液压缸故障诊断模型训练方法与液压缸故障诊断方法技术

本发明专利技术实施例提供一种液压缸故障诊断模型训练方法与液压缸故障诊断方法，属于液压故障诊断领域。方法包括：获取多个传感器的数据信号，其中，多个传感器用于采集液压缸的多类状态数据；对数据信号进行特征提取与故障类型标记，以获得特征向量集与故障类型标签，其中，故障类型标签包括单个故障与相关的特征向量的对应关系，以及耦合故障与相关的特征向量的对应关系；将特征向量集与故障类型标签输入待训练模型进行模型训练，以获得故障诊断模型；采用故障诊断模型根据获取的多个传感器的故障数据进行液压缸的故障分类。通过此方法可以克服现有的液压缸故障诊断技术无法进行液压缸耦合故障的诊断这一问题。缸耦合故障的诊断这一问题。缸耦合故障的诊断这一问题。

【技术实现步骤摘要】
液压缸故障诊断模型训练方法与液压缸故障诊断方法


[0001]本专利技术涉及液压故障诊断领域，具体地涉及一种液压缸故障诊断模型训练方法与液压缸故障诊断方法。

技术介绍

[0002]液压缸作为工程机械设备的关键执行元件，作业环境、工作条件以及应用场景比较复杂，因此液压缸通常不仅仅出现单一的故障，也会出现多种故障并发的故障耦合现象。目前基于数据驱动的液压缸故障诊断技术仅针对出现的单一特定故障类型进行研究，而对液压缸出现的多样性的耦合故障进行自我诊断的领域仍是一个空白。

