【技术实现步骤摘要】
一种基于1DCNN
‑
LSTM网络模型的液压机故障诊断方法
[0001]本专利技术涉及液压机故障诊断方法领域，尤其涉及一种基于1DCNN
‑
LSTM网络模型的液压机故障诊断方法。
技术介绍
[0002]随着工业信息化技术的不断发展进步，液压机越来越向着精密化，复杂化以及智能化方向发展，其在给人类生产生活创造便利的同时，也给液压机的故障诊断管理带来新的挑战，并且现有液压技术已经成为世界各国工业领域的关键技术之一，据不完全统计，现在95%以上的机械设备都采用液压技术和装置，液压机是各种高强度钢、碳素钢和合金钢的加工、锻压必须采用的核心装置，广泛使用在航空航天、钢材、大型轴承件、核工业、军事、船舶、起吊机、人造板等重工业领域的设备中，是能源、石油、冶金等国民经济支柱产业中的关键设备，一些液压机是工业体系和国防所需的战略装备，是国家发展大型军事装备和大型工业装备的基础设备，标志着国家综合生产能力与技术发展水平，其可靠性和安全运行性至关重要，一旦液压机发生故障而失效，则会影响整个生产系统的健康运行，...
【技术保护点】
【技术特征摘要】
1.一种基于1DCNN
‑
LSTM网络模型的液压机故障诊断方法，其特征在于，包括以下步骤：S1：采集液压机故障信号；S2：制作模型训练数据集，数据集包括训练集和测试集，并进行分类和标记；S3：通过一维卷积长短期记忆网络提取液压机故障信号特征；S4：采用改进的鲸鱼优化算法优化1DCNN
‑
LSTM网络超参数；S5：利用Softmax作为分类器，并对深度网络模型进行训练和验证；S6：将测得信号输入模型获得故障类型信息。2.根据权利要求1所述的一种基于1DCNN
‑
LSTM网络模型的液压机故障诊断方法，其特征在于：所述步骤S1中采集的液压机故障信号包括故障模式下的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况和振动信号。3.根据权利要求2所述的一种基于1DCNN
‑
LSTM网络模型的液压机故障诊断方法，其特征在于：所述液压压力信号通过PPM
‑
T322H压力传感器采集，所述液压流量信号通过FT
‑
330型传感器采集，所述振动信号通过SG2000振动传感器采集。4.根据权利要求1所述的一种基于1DCNN
‑
LSTM网络模型的液压机故障诊断方法，其特征在于：所述步骤S1中所采集各种故障模式下的故障信号不少于100组，其中80%故障信号作为训练集，20%故障信号作为验证集，分别对所述的训练集进行标记。5.根据权利要求1所述的一种基于1DCNN
‑
LSTM网络模型的液压机故障诊断方法，其特征在于：所述步骤S3的一维卷积长短期记忆（1DCNN
‑
LSTM）网络包括一维卷积神经网络和长短期记忆神经网络；所述的一维卷积神经网络不少于1个卷积模块，所述的卷积模块包含卷积层、池化层及批标准化；将所述的故障信号输入到1DCNN
‑
LSTN模型中通过卷积层学习故障信号的特征量，再通过池化层实现故...
【专利技术属性】
技术研发人员：刘琼，王磊，张海杰，胡彬彬，印志峰，方昆，严建文，李贵闪，
申请(专利权)人：合肥合锻智能制造股份有限公司，
类型：发明
国别省市：
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。