴向柱塞泵智能故障诊断的深度卷积神经网络模型，其构成包括二维时频图输入板块、特征提取板块和模式识别板块三部分。二维时频图输入板块由输入层构成；特征提取板块由卷积层A、批量归一化层A、最大池化层A、卷积层B、批量归一化层B、最大池化层B、卷积层C、批量归一化层C和最大池化层C构成；模式识别板块由全连接层A、批量归一化层D、全连接层B、批量归一化层E和分类层构成。本发明专利技术构建的深度卷积神经网络模型，具备自学习功能，能够实现状态数据自动特征提取、数据复杂映射关系拟合，可以深度刻画出状态数据丰富的内在信息并提升故障分类识别精度，能够智能高效地诊断出液压轴向柱塞泵典型故障。效地诊断出液压轴向柱塞泵典型故障。效地诊断出液压轴向柱塞泵典型故障。

【技术实现步骤摘要】
一种用于液压轴向柱塞泵智能故障诊断的深度卷积神经网络模型


[0001]本专利技术涉及液压元件智能故障诊断
，尤其涉及用于液压轴向柱塞泵智能故障诊断的深度卷积神经网络模型。

技术介绍

[0002]在航空航天领域，液压轴向柱塞泵由于具有结构紧凑、径向尺寸小、转动惯量小、转速较高、流量大且易于变量、能用多种方式自动调节流量等特点，被广泛应用于飞机的舵面控制系统、航空发动机的燃油系统、火箭发射系统、导弹的自动控制系统、舰载机起飞弹射系统、雷达的跟踪系统等。液压轴向柱塞泵作为上述航空航天装备液压传动系统的动力心脏，其工作的可靠性是保证整机装备高精度、高速、连续稳定运行的关键，一旦发生故障，轻则造成停机，重则发生机毁人亡的灾难事故，产生严重的经济损失和社会影响。为了确保航空航天整机装备的安全性和可靠性，实现对液压轴向柱塞泵的健康状态监测和智能故障诊断至关重要。
[0003]目前，国内外学者和研究机构关于机械故障诊断的研究一般包括传统故障诊断和现代智能故障诊断。虽然传统与现代的机械故障诊断方法较多，但是传统故障诊断一般由信号采集、特征提取和模式识别三部分组成，在特征提取方面对信号处理领域的专家经验依赖性较高，信号处理过程中需要消耗大量时间。另外，伴随大数据时代的到来，液压轴向柱塞泵运行数据可通过互联网实时上传至云端，导致设备运行数据库越来越庞大。现代智能故障诊断中构建的浅层机器学习网络模型在面对大数据时难以表达液压轴向柱塞泵健康状况之间复杂的映射关系，诊断模型的泛化性能也略显不足。并且，基于深度学习模型的机械智能故障诊断多数集中于齿轮箱、轴承、发动机、压缩机等机械领域，针对液压轴向柱塞泵智能故障诊断深度学习模型方面的研究还较为鲜见。因此，亟需探索一种用于液压轴向柱塞泵智能故障诊断的深度学习模型。

