CN113111832A - 一种基于空洞卷积神经网络的液压阀故障诊断方法 - Google Patents

一种基于空洞卷积神经网络的液压阀故障诊断方法 Download PDF

Info

Publication number
CN113111832A
CN113111832A CN202110441481.XA CN202110441481A CN113111832A CN 113111832 A CN113111832 A CN 113111832A CN 202110441481 A CN202110441481 A CN 202110441481A CN 113111832 A CN113111832 A CN 113111832A
Authority
CN
China
Prior art keywords
neural network
fault
image
network model
sensors
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
Application number
CN202110441481.XA
Other languages
English (en)
Inventor
任燕
施锦川
钟麒
汤何胜
周余庆
钟永腾
向家伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN202110441481.XA priority Critical patent/CN113111832A/zh
Publication of CN113111832A publication Critical patent/CN113111832A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/003—Machine valves
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及故障诊断技术领域，具体为一种基于空洞卷积神经网络的液压阀故障诊断方法，包括采用三组异质传感器，采集液压换向阀的故障数据，每组异质传感器包括两个同质传感器；对每一传感器采集的故障数据进行分割和极坐标变换，将故障数据转为图像；对每一图像进行冗余处理，并对两个同质传感器的图像进行融合；构建空洞卷积神经网络模型，将图像通过空洞卷积神经网络模型进行训练；根据故障分类的精度对空洞卷积神经网络模型的参数和结构进行调整，以得到局部网络结构最优的空洞卷积神经网络模型；利用训练好的空洞卷积神经网络模型对液压换向阀进行故障诊断。本方法克服单一传感器进行故障检测的问题，提高故障诊断的准确性和鲁棒性。

