CN111985158A - 一种基于迁移学习的电液伺服阀故障诊断方法及系统 - Google Patents
一种基于迁移学习的电液伺服阀故障诊断方法及系统 Download PDFInfo
- Publication number
- CN111985158A CN111985158A CN202010840213.0A CN202010840213A CN111985158A CN 111985158 A CN111985158 A CN 111985158A CN 202010840213 A CN202010840213 A CN 202010840213A CN 111985158 A CN111985158 A CN 111985158A
- Authority
- CN
- China
- Prior art keywords
- electro
- servo valve
- hydraulic servo
- data
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013526 transfer learning Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 238000012850 discrimination method Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Abstract
本发明提供一种基于迁移学习的电液伺服阀故障诊断方法及系统,包括以下步骤:S01.获取电液伺服阀故障数据库,包括对应电流下的空载流量数据与故障类型;S02.对电液伺服阀数据进行预处理,建立训练集;S03.利用所述训练集,基于马氏度量的迁移学习框架建立故障诊断模型;S04.处理待检测电液伺服阀的样本数据,并利用所建立故障模型对该电液伺服阀数据进行故障甄别。本发明所述的基于迁移学习的电液伺服阀故障诊断系统及方法,在训练数据不足的情况下,能够充分利用辅助数据完成目标域任务,降低诊断成本,实现对电液伺服阀故障进行高效、准确地诊断。
Description
技术领域
本发明涉及电液伺服阀故障诊断技术领域,具体来说是一种基于迁移学习的电液伺服阀故障诊断方法及系统。
背景技术
电液伺服阀是液压伺服系统中的关键部件,同时也是液压系统中故障频率最高的液压元件之一,其使用情况决定了液压伺服系统的工作性能,被广泛应用于航天、钢铁、冶金、化工等行业中。电液伺服阀集机、电、液于一身,其高精密、高集成化的特点使其故障模式具有复杂多变、诊断周期长、极度依赖专家经验等特点。此外,由于部分型号电液伺服阀的故障样本少,从而使基于数据驱动构建的电液伺服阀故障诊断模型,泛化能力低,难以有效的诊断此类电液伺服阀的故障。因此,针对少量样本的电液伺服阀,研究出一种有效故障诊断系统及方法,对此类型号的电液伺服阀进行准确故障诊断将非常重要。
如申请号为201911155556.7公开的一种基于部分迁移卷及网络的机械设备智能故障诊断方法,其公开了采集机械设备在不同运行工况下的运行数据,组成数据集,将数据集X中的部分数据作为源域训练样本集和目标域测试样本集,并对每个样本数据进行数据标准化,然后使用源域训练样本集训练两个结构相同但初始化参数不同的一维卷积神经网络模型并基于目标域测试样本集对训练后的两个卷积神经网络模型进行修正得到卷积神经网络机械设备故障诊断模型,使用故障诊断模型基于实时运行数据对机械设备进行故障诊断输出故障类型。该方法能够有效地在实际的机械故障诊断中使用,即考虑到目标域的无标签性,使得训练出的诊断模型可以更佳的诊断机械设备的故障。但是该方法针对的是机械设备在不同工况下的运行数据,对于样本建模数据不足的设备,则无法适用该方法。
发明内容
本发明所要解决的技术问题是针对某型号电液伺服阀,在训练数据不足的情况下,为该电液伺服阀提供一种故障诊断方法。
本发明通过以下技术手段实现解决上述技术问题的:
一种基于迁移学习的电液伺服阀故障诊断方法,包括以下步骤:
S01.获取电液伺服阀故障数据库,分别采集不同型号电液伺服阀K种故障下的空载流量特性曲线数据;由于待检测型号的电液伺服阀数据较少,因此选取样本较多的电液伺服阀数据作为辅助域,定义为源域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=1,2,...,NS (1)
