一种液压系统故障诊断方法及系统

本发明涉及液压系统监测领域，具体涉及一种液压系统故障诊断方法及系统。

背景技术：

1、液压系统应用于工业和机械领域。它们通过利用液体传递力量和控制运动，实现了许多关键功能。但液压系统作为集电气、机械、流体特性于一体的复杂系统，具有不确定性、非线性和时变性等特点，且管路封闭、故障常常发生在内部难以排查，对设备安全生产造成一定的威胁。但是由于液压系统是保护设备安全的关键，在出现故障时需要停止设备运转，导致故障样本数量较少，训练不充足，从而造成漏检、误检等问题，影响故障诊断的精度。

2、中国专利申请(公开号cn116910574a)中公开了一种基于元学习和时间卷积网络的机械设备诊断方法及装置，实现故障诊断模型的网络参数在较少的迭代次数中就能达到收敛，并获得良好的泛化性能，进而提高小样本故障诊断的准确率和降低故障诊断模型的构建成本；但其仍存在故障样本不均衡的问题，导致故障诊断模型的网络参数准确度不佳，影响故障诊断模型的准确率。

技术实现思路

1、本发明的目的是针对现有技术存在的缺陷，提供一种液压系统故障诊断方法及系统，利用采集的液压系统数据来合成故障样本，完成故障样本的扩充，将故障样本与原始健康数据和故障数据融合后用于故障诊断模型的训练，从而提高模型的泛化能力，提高小样本故障诊断的准确率。

2、本发明的第一目的是提供一种液压系统故障诊断方法，采用以下方案：

3、包括：

4、获取目标液压系统的当前运行数据并处理；

5、将处理后的当前运行数据输入至故障诊断模型中，获取所述目标液压系统的故障诊断预测值；

6、所述故障诊断模型是基于样本数据集对残差网络和长短时记忆网络进行元学习训练所得到的；所述样本数据集是基于样本液压系统的处理后的历史运行状态数据以及故障样本生成网络的合成故障样本构建的。

7、进一步地，所述故障诊断模型是基于如下步骤训练得到的：

8、将样本数据集划分为训练集和验证集；其中，故障样本生成网络基于部分训练集生成合成故障样本，新的训练集包括故障生成网络生成的合成故障样本与训练集中未参与样本生成网络训练的样本；

9、基于新的训练集和验证集，对残差网络和长短时记忆网络进行元学习训练，根据训练结果，获取所述故障诊断模型。

10、进一步地，所述故障样本生成网络基于部分训练集生成合成故障样本包括：

11、训练集划分为支持集和查询集，作为元学习中的元任务；其中，训练集元任务中包含的样本液压系统中的数据与其他数据集元任务的数据来自样本液压系统的不同工况；

12、将训练集一部分作为样本生成网络的输入，将随机噪声与支持集中的样本标签输入到生成器中；

13、生成器输出的故障样本和查询集作为原样本一同输入到鉴别器中；

14、鉴别器将鉴别结果向前传播至生成器，并更新故障样本生成网络参数，最小化故障样本与原样本之间的差异；

15、输出满足差异需求的故障样本作为合成故障样本。

16、进一步地，所述当前运行数据进行处理为通过变分自编码器网络对所述当前运行数据进行降噪处理，所述样本液压系统的运行数据通过变分自编码器网络进行降噪处理后得到历史运行状态数据。