Description

一种基于空洞卷积神经网络的液压阀故障诊断方法
技术领域
本发明涉及故障诊断技术领域，具体为一种基于空洞卷积神经网络的液压阀故障诊断方法。
背景技术
液压阀作为液压系统的重要元件之一，已经被广泛的应用于工业生产设备和航天设备之中。随着液压系统不断向着智能化发展，对液压系统中各元件自我诊断故障的要求也越来越高，而现有液压阀落后的自我检测能力已经严重制约着液压系统的智能化发展。并且液压阀作为液压系统中的重要控制元件，保证其正常工作是保护整个液压系统正常工作的重点，所以对液压阀的工作状态进行实时监测，以保证液压阀正常工作是十分有价值和现实意义的。
但是由于液压阀作为一个封闭的元件并且结构经过多年的打磨基本定型，在其内部加装传感器和改变液压阀的结构都是困难的，因此对于液压阀进行工作状态数据的采集也很困难，所以目前难以实现在液压阀内部进行准确的故障监测。
因此，目前在外部加装传感器进行故障监测已经成为最优的解决方案，但是目前在外部加装传感器进行故障监测也存在着一些问题，以液压阀中的液压换向阀为例：如果采用单一的传感器进行故障检测，由于液压换向阀存在多种故障类型，其中液压换向阀的阀芯和阀体的磨损是其发生故障的主要原因，由于液压换向阀的阀芯和阀体的磨损容易产生微弱泄露，这样的故障是难以通过单一种类的传感器进行检测的，因为单一的传感器是无法检测出故障的位置和故障的严重程度。例如采用压力传感器或流量传感器进行故障监测，虽然能监测故障的严重程度但是无法确认故障发生的准确位置，且油路的长短和复杂程度都会影响到采集到的故障信息的准确度，而采用加速传感器进行故障监测，不能确定故障发生的严重程度，并且振动的传输路径也会对加速传感器的采集产生一定的干扰。因此，采用多个传感器共同进行故障监测，能有效的克服单一传感器进行故障监测会产生的问题，能有效的提高诊断的准确性和鲁棒性。
但是采用多个传感器就会带来海量的数据，并且海量数据之间可能会有存在信息对抗和信息冗余的问题。传统的故障诊断方法难以一次性的处理海量的数据，并且传统的故障诊断方法主要针对1D信号中时域和频域中出现故障的信息，但是对于液压换向阀来说，由于液压换向阀没有确定的故障特征频率，只通过时域和频域中的信息是难以直接判断故障。因此需要深入挖掘多个传感器检测信号中的故障信息来实现液压换向阀的故障诊断。
而对于海量数据的处理和特征挖掘，常选用卷积神经网络。卷积神经网络作为一种强大的信息处理模型，能保证故障信息丢失不影响诊断的情况下实现数据降维，同时还能解放了人力。但是采用卷积神经网络进行数据处理和特征挖掘，也存在一些问题，卷积神经网络难以直接对多个传感器数据进行特征提取和融合，并且卷积神经网络的感受野比较小，难以准确反映时间尺度上的故障信息，且在池化过程中容易导致内部数据结构和空间层级化的信息丢失，从而影响故障诊断的准确性。
发明内容
本发明意在提供一种能对多个传感器采集的数据进行融合，准确监测液压换向阀的故障的基于空洞卷积神经网络的液压阀故障诊断方法，以克服单一传感器进行故障检测的问题，提高故障诊断的准确性和鲁棒性。
本发明提供如下基础方案：一种基于空洞卷积神经网络的液压阀故障诊断方法，包括如下内容：
S1、采用三组异质传感器，采集液压换向阀的故障数据，其中每组异质传感器中包括两个同质传感器；
S2、对每一传感器采集的故障数据进行分割和极坐标变换，将为1D信号的故障数据转为2D的图像；
S3、对每一图像进行冗余处理，并对两个同质传感器的图像进行融合，获得包含两个同质传感器的故障数据的图像；
S4、构建空洞卷积神经网络模型，将图像通过空洞卷积神经网络模型进行训练，使空洞卷积神经网络模型能够进行故障分类；
S5、根据故障分类的精度对空洞卷积神经网络模型的参数和结构进行调整，以得到局部网络结构最优的空洞卷积神经网络模型；
S6、利用训练好的空洞卷积神经网络模型对液压换向阀进行故障诊断。
说明：本方案中异质传感器是指不同种类型的传感器，同质传感器是指同一类型的传感器。
与现有技术相比，本方案的优点在于：1、采用三组异质传感器，采集液压换向阀的故障数据，可以同时检测出故障的位置和故障的严重程度，并且融合了多类型传感器的故障数据减少了采用单一传感器和单类型传感器采集带来的不确定性和故障数据不完备性。
