CN113431925B - 一种电液比例阀的故障预测方法 - Google Patents

一种电液比例阀的故障预测方法 Download PDF

Info

Publication number
CN113431925B
CN113431925B CN202110786308.3A CN202110786308A CN113431925B CN 113431925 B CN113431925 B CN 113431925B CN 202110786308 A CN202110786308 A CN 202110786308A CN 113431925 B CN113431925 B CN 113431925B
Authority
CN
China
Prior art keywords
electro
fault
valve
data
proportional valve
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.)
Active
Application number
CN202110786308.3A
Other languages
English (en)
Other versions
CN113431925A (zh
Inventor
陈立娟
俞奇
魏立忠
高伟
李瑞阳
张苏南
彭泽钦
艾超
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.)
Jiangsu Jinling Institute Of Intelligent Manufacturing Co ltd
Nanjing Institute of Technology
Yanshan University
Original Assignee
Jiangsu Jinling Institute Of Intelligent Manufacturing Co ltd
Nanjing Institute of Technology
Yanshan 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 Jiangsu Jinling Institute Of Intelligent Manufacturing Co ltd, Nanjing Institute of Technology, Yanshan University filed Critical Jiangsu Jinling Institute Of Intelligent Manufacturing Co ltd
Priority to CN202110786308.3A priority Critical patent/CN113431925B/zh
Publication of CN113431925A publication Critical patent/CN113431925A/zh
Application granted granted Critical
Publication of CN113431925B publication Critical patent/CN113431925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
    • F16K11/00—Multiple-way valves, e.g. mixing valves; Pipe fittings incorporating such valves
    • F16K11/02—Multiple-way valves, e.g. mixing valves; Pipe fittings incorporating such valves with all movable sealing faces moving as one unit
    • F16K11/06—Multiple-way valves, e.g. mixing valves; Pipe fittings incorporating such valves with all movable sealing faces moving as one unit comprising only sliding valves, i.e. sliding closure elements
    • F16K11/065—Multiple-way valves, e.g. mixing valves; Pipe fittings incorporating such valves with all movable sealing faces moving as one unit comprising only sliding valves, i.e. sliding closure elements with linearly sliding closure members
    • F16K11/07—Multiple-way valves, e.g. mixing valves; Pipe fittings incorporating such valves with all movable sealing faces moving as one unit comprising only sliding valves, i.e. sliding closure elements with linearly sliding closure members with cylindrical slides
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
    • F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
    • F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
    • F15B19/005—Fault detection or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F15—FLUID-PRESSURE ACTUATORS; HYDRAULICS OR PNEUMATICS IN GENERAL
    • F15B—SYSTEMS ACTING BY MEANS OF FLUIDS IN GENERAL; FLUID-PRESSURE ACTUATORS, e.g. SERVOMOTORS; DETAILS OF FLUID-PRESSURE SYSTEMS, NOT OTHERWISE PROVIDED FOR
    • F15B19/00—Testing; Calibrating; Fault detection or monitoring; Simulation or modelling of fluid-pressure systems or apparatus not otherwise provided for
    • F15B19/007—Simulation or modelling
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
    • F16K31/00—Actuating devices; Operating means; Releasing devices
    • F16K31/02—Actuating devices; Operating means; Releasing devices electric; magnetic
    • F16K31/06—Actuating devices; Operating means; Releasing devices electric; magnetic using a magnet, e.g. diaphragm valves, cutting off by means of a liquid
    • F16K31/0603—Multiple-way valves
    • F16K31/061—Sliding valves
    • F16K31/0613—Sliding valves with cylindrical slides
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
    • F16K31/00—Actuating devices; Operating means; Releasing devices
    • F16K31/02—Actuating devices; Operating means; Releasing devices electric; magnetic
    • F16K31/06—Actuating devices; Operating means; Releasing devices electric; magnetic using a magnet, e.g. diaphragm valves, cutting off by means of a liquid
    • F16K31/0675—Electromagnet aspects, e.g. electric supply therefor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
    • F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
    • F16K37/0075—For recording or indicating the functioning of a valve in combination with test equipment
    • F16K37/0083—For recording or indicating the functioning of a valve in combination with test equipment by measuring valve parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Computer Hardware Design (AREA)
  • Electromagnetism (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Magnetically Actuated Valves (AREA)
  • Servomotors (AREA)
  • Fluid-Pressure Circuits (AREA)

Abstract

本发明涉及一种电液比例阀及其高精度位置控制系统、控制方法与故障预测方法，电液比例阀包括阀芯、比例电磁铁、位移传感器、电流控制器、位置控制器等主要部件，其高精度位置控制系统主要包括位置控制环、位置前馈环节、电流控制环和脉宽调制环节等部分，采用CNN+BiLSTM的网络结构对电液比例阀进行故障预测。相比于现有技术，本发明能够实现电液比例阀的高精度位置控制，并能利用训练完成的网络模型对位置控制异常时的电液比例阀进行准确的故障预测。