技术实现思路

[0004]针对现有技术中存在不足，本专利技术提供了一种用于液压轴向柱塞泵智能故障诊断的深度卷积神经网络模型，可智能高效地诊断出液压轴向柱塞泵典型故障。
[0005]本专利技术是通过以下技术手段实现上述技术目的的。
[0006]一种用于液压轴向柱塞泵智能故障诊断的深度卷积神经网络模型，包括：二维时频图输入板块、特征提取板块和模式识别板块；
[0007]所述二维时频图输入板块包括输入层；
[0008]所述特征提取板块包括卷积层A、批量归一化层A、最大池化层A、卷积层B、批量归一化层B、最大池化层B、卷积层C、批量归一化层C和最大池化层C；
[0009]所述模式识别板块包括全连接层A、批量归一化层D、全连接层B、批量归一化层E和分类层。
[0010]进一步的，所述输入层的输出端通过信息传递通道与所述卷积层A的输入端连接；所述卷积层A的输出端通过信息传递通道与所述批量归一化层A的输入端连接；所述批量归一化层A的输出端通过信息传递通道与所述最大池化层A的输入端连接；所述最大池化层A的输出端通过信息传递通道与所述卷积层B的输入端连接；所述卷积层B的输出端通过信息传递通道与所述批量归一化层B的输入端连接；所述批量归一化层B的输出端通过信息传递通道与所述最大池化层B的输入端连接；所述最大池化层B的输出端通过信息传递通道与所述卷积层C的输入端连接；所述卷积层C的输出端通过信息传递通道与所述批量归一化层C的输入端连接；所述批量归一化C的输出端通过信息传递通道与所述最大池化层C的输入端连接；所述最大池化层C的输出端通过信息传递通道与所述全连接层A的输入端连接；所述全连接层A的输出端通过信息传递通道与所述批量归一化层D的输入端连接；所述批量归一化层D的输出端通过信息传递通道与所述全连接层B的输入端连接；所述全连接层B的输出端通过信息传递通道与所述批量归一化层E的输入端连接；所述批量归一化层E的输出端通过信息传递通道与所述分类层的输入端连接。
[0011]进一步的，所述卷积层A、所述卷积层B以及所述卷积层C的卷积核个数分别为6、16、32个，所述全连接层A和所述全连接层B的神经元数目分别为1024、512个，学习率为0.01。
[0012]进一步的，所述输入层的输入数据是3通道时频图，长和宽为224
×
224；所述卷积层A由步长为4，填充为2，6个尺寸为11
×
11的卷积核组成，无激活函数；所述批量归一化层A由6个通道组成，每个通道的尺寸为11
×
11，载有线性整流函数；所述最大池化层A由步长为2，填充为0，6个尺寸为3
×
3的池化核组成，无激活函数。
[0013]进一步的，所述卷积层B由步长为1，填充为2，16个尺寸为5
×
5的卷积核组成，无激活函数；所述批量归一化层B由16个通道组成，每个通道的尺寸为5
×
5，载有线性整流函数；所述最大池化层B由步长为2，填充为0，16个尺寸为3
×
3的池化核组成，无激活函数。
[0014]进一步的，所述卷积层C由步长为1，填充为1，32个尺寸为3
×
3的卷积核组成，无激活函数；所述批量归一化层C由32个通道组成，每个通道的尺寸为3
×
3，载有线性整流函数；所述最大池化层C由步长为2，填充为0，32个尺寸为3
×
3的池化核组成，无激活函数.
[0015]进一步的，所述全连接层A由1024个节点组成，无激活函数；所述批量归一化层D由1024个节点组成，载有线性整流函数；所述全连接层B由512个节点组成，无激活函数；所述批量归一化层E由512个节点组成，载有线性整流函数；所述分类层由5个节点组成。
[0016]进一步的，液压轴向柱塞泵状态数据经时频转换方法转换为二维时频图，用作所述输入层的数据样本；所述输入层的数据样本经卷积层A进行特征提取后，所述卷积层A输出的特征图被传递至批量所述归一化层A进行特征标准化，进而被传递至所述最大池化层A进行特征选择和信息过滤；所述最大池化层A选择和过滤后的输出数据经所述卷积层B进行特征提取后，所述卷积层B输出的特征图被传递至批量所述归一化层B进行特征标准化，进而被传递至所述最大池化层B进行特征选择和信息过滤；所述最大池化层B选择和过滤后的输出数据经所述卷积层C进行特征提取后，所述卷积层C输出的特征图被传递至批量所述归一化层C进行特征标准化，进而被传递至所述最大池化层C进行特征选择和信息过滤；所述最大池化层C选择和过滤后的输出数据经展平处理后被传递至所述全连接层A进行特征提取，经所述全连接层A特征提取后的输出数据被传递至所述批量归一化层D进行特征标准
化，进而被传递至所述全连接层B进行特征提取，经所述全连接层B特征提取后的输出数据被传递至所述批量归一化层E进行特征标准化，最终被传递至所述分类层进行状态分类识别。
[0017]本专利技术的有益效果是：
[0018](1)本专利技术通过构建深度卷积神经网络模型，模拟大脑学习过程，具备自学习功能，可以实现状态数据自动特征提取、数据复杂映射关系拟合，最终深度刻画出状态数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于液压轴向柱塞泵智能故障诊断的深度卷积神经网络模型，其特征在于，包括：二维时频图输入板块、特征提取板块和模式识别板块；所述二维时频图输入板块包括输入层；所述特征提取板块包括卷积层A、批量归一化层A、最大池化层A、卷积层B、批量归一化层B、最大池化层B、卷积层C、批量归一化层C和最大池化层C；所述模式识别板块包括全连接层A、批量归一化层D、全连接层B、批量归一化层E和分类层。2.根据权利要求1所述的一种用于液压轴向柱塞泵智能故障诊断的深度卷积神经网络模型，其特征在于，所述输入层的输出端通过信息传递通道与所述卷积层A的输入端连接；所述卷积层A的输出端通过信息传递通道与所述批量归一化层A的输入端连接；所述批量归一化层A的输出端通过信息传递通道与所述最大池化层A的输入端连接；所述最大池化层A的输出端通过信息传递通道与所述卷积层B的输入端连接；所述卷积层B的输出端通过信息传递通道与所述批量归一化层B的输入端连接；所述批量归一化层B的输出端通过信息传递通道与所述最大池化层B的输入端连接；所述最大池化层B的输出端通过信息传递通道与所述卷积层C的输入端连接；所述卷积层C的输出端通过信息传递通道与所述批量归一化层C的输入端连接；所述批量归一化C的输出端通过信息传递通道与所述最大池化层C的输入端连接；所述最大池化层C的输出端通过信息传递通道与所述全连接层A的输入端连接；所述全连接层A的输出端通过信息传递通道与所述批量归一化层D的输入端连接；所述批量归一化层D的输出端通过信息传递通道与所述全连接层B的输入端连接；所述全连接层B的输出端通过信息传递通道与所述批量归一化层E的输入端连接；所述批量归一化层E的输出端通过信息传递通道与所述分类层的输入端连接。3.根据权利要求1所述的一种用于液压轴向柱塞泵智能故障诊断的深度卷积神经网络模型，其特征在于，所述卷积层A、所述卷积层B以及所述卷积层C的卷积核个数分别为6、16、32个，所述全连接层A和所述全连接层B的神经元数目分别为1024、512个，学习率为0.01。4.根据权利要求3所述的一种用于液压轴向柱塞泵智能故障诊断的深度卷积神经网络模型，其特征在于，所述输入层的输入数据是3通道时频图，长和宽为224
×
224；所述卷积层A由步长为4，填充为2，6个尺寸为11
×
11的卷积核组成，无激活函数；所述批量归一化层A由6个通道组成，每个通道的尺寸为11
×
11，载有线性整流函数；所述最大池化层A由步长为2，填充为0，6个尺寸为3
×
3的池化核组成，无激活函...

【专利技术属性】
技术研发人员：朱勇，李广朋，汤胜楠，王芮，苏红，曹凯，王洋定，郑智剑，
申请(专利权)人：江苏大学，
类型：发明
国别省市：