将待检测型号的电液伺服阀数据样本定义为目标域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=NS+1,...,NS+NT (2)
式中,NS表示源域样本个数,NT表示目标域中带标签的样本个数,NT<NS;每个样本都包含了m个电流值(Ij1,Ij2,...,Ijm)与所对应的流量值(qj1,qj2,...,qjm),并设置相应的类别标签yj,yj∈{1,2,…,K};
S02.对电液伺服阀数据进行预处理,建立训练集;
S03.利用所述训练集,基于马氏度量的迁移学习框架建立故障诊断模型,模型为
S04.处理待检测电液伺服阀的样本数据,并利用所建立故障模型对该电液伺服阀数据进行故障甄别。
本发明所述的基于迁移学习的电液伺服阀故障诊断系统及方法,在训练数据不足的情况下,能够充分利用辅助数据完成目标域任务,降低诊断成本,实现对电液伺服阀故障进行高效、准确地诊断。
进一步的,所述步骤S02中建立训练集的具体方法为:将源域样本集数据归一化,归一化具体方法如下:
然后提取出相应的类别标签yj,yj∈{1,2,…,K},得到源域样本训练集 DS={(xj,yj)|j=1,...,NS}
同理,将目标域样本集数据进行归一化,得到目标域样本训练集 DT={(xj,yj)|j=NS+1,...,NS+NT}。
进一步的,所述步骤S03中采用马氏度量的迁移学习框架来构建故障诊断学习模型,样本xi和样本xj之间的马氏度量距离可以定义为:
为了求取适合目标域的度量矩阵A,定义目标函数为:
其中,λ>0和β>0是两个平衡参数,正则化项r(A)被用来控制度量矩阵的A的泛化误差,定义为:
r(A)=tr(ATA)
lin(A,ω)表示基于度量矩阵A的类内样本加权误差,lout(A,ω)表示基于度量矩阵A的类间样本加权误差,被定义为:
其中,ψ(ω)是实例权重向量ω的正则项,定义为
其中,ω0(xj)=αφ(xj)表示欧式距离下实例xj的权重,φ(x)表示一种预定义的基函数,α表示相应需要学习的非负参数;
利用以c为中心的高斯核函数来定义基函数
σ为高斯核函数中的带宽参数;
通过最小化PT(x)和ω0(x)PS(x)之间的KL离散度来获取ω0(xj),PT(x)表示目标域数据分布,PS(x)表示源域数据分布,PT(x)≠PS(x);
可以转化为式(10)的优化问题:
利用梯度下降法来获取上式全局最优解α,再使用α及定义的基函数φ(x)计算出源域样本的实例权重向量ω0;在训练过程中,源域和目标域带标签实例都参与;默认目标域带标签实例权重为1;
最后,得具体的优化模型为:
其中,δij表示指示函数,
将模型(11)转化为公式(13)无约束形式:
Step 2:计算梯度值
其中,γ1>0是自适应步长;
Step 4:更新A
其中,γ2>0是自适应步长;
Step 6:若达到迭代总步数T,则停止迭代,否则返回Step 2。
进一步的,所述步骤S04中的故障甄别方法是以k近邻算法作为分类器,进行待检测电液伺服阀的故障诊断;亦即基于度量矩阵A的马氏距离来寻找待检电液伺服阀的k 个样本,建立分类模型,具体为:
Step 1:计算测试数据与各个训练数据之间的马氏距离dij;
Step 2:将计算得到的马氏距离按照递增顺序排列;
Step 3:选取距离最小的前k个样本;
Step 4:统计前k个样本所属故障类别出现的频率;
Step 5:返回前k个样本故障类别出现频率最高的作为待检电液伺服阀的故障。
本发明还提供一种基于迁移学习的电液伺服阀故障诊断系统,包括
数据获取模块,获取电液伺服阀故障数据库,分别采集不同型号电液伺服阀K种故障下的空载流量特性曲线数据;由于待检测型号的电液伺服阀数据较少,因此选取样本较多的电液伺服阀数据作为辅助域,定义为源域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=1,2,...,NS (1)
将待检测型号的电液伺服阀数据样本定义为目标域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=NS+1,...,NS+NT (2)
式中,NS表示源域样本个数,NT表示目标域中带标签的样本个数,NT<NS;每个样本都包含了m个电流值(Ij1,Ij2,...,Ijm)与所对应的流量值(qj1,qj2,...,qjm),并设置相应的类别标签yj,yj∈{1,2,…,K};
训练集建立模块,对电液伺服阀数据进行预处理,建立训练集;
故障诊断模型建立模块,利用所述训练集,基于马氏度量的迁移学习框架建立故障诊断模型,模型为