2、对每一传感器采集的故障数据进行分割和极坐标变换，将1D信号的故障数据转为2D的图像，但是此时获得图像存在信息冗余，这部分冗余会对后续构建空洞卷积神经网络模型进行故障分类的结构造成一定的干扰，同时也增加了故障诊断需要的计算能力，所以每组异质传感器中包括两个同质传感器，并且会对每一图像进行冗余处理，并对两个同质传感器的图像进行融合，获得包含两个同质传感器的故障数据的图像，从而以消除获得图像存在的信息冗余，也实现同质传感器采集的故障数据的融合，并且还扩增了图像包含的信息量。
3、构建空洞卷积神经网络模型，将图像通过空洞卷积神经网络模型进行训练，使空洞卷积神经网络模型能够进行故障分类，空洞卷积神经网络模型在相同的条件下，能得到更大的感受野，从而获得更加密集的故障数据，且利用空洞卷积神经网络模型可以更好的保留处理对象的空间特征，从而准确反映时间尺度上的故障信息，保证故障诊断的准确性。本方案根据故障分类的精度对空洞卷积神经网络模型的参数和结构进行调整，以得到局部网络结构最优的空洞卷积神经网络模型，利用训练好的空洞卷积神经网络模型对液压换向阀进行故障诊断，克服单一传感器进行故障检测的问题，提高故障诊断的准确性和鲁棒性。
进一步，异质传感器包括压力传感器、流量传感器和加速度传感器。
有益效果：根据液压换向阀自身的工作特点，异质传感器包括压力传感器、流量传感器和加速度传感器，可以做到同时监测出故障的位置和故障的严重程度，并且通过将异质传感器采集的故障数据进行融合，可以克服单一传感器存在的缺陷。
进一步，所述S2、对每一传感器采集的故障数据进行分割和极坐标变换，将1D信号的故障数据转为2D的图像，包括：
S201、分割每个传感器采集的故障数据，得到时间序列信号X＝{x1,x2,…,xn}；
S202、采用
Figure BDA0003035222440000031
将X的数据范围缩放到[-1,1]或[0,1]；
S203、采用转换公式，将缩放后的X转换到极坐标系统中，即将X的数值看作夹角余弦值，时间戳看作半径，转换公式为：
Figure BDA0003035222440000041
式中，ti是时间戳，N是一个常数因子，用于正则化极坐标系的跨度；
S204、通过计算不同点之间的角度和或角度差，以识别不同时间间隔内的时间相关性，得到图像，其中角度和采用GASF，角度差采用GADF：
Figure BDA0003035222440000042
Figure BDA0003035222440000043
式中，I为单位行向量[1,1,…,1]，
Figure BDA0003035222440000044
为X的数据对应的特征形成的向量，
Figure BDA0003035222440000045
为
Figure BDA0003035222440000046
的转置矩阵，
Figure BDA0003035222440000047
为
Figure BDA0003035222440000048
的转置矩阵。
有益效果：采用上述步骤将为1D信号的故障数据转为2D的图像，以便于后续空洞卷积神经网络模型的构建和训练。
进一步，所述S3、对每一图像进行冗余处理，并对两个同质传感器的图像进行融合，获得包含两个同质传感器的故障数据的图像，包括：
S301、经过分割和极坐标变换获得的2D的图像为对角对称的图像，且图像中包含一半的冗余信息，去除对角线一侧的冗余信息；
S302、将去除了冗余信息的图像与同组的另一同质传感器的已去除冗余信息的图像进行合成，获得数据融合后的图像，即包含两个同质传感器的故障数据的图像。
有益效果：经过分割和极坐标变换获得的2D的图像为对角对称的图像，且图像中包含一半的冗余信息，去除对角线一侧的冗余信息，从而降低信息的冗余，然后将去除了冗余信息的图像与同组的另一同质传感器的已去除冗余信息的图像进行合成，获得数据融合后的图像，以增加图像包含的信息量，图像包含的信息量增加了，有利于构建分类更准确的空洞卷积神经网络模型，同时在根据图像包含的信息量进行故障诊断时，准确性也更高。
进一步，所述空洞卷积神经网络模型包括空洞卷积层、池化层、全连接层和输出层；
所述S4、将图像通过空洞卷积神经网络模型进行训练，使空洞卷积神经网络模型能够进行故障分类，具体包括：
S401、将每组异质传感器的故障数据融合后的图像作为空洞卷积神经网络模型的输入，并依次利用空洞卷积层和池化层对图像进行特征提取，得到图像的特征图的缩放映射；
S402、利用与空洞卷积层连接的全连接层整合空洞卷积层或者池化层中的具有类别区分性的特征信息；
S403、将全连接层的值传递到输出层，输出层采用Softmax逻辑回归进行故障分类。
