一种基于压力信号的液压柱塞泵智能故障诊断方法技术

本发明专利技术提供了一种基于压力信号的液压柱塞泵智能故障诊断方法，其特征在于，包括如下步骤：数据采集：通过压力传感器采集反映液压柱塞泵健康状态的压力信号；数据预处理：利用时频分析方法，将压力信号转换为二维时频图谱，构建时频特征样本库；模型训练与优化：构建故障诊断模型，将训练样本集作为输入，状态标签作为输出，对模型进行训练；采用贝叶斯优化算法对模型进行参数优化和更新；模型验证：将测试样本集作为输入，状态标签作为输出，对模型综合性能进行验证；模型诊断：将液压柱塞泵出口管路的压力信号输入故障诊断模型，模型输出状态标签值，可直接获得最终的故障分类识别结果。本发明专利技术可实现液压柱塞泵典型故障类别的高精度智能诊断。高精度智能诊断。高精度智能诊断。

【技术实现步骤摘要】
一种基于压力信号的液压柱塞泵智能故障诊断方法


[0001]本专利技术涉及液压元件智能故障诊断
，尤其涉及一种基于压力信号的液压柱塞泵智能故障诊断方法。

技术介绍

[0002]液压柱塞泵是液压传动系统的核心动力源，被喻为液压系统的“心脏”，其工作的可靠性是保证设备高精度、高速、连续稳定运行的关键。液压柱塞泵一旦发生故障，轻则造成停机或影响产品质量，重则将会使整个生产线瘫痪、造成巨大的经济损失，甚至发生机毁人亡的灾难事故、产生严重的社会影响。随着人工智能的快速发展，融合人工智能的故障诊断技术有望成为机械装备数据处理与故障诊断的一把利器，为液压柱塞泵的智能故障诊断与健康管理提供了新的思路。
[0003]目前，基于传统方法的机械故障诊断技术对信号处理专业知识和专家经验要求较高，基于浅层模型的智能故障诊断技术在处理复杂问题时存在较大缺陷，导致泛化能力弱、故障诊断精度低。深度学习理论作为模式识别和机器学习领域的崭新研究成果，在一定程度上克服了上述诊断方法存在的不足，但其在液压柱塞泵智能故障诊断方面的应用还较为鲜见。
[0004]另外，液压柱塞泵发生故障时，振源信号通过壳体振动产生压力波并在空气中传播形成振动和噪声。考虑到液压柱塞泵实际应用环境具有复杂性，在自然环境测试中，由于不可避免地存在电机、轴承等传动部件振动耦合、机械传动噪声、环境噪声等背景噪声干扰，发生故障时监测的振动、声音映射信号往往会被振动耦合、背景噪声淹没，需要进行大量的信号预处理和特征提取工作。然而，当泵发生故障时，其内部流体振动将发生变化，故障类型不同时流体振动频率存在差异，压力脉动信号隐含特征也必然有所不同，且能直观反映出故障内部隐含特征。因而，对压力信号进行监测并进行分析处理，可较好地实现对液压柱塞泵的状态特征提取和故障识别。但是，目前国内外利用压力信号实现液压柱塞泵智能故障诊断的方法还较为少见。

