【技术实现步骤摘要】
基于多传感器信息融合与迁移学习的促动器故障诊断方法
[0001]本专利技术属于传统系统的智能故障诊断
,具体涉及一种基于多传感器信息融合与迁移学习的促动器故障诊断方法。
技术介绍
[0002]随着我国的工业自动化程度的不断提高,传动系统作为机械系统中重要的组成部分,其可靠性和稳定性对生产效率和设备运行成本等方面有着重要影响。然而,由于传动系统存在多种故障类型,如齿轮损伤、轴承故障、齿面疲劳等,其故障诊断是机械维护中的一项关键技术。
[0003]随着传感器技术的不断发展,传动系统故障诊断中的传感器数据采集、诊断方法越来越丰富,传统的故障诊断方法中,通常使用信号处理方法进行故障诊断,通过提取信号的故障特征,如小波变换、傅里叶变换、EMD分解等。Bin等人提出了一种基于小波包分解(WPD)和经验模式分解(EMD)提取故障特征频率的方法,采用WPD方法进行去噪,然后采用EMD方法获得固有模函数,提出将IMF的能量矩作为特征向量,以有效地表达故障特征。但是这种方法主要依赖于专家经验,具有更多的人为主观性,对故障识别效果并不是很好,准确性和鲁棒性无法得到保证;之后结合机器学习的浅层网络进行诊断,处理后的信号特征通过浅层网络进行识别诊断。
[0004]Rohit等人研究基于先进的信号处理方法和人工智能技术(如人工神经网络(ANN)和K近邻(KNN))进行轴承故障分类。采用基于小波变换的自适应算法,从时域信号中提取轴承故障分类特征,然后作为ANN模型的输入,相同的特征也已用于KNN。虽然这种方式有一定提升,但是 ...
【技术保护点】
【技术特征摘要】
1.一种基于多传感器信息融合与迁移学习的促动器故障诊断方法,其特征在于,包括:S100,获取待诊断的促动器在工作状态下的振动加速度信号;S200,将S100的振动加速度信号通过预先训练好的故障诊断模型进行信号特征提取、信号特征融合以及故障类型预测,得到预先训练好的故障诊断模型输出的故障类型的概率分布;S300,在S200得到的故障类型的概率分布中选择概率最高的故障类型确定为待诊断的促动器的故障类型。2.根据权利要求1所述的基于多传感器信息融合与迁移学习的促动器故障诊断方法,其特征在于,所述故障诊断模型包括预先训练的多传感器信息融合模型和预先训练的迁移学习卷积网络模型,通过预先训练的多传感器信息融合模型提取信号特征,并对信号特征通过级联方式进行融合得到融合的多传感器信息;再通过预先训练的迁移学习卷积网络模型输出促动器的故障类型概率分布。3.根据权利要求2所述的基于多传感器信息融合与迁移学习的促动器故障诊断方法,其特征在于,在S100之前,所述基于多传感器信息融合与迁移学习的促动器故障诊断方法还包括:S110,通过多个传感器采集促动器传动部件轴承的不同工作状态下的不同位置或不同方向的振动加速度信号;S120,将S110采集到的振动加速度信号进行预处理,并按照不同的工作状态划分为属于源域的训练样本和属于目标域的测试样本;其中,训练样本与测试样本的工作状态不同;S130,利用所述训练样本和所述测试样本对预设的多传感器信息融合模型和预设的迁移学习卷积网络模型进行训练,得到预先训练的多传感器信息融合模型和预先练好的迁移学习卷积网络模型。4.根据权利要求3所述的基于多传感器信息融合与迁移学习的促动器故障诊断方法,其特征在于,S130包括:S131,利用所述训练样本对预设的多传感器信息融合模型和预设的迁移学习卷积网络模型进行训练得到预训练的多传感器信息融合模型和预训练的迁移学习卷积网络模型;S132,将测试样本对预训练的多传感器信息融合模型和预训练的迁移学习卷积网络模型内的权值参数进行更新,得到训练好的多传感器信息融合模型和训练好的迁移学习卷积网络模型。5.根据权利要求4所述的基于多传感器信息融合与迁移学习的促动器故障诊断方法,其特征在于,S131包括:S1311,使用小波变换CWT将训练样本转换成第一时频图;S1312,将所述第一时频图输入至预设的多传感器信息融合模型中,以通过多传感器信息融合模型提取第一信号特征,并将提取的第一信号特征进行级联得到多传感器的信息的第一融合结果;S1313,将第一融合结果输入至预设的迁移学习卷积网络模型,以通过迁移学习卷积网络模型输出训练样本的预测故障类型;S1314,将训练样本的预测故障类型与真实故障类型进行比较,并调整多传感器信息融
合模型和迁移学习卷积网络模型的权值参数;S1315,重复S1311至S1314直至达到迭代次数,得到预训练的多传感器信息融合模型和预训练的迁移学习卷积网络模型。6.根据权利要求4所述的基于多传感器信息融合与迁移学习的促动器故障诊断方法,其特征在于,S132包括:S1321,使用小波变换CWT将测试样本转换成第二时频图;S1322,将所述第二时频图输入至预训...
【专利技术属性】
技术研发人员:薛松,潘成辉,王从思,陈李辉,连培园,许谦,孔德庆,赵武林,彭海波,王晓洁,
申请(专利权)人:西安电子科技大学,
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。