基于特征优化的液压泵泄漏状态识别方法和系统技术方案

本发明专利技术提供了一种基于特征优化的液压泵泄漏状态识别方法和系统，包括：步骤1：获取液压信号，构建数据集并设置对应标签；步骤2：提取液压信号的特征并进行组合，得到特征向量；步骤3：基于稀疏自编码与SoftMax分类器构建识别网络，根据数据集和对应标签进行训练优化，并通过计算特征向量进行液压泵状态识别。本发明专利技术通过运用堆栈稀疏自编码网络对液压泵信号进行故障分类识别诊断，能够自动、准确高效地监测液压信号，维护液压设备安全，保障设备平稳运行。稳运行。稳运行。

【技术实现步骤摘要】
基于特征优化的液压泵泄漏状态识别方法和系统


[0001]本专利技术涉及液压系统
，具体地，涉及一种基于特征优化的液压泵泄漏状态识别方法和系统。

技术介绍

[0002]液压系统作为现代机械系统的主要组成部分，因其较快的响应速度、大的功率质量比、较小的体积、较高的控制精度与运行平稳的特点在机械行业得到了广泛的应用。液压泵作为液压回路的核心部件，其工作状态的好坏严重影响整个机械系统的稳定。由于液压系统的高度复杂性与非线性性，液压回路中故障的机理与失效形式多种多样，故障的有效特征的提取也具有很大的难度。于是提取液压信号的有效特征并完成高精度故障类别识别具有很大的研究意义。
[0003]目前，液压系统的故障识别主要借助了机械系统故障诊断的方法。一般的机械系统故障诊断方法主要从时域、频域与时频域方面对信号进行特征提取进行识别。液压系统是一个高度复杂非线性系统，其信号是一个典型的非线性、非平稳信号，并且在液压泵工作的过程中常伴有强烈的机械振动等噪声干扰，这使得对液压信号的特征提取与识别变得异常困难。
[0004]针对液压信号的复杂性，现有的解决方法大多数是采用不同的特征提取方法来取得不同的液压信号特征。有的采用基于时、频域的线性方法，基于短时傅里叶变换、小波分析、希尔伯特黄变换等的时频分析方法，还有基于最大李雅普诺夫指数、关联维数、熵等的非线性动力学方法对子液压信号进行表征，进而有的采用基于小波分析、经验模态分解方法与小波包谱分析等方法。但是基本只使用到液压信号的时域或者频域单一方面的特征信息，并且将计算得到的特征数据直接输入到分类模型中。单一的特征能够较直观的理解特征的意义，但是对于复杂的液压信号来说，不能很好地表征液压信号的全部信息。于是一些识别方法会提取液压信号的多个特征进行表征，不同类型的特征越多，所包含的原始信息就越多，但是当特征过多的时候，又会出现特征冗余的情况，影响最终的判别效果。于是就有必要对提取的组合多特征进行优化与简约，使得液压泵的泄漏状态的识别状态更为准确。
[0005]强鲁棒性的特征与有效的识别模型对于液压信号的状态识别都至关重要。近年来，深度学习发展迅速，并广泛运用于各行各业。基于AutoEncoder网络的堆栈稀疏自编码神经网络，是一种无监督的学习算法，能够从输入的原始数据中自动学习鲁棒性更强的高阶特征。稀疏自编码器分为三层，输入层、中间层与输出层。输入层到中间层为编码过程，中间层到输出层为解码过程，其中输出层是对输入层的数据的复刻，于是中间层的数据就可以被当作输入数据的高级特征。正是由于堆栈稀疏自编码器良好的特征学习与优化能力，为设计复杂的液压信号泄漏识别模型提供了可能性。
[0006]专利文献CN106197886A(申请号：CN201610497436.5)公开了一种液压缸内泄漏故障诊断评估方法，属于设备健康监控领域，特别涉及液压缸内泄漏的监测和泄漏等级分类。
该方法结合小波分解和BP神经网络，通过采用小波分析的方法分割液压缸进口压力信号，提取分段时域特征，并采用BP神经网络方法建立液压缸泄漏等级的评估方法。通过实验，说明了方法的有效性，能够准确的实现对液压缸内泄漏的诊断。
[0007]稀疏堆栈自编码网络是基于深度学习理论的一种人工神经网络，由于该网络可以对多特征进行简约与优化，能够在多特征表征的时候得到较好的分类结果。目前，在直接使用多特征表征信号的方法中，还没有能够得到较好分类效果的方法。本专利技术克服了现有的技术缺点，将提取的多种液压信号特征进行融合优化，能够在保留了更多的原始信息的情况下，得到准确的识别效果。