故障甄别模块,处理待检测电液伺服阀的样本数据,并利用所建立故障模型对该电液伺服阀数据进行故障甄别。
进一步的,所述训练集建立模块中建立训练集的具体方法为:将源域样本集数据归一化,
归一化具体方法如下:
然后提取出相应的类别标签yj,yj∈{1,2,…,K},得到源域样本训练集 DS={(xj,yj)|j=1,...,NS}
同理,将目标域样本集数据进行归一化,得到目标域样本训练集 DT={(xj,yj)|j=NS+1,...,NS+NT}。
进一步的,所述故障诊断模型建立模块中采用马氏度量的迁移学习框架来构建故障诊断学习模型,样本xi和样本xj之间的马氏度量距离可以定义为:
为了求取适合目标域的度量矩阵A,定义目标函数为:
其中,λ>0和β>0是两个平衡参数,正则化项r(A)被用来控制度量矩阵的A的泛化误差,定义为:
r(A)=tr(ATA)
lin(A,ω)表示基于度量矩阵A的类内样本加权误差,lout(A,ω)表示基于度量矩阵A的类间样本加权误差,被定义为:
其中,ψ(ω)是实例权重向量ω的正则项,定义为
其中,ω0(xj)=αφ(xj)表示欧式距离下实例xj的权重,φ(x)表示一种预定义的基函数,α表示相应需要学习的非负参数;
利用以c为中心的高斯核函数来定义基函数
σ为高斯核函数中的带宽参数;
通过最小化PT(x)和ω0(x)PS(x)之间的KL离散度来获取ω0(xj),PT(x)表示目标域数据分布,PS(x)表示源域数据分布,PT(x)≠PS(x);
可以转化为式(10)的优化问题:
利用梯度下降法来获取上式全局最优解α,再使用α及定义的基函数φ(x)计算出源域样本的实例权重向量ω0;在训练过程中,源域和目标域带标签实例都参与;默认目标域带标签实例权重为1;
最后,得具体的优化模型为:
其中,δij表示指示函数,
将模型(11)转化为公式(13)无约束形式:
Step 2:计算梯度值
其中,γ1>0是自适应步长;
Step 4:更新A
其中,γ2>0是自适应步长;
Step 6:若达到迭代总步数T,则停止迭代,否则返回Step 2。
进一步的,所述故障甄别模块中的故障甄别方法是以k近邻算法作为分类器,进行待检测电液伺服阀的故障诊断;亦即基于度量矩阵A的马氏距离来寻找待检电液伺服阀的k个样本,建立分类模型,具体为:
Step 1:计算测试数据与各个训练数据之间的马氏距离dij;
Step 2:将计算得到的马氏距离按照递增顺序排列;
Step 3:选取距离最小的前k个样本;
Step 4:统计前k个样本所属故障类别出现的频率;
Step 5:返回前k个样本故障类别出现频率最高的作为待检电液伺服阀的故障。
本发明的优点在于:
1.本发明所述的基于迁移学习的电液伺服阀故障诊断系统及方法,在训练数据不足的情况下,能够充分利用辅助数据完成目标域任务,降低诊断成本,实现对电液伺服阀故障进行高效、准确地诊断。
2.本发明所述的基于迁移学习的电液伺服阀故障诊断方法,是采用马氏度量的迁移学习框架(MTLF)寻找相似样本,利用调整后的k近邻方法(KNN)作为分类器,能够更有效的从源域向目标域传输知识,提高了电液伺服阀故障诊断的精度。
附图说明
图1为本发明实施例中基于迁移学习的电液伺服阀故障诊断方法的流程图。
图2为MTLF算法流程图。
图3为本发明实施例中待检测电液伺服阀在对应电流下的空载流量数据所形成的特性曲线。
图4为本发明实施例中电液伺服阀数据采集系统结构示意图。
图中:
410-电液伺服阀;420-伺服阀测试台;430-伺服阀静态测试仪;440-计算机。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明所述的基于迁移学习的电液伺服阀故障诊断方法,包括如下步骤:
第一步:所述采集数据具体为:分别采集不同型号电液伺服阀K种故障下的空载流量特性曲线数据。由于待检测型号的电液伺服阀数据较少,因此选取样本较多的电液伺服阀数据作为辅助域,定义为源域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=1,2,...,NS (1)
将待检测型号的电液伺服阀数据样本定义为目标域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=NS+1,...,NS+NT (2)
式中,NS表示源域样本个数,NT表示目标域中带标签的样本个数,NT<NS。每个样本都包含了m个电流值(Ij1,Ij2,...,Ijm)与所对应的流量值(qj1,qj2,...,qjm),并设置相应的类别标签yj,yj∈{1,2,…,K}。
