【技术实现步骤摘要】
液压活塞泵智能故障识别方法
[0001]本专利技术涉及液压元件智能故障识别
，尤其涉及液压活塞泵智能故障识别方法。
技术介绍
[0002]液压系统由于具备功率大、精度高、响应快等优点，被广泛应用于航空航天、工程机械、海工装备等领域多种机械装备中。液压活塞泵作为液压系统的核心元件，是众多领域常见机械装备的动力源，其性能好坏对保证液压系统的稳定性和可靠性有着至关重要的作用，决定着整机装备能否正常运行。随着科技的发展和装备工况需求多样化，液压活塞泵时常面临高温、高压、变负载等恶劣工况，滑靴副、柱塞副、配流副等关键部件极易出现磨损故障，故障形式也越来越复杂多样。因此，为了确保整机装备的安全性和可靠性，有必要对液压活塞泵进行及时有效地故障诊断，从而保证液压系统和整机装备的正常运转，减少因故障发生而造成的经济损失或人员伤亡。
[0003]近年来，机械设备的故障诊断一直备受国内外专家学者们的关注。早期对液压活塞泵进行故障诊断往往需要专家先验知识，且准确率较低。现代的故障识别方法中，基于浅层神经网络的故障诊断需要预先提取故障特...
【技术保护点】
【技术特征摘要】
1.一种液压活塞泵智能故障识别方法，其特征在于，主要包括以下步骤：获取原始一维时域信号；基于原始一维时域信号建立二维时频特征图谱库；基于二维时频特征图谱库，构建故障特征样本库；构建具有强特征提取能力和特征记忆能力的融合诊断模型，并基于故障特征样本库，对融合诊断模型进行训练，得已知故障模式下参数最优的特征记忆融合网络模型；基于所述特征记忆融合网络模型，识别故障类型。2.根据权利要求1所述的液压活塞泵智能故障识别方法，其特征在于，获取原始一维时域信号包括：根据对液压活塞泵的运行机理分析，完成故障元件替换，由信号传递路径，将传感器分别安装在液压活塞泵的不同位置，采集正常状态及典型故障类型的原始一维时域信号。3.根据权利要求2所述的液压活塞泵智能故障识别方法，其特征在于，所述基于原始一维时域信号建立二维时频特征图谱库包括：对原始一维时域信号进行同步压缩小波变换，采用随机旋转、尺度变换、翻转、平移的方法进行数据增强，将原始一维时域信号转换成二维时频特征图，建立二维时频特征图谱库。4.根据权利要求3所述的液压活塞泵智能故障识别方法，其特征在于，所述基于二维时频特征图谱库，构建故障特征样本库包括：将二维时频特征图谱库划分为训练样本、验证样本、测试样本，同时添加标签，使每种故障类型下的样本数量达到均衡，构建出故障特征样本库。5.根据权利要求4所述的液压活塞泵智能故障识别方法，其特征在于，对融合诊断模型进行训练包括：将所述训练样本输入所述融合诊断模型进行训练，利用所述验证样本对融合诊断模型性能进行评估，极大化地保留表征信号特征，充分挖掘时态数据中的隐含有效信息，得已知故障模式下参数最优的特征记忆融合网络模型。6.根据权利要求5所述的液压活塞泵智能故障识别方法，其特征在于，在所述特征记忆融合网络模型中内嵌随机最速下降法和交叉熵损失函数，基于所述随机最速下降法结合所述交叉熵损失函数，将动量设置为0.9，对所述特征记忆融合网络模型进一步优化。7.根据权利要求5所述的液压活塞泵智能故障识别方法，其特征在于，所述特征记忆融合网络模型包括：输入层、卷积层A、最大池化层A、卷积层B、最大池化层B、卷积层C、卷积层D、最大池化层C、卷积层E、卷积层F、最大池化层D、卷积层G、卷积层H、最大池化层E、LSTM层、全连接层和分类层；其中，所述二维时频特征图从输入层输入后；卷积层A、最大池化层A、卷积层B、最大池化层B、卷积层C、卷积层D、最大池化层C、卷积层E、卷积层F、最大池化层D、卷积层G、卷积层H、最大池化层E、LSTM层对输入样本进行特征提取；全连接层和分类层完成对故障类型的识别。8.根据权利要求7所述的液压活塞泵智能故障识别方法，其特征在于，卷积层A、卷积层B、卷积层C、卷积层D、卷积层E、卷积层F、卷积层G和卷积层H的卷积核个数分别为64、128、256、256、512、512、512、512个；输入层的输入数据是3通道时频特征图，长和宽为224
×
224；卷积层A的步长为1，由64个大小为3
×
3卷积核组成，载有线性整流函数；卷积层B的步长为1，由128个大小为3
×
3卷积核组成，载有线性整流函数；卷积层C的步长为1，由256个大小为3
×
3卷积核组成，载有线性整流函数；卷积层D的步长为...
【专利技术属性】
技术研发人员：汤胜楠，苏红，朱勇，高强，周涛，张诗达，
申请(专利权)人：江苏大学，
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。