17、进一步地，所述变分自编码器网络将带有噪声的原始数据映射到潜在空间中进行处理，并将处理后的输出重新映射到原始数据空间中，生成重构数据。

18、进一步地，所述残差网络设计有跨层连接和残差块，提取所输入数据的特征，保留训练过程中数据的梯度。

19、进一步地，所述长短时记忆网络对时间序列数据进行特征提取，并捕捉时间序列数据中的长期依赖关系。

20、进一步地，基于样本数据集进行元学习训练时，通过样本数据集中不同工况下验证集的数据来调整元学习的学习能力。

21、进一步地，所述样本数据集还包括测试集，元学习训练结束后，通过测试集对故障诊断模型进行测试，评估其诊断精度。

22、本发明的第二目的是提供液压系统故障诊断系统，包括：

23、数据获取模块，被配置为：获取目标液压系统的当前运行数据并处理；

24、故障诊断模块，被配置为：将处理后的当前运行数据输入至故障诊断模型中，获取所述目标液压系统的故障诊断预测值；

25、所述故障诊断模型是基于样本数据集对残差网络和长短时记忆网络进行元学习训练所得到的；所述样本数据集是基于样本液压系统的处理后的历史运行状态数据以及故障样本生成网络的合成故障样本构建的。

26、与现有技术相比，本发明具有的优点和积极效果是：

27、(1)针对目前小样本液压系统故障诊断准确度较差的问题，利用采集的液压系统数据来合成故障样本，完成故障样本的扩充，将故障样本与原始健康数据和故障数据融合后用于故障诊断模型的训练，从而提高模型的泛化能力，提高小样本故障诊断的准确率。

28、(2)残差网络通过跨层连接和残差块的设计，能够更有效地提取输入数据中的特征，并缓解训练过程中梯度消失的问题。

29、(3)利用残差网络结合长短时记忆网络作为元学习器进行故障特征学习，提高模型的泛化能力，从而在面向新环境或新任务中能够快速学习，避免在新数据上过拟合，通过不断训练更新模型参数，提高模型在少量故障样本下对液压系统故障诊断的精度。

技术特征：

1.一种液压系统故障诊断方法，其特征在于，包括：

2.如权利要求1所述的液压系统故障诊断方法，其特征在于，所述故障诊断模型是基于如下步骤训练得到的：

3.如权利要求2所述的液压系统故障诊断方法，其特征在于，所述故障样本生成网络基于部分训练集生成合成故障样本包括：

4.如权利要求1或2或3所述的液压系统故障诊断方法，其特征在于，所述当前运行数据进行处理为通过变分自编码器网络对所述当前运行数据进行降噪处理，所述样本液压系统的运行数据通过变分自编码器网络进行降噪处理后得到历史运行状态数据。

5.如权利要求4所述的液压系统故障诊断方法，其特征在于，所述变分自编码器网络将带有噪声的原始数据映射到潜在空间中进行处理，并将处理后的输出重新映射到原始数据空间中，生成重构数据。

6.如权利要求1所述的液压系统故障诊断方法，其特征在于，所述残差网络设计有跨层连接和残差块，提取所输入数据的特征，保留训练过程中数据的梯度。

7.如权利要求1所述的液压系统故障诊断方法，其特征在于，所述长短时记忆网络对时间序列数据进行特征提取，并捕捉时间序列数据中的长期依赖关系。

8.如权利要求7所述的液压系统故障诊断方法，其特征在于，基于样本数据集进行元学习训练时，通过样本数据集中不同工况下验证集的数据来调整元学习的学习能力。

9.如权利要求1所述的液压系统故障诊断方法，其特征在于，所述样本数据集还包括测试集，元学习训练结束后，通过测试集对故障诊断模型进行测试，评估其诊断精度。

10.一种液压系统故障诊断系统，其特征在于，包括：

技术总结
本发明提供一种液压系统故障诊断方法及系统，涉及液压系统监测领域，针对目前小样本液压系统故障诊断准确度较差的问题，利用采集的液压系统数据来合成故障样本，完成故障样本的扩充，将故障样本与原始健康数据和故障数据融合后用于故障诊断模型的训练，从而提高模型的泛化能力，提高小样本故障诊断的准确率。

技术研发人员：万熠,王茂灿,梁西昌,贺翔,陶中涵,侯嘉瑞,李亚男,刘士华,彭强吉,刘海涛
受保护的技术使用者：山东大学
技术研发日：
技术公布日：2024/5/10