第二步:对电液伺服阀数据进行预处理,建立训练集。
所述建立训练集,具体方法为:将源域样本集数据归一化,
归一化具体方法如下:
然后提取出相应的类别标签yj,yj∈{1,2,…,K},得到源域样本训练集 DS={(xj,yj)|j=1,...,NS}
同理,将目标域样本集数据进行归一化,得到目标域样本训练集 DT={(xj,yj)|j=NS+1,...,NS+NT}。
第三步:采用马氏度量的迁移学习框架(MTLF)来构建故障诊断学习模型。
样本xi和样本xj之间的马氏度量距离可以定义为:
由式(21)可知,马氏度量距离的核心在于度量矩阵A的大小。
为了求取适合目标域的度量矩阵A,定义目标函数为:
其中,λ>0和β>0是两个平衡参数。它们被用来平衡目标函数中不同项对目标函数的影响。正则化项r(A)被用来控制度量矩阵的A的泛化误差,定义为:
r(A)=tr(ATA)
lin(A,ω)表示基于度量矩阵A的类内样本加权误差,lout(A,ω)表示基于度量矩阵A 的类间样本加权误差,被定义为:
其中,ψ(ω)是实例权重向量ω的正则项,定义为
其中,ω0(xj)=αφ(xj)表示欧式距离下实例xj的权重,φ(x)表示一种预定义的基函数,α表示相应需要学习的非负参数。
利用以c为中心的高斯核函数来定义基函数
σ为高斯核函数中的带宽参数。
通过最小化PT(x)和ω0(x)PS(x)之间的KL离散度来获取ω0(xj),PT(x)表示目标域数据分布,PS(x)表示源域数据分布,PT(x)≠PS(x)。
可以转化为下述优化问题:
利用梯度下降法来获取上式全局最优解α,再使用α及定义的基函数φ(x)计算出源域样本的实例权重向量ω0。在训练过程中,源域和目标域带标签实例都参与。默认目标域带标签实例权重为1。
最后,可得具体的优化模型为:
其中,δij表示指示函数,
将上述优化模型转化为下述无约束形式:
Step 2:计算梯度值
其中,γ1>0是自适应步长。
Step 4:更新A
其中,γ2>0是自适应步长。
Step 6:若达到迭代总步数T,则停止迭代,否则返回Step 2。
第四步:将待检测电液伺服阀静态电流、流量数据进行归一化处理;利用MTLF建立的故障诊断模型进行电液伺服阀故障甄别。
所述的故障甄别方法是以k近邻算法作为分类器,进行待检测电液伺服阀的故障诊断。亦即基于度量矩阵A的马氏距离来寻找待检电液伺服阀的k个样本,建立分类模型。
Step 1:计算测试数据与各个训练数据之间的马氏距离dij。
Step 2:将计算得到的马氏距离按照递增顺序排列。
Step 3:选取距离最小的前k个样本。
Step 4:统计前k个样本所属故障类别出现的频率。
Step 5:返回前k个样本故障类别出现频率最高的作为待检电液伺服阀的故障。
图3为正常情况下待检测电液伺服阀在对应电流下的空载流量数据所形成的特性曲线,该曲线数据即为本发明所使用的的数据。
图4为数据采集系统结构示意图,数据采集系统主要包括:一批待检测的电液伺服阀410,伺服阀测试台420,伺服阀静态测试仪430,计算机440。首先将电液伺服阀安装在伺服阀测试台上,电液伺服阀与伺服阀静态测试仪连接,伺服阀静态测试仪与计算机连接。通过伺服阀静态测试仪对电液伺服阀进行控制,驱动电液伺服阀运动,最后通过计算机显示电液伺服阀的空载流量特性曲线并保存数据。
本实施例还提供一种故障诊断系统,如图1所示,包括:
数据采集模块:所述采集数据具体为:分别采集不同型号电液伺服阀K种故障下的空载流量特性曲线数据。由于待检测型号的电液伺服阀数据较少,因此选取样本较多的电液伺服阀数据作为辅助域,定义为源域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=1,2,...,NS (1)
将待检测型号的电液伺服阀数据样本定义为目标域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=NS+1,...,NS+NT (2)
式中,NS表示源域样本个数,NT表示目标域中带标签的样本个数,NT<NS。每个样本都包含了m个电流值(Ij1,Ij2,...,Ijm)与所对应的流量值(qj1,qj2,...,qjm),并设置相应的类别标签yj,yj∈{1,2,…,K}。
训练集建立模块:对电液伺服阀数据进行预处理,建立训练集。
所述建立训练集,具体方法为:将源域样本集数据归一化,