有益效果：将图像通过空洞卷积神经网络模型进行训练，使空洞卷积神经网络模型能够进行故障分类，空洞卷积神经网络模型在相同的条件下，能得到更大的感受野，从而获得更加密集的故障数据，且利用空洞卷积神经网络模型可以更好的保留处理对象的空间特征，从而准确反映时间尺度上的故障信息，保证故障诊断的准确性。
进一步，所述空洞卷积层的数学模型为在
Figure BDA0003035222440000051
中注入一个距离为参数d的空隙；
式中：Mj为输入图像；l为第l层网络；k为卷积核；b为网络偏置；xi l-1为l层输入；f(·)为激活函数。
有益效果：空洞卷积层在相同的条件下，能得到更大的感受野，从而获得更加密集的故障数据，以增加后续故障诊断的准确性。
进一步，所述池化层的神经元的计算方法为：
Figure BDA0003035222440000052
式中:down(·)为子采样函数；β为网络乘性偏置。
有益效果：池化层的神经元通过对空洞卷积层得到的特征图的缩放映射以降低故障数据维度，提取的特征具有缩放不变性，同时也可以防止过拟合。
进一步，所述空洞卷积层的数学模型中的激活函数和全连接层神经元的激活函数均选用PReLU函数：
Figure BDA0003035222440000053
有益效果：PReLU函数是通过在ReLU函数的基础上添加少量参数，使其能够更具现有数据自适应地进行调整，以提高空洞卷积神经网络的性能。
附图说明
图1为本发明一种基于空洞卷积神经网络的液压阀故障诊断方法实施例的流程图；
图2为本发明一种基于空洞卷积神经网络的液压阀故障诊断方法实施例的加速度传感器采集振动信号为1D信号经过S2处理得到2D的图像的示意图；
图3为本发明一种基于空洞卷积神经网络的液压阀故障诊断方法实施例的两个同质传感器的两个图像进行冗余处理的示意图；
图4为本发明一种基于空洞卷积神经网络的液压阀故障诊断方法实施例的空洞卷积神经网络模型结构图；
图5为本发明一种基于空洞卷积神经网络的液压阀故障诊断方法实施例的测试结果混淆矩阵示意图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例基本如附图1所示：一种基于空洞卷积神经网络的液压阀故障诊断方法，包括如下内容：
S1、采用三组异质传感器，采集液压换向阀的故障数据，其中每组异质传感器中包括两个同质传感器；根据液压换向阀自身的工作特点，异质传感器包括压力传感器、流量传感器和加速度传感器，本实施例采用三组异质传感器，且每组异质传感器采用两个同质传感器，具体为两个压力传感器、两个流量传感器和两个加速度传感器，同时监测出故障的位置和故障的严重程度，克服单一传感器存在的缺陷。
S2、对每一传感器采集的故障数据进行分割和极坐标变换，将为1D信号的故障数据转为2D的图像，包括：
S201、分割每个传感器采集的故障数据，得到时间序列信号X＝{x1,x2,…,xn}；
S202、采用
Figure BDA0003035222440000061
将X的数据范围缩放到[-1,1]或[0,1]；
S203、采用转换公式，将缩放后的X转换到极坐标系统中，即将X的数值看作夹角余弦值，时间戳看作半径，转换公式为：
Figure BDA0003035222440000062
式中，ti是时间戳，N是一个常数因子，用于正则化极坐标系的跨度；
S204、通过计算不同点之间的角度和或角度差，以识别不同时间间隔内的时间相关性，得到图像，其中角度和采用GASF，角度差采用GADF：
Figure BDA0003035222440000063
Figure BDA0003035222440000071
式中，I为单位行向量[1,1,…,1]，
Figure BDA0003035222440000072
为X的数据对应的特征形成的向量，
Figure BDA0003035222440000073
为
Figure BDA0003035222440000074
的转置矩阵，
Figure BDA0003035222440000075
为
Figure BDA0003035222440000076
的转置矩阵。本实施例中选择GASF，如图2所示，以一个加速度传感器采集的故障数据为例，加速度传感器采集振动信号为1D信号经过上述步骤处理得到2D的图像。
S3、对每一图像进行冗余处理，并对两个同质传感器的图像进行融合，获得包含两个同质传感器的故障数据的图像，包括：
S301、经过分割和极坐标变换获得的2D的图像为对角对称的图像，且图像中包含一半的冗余信息，去除对角线一侧的冗余信息；