技术实现思路

[0008]针对现有技术中的缺陷，本专利技术的目的是提供一种基于特征优化的液压泵泄漏状态识别方法和系统。
[0009]根据本专利技术提供的基于特征优化的液压泵泄漏状态识别方法，包括：
[0010]步骤1：获取液压信号，构建数据集并设置对应标签；
[0011]步骤2：提取液压信号的特征并进行组合，得到特征向量；
[0012]步骤3：基于稀疏自编码与SoftMax分类器构建识别网络，根据数据集和对应标签进行训练优化，并通过计算特征向量进行液压泵状态识别。
[0013]优选的，对液压系统进行周期性重复恒定的负载循环，在负载过程中测量过程值，包括压力与流量；
[0014]在液压主回路中设置三个压力传感器和一个流量传感器，其中，压力传感器按照100HZ进行采样，流量传感器按照10HZ进行采样；
[0015]每个样本包括三个压力与一个流量共四个通道的时间序列数据。
[0016]优选的，提取的液压信号特征包括时域特征与时频域特征；
[0017]所述时域特征包括：均值、方根幅值、均方根值、最大值、标准差、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子和方差；
[0018]所述时频域特征包括：对信号使用db1小波进行5层小波分解后，计算得到5个高频系数与1个低频系数的样本熵；
[0019]将每条液压信号每个通道的特征进行组合，得到18*4维的特征向量。
[0020]优选的，所述识别网络包括两层的堆栈稀疏自编码和一层SoftMax分类器；
[0021]其中，两层的堆栈稀疏自编码由两个稀疏自编码堆叠而成，将第一个自编码的中间层作为第二个稀疏自编码的输入层，将第二个自编码的中间层作为SoftMax分类器的输入。
[0022]优选的，设置整个网络输入层的神经元个数为原始特征向量的维度72；
[0023]根据训练测试的分类精度确定两个稀疏自编码的中间层神经元个数。
[0024]根据本专利技术提供的基于特征优化的液压泵泄漏状态识别系统，包括：
[0025]模块M1：获取液压信号，构建数据集并设置对应标签；
[0026]模块M2：提取液压信号的特征并进行组合，得到特征向量；
[0027]模块M3：基于稀疏自编码与SoftMax分类器构建识别网络，根据数据集和对应标签进行训练优化，并通过计算特征向量进行液压泵状态识别。
[0028]优选的，对液压系统进行周期性重复恒定的负载循环，在负载过程中测量过程值，包括压力与流量；
[0029]在液压主回路中设置三个压力传感器和一个流量传感器，其中，压力传感器按照100HZ进行采样，流量传感器按照10HZ进行采样；
[0030]每个样本包括三个压力与一个流量共四个通道的时间序列数据。
[0031]优选的，提取的液压信号特征包括时域特征与时频域特征；
[0032]所述时域特征包括：均值、方根幅值、均方根值、最大值、标准差、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子和方差；
[0033]所述时频域特征包括：对信号使用db1小波进行5层小波分解后，计算得到5个高频系数与1个低频系数的样本熵；
[0034]将每条液压信号每个通道的特征进行组合，得到18*4维的特征向量。
[0035]优选的，所述识别网络包括两层的堆栈稀疏自编码和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征优化的液压泵泄漏状态识别方法，其特征在于，包括：步骤1：获取液压信号，构建数据集并设置对应标签；步骤2：提取液压信号的特征并进行组合，得到特征向量；步骤3：基于稀疏自编码与SoftMax分类器构建识别网络，根据数据集和对应标签进行训练优化，并通过计算特征向量进行液压泵状态识别。2.根据权利要求1所述的基于特征优化的液压泵泄漏状态识别方法，其特征在于，对液压系统进行周期性重复恒定的负载循环，在负载过程中测量过程值，包括压力与流量；在液压主回路中设置三个压力传感器和一个流量传感器，其中，压力传感器按照100HZ进行采样，流量传感器按照10HZ进行采样；每个样本包括三个压力与一个流量共四个通道的时间序列数据。3.根据权利要求2所述的基于特征优化的液压泵泄漏状态识别方法，其特征在于，提取的液压信号特征包括时域特征与时频域特征；所述时域特征包括：均值、方根幅值、均方根值、最大值、标准差、偏斜度、峭度、峰值因子、裕度因子、波形因子、脉冲因子和方差；所述时频域特征包括：对信号使用db1小波进行5层小波分解后，计算得到5个高频系数与1个低频系数的样本熵；将每条液压信号每个通道的特征进行组合，得到18*4维的特征向量。4.根据权利要求1所述的基于特征优化的液压泵泄漏状态识别方法，其特征在于，所述识别网络包括两层的堆栈稀疏自编码和一层SoftMax分类器；其中，两层的堆栈稀疏自编码由两个稀疏自编码堆叠而成，将第一个自编码的中间层作为第二个稀疏自编码的输入层，将第二个自编码的中间层作为SoftMax分类器的输入。5.根据权利要求3所述的基于特征优化的液压泵泄漏状态识别方法，其特征在于，设置整个网络输入层的神经元个数为原始特征向量的维度72；根据训练测试的分类精度确定两个稀疏自编码的中间层神经元个数。6.一种基于特征优...

【专利技术属性】
技术研发人员：陈军江，
申请(专利权)人：联陆智能交通科技上海有限公司，
类型：发明
国别省市：