技术实现思路

[0003]本申请的目的是为了克服现有的液压缸故障诊断技术无法进行液压缸耦合故障的诊断这一问题，提供了一种液压缸故障诊断模型的训练方法，其特征在于，包括：
[0004]获取多个传感器的数据信号，其中，多个传感器用于采集液压缸的多类状态数据；
[0005]对数据信号进行特征提取与故障类型标记，以获得特征向量集与故障类型标签，其中，故障类型标签包括单个故障与相关的特征向量的对应关系，以及耦合故障与相关的特征向量的对应关系；
[0006]将特征向量集与故障类型标签输入待训练模型进行模型训练，以获得故障诊断模型。
[0007]在本申请的一个实施例中，待训练模型包括预训练模型与顶层分类器，将特征向量集与故障类型标签输入待训练模型进行模型训练，以获得故障诊断模型，包括：
[0008]步骤S310：将特征向量集输入由多层受限波尔兹曼机构成的预训练模型中进行预训练，以获得第二特征向量集；
[0009]步骤S320：将第二特征向量集和故障类型标签输入顶层分类器中进行迭代训练，直至满足预设的迭代训练完成条件；
[0010]步骤S330：根据完成迭代训练的顶层分类器输出的分类结果判断待训练模型的分类精度是否满足预设的第一精度要求，以及待训练模型的误差曲线是否收敛；
[0011]步骤S340：在分类精度满足第一精度要求且误差曲线收敛的情况下，待训练模型训练完成，获得故障诊断模型；
[0012]在在分类精度不满足第一精度要求或误差曲线未收敛的情况下，更换顶层分类器的类型，重复步骤S320与步骤S330。
[0013]在本申请的一个实施例中，步骤310包括：
[0014]将特征向量集输入预训练模型中；
[0015]判断预训练模型输出的重构向量集与特征向量集的误差是否满足预设的第二精度要求；
[0016]在重构向量集与特征向量集的误差不满足预设的第二精度要求的情况下，调整预
训练模型的预设学习参数，重新进行预训练；
[0017]在重构向量集与特征向量集的误差满足预设的第二精度要求的情况下，将重构向量集作为第二特征向量集输出。
[0018]在本申请的一个实施例中，顶层分类器还包括用于分泌激素的内分泌腺体，激素用于对待训练模型中的神经元的输入进行调整，步骤S320包括：
[0019]将第二特征向量集和故障类型标签输入顶层分类器；
[0020]根据预设的误差函数、顶层分类器输出的分类结果以及故障类型标签确定误差值；
[0021]根据预设的浓度衰减函数与误差值调整激素的浓度；
[0022]根据误差值调整顶层分类器中每一层神经元输入的权值、偏度值，以及预训练模型中每一层神经元输入的权值、偏度值，直至满足迭代训练完成条件。
[0023]在本申请的一个实施例中，数据信号包括压力信号，对数据信号进行特征提取与故障类型标记，以获得特征向量集与故障类型标签，包括：
[0024]对压力信号进行降噪与经验模态分解，以获得多个固有模态函数与一个残差；
[0025]确定每个固有模态函数的固有模态能量值、固有模态能量熵、有量纲参数以及无量纲参数，以获得压力信号的时域特征；
[0026]对每个固有模态函数进行希尔伯特变换，并确定变换后的每个固有模态函数的瞬态幅值的均值、均方根以及瞬态频率均方根，以获得压力信号的时频域特征；
[0027]利用压力信号的时域特征和时频域特征，得到压力信号的特征向量集；
[0028]对获得的时域特征与时频域特征进行对应的故障类型标记，得到故障类型标签。
[0029]在本申请的一个实施例中，数据信号包括活塞杆位移信号、振动信号及声发信号，对数据信号进行特征提取与故障类型标记，以获得特征向量集与故障类型标签，包括：
[0030]对活塞杆位移信号转换为活塞杆加速度信号；
[0031]对活塞杆加速度信号、振动信号以及声发信号进行分帧，并计算每一帧信号的均值、均方根、偏度值、峰值因子、脉冲因子、波形因子、裕度因子和峭度因子，以获得活塞杆加速度信号、振动信号以及声发信号各自的时频域特征；
[0032]对每一帧信号进行CQCC特征提取；
[0033]利用活塞杆位移信号、振动信号及声发信号各自的时频域特征与CQCC特征，得到活塞杆位移信号、振动信号及声发信号各自的特征向量集；
[0034]对获得的时频域特征以及CQCC特征进行对应的故障类型标记，得到故障类型标签。
[0035]在本申请的一个实施例中，数据信号包括流量信号与温度信号，对数据信号进行特征提取与故障类型标记，以获得特征向量集与故障类型标签，包括：
[0036]对流量信号与温度信号进行对应的故障类型标记，得到故障类型标签。
[0037]本申请第二方面提供了一种液压缸故障诊断方法，包括：
[0038]获取故障数据，其中，故障数据包括多个传感器的数据信号；
[0039]对故障数据进行特征提取，以获得故障特征向量；
[0040]将故障特征向量输入故障诊断模型，以获得故障数据对应的故障类别，其中，故障诊断模型通过如上述的液压缸故障诊断模型的训练方法得到。
[0041]本申请第三方面提供了一种液压缸故障诊断模型的训练装置，包括：
[0042]数据获取单元，用于获取多个传感器的数据信号，其中，多个传感器用于采集液压缸的多类状态数据；
[0043]特征提取与标记单元，用于对数据信号进行特征提取与故障类型标记，以获得特征向量集与故障类型标签，其中，故障类型标签包括单个故障与相关的特征向量的对应关系，以及耦合故障与相关的特征向量的对应关系；
[0044]模型训练单元，用于将特征向量集与故障类型标签输入待训练模型进行模型训练，以获得故障诊断模型。
[0045]本申请第四方面提供了一种液压缸故障诊断装置，包括：
[0046]故障检测单元，用于获取故障数据，其中，故障数据包括多个传感器的数据信号；
[0047]故障特征提取单元，用于对故障数据进行特征提取，以获得故障特征向量；
[0048]故障分类单元，用于将故障特征向量输入故障诊断模型，以获得具体的故障类别，其中，故障诊断模型通过如上述的液压缸故障诊断模型的训练方法得到。
[0049]本申请第五方面提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种液压缸故障诊断模型的训练方法，其特征在于，包括：获取多个传感器的数据信号，其中，所述多个传感器用于采集液压缸的多类状态数据；对所述数据信号进行特征提取与故障类型标记，以获得特征向量集与故障类型标签，其中，所述故障类型标签包括单个故障与相关的特征向量的对应关系，以及耦合故障与相关的特征向量的对应关系；将所述特征向量集与所述故障类型标签输入待训练模型进行模型训练，以获得故障诊断模型。2.根据权利要求1所述的方法，其特征在于，所述待训练模型包括预训练模型与顶层分类器，所述将所述特征向量集与所述故障类型标签输入待训练模型进行模型训练，以获得故障诊断模型，包括：步骤S310：将所述特征向量集输入由多层受限波尔兹曼机构成的所述预训练模型中进行预训练，以获得第二特征向量集；步骤S320：将所述第二特征向量集和所述故障类型标签输入所述顶层分类器中进行迭代训练，直至满足预设的迭代训练完成条件；步骤S330：根据完成迭代训练的所述顶层分类器输出的分类结果判断所述待训练模型的分类精度是否满足预设的第一精度要求，以及所述待训练模型的误差曲线是否收敛；步骤S340：在所述分类精度满足所述第一精度要求且所述误差曲线收敛的情况下，所述待训练模型训练完成，获得所述故障诊断模型；在在所述分类精度不满足所述第一精度要求或所述误差曲线未收敛的情况下，更换所述顶层分类器的类型，重复步骤S320与步骤S330。3.根据权利要求2所述的方法，其特征在于，所述步骤310包括：将所述特征向量集输入所述预训练模型中；判断所述预训练模型输出的重构向量集与所述特征向量集的误差是否满足预设的第二精度要求；在所述重构向量集与所述特征向量集的误差不满足预设的第二精度要求的情况下，调整所述预训练模型的预设学习参数，重新进行预训练；在所述重构向量集与所述特征向量集的误差满足预设的第二精度要求的情况下，将所述重构向量集作为所述第二特征向量集输出。4.根据权利要求2所述的方法，其特征在于，所述顶层分类器还包括用于分泌激素的内分泌腺体，所述激素用于对所述待训练模型中的神经元的输入进行调整，所述步骤S320包括：将所述第二特征向量集和所述故障类型标签输入所述顶层分类器；根据预设的误差函数、所述顶层分类器输出的分类结果以及所述故障类型标签确定误差值；根据预设的浓度衰减函数与所述误差值调整所述激素的浓度；根据所述误差值调整所述顶层分类器中每一层神经元输入的权值、偏度值，以及所述预训练模型中每一层神经元输入的权值、偏度值，直至满足所述迭代训练完成条件。5.根据权利要求1所述的方法，其特征在于，所述数据信号包括压力信号，所述对所述数据信号进行特征提取与故障类型标记，以获得特征向量集与故障类型标签，包括：
对所述压力信号进行降噪与经验模态分解，以获得多个固有模态函数与一个残差；确定每个所述固有模态函数的固有模态能量值、固有模态能量熵、有量纲参数以及无量纲参数，以获得所述压力信号的时域特征；对每个所述固有模态函数进行希尔伯特变换，并确定变换后的每个所述固有模态函数的瞬态幅值的均值、均方根以及瞬态频率均方根，以获得所述压力信号的时频域特征；利用所述压力信号的时域特征和时频域特征，得到所述压力信号的特征向...

【专利技术属性】
技术研发人员：曾光，周佳兴，童兴，吴帆，刘道星，赵向荣，
申请(专利权)人：中科云谷科技有限公司，
类型：发明
国别省市：