一种基于卷积神经网络—集成分类器的旋挖钻机液压系统故障诊断方法技术方案

本发明专利技术提供一种基于CNN

【技术实现步骤摘要】
一种基于卷积神经网络
—
集成分类器的旋挖钻机液压系统故障诊断方法


[0001]本专利技术属于机械故障诊断
，同时属于计算机应用领域，特别涉及一种基于CNN
‑
集成分类器的旋挖钻机液压系统故障诊断方法。

技术介绍

[0002]旋挖钻机是基础建筑工程中的大型桩工机械，广泛应用于高层建筑，城乡道路交通建设，铁路公路桥梁等桩基础工程的建设。
[0003]旋挖钻机作业过程的主要工况有倒立桅、提钻、钻进，这些工况都离不开液压系统的参与，随着科学技术的进步和旋挖钻机智能化、功能集成化程度的提高，旋挖钻机液压系统变得越来越复杂。由于系统中各元件和工作液体都是在封闭油路内工作，不像机械结构件那样直观，也不像电气设备那样可利用各种检测仪器方便地测量各种参数，而且一般故障根源有许多种可能，所有这些特点都给液压系统的故障诊断和维修带来挑战。
[0004]现有的基于卷积神经网络的故障诊断方法存在不足，在特征提取方面，卷积神经网络只利用了高级特征所包含的故障信息，丢失了浅层特征包含的故障信息。在故障分类方面，现有的基于卷积神经网络的故障诊断方法利用卷积神经网络的分类层进行故障分类，而卷积神经网络的分类层无法充分利用数据特征所包含的故障信息，存在分类精度不足的问题。