S302、将去除了冗余信息的图像与同组的另一同质传感器的已去除冗余信息的图像进行合成，获得数据融合后的图像，即包含两个同质传感器的故障数据的图像。
本实施例中具体为将每组异质传感器中的两个同质传感器的两个图像进行冗余处理，两个图像均为对角对称的图像，所以图像中包含一半的冗余信息，如图3所示，以加速度传感器为例，两个加速度传感器采集的为1D信号的故障数据转为2D的图像后，一个图像去除对角线下的冗余部分，一个图像去除对角线上的冗余部分，然后将去除了冗余部分的两个图像进行合成，获得数据融合后的图像，融合后的图像包含了两个加速度传感器采集到的故障数据，从而消除图像存在的信息冗余，也实现同质传感器采集的故障数据的融合，并且还扩增了图像包含的信息量。
S4、构建空洞卷积神经网络模型，将图像通过空洞卷积神经网络模型进行训练，使空洞卷积神经网络模型能够进行故障分类；其中构建的空洞卷积神经网络模型包括空洞卷积层、池化层、全连接层和输出层。如图4所示，本实施例中的空洞卷积神经网络模型包括四个空洞卷积层、四个池化层、四个全连接层和一个输出层，图4中AConv&MaxPooling表示空洞卷积层和池化层；Flatten&Dense表示压平层和密集层，压平层和密集层为全连接层；Softmax&Out put表示输出层。空洞卷积层的数学模型为在
Figure BDA0003035222440000077
中注入一个距离为参数d的空隙；
式中：Mj为输入图像；l为第l层网络；k为卷积核；b为网络偏置；xi l-1为l层输入；f(·)为激活函数。空洞卷积层在相同的条件下，能得到更大的感受野，从而获得更加密集的故障数据，以增加后续故障诊断的准确性。
池化层的神经元的计算方法为：
Figure BDA0003035222440000078
式中:down(·)为子采样函数；β为网络乘性偏置。池化层的神经元通过对空洞卷积层得到的特征图的缩放映射以降低故障数据维度，提取的特征具有缩放不变性，同时也可以防止过拟合。
空洞卷积层的数学模型中的激活函数和全连接层神经元的激活函数均选用PReLU函数：
Figure BDA0003035222440000081
PReLU函数是通过在ReLU函数的基础上添加少量参数，使其能够更具现有数据自适应地进行调整，以提高空洞卷积神经网络的性能。
将图像通过空洞卷积神经网络模型进行训练，使空洞卷积神经网络模型能够进行故障分类，包括：
S401、将每组异质传感器的故障数据融合后的图像作为空洞卷积神经网络模型的输入，本实施例中将三组异质传感器采集的故障数据生成的图像分别做为空洞卷积神经网络模型的R、G、B三个通道的输入；并依次利用空洞卷积层和池化层对图像进行特征提取，得到图像的特征图的缩放映射；本实施例中每组异质传感器的故障数据融合后的图像像素为40*40，采用的测试集和训练集分开，训练集有5600个，800个为一组，共7组，每组为一个故障类型；训练集有1400个，200个为一组，共7组，每组为一个故障类型；其中故障类型如表一所示：
表一故障类型
Figure BDA0003035222440000082
S402、利用与空洞卷积层连接的全连接层整合空洞卷积层或者池化层中的具有类别区分性的特征信息；
S403、将全连接层的值传递到输出层，输出层采用Softmax逻辑回归进行故障分类。
S5、根据故障分类的精度对空洞卷积神经网络模型的参数和结构进行调整，以得到局部网络结构最优的空洞卷积神经网络模型。
S6、利用训练好的空洞卷积神经网络模型对液压换向阀进行故障诊断。如图5所示，混淆矩阵显示了采用本方案对液压换向阀各类型故障诊断的平均精度高达99％，图5中Actual label表示实际标签，predicted label表示预测标签。将本方法的故障诊断结果与其他三种方法比较，结果如表二所示：
表二电液换向阀诊断方法比较结果
Figure BDA0003035222440000091
注：比较方法1为基于多传感器数据采用CNN和DS证据理论的故障诊断方法；
比较方法2为基于单感器数据采用图片处理和CNN分类的故障诊断方法；
比较方法3基于单感器数据采用CNN分类的故障诊断方法。
其中CNN表示卷积神经网络。
从表二中可以看出本方法能够克服单一传感器方法中故障描述不确定的问题，即克服单一传感器不确定性；在故障诊断的鲁棒性方面，多传感器数据融合方法能比单传感器方法更加稳定；相对于其他多传感器数据方法更加的高效，且能获得更高的诊断精度。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (8)