归一化具体方法如下:
然后提取出相应的类别标签yj,yj∈{1,2,…,K},得到源域样本训练集 DS={(xj,yj)|j=1,...,NS}
同理,将目标域样本集数据进行归一化,得到目标域样本训练集 DT={(xj,yj)|j=NS+1,...,NS+NT}。
故障诊断模型建立模块:采用马氏度量的迁移学习框架(MTLF)来构建故障诊断学习模型。
样本xi和样本xj之间的马氏度量距离可以定义为:
由式(21)可知,马氏度量距离的核心在于度量矩阵A的大小。
为了求取适合目标域的度量矩阵A,定义目标函数为:
其中,λ>0和β>0是两个平衡参数。它们被用来平衡目标函数中不同项对目标函数的影响。正则化项r(A)被用来控制度量矩阵的A的泛化误差,定义为:
r(A)=tr(ATA)
lin(A,ω)表示基于度量矩阵A的类内样本加权误差,lout(A,ω)表示基于度量矩阵A 的类间样本加权误差,被定义为:
其中,ψ(ω)是实例权重向量ω的正则项,定义为
其中,ω0(xj)=αφ(xj)表示欧式距离下实例xj的权重,φ(x)表示一种预定义的基函数,α表示相应需要学习的非负参数。
利用以c为中心的高斯核函数来定义基函数
σ为高斯核函数中的带宽参数。
通过最小化PT(x)和ω0(x)PS(x)之间的KL离散度来获取ω0(xj),PT(x)表示目标域数据分布,PS(x)表示源域数据分布,PT(x)≠PS(x)。
可以转化为下述优化问题:
利用梯度下降法来获取上式全局最优解α,再使用α及定义的基函数φ(x)计算出源域样本的实例权重向量ω0。在训练过程中,源域和目标域带标签实例都参与。默认目标域带标签实例权重为1。
最后,可得具体的优化模型为:
其中,δij表示指示函数,
将上述优化模型转化为下述无约束形式:
Step 2:计算梯度值
其中,γ1>0是自适应步长。
Step 4:更新A
其中,γ2>0是自适应步长。
Step 6:若达到迭代总步数T,则停止迭代,否则返回Step 2。
故障甄别模块:将待检测电液伺服阀静态电流、流量数据进行归一化处理;利用MTLF 建立的故障诊断模型进行电液伺服阀故障甄别。
所述的故障甄别方法是以k近邻算法作为分类器,进行待检测电液伺服阀的故障诊断。亦即基于度量矩阵A的马氏距离来寻找待检电液伺服阀的k个样本,建立分类模型。
Step 1:计算测试数据与各个训练数据之间的马氏距离dij。
Step 2:将计算得到的马氏距离按照递增顺序排列。
Step 3:选取距离最小的前k个样本。
Step 4:统计前k个样本所属故障类别出现的频率。
Step 5:返回前k个样本故障类别出现频率最高的作为待检电液伺服阀的故障。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于迁移学习的电液伺服阀故障诊断方法,其特征在于:包括以下步骤:
S01.获取电液伺服阀故障数据库,分别采集不同型号电液伺服阀K种故障下的空载流量特性曲线数据;由于待检测型号的电液伺服阀数据较少,因此选取样本较多的电液伺服阀数据作为辅助域,定义为源域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=1,2,...,NS (1)
将待检测型号的电液伺服阀数据样本定义为目标域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=NS+1,...,NS+NT (2)
式中,NS表示源域样本个数,NT表示目标域中带标签的样本个数,NT<NS;每个样本都包含了m个电流值(Ij1,Ij2,...,Ijm)与所对应的流量值(qj1,qj2,...,qjm),并设置相应的类别标签yj,yj∈{1,2,…,K};
S02.对电液伺服阀数据进行预处理,建立训练集;
S03.利用所述训练集,基于马氏度量的迁移学习框架建立故障诊断模型,模型为
S04.处理待检测电液伺服阀的样本数据,并利用所建立故障模型对该电液伺服阀数据进行故障甄别。
3.根据权利要求2所述的一种基于迁移学习的电液伺服阀故障诊断方法,其特征在于:所述步骤S03中采用马氏度量的迁移学习框架来构建故障诊断学习模型,样本xi和样本xj之间的马氏度量距离可以定义为:
为了求取适合目标域的度量矩阵A,定义目标函数为:
其中,λ>0和β>0是两个平衡参数,正则化项r(A)被用来控制度量矩阵的A的泛化误差,定义为:
r(A)=tr(ATA)
lin(A,ω)表示基于度量矩阵A的类内样本加权误差,lout(A,ω)表示基于度量矩阵A的类间样本加权误差,被定义为:
