本发明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。
背景技术:
1、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
1、本技术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:
2、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;
3、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;
4、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。
5、在本技术的一个实施例中,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:
6、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;
7、步骤s320:将第二特征向量集和故障类型标签输入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;
8、步骤s330:根据完成迭代训练的顶层分类器输出的分类结果判断待训练模型的分类精度是否满足预设的第一精度要求,以及待训练模型的误差曲线是否收敛;
9、步骤s340:在分类精度满足第一精度要求且误差曲线收敛的情况下,待训练模型训练完成,获得故障诊断模型;
10、在在分类精度不满足第一精度要求或误差曲线未收敛的情况下,更换顶层分类器的类型,重复步骤s320与步骤s330。
11、在本技术的一个实施例中,步骤310包括:
12、将特征向量集输入预训练模型中;
13、判断预训练模型输出的重构向量集与特征向量集的误差是否满足预设的第二精度要求;
14、在重构向量集与特征向量集的误差不满足预设的第二精度要求的情况下,调整预训练模型的预设学习参数,重新进行预训练;
15、在重构向量集与特征向量集的误差满足预设的第二精度要求的情况下,将重构向量集作为第二特征向量集输出。
16、在本技术的一个实施例中,顶层分类器还包括用于分泌激素的内分泌腺体,激素用于对待训练模型中的神经元的输入进行调整,步骤s320包括:
17、将第二特征向量集和故障类型标签输入顶层分类器;
18、根据预设的误差函数、顶层分类器输出的分类结果以及故障类型标签确定误差值;
19、根据预设的浓度衰减函数与误差值调整激素的浓度;
20、根据误差值调整顶层分类器中每一层神经元输入的权值、偏度值,以及预训练模型中每一层神经元输入的权值、偏度值,直至满足迭代训练完成条件。
21、在本技术的一个实施例中,数据信号包括压力信号,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,包括:
22、对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;
23、确定每个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,以获得压力信号的时域特征;
24、对每个固有模态函数进行希尔伯特变换,并确定变换后的每个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,以获得压力信号的时频域特征;
25、利用压力信号的时域特征和时频域特征,得到压力信号的特征向量集;
26、对获得的时域特征与时频域特征进行对应的故障类型标记,得到故障类型标签。
27、在本技术的一个实施例中,数据信号包括活塞杆位移信号、振动信号及声发信号,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,包括:
28、对活塞杆位移信号转换为活塞杆加速度信号;
29、对活塞杆加速度信号、振动信号以及声发信号进行分帧,并计算每一帧信号的均值、均方根、偏度值、峰值因子、脉冲因子、波形因子、裕度因子和峭度因子,以获得活塞杆加速度信号、振动信号以及声发信号各自的时频域特征;
30、对每一帧信号进行cqcc特征提取;
31、利用活塞杆位移信号、振动信号及声发信号各自的时频域特征与cqcc特征,得到活塞杆位移信号、振动信号及声发信号各自的特征向量集;
32、对获得的时频域特征以及cqcc特征进行对应的故障类型标记,得到故障类型标签。
33、在本技术的一个实施例中,数据信号包括流量信号与温度信号,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,包括:
34、对流量信号与温度信号进行对应的故障类型标记,得到故障类型标签。
35、本技术第二方面提供了一种液压缸故障诊断方法,包括:
36、获取故障数据,其中,故障数据包括多个传感器的数据信号;
37、对故障数据进行特征提取,以获得故障特征向量;
38、将故障特征向量输入故障诊断模型,以获得故障数据对应的故障类别,其中,故障诊断模型通过如上述的液压缸故障诊断模型的训练方法得到。
39、本技术第三方面提供了一种液压缸故障诊断模型的训练装置,包括:
40、数据获取单元,用于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;
41、特征提取与标记单元,用于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;
42、模型训练单元,用于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。
43、本技术第四方面提供了一种液压缸故障诊断装置,包括:
44、故障检测单元,用于获取故障数据,其中,故障数据包括多个传感器的数据信号;
45、故障特征提取单元,用于对故障数据进行特征提取,以获得故障特征向量;
46、故障分类单元,用于将故障特征向量输入故障诊断模型,以获得具体的故障类别,其中,故障诊断模型通过如上述的液压缸故障诊断模型的训练方法得到。
47、本技术第五方面提供了一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器可执行机器可执行指令以实现上述的液压缸故障诊断模型的训练方法,或上述的液压缸故障诊断方法。
48、本技术第六方面提供了一种机器可读存储介质,机器可读存储介质上存储有指令,该指令被处理器执行时使得处理器实现上述的液压缸故障诊断模型的训练方法,或上述的液压缸故障诊断方法。
49、通过上述技术方案,采用多个传感器采集表征液压缸状态的多物理源数据信号,对数据信号进行相关的特征提取与故障类型标记,用提取到的特征向量训练故障诊断模型,后续的故障诊断过程中,只需将传感器采集到的实时故障数据输入进训练好的故障诊断模型中,即对液压缸可能同时发生的耦合故障和单一故障进行故障分类。
50、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。