1.一种基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：包括：
S1、采用三组异质传感器，采集液压换向阀的故障数据，其中每组异质传感器中包括两个同质传感器；
S2、对每一传感器采集的故障数据进行分割和极坐标变换，将为1D信号的故障数据转为2D的图像；
S3、对每一图像进行冗余处理，并对两个同质传感器的图像进行融合，获得包含两个同质传感器的故障数据的图像；
S4、构建空洞卷积神经网络模型，将图像通过空洞卷积神经网络模型进行训练，使空洞卷积神经网络模型能够进行故障分类；
S5、根据故障分类的精度对空洞卷积神经网络模型的参数和结构进行调整，得到局部网络结构最优的空洞卷积神经网络模型；
S6、利用训练好的空洞卷积神经网络模型对液压换向阀进行故障诊断。
2.根据权利要求1所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：异质传感器包括压力传感器、流量传感器和加速度传感器。
3.根据权利要求1所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述S2包括：
S201、分割每个传感器采集的故障数据，得到时间序列信号X＝{x1,x2,…,xn}；
S202、采用
Figure FDA0003035222430000011
将X的数据范围缩放到[-1,1]或[0,1]；
S203、采用转换公式，将缩放后的X转换到极坐标系统中，即将X的数值看作夹角余弦值，时间戳看作半径，转换公式为：
Figure FDA0003035222430000012
式中，ti是时间戳，N是一个常数因子，用于正则化极坐标系的跨度；
S204、通过计算不同点之间的角度和或角度差，以识别不同时间间隔内的时间相关性，得到图像，其中角度和采用GASF，角度差采用GADF：
Figure FDA0003035222430000013
Figure FDA0003035222430000021
式中，I为单位行向量[1,1,…,1]，
Figure FDA0003035222430000022
为X的数据对应的特征形成的向量，
Figure FDA0003035222430000023
为
Figure FDA0003035222430000024
的转置矩阵，
Figure FDA0003035222430000025
为
Figure FDA0003035222430000026
的转置矩阵。
4.根据权利要求1所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述S3包括：
S301、经过分割和极坐标变换获得的2D的图像为对角对称的图像，且图像中包含一半的冗余信息，去除对角线一侧的冗余信息；
S302、将去除了冗余信息的图像与同组的另一同质传感器的已去除冗余信息的图像进行合成，获得数据融合后的图像，即包含两个同质传感器的故障数据的图像。
5.根据权利要求1所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述空洞卷积神经网络模型包括空洞卷积层、池化层、全连接层和输出层；
所述S4、将图像通过空洞卷积神经网络模型进行训练，使空洞卷积神经网络模型能够进行故障分类，包括：
S401、将每组异质传感器的故障数据融合后的图像作为空洞卷积神经网络模型的输入，并依次利用空洞卷积层和池化层对图像进行特征提取，得到图像的特征图的缩放映射；
S402、利用与空洞卷积层连接的全连接层整合空洞卷积层或者池化层中的具有类别区分性的特征信息；
S403、将全连接层的值传递到输出层，输出层采用Softmax逻辑回归进行故障分类。
6.根据权利要求5所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述空洞卷积层的数学模型为在
Figure FDA0003035222430000027
中注入一个距离为参数d的空隙；式中：Mj为输入图像；l为第l层网络；k为卷积核；b为网络偏置；
Figure FDA0003035222430000028
为l层输入；f(·)为激活函数。
7.根据权利要求6所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述池化层的神经元的计算方法为：
Figure FDA0003035222430000029
式中:down(·)为子采样函数；β为网络乘性偏置。
8.根据权利要求7所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述空洞卷积层的数学模型中的激活函数和全连接层神经元的激活函数均选用PReLU函数：
Figure FDA0003035222430000031
CN202110441481.XA 2021-04-23 2021-04-23 一种基于空洞卷积神经网络的液压阀故障诊断方法 Pending CN113111832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110441481.XA CN113111832A (zh) 2021-04-23 2021-04-23 一种基于空洞卷积神经网络的液压阀故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110441481.XA CN113111832A (zh) 2021-04-23 2021-04-23 一种基于空洞卷积神经网络的液压阀故障诊断方法