其中,ψ(ω)是实例权重向量ω的正则项,定义为
其中,ω0(xj)=αφ(xj)表示欧式距离下实例xj的权重,φ(x)表示一种预定义的基函数,α表示相应需要学习的非负参数;
利用以c为中心的高斯核函数来定义基函数
σ为高斯核函数中的带宽参数;
通过最小化PT(x)和ω0(x)PS(x)之间的KL离散度来获取ω0(xj),PT(x)表示目标域数据分布,PS(x)表示源域数据分布,PT(x)≠PS(x);
可以转化为式(10)的优化问题:
利用梯度下降法来获取上式全局最优解α,再使用α及定义的基函数φ(x)计算出源域样本的实例权重向量ω0;在训练过程中,源域和目标域带标签实例都参与;默认目标域带标签实例权重为1;
最后,得具体的优化模型为:
其中,δij表示指示函数,
Step 2:计算梯度值
其中,γ1>0是自适应步长;
Step 4:更新A
其中,γ2>0是自适应步长;
Step 6:若达到迭代总步数T,则停止迭代,否则返回Step 2。
5.根据权利要求1至4任一所述的一种基于迁移学习的电液伺服阀故障诊断方法,其特征在于:所述步骤S04中的故障甄别方法是以k近邻算法作为分类器,进行待检测电液伺服阀的故障诊断;亦即基于度量矩阵A的马氏距离来寻找待检电液伺服阀的k个样本,建立分类模型,具体为:
Step 1:计算测试数据与各个训练数据之间的马氏距离dij;
Step 2:将计算得到的马氏距离按照递增顺序排列;
Step 3:选取距离最小的前k个样本;
Step 4:统计前k个样本所属故障类别出现的频率;
Step 5:返回前k个样本故障类别出现频率最高的作为待检电液伺服阀的故障。
6.一种基于迁移学习的电液伺服阀故障诊断系统,其特征在于:包括
数据获取模块,获取电液伺服阀故障数据库,分别采集不同型号电液伺服阀K种故障下的空载流量特性曲线数据;由于待检测型号的电液伺服阀数据较少,因此选取样本较多的电液伺服阀数据作为辅助域,定义为源域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=1,2,...,NS (1)
将待检测型号的电液伺服阀数据样本定义为目标域:
sj=(Ij1,Ij2,...,Ijm,qj1,qj2,...,qjm)T,j=NS+1,...,NS+NT (2)
式中,NS表示源域样本个数,NT表示目标域中带标签的样本个数,NT<<NS;每个样本都包含了m个电流值(Ij1,Ij2,...,Ijm)与所对应的流量值(qj1,qj2,...,qjm),并设置相应的类别标签yj,yj∈{1,2,…,K};
训练集建立模块,对电液伺服阀数据进行预处理,建立训练集;
故障诊断模型建立模块,利用所述训练集,基于马氏度量的迁移学习框架建立故障诊断模型,模型为
故障甄别模块,处理待检测电液伺服阀的样本数据,并利用所建立故障模型对该电液伺服阀数据进行故障甄别。
8.根据权利要求7所述的一种基于迁移学习的电液伺服阀故障诊断系统,其特征在于:所述故障诊断模型建立模块中采用马氏度量的迁移学习框架来构建故障诊断学习模型,样本xi和样本xj之间的马氏度量距离可以定义为:
为了求取适合目标域的度量矩阵A,定义目标函数为:
其中,λ>0和β>0是两个平衡参数,正则化项r(A)被用来控制度量矩阵的A的泛化误差,定义为:
r(A)=tr(ATA)
lin(A,ω)表示基于度量矩阵A的类内样本加权误差,lout(A,ω)表示基于度量矩阵A的类间样本加权误差,被定义为:
其中,ψ(ω)是实例权重向量ω的正则项,定义为
其中,ω0(xj)=αφ(xj)表示欧式距离下实例xj的权重,φ(x)表示一种预定义的基函数,α表示相应需要学习的非负参数;
利用以c为中心的高斯核函数来定义基函数
σ为高斯核函数中的带宽参数;
通过最小化PT(x)和ω0(x)PS(x)之间的KL离散度来获取ω0(xj),PT(x)表示目标域数据分布,PS(x)表示源域数据分布,PT(x)≠PS(x);
可以转化为式(10)的优化问题:
利用梯度下降法来获取上式全局最优解α,再使用α及定义的基函数φ(x)计算出源域样本的实例权重向量ω0;在训练过程中,源域和目标域带标签实例都参与;默认目标域带标签实例权重为1;
最后,得具体的优化模型为:
其中,δij表示指示函数,
Step 2:计算梯度值
其中,γ1>0是自适应步长;
Step 4:更新A
其中,γ2>0是自适应步长;
Step 6:若达到迭代总步数T,则停止迭代,否则返回Step 2。