技术实现思路

[0005]本专利技术方法通过利用卷积神经网络浅层和深层输出的特征作为训练样本送入多个分类器，包括支持向量机、随机森林和K近邻分类器，并将此方法应用于旋挖钻机液压系统，通过在线监测旋挖钻机液压系统各部分油液压力、油液流量、油温等信号来实时监测液压系统状态变化，并在发生故障时可以准确反馈故障位置以及对应的故障原因。可以解决目前旋挖钻机液压系统发生故障时无法准确定位故障位置且无法得知故障原因的难题，可以大大降低维修时的时间和经济成本
[0006]为了实现上述目的，本专利技术采取了如下技术方案：
[0007]一方面，本专利技术提供一种基于卷积神经网络
‑
集成分类器模型的旋挖钻机故障诊断方法，包括如下步骤：
[0008]步骤1、数据采集：分别获取旋挖钻机液压系统正常状态和故障状态时的液压压力信号、液压流量信号、液压温度信号、电机振动信号和电机功率信号；
[0009]步骤2、数据预处理：将采集的旋挖钻机正常状态和故障状态下的原始信号进行归一化处理，通过重叠采样增加样本数量，利用连续小波变换将采集的液压系统原始状态信号转换为时频谱，并且将时频谱以灰度图像的形式显示；
[0010]步骤3、将经过预处理后的数据划分为训练集和验证集；
[0011]步骤4、搭建CNN网络模型提取数据特征，
[0012]所述的CNN网络模型由输入层、隐含层和输出层组成，其中隐含层由第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层和全连接层依次连接构成，输出层为Softmax分类层；
[0013]首先随机初始化CNN网络模型参数，然后在离线过程中，使用步骤3中获得的训练集对网络模型进行预先训练；训练过程中计算softmax分类层的损失函数，并通过Adam优化算法最小化损失函数以此来更新CNN网络模型参数；反复训练若干次后通过验证集验证模型，当精度满足要求后，得到预训练好的CNN网络模型。
[0014]步骤5、将在线监测的旋挖钻机液压系统各部分数据输入预训练好的CNN网络模型提取数据特征，提取出网络模型中第一池化层、第二池化层、第三池化层、第四池化层和全连接层的计算结果；每一层的结果分别送入支持向量机分类器(SVM)、随机森林分类器(RF)和K临近分类器(KNN)，并通过分类熵组合策略获取最终诊断结果和故障原因；
[0015]其中，所述的分类熵组合策略的执行步骤如下：
[0016]计算基本分类器的混淆矩阵，
[0017][0018]式中，M
i
表示第i个分类器；表示第i个分类器将带有标签j的样本分类成标签为k的概率；L为标签的数量；
[0019]计算总精度和局部精度，
[0020][0021][0022][0023]计算每个分类器的权重，
[0024]W
ij
＝exp(2(Lac
ij
‑
β))TAC
i
[0025]是常数
[0026]计算分类熵
[0027][0028][0029][0030]s
i
表示第i个分类器的分类结果，
[0031]获取集成分类结果
[0032][0033]j＝1，2，
…
L
[0034]步骤6、输出诊断结果及对应故障原因。
[0035]进一步的，所述步骤1中，故障状态的故障类型一共有12种，12种故障类型中，每一种故障类型对应多种故障原因，
[0036]其中，正常操作下放过程中突然掉钻X1的故障原因有液压油粘稠度过高y1、液压油清洁度太低y2、电磁阀卡滞y3、主卷压力值有偏差y4和补油管位置不理想y5；
[0037]钻杆在卸土时有时溜钻杆X2的故障原因有制动油缸损坏y6和主卷补油不足y7；
[0038]主卷扬只有下放动作X3的故障原因有马达溢流阀卡滞，使阀芯不能回位y8，以及马达溢流阀压力调整太低y9；
[0039]桅杆不垂直X4的故障原因有桅杆液压锁损坏y
10
和桅杆液压油缸损坏或内泄y
11
；
[0040]立桅不同步X5的故障原因有油缸大腔螺栓阻尼孔大小不一致y
12
、平衡阀问题y
13
和油缸本身存在内泄y
14
；
[0041]动力头扭矩不足X6的故障原因有液压油路问题y
15
、顺序阀问题y
16
、补油阀上的溢流阀泄压y
17
和主油管压力值不够y
18
；
[0042]加压无动作有压力X7的故障原因有平衡阀损坏或阀芯卡住y
19
和M4阀阀芯卡住y
20
；
[0043]加压油缸自动下落X8的故障原因有平衡阀损坏锁不住y
21
[0044]全车无动作X9的故障原因有液压油箱油量不够，主泵吸空y
22
；吸油滤清器堵死y
23
；主泵损坏y
24
；伺服系统压力过低或无压力y
25
；安全阀调定压力过低或卡死y
26
和主泵吸油管爆裂或拔脱y
27
；
[0045]全车动作迟缓无力X
10
的故障原因有液压油箱油位不足y
28
；先导系统压力过低y
29
；系统安全阀压力过低y
30
；主泵供油不足，提前变量y
31
；液压油变质y
32
和主泵内泄严本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络
‑
集成分类器模型的旋挖钻机故障诊断方法，包括如下步骤：步骤1、数据采集：分别获取旋挖钻机液压系统正常状态和故障状态时的液压压力信号、液压流量信号、液压温度信号、电机振动信号和电机功率信号；步骤2、数据预处理：将采集的旋挖钻机正常状态和故障状态下的原始信号进行归一化处理，通过重叠采样增加样本数量，利用连续小波变换将采集的液压系统原始状态信号转换为时频谱，并且将时频谱以灰度图像的形式显示；步骤3、将经过预处理后的数据划分为训练集和验证集；步骤4、搭建CNN网络模型提取数据特征，所述的CNN网络模型由输入层、隐含层和输出层组成，其中隐含层由第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层和全连接层依次连接构成，输出层为Softmax分类层；首先随机初始化CNN网络模型参数，然后在离线过程中，使用步骤3中获得的训练集对网络模型进行预先训练；训练过程中计算softmax分类层的损失函数，并通过Adam优化算法最小化损失函数以此来更新CNN网络模型参数；反复训练若干次后通过验证集验证模型，当精度满足要求后，得到预训练好的CNN网络模型。步骤5、将在线监测的旋挖钻机液压系统各部分数据输入预训练好的CNN网络模型提取数据特征，提取出网络模型中第一池化层、第二池化层、第三池化层、第四池化层和全连接层的计算结果；每一层的结果分别送入支持向量机分类器、随机森林分类器和K临近分类器，并通过分类熵组合策略获取最终诊断结果和故障原因；其中，所述的分类熵组合策略的执行步骤如下：计算基本分类器的混淆矩阵，式中，M
i
表示第i个分类器；表示第i个分类器将带有标签j的样本分类成标签为k的概率；L为标签的数量；计算总精度和局部精度，局部精度，局部精度，计算每个分类器的权重，W
ij
＝exp(2(Lac
ij
‑
β))TAC
i
β是常数计算分类熵
s
i
表示第i个分类器的分类结果，获取集成分类结果步骤6、输出诊断结果及对应故障原因。2.根据权利要求1所述的基于卷积神经网络
‑
集成分类器模型的旋挖钻机故障诊断方法，其特征在于，步骤1中，故障状态的故障类型一共有12种，12种故障类型中，每一种故障类型对应多种故障原因，其中，正常操作下放过程中突然掉钻X1的故障原因有液压油粘稠度过高y1、液压油清洁度太低y2、电磁阀卡滞y3、主卷压力值有偏差y4和补油管位置不理想y5；钻杆在卸土时有时溜钻杆X2的故障原因有制动油缸损坏y6和主卷补油不足y7；主卷扬只有下放动作X3的故障原因有马达溢流阀卡滞，使阀芯不能回位y8，以及马达溢流阀压力调整太低y9；桅杆不垂直X4的故障原因有桅杆液压锁损坏y
10
和桅杆液压油缸损坏或內泄y
11
；立桅不同步X5的故障原因有油缸大腔螺栓阻尼孔大小不一致y
12
、平衡阀问题y
13
和油缸本身存在內泄y
14
；动力头扭矩不足X6的故障原因有液压油路问题y
15
、顺序阀问题y
16
、补油阀上的溢流阀泄压y
17
和主油管压力值不够y
18
；加压无动作有压力X7的故障原因有平衡阀损坏或阀芯卡住y
19
和M4阀阀芯卡住y
20
；加压油缸自动下落X8的故障原因有平衡阀损坏锁不住y
21
全车无动作X9的故障原因有液压油箱油量不够，主泵吸空y
22
；吸油滤清器堵死y
23
；主泵损坏y
24
；伺服系统压力过低或无压力y
25
；安全阀调定压力过低或卡死y
26
和主泵吸油管爆裂或拔脱y
27
；全车动作迟缓无力X
10
的故障原因有液压油箱油位不足y
28
；先导系统压力过低y
29
；系统安全阀压力过低y
30
；主泵供油不足，提前变量y
31
；液压油变质y
32
和主泵內泄严重y
33
回转迟缓无力X
11
的故障原因有液压油管外泄严重y
34
；伺服阀內泄大，压力低于规定值y
35
；多路阀回转过载压力低y
36
和回转马达內泄严重y
37
；油泵系统不供油或供油不足X
12
的故障原...

【专利技术属性】
技术研发人员：杜浩然，王继新，王海金，李想，刘超勤，冯晨龙，
申请(专利权)人：吉林大学，
类型：发明
国别省市：