一种电液伺服阀故障诊断方法与流程

技术特征：

1.一种电液伺服阀故障诊断方法，其特征在于，

具体步骤如下：

步骤1：采集电液伺服阀参数；

步骤2数据处理：对采集到的伺服阀参数采用奇异矩阵分解重组进行去噪处理，然后采用余弦分析法进行伺服阀参数降维；

步骤3故障诊断：将经过降维处理的伺服阀参数进行训练得到故障网络模型，并将实时采集的电液伺服阀参数数据作为故障分类的准备数据，基于该故障网络模型进行故障诊断；

步骤4结果输出和处理，对该故障网络模型输出数据并拟合诊断结果。

2.根据权利要求1所述的一种电液伺服阀故障诊断方法，其特征在于，

所述步骤1中采集的电液伺服阀参数包括：阀左腔压力、阀右腔压力、阀进口流量、阀出口流量、阀壳体温度和阀电流。

3.根据权利要求1所述的一种电液伺服阀故障诊断方法，其特征在于，

所述步骤2对采集的伺服阀参数数据进行去噪处理过程如下：

将采集的伺服阀参数数据组成m行n列的矩阵A，进行奇异值分解，分解如下：

其中U代表各维度数据之间的相似方向，V则显示了每条数据之间的相似程度，Σ是对角矩阵，对角线上的值为奇异值，非零奇异值的个数为矩阵的秩，T为转置符号，m、n为大于1的整数；

当选择的各维度数据之间是相关的，则奇异值就会有零值；如不相关，则奇异值均是非零值；选择的各维度数据不相关，且奇异值之间差距较大，则认为有噪声，通过设定数据阈值，将小于该数据阈值的奇异值归零，重新合成矩阵即可消除噪声数据。

4.根据权利要求3所述的一种电液伺服阀故障诊断方法，其特征在于，步骤2中采用余弦分析法，对重新合成矩阵的各列向量之间的余弦值分析进行向量相似性判断，将相似向量合并成复合向量，所对应的坐标值定义为复合参数，实现对合成矩阵内的伺服阀参数数据的降维处理。

5.根据权利要求4所述的一种电液伺服阀故障诊断方法，其特征在于，两个向量之间的余弦值在批量数据下趋于稳定且在[0.707，1]区间内，该两个向量互为相似向量。

6.根据权利要求4所述的一种电液伺服阀故障诊断方法，其特征在于，

若向量P和向量Q互为相似向量，复合向量Z由相似向量的某一个向量计算获得，达到降维的效果，复合向量的计算公式如下：

λ、η分别为P向量和Q向量变化单位模长度相应的Z方向变化的比例，相应的计算公式如下：

θ为向量P和向量Z的夹角，Rrot(θ)为向量P和向量Z的旋转矩阵，φ为向量Q和向量Z的夹角，Rrot(φ)为向量Q和向量Z的旋转矩阵。

7.根据权利要求6所述的一种电液伺服阀故障诊断方法，其特征在于，在二维坐标下相应的旋转矩阵公式如下：

。

8.根据权利要求1所述的一种电液伺服阀故障诊断方法，其特征在于，所述步骤3用故障网络模型进行诊断故障，其中，故障网络模型选用调节参数比较少的广义回归神经网络，具体过程如下：

Step3.1：数据归一化：

其中，Xmin为输入向量X的最小值，Xmax为输入向量X的最大值，Xi'为输入向量X第i个神经元归一化后的值；

Step3.2：训练故障网络模型：将复合参数输入广义回归神经网络，模式层神经元传递函数Fi为：

其中，X为故障网络输入向量，Xi为第i个神经元对应的学习样本，T为向量转置，光滑因子σ为唯一变量，将其从0.01到1之间进行调节，通过迭代训练故障网络模型，选择故障网络模型输出和实际值的均方根误差达到设定值时，所对应的光滑因子σ为最佳参数，得到适合本数据特征的故障网络模型。

9.根据权利要求1所述的一种电液伺服阀故障诊断方法，其特征在于，

所述步骤4故障网络模型输出数据进行反归一化，并转化为相应故障类别，拟合离散点得到连续故障模式趋势。