10.根据权利要求9所述的一种基于迁移学习的电液伺服阀故障诊断系统,其特征在于:所述故障甄别模块中的故障甄别方法是以k近邻算法作为分类器,进行待检测电液伺服阀的故障诊断;亦即基于度量矩阵A的马氏距离来寻找待检电液伺服阀的k个样本,建立分类模型,具体为:
Step 1:计算测试数据与各个训练数据之间的马氏距离dij;
Step 2:将计算得到的马氏距离按照递增顺序排列;
Step 3:选取距离最小的前k个样本;
Step 4:统计前k个样本所属故障类别出现的频率;
Step 5:返回前k个样本故障类别出现频率最高的作为待检电液伺服阀的故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840213.0A CN111985158A (zh) | 2020-08-18 | 2020-08-18 | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840213.0A CN111985158A (zh) | 2020-08-18 | 2020-08-18 | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985158A true CN111985158A (zh) | 2020-11-24 |
Family
ID=73435133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010840213.0A Pending CN111985158A (zh) | 2020-08-18 | 2020-08-18 | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985158A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341890A (zh) * | 2021-04-30 | 2021-09-03 | 合肥工业大学 | 面向自适应调度与无人生产线协同的智能诊断方法和系统 |
CN113719499A (zh) * | 2021-08-31 | 2021-11-30 | 上海衡拓液压控制技术有限公司 | 一种电液伺服阀智能故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805206A (zh) * | 2018-06-13 | 2018-11-13 | 南京工业大学 | 一种用于模拟电路故障分类的改进型lssvm建立方法 |
CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
CN110175640A (zh) * | 2019-05-22 | 2019-08-27 | 镇江四联机电科技有限公司 | 一种基于机器学习的电液伺服阀故障诊断方法 |
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
-
2020
- 2020-08-18 CN CN202010840213.0A patent/CN111985158A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805206A (zh) * | 2018-06-13 | 2018-11-13 | 南京工业大学 | 一种用于模拟电路故障分类的改进型lssvm建立方法 |
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
CN110175640A (zh) * | 2019-05-22 | 2019-08-27 | 镇江四联机电科技有限公司 | 一种基于机器学习的电液伺服阀故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
CHAO LIU: "Fault diagnosis of electro-hydraulic servo valve using extreme learning machine", 《INTERNATIONAL TRANSACTIONS ON ELECTRICAL ENERGY SYSTEMS》, vol. 30, no. 7 * |