Publications (1)

Publication Number Publication Date
CN113111832A true CN113111832A (zh) 2021-07-13

Family

ID=76719564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110441481.XA Pending CN113111832A (zh) 2021-04-23 2021-04-23 一种基于空洞卷积神经网络的液压阀故障诊断方法

Country Status (1)

Country Link
CN (1) CN113111832A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792755A (zh) * 2021-08-12 2021-12-14 上海理工大学 一种小波深度图像融合环境感知与目标识别方法
CN114755002A (zh) * 2022-04-06 2022-07-15 燕山大学 一种基于全连接神经网络的缓冲平衡阀故障诊断方法
CN115393316A (zh) * 2022-08-24 2022-11-25 维都利阀门有限公司 具有冲蚀状态监测系统的闪蒸阀及其监测方法
US11886178B2 (en) 2021-11-11 2024-01-30 Yantai Jereh Oilfield Services Group Co., Ltd. Fault diagnosis method, method for building fault diagnosis model, equipment, device and medium

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792755A (zh) * 2021-08-12 2021-12-14 上海理工大学 一种小波深度图像融合环境感知与目标识别方法
CN113792755B (zh) * 2021-08-12 2024-05-14 上海理工大学 一种小波深度图像融合环境感知与目标识别方法
US11886178B2 (en) 2021-11-11 2024-01-30 Yantai Jereh Oilfield Services Group Co., Ltd. Fault diagnosis method, method for building fault diagnosis model, equipment, device and medium
CN114755002A (zh) * 2022-04-06 2022-07-15 燕山大学 一种基于全连接神经网络的缓冲平衡阀故障诊断方法
CN115393316A (zh) * 2022-08-24 2022-11-25 维都利阀门有限公司 具有冲蚀状态监测系统的闪蒸阀及其监测方法

Similar Documents

Publication Publication Date Title
CN113111832A (zh) 一种基于空洞卷积神经网络的液压阀故障诊断方法
AU2020103923A4 (en) Fault diagnosis method and system for gear bearing based on multi-source information fusion
CN111898634A (zh) 一种基于深度对抗域自适应的智能故障诊断方法
Liu et al. Data fusion generative adversarial network for multi-class imbalanced fault diagnosis of rotating machinery
CN113324754B (zh) 一种基于多感受野图卷积的齿轮传动系统故障识别方法
Fang et al. Sewer pipeline fault identification using anomaly detection algorithms on video sequences
CN114818774A (zh) 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN114970715A (zh) 小样本及不平衡数据约束下的变工况故障诊断方法及系统
CN113984389B (zh) 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法
CN114239641B (zh) 一种联合注意力机制选择核卷积残差网络的故障诊断方法
Jiang et al. Anomaly detection of industrial multi-sensor signals based on enhanced spatiotemporal features
CN113361686A (zh) 一种多层异构多模态卷积神经网络集成式机器人巡检方法
CN108460404B (zh) 一种基于布隆过滤器的电机故障诊断方法
Tian et al. Multi-scale deep coupling convolutional neural network with heterogeneous sensor data for intelligent fault diagnosis
CN113554070B (zh) 基于过渡概率矩阵和轻量级网络的轴承故障诊断方法
Ye et al. M2F2-Net: Multi-Modal Feature Fusion for Unstructured Off-Road Freespace Detection
CN112491468B (zh) 基于孪生节点辅助传感的fbg传感网络节点故障定位方法
CN115017984A (zh) 一种航空发动机故障风险预警方法及系统
Zhang et al. A fault diagnosis method for wind turbines of new wind farm based on joint matching adaptive network
CN111753876A (zh) 一种基于深度神经网络的产品质量检测方法
CN114048678B (zh) 非线性相关结构损伤诊断指标的局部切空间重构方法
CN117726885B (zh) 一种基于三维几何自注意力机制的车身缝隙分类方法
CN117786507B (zh) 全局和局部特征耦合指导的滚动轴承未知故障检测方法
CN114755002B (zh) 一种基于全连接神经网络的缓冲平衡阀故障诊断方法

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