技术实现思路

[0005]针对现有技术中存在的不足，本专利技术提供了一种基于压力信号的液压柱塞泵智能故障诊断方法，可实现液压柱塞泵典型故障类别的高精度智能诊断。
[0006]本专利技术是通过以下技术手段实现上述技术目的的。
[0007]一种基于压力信号的液压柱塞泵智能故障诊断方法，包括如下步骤：
[0008]数据采集：通过安装在液压柱塞泵出口管路上的压力传感器采集反映液压柱塞泵正常状态和故障状态的多源压力一维时域信号，作为原始状态数据；
[0009]数据预处理：利用时频分析方法，将采集到的压力一维时域信号转换为二维时频图谱，构建时频特征样本库；并按照比例将样本库划分为训练样本集和测试样本集；
[0010]模型训练与优化：构建故障诊断模型，模型参数全部随机初始化；将训练样本集作
为诊断模型的输入，状态标签作为模型的输出，对诊断模型进行训练；利用测试样本集对诊断模型的综合性能进行评估；采用贝叶斯优化算法对模型进行参数优化和更新，直到诊断模型的综合性能达到全局最优，即得到训练和优化后的故障诊断模型；
[0011]模型验证：调用训练和优化后的故障诊断模型，将测试样本集作为模型的输入，状态标签作为模型的输出，对诊断模型的综合性能进行验证，检验模型是否存在过学习问题；
[0012]模型诊断：将液压柱塞泵出口管路的压力信号输入训练和优化后的故障诊断模型，所述故障诊断模型输出状态标签值，可直接获得最终的故障分类识别结果。
[0013]进一步，构建的故障诊断模型包括：输入层、卷积层A、最大池化层A、卷积层B、最大池化层B、全连接层A、全连接层B和分类层；卷积层A的卷积核个数为18个，卷积层B的卷积核个数为20个，全连接层A的神经元数目为144个，载有ReLU函数；全连接层B的神经元数目为96个，载有ReLU函数；全连接层A和全连接层B的学习率为0.004；输入层的输入数据是3通道时频特征图，长和宽为64
×
64；卷积层A由步长为1，18个尺寸为5
×
5的卷积核组成，载有ReLU函数；最大池化层A由18个尺寸为3
×
3的池化核组成，无激活函数；卷积层B由步长为1，20个尺寸为5
×
5的卷积核组成，载有ReLU函数；最大池化层B由20个尺寸为3
×
3的池化核组成，无激活函数；分类层由5个节点组成。
[0014]进一步，利用同步挤压小波变换方法将液压柱塞泵的压力一维时域信号变换到二维时频域，获取原始压力信号的内部特征。
[0015]本专利技术的有益效果在于：
[0016]1.本专利技术所述的基于压力信号的液压柱塞泵智能故障诊断方法，以液压柱塞泵压力脉动表征信息为数据源，可达到无损状态监测的目的。
[0017]2.本专利技术所述的基于压力信号的液压柱塞泵智能故障诊断方法，利用同步挤压小波变换Synchrosqueezed Wavelet Transforms时频分析方法将原始一维时域信号变换为二维时频域特征图像，能够同步保留传感器信号的时域特征信息和频域特征信息。
[0018]3.本专利技术所述的基于压力信号的液压柱塞泵智能故障诊断方法，充分利用了自学习诊断模型对高维信息的特征提取能力，以及其在监督式学习下的高精度识别能力。以液压柱塞泵内部流体脉动表征传感信号的时频特征图像作为诊断模型的输入，经过多层卷积网络的特征提取，可自学习到时频图像中较为隐含的特征信息，实现原始信号抽象特征提取；当发现不同模态特征时，能根据对应的模态特征进行准确识别和分类。
[0019]4.本专利技术所述的基于压力信号的液压柱塞泵智能故障诊断方法，还充分融合了贝叶斯优化算法的自适应全局寻优能力，在诊断模型训练过程中，对多维超参数自动寻优，优化诊断模型，提升诊断精度和模型泛化能力。
附图说明
[0020]图1是本专利技术所述的基于压力信号的液压柱塞泵智能故障诊断方法的实施流程。
[0021]图2是本专利技术实施例实测液压柱塞泵典型状态压力信号的部分时域分布示意图，其中(a)图为正常状态，(b)图为斜盘磨损状态，(c)图为滑靴磨损状态，(d)图为松靴故障状态，(e)图为中心弹簧失效状态。
[0022]图3是本专利技术实施例实测液压柱塞泵典型状态压力信号的部分二维时频特征图，其中(a)图为正常状态，(b)图为斜盘磨损状态，(c)图为滑靴磨损状态，(d)图为松靴故障状
态，(e)图为中心弹簧失效状态。
[0023]图4为本专利技术构建的故障诊断模型结构简图。图中：1
‑
输入层；2
‑
卷积层A；3
‑
最大池化层A；4
‑
卷积层B；5
‑
最大池化层B；6
‑
全连接层A；7
‑
全连接层B；8
‑
分类层。
[0024]图5是本专利技术实施例贝叶斯优化算法优化迭代过程。
[0025]图6是本专利技术实施例诊断模型的综合性能验证结果。其中(a)图为训练损失曲线，(b)图为训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于压力信号的液压柱塞泵智能故障诊断方法，其特征在于，包括如下步骤：数据采集：通过安装在液压柱塞泵出口管路上的压力传感器采集反映液压柱塞泵正常状态和故障状态的多源压力一维时域信号，作为原始状态数据；数据预处理：利用时频分析方法，将采集到的压力一维时域信号转换为二维时频图谱，构建时频特征样本库；并按照比例将样本库划分为训练样本集和测试样本集；模型训练与优化：构建故障诊断模型，模型参数全部随机初始化；将训练样本集作为诊断模型的输入，状态标签作为模型的输出，对诊断模型进行训练；利用测试样本集对诊断模型的综合性能进行评估；采用贝叶斯优化算法对模型进行参数优化和更新，直到诊断模型的综合性能达到全局最优，即得到训练和优化后的故障诊断模型；模型验证：调用训练和优化后的故障诊断模型，将测试样本集作为模型的输入，状态标签作为模型的输出，对诊断模型的综合性能进行验证，检验模型是否存在过学习问题；模型诊断：将液压柱塞泵出口管路的压力信号输入训练和优化后的故障诊断模型，所述故障诊断模型输出状态标签值，可获得故障分类识别结果。2.根据权利要求1所述的基于压力信号的液压柱塞泵智能故障诊断方法，其特征在于，构建的故障诊断模型包括：输入层(1)、卷积层A(2)...

【专利技术属性】
技术研发人员：汤胜楠，朱勇，袁寿其，
申请(专利权)人：江苏大学，
类型：发明
国别省市：