RAKESH KUMAR SANODIYA: "A framework for semi-supervised metric transfer learning on manifolds", 《KNOWLEDGE-BASED SYSTEMS》 * |
YONGHUI XU: "A Unified Framework for Metric Transfer Learning", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》, vol. 29, no. 6, pages 1158 - 1171, XP011647771, DOI: 10.1109/TKDE.2017.2669193 * |
党纲: "基于联合均值差异匹配的域适应故障诊断方法", 《南京理工大学学报》, vol. 44, no. 3 * |
徐庸辉: "面向多实例分类的迁移学习研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341890A (zh) * | 2021-04-30 | 2021-09-03 | 合肥工业大学 | 面向自适应调度与无人生产线协同的智能诊断方法和系统 |
CN113719499A (zh) * | 2021-08-31 | 2021-11-30 | 上海衡拓液压控制技术有限公司 | 一种电液伺服阀智能故障诊断方法 |
CN113719499B (zh) * | 2021-08-31 | 2024-04-05 | 上海衡拓液压控制技术有限公司 | 一种电液伺服阀智能故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598881B (zh) | 基于变分自编码器的图像异常检测方法 | |
CN113191215A (zh) | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN111079836A (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
CN111368920A (zh) | 基于量子孪生神经网络的二分类方法及其人脸识别方法 | |
CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
CN110110610B (zh) | 一种用于短视频的事件检测方法 | |
CN111985158A (zh) | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN109212631B (zh) | 一种考虑通道相关的卫星观测资料三维变分同化方法 | |
CN109100142B (zh) | 一种基于图论的轴承半监督故障诊断方法 | |
CN108985161B (zh) | 一种基于拉普拉斯正则化的低秩稀疏表征图像特征学习方法 | |
CN115423594A (zh) | 企业财务风险的评估方法、装置、设备及存储介质 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
Liu et al. | A novel deep framework for change detection of multi-source heterogeneous images | |
CN112926016A (zh) | 一种多变量时间序列变化点检测方法 | |
CN115935187B (zh) | 基于核敏感度对齐网络的变工况下机械故障诊断方法 | |
Li et al. | A novel application of intelligent algorithms in fault detection of rudder system | |
CN111723010A (zh) | 一种基于稀疏代价矩阵的软件bug分类方法 | |
CN112541524A (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN117009841A (zh) | 一种模型训练方法、电机故障诊断方法和微控制器 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN115797804A (zh) | 一种基于不平衡时序航空飞行数据的异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |