【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;
[000 ...
【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:
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。