基于多模态深度残差收缩网络的液压防水阀故障诊断方法技术

本发明专利技术公开了一种基于多模态深度残差收缩网络的液压防水阀故障诊断方法，包括如下步骤：步骤1、利用多个传感器采集液压防水阀的原始故障信号，将原始故障信号进行预处理；步骤2、构建多模态深度残差收缩网络模型，将预处理过后的信号作为输入，通过多模态深度残差收缩网络模型提取不同传感器对应的故障特征，再将提取的故障特征进行融合，获得训练好的多模态深度残差收缩网络模型；步骤3、利用训练好的多模态深度残差收缩网络模型对液压防水阀进行故障诊断。本发明专利技术可以诊断液压防水阀不同的故障，具有故障识别精度高，效率快的优点。效率快的优点。效率快的优点。

【技术实现步骤摘要】
基于多模态深度残差收缩网络的液压防水阀故障诊断方法


[0001]本专利技术涉及机械设备故障诊断
，特别涉及一种基于多模态深度残差收缩网络的液压防水阀故障诊断方法。

技术介绍

[0002]很多泵车在主油缸安装了液压防水阀，液压防水阀的主要作用就是防止水箱里的水附着在主油缸的活塞杆上进入主油缸缸筒里，污染液压系统，造成系统乳化。而液压防水阀的工作环境及其恶劣，这使得液压防水阀经常性发生故障。随着液压设备的不断向着智能化更新换代，智能化提出了对液压设备各元件自我诊断故障的要求，而液压防水阀落后的自我检测能力制约着其智能化的发展。液压阀应用广泛而重要，故障多且危害严重，对液压系统进行准确快速的故障诊断，有利于避免经济损失和事故。所以对液压防水阀的工作状态进行实时监测，必定为液压系统的正常运行带来极大的好处。
[0003]传统的故障诊断方法通常包括特征提取、特征选择和故障分类3个步骤。其中特征提取是关键的步骤，它直接影响着故障分类的好坏。随着新一代人工智能的发展，深度学习已被广泛引入机械装备故障诊断中，在特征提取和分类方面都非常强大。然而，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多模态深度残差收缩网络的液压防水阀故障诊断方法，其特征在于：包括如下步骤：步骤1、利用多个传感器采集液压防水阀的原始故障信号，将原始故障信号进行预处理；步骤2、构建多模态深度残差收缩网络模型，将预处理过后的信号作为输入，通过多模态深度残差收缩网络模型提取不同传感器对应的故障特征，再将提取的故障特征进行融合，获得训练好的多模态深度残差收缩网络模型；步骤3、利用训练好的多模态深度残差收缩网络模型对液压防水阀进行故障诊断。2.根据权利要求1所述的基于多模态深度残差收缩网络的液压防水阀故障诊断方法，其特征在于：所述传感器采集的原始故障信号包括振动信号、压力信号和流量信号。3.根据权利要求1所述的基于多模态深度残差收缩网络的液压防水阀故障诊断方法，其特征在于：所述的预处理包括信号分割和数据标准化；所述的信号分割是通过滑移法是将原始故障信号截取为样本，通过偏移或滑动前一个样本的一定距离得到新的样本，其中滑移长度根据公式设定：其中，l
p
为原始故障信号数据点的长度；l
s
为样本长度；n
s
表示样本数；所述的数据标准化是通过归一化策略将所有数据样本映射到闭区间[0,1]，将每个原始故障信号转换为标准化格式：其中，为标准化格式，为原始故障信号中第k个样本的第i个样本点；max(x
k
)和min(x
k
)分别表示第k个样本中遍历的最大值和最小值。4.根据权利要求1所述的基于多模态深度残差收缩网络的液压防水阀故障诊断方法，其特征在于：构建多模态深度残差收缩网络模型是先建立深度残差收缩网络模型；所述深度残差收缩网络模型包括卷积层、批量归一化、激活函数、全局平均池化和损失函数；所述卷积层是用于提取输入的不同特征，减少网络训练中的参数，避免过拟合的发生，提高网络模型的精度；所述卷积层的输入特征与卷积核之间的映射关系表示为:式中，x
i
是输入特征映射的第i个通道，y
j
是输出特征映射的第j个通道，k是卷积核，b是偏置，M
j
是用于计算输出特征映射的第j个通道的通道集合；所述批量归一化是深度残差收缩网络模型训练中对输入特征进行规格化的方法，批量归一化的公式表示：
其中，x
n
表示第n个观测值的输入，y
n
表示第n个观测值的输出，N
batch
表示最小批量化的大小，∈是一个接近于零的常...

【专利技术属性】
技术研发人员：任燕，张瑞，汤何胜，向家伟，孙维方，
申请(专利权)人：温州大学，
类型：发明
国别省市：