一种基于超限学习机的液压泵多故障诊断方法与流程

技术特征：

1.一种基于超限学习机的液压泵多故障诊断方法，其特征在于：包括原始信号、特征提取模块、特征约简模块和故障诊断模块，其中，原始信号包括泵壳振动信号x(t)、泵出口流量信号y(t)和泵出口压力信号z(t)；故障诊断模块又包括超限学习机健康状态评估模型和超限学习机故障分类模型；以从液压泵采集到的原始信号作为特征提取模块的输入，对泵壳振动信号进行时域分析和小波包变换处理，得到泵壳振动信号特征矩阵，对泵出口压力信号和泵出口流量信号进行取均值处理，得到泵出口压力信号特征向量和泵出口流量信号特征向量，然后将泵壳振动信号特征矩阵、泵出口压力信号特征向量和泵出口流量信号特征向量进行数据合并得到特征矩阵；特征矩阵作为特征约简模块的输入，经局部切空间排列算法对特征矩阵进行约简，得到约简后的特征矩阵；约简后的特征矩阵作为故障诊断模块中超限学习机健康状态评估模型的输入，将超限学习机健康状态评估模型的隐层输出与预设的阈值进行比较，得到液压泵的健康状态评估结果：健康或故障；当液压泵的健康状态为故障时，将约简后的特征矩阵输入超限学习机故障分类模型，将其隐层输出与预设的阈值进行比较，得到液压泵故障种类，进而实现多故障的诊断；

故障诊断模块的建立步骤如下：

第一步，将原始数据分为两组：训练数据组和测试数据组，训练数据组中数据为训练数据，测试数据组中数据为测试数据，所有数据中均包含液压泵健康状态和故障状态数据；

第二步，对采集到的x(t)进行时域分析和小波包变换处理，分别得到时域统计量和小波包能量；对y(t)和z(t)进行取均值处理；将前述处理后的数据合并，得到特征矩阵；

第三步，采用局部切空间排列算法对第二步得到的特征矩阵进行约简，得到约简后的特征矩阵；其中，训练数据中液压泵健康状态数据和故障状态数据约简后的特征矩阵分别用F1和F2表示；测试数据中液压泵健康状态数据和故障状态数据约简后的特征矩阵分别用TF1和TF2表示；

第四步，建立超限学习机健康状态评估模型：为矩阵F1和F2中的样本加上标签，将得到的数据合并形成训练数据矩阵Train1，利用Train1对超限学习机进行训练，确定超限学习机网络模型和网络输出权重，建立超限学习机健康状态评估模型ELM1；为矩阵TF1和TF2中的样本加上标签，将加标签后的TF1和TF2样本数据输入ELM1，对模型进行检验；

第五步，建立超限学习机故障分类模型：为矩阵F2中不同故障样本加上不同的标签，得到训练数据矩阵Train2，利用Train2对超限学习机进行训练，确定超限学习机网络模型和网络输出权重，得到超限学习机故障分类模型ELM2；为矩阵TF2中不同故障样本加上不同的标签；将加标签后的TF2数据输入ELM2，对模型进行检验。