Description

一种电液比例阀的故障预测方法
技术领域
本发明属于比例阀技术领域，具体涉及一种电液比例阀的故障预测方法。
背景技术
电液比例阀是液压伺服系统的核心元件，其性能和使用状况直接决定整个系统的性能。电液比例阀控制的基本原理是利用电磁铁行程力的大小与它的电流大小成正比，通过控制流过比例阀电磁铁电流的大小，实现对液压压力和流量的控制。
目前的比例控制器主要采用脉宽调制技术控制比例阀的电磁线圈电流，但这种模拟电路控制方式由于抗干扰能力差、调试复杂等缺点逐渐被数字化控制方式所取代，利用简单的脉宽调制的方法去控制线圈电流难以实现比例阀控制的高精度控制。
由于电液比例阀大多数都处于封闭环境中且其故障又具有多样性，其故障通常表现为机械故障和液压故障交织在一起，致使故障现象和故障原因不是简单的线性对应关系，而表现为非线性映射关系。传统的故障诊断方法难以有效的应用在电液比例阀的故障诊断中，而且周期长、成本较高，对生产效益产生很大的影响。随着控制技术的不断完善，利用简单仪器或凭个人感官及实践经验的故障诊断方式已逐渐转变为利用传感器的智能诊断方式。
国内外学者针对电液比例阀的位置控制和故障预测做了大量工作，专利CN204828107U公开了一种了配有位移传感器的高精度电液比例阀，其阀芯位置反馈系统与外部闭环系统形成了双闭环控制系统；专利CN102192217A利用分段控制集成式电液数字阀和微机相结合来实现适应性的电液比例阀位置控制；靳小波等人采用奇异值分解及余弦分析法对采集的数据进行处理，运用训练好的故诊断障网络模型输出诊断结果来实现对电液伺服阀的故障预测；高钦和等人则提出了一种采用三层小波能量分解提取特征值和BP神经网络进行模式识别的电磁换向阀故障诊断方法。
发明内容
为解决现有技术中比例阀控制精度低与故障诊断困难的问题，提供一种电液比例阀及其高精度位置控制与故障预测方法，本发明采用的技术方案如下：
一种电液比例阀，包括阀芯、阀套、比例电磁铁、位移传感器和集成放大器，所述集成放大器包括电流控制器、位置控制器、通讯端口；所述阀芯位于阀套内，阀芯一端设置有位移传感器，另一端设置有比例电磁铁；所述位移传感器与通讯端口连接；所述比例电磁铁与通讯端口连接；所述通讯端口分别与电流控制器、位置控制器连接，且其能够接受外部指令信号；所述位置控制器与电流控制器连接；指令信号通过通讯端口经由位置控制器和电流控制器后将计算后的控制信号通过通讯端口发送到比例电磁铁，比例电磁铁通电产生电磁力推动阀芯移动，阀芯位移量由位移传感器采集，位移传感器采集到的位移信号通过通讯端口反馈到位置控制器；所述位置控制器判断阀芯的位移是否符合指令信号的要求，如果不符合要求则进行位置运算，电流控制器根据位置控制器计算出的数据重新进行电流运算，并将计算后的电流经过通讯端口输出给比例电磁铁。
一种基于所述电液比例阀的高精度位置控制系统，包括位置控制环、位置前馈环节、电流控制环、脉宽调制环节、位移检测电路和线圈电流检测电路；所述位置控制环的输入端分别连接位移检测电路和通讯端口给定的信号输出，用于实现电液比例阀的位置控制，并与位移检测电路形成位置控制闭环系统；所述位置前馈环节的输入端连接通讯端口给定的信号输出，输出端通过加法器连接位置控制环的输出，用于实现对输入信号的提前预测，进而补偿给位置控制环；所述电流控制环的输入端通过加法器分别与位置控制环的补偿输出端、线圈电流检测电路的输出端连接，用于控制比例电磁铁的线圈电流；所述脉宽调制环节的输入端与电流控制环的输出端连接，用于产生控制脉冲信号。
一种基于所述高精度位置控制系统的高精度位置控制方法，包括以下步骤：
配置通讯端口的参数，并根据电液比例阀的工作特性及硬件的工况性能配置控制参数，包括位置控制环参数、电流控制环参数、脉宽调制的频率及采样频率；
采集给定的指令信号、位移检测电路的输出信号及比例电磁铁线圈两端的电流信号，并对采集到的指令信号和阀芯位移检测电路的输出信号进行滤波处理；
通过信号运算及阀芯位移的实时检测构成对所述电液比例阀的整体闭环控制。
进一步地，所述脉宽调制环节的开关频率为15000～30000Hz。
一种基于所述电液比例阀的故障预测方法，包括以下步骤：
步骤1-1：基于AMESIM软件模拟仿真所述电液比例阀的阀芯磨损故障、油液污染故障、阀芯卡滞故障；
步骤1-2：搭接液压实验回路并使其正常工作，检测驱动端电流信号，采集所述电液比例阀各时刻的数据，包括压力、流量、控制信号；
步骤1-3：搭建网络模型，包括提取高维特征的CNN结构和进行故障分类的BiLSTM层，所述CNN结构包含两个卷积层、一个Dropout层和一个Flatten层，且每个卷积层后均添加有池化层，所述Flatten层将提取的特征矩阵排列成一个序列输入到BiLSTM层；
步骤1-4：对采集的数据进行预处理并添加标签，通过反向传播算法训练CNN+BiLSTM网络模型直至达到设定的迭代次数或损失误差均值不再下降；
步骤1-5：故障预测时，将采集的数据预处理后输入训练完成的CNN+BiLSTM网络模型中，将模型输出最后一个状态标签对应的设备状态作为下一时刻所述电液比例阀的状态。
进一步地，所述步骤1-2中采集的数据构成一个二维矩阵D，矩阵元素Di,j表示第i时刻第j个传感器获取的数据值。
进一步地，所述步骤1-4中的预处理方式为通过时间窗将采集的数据重新分割为若干二维数据段并做标准化处理，时间窗的长度及步长均为s，网络模型的每次输入即为一个数据段X，
Figure GDA0003714367350000031
其中t表示采集时刻，d为传感器个数，
Figure GDA0003714367350000032
表示t时刻第d个传感器采集的数据。
进一步地，所述数据段X每行元素对应有一个标签以表征某时刻所述电液比例阀的状态，所述状态为正常、退化、故障中的一种，数据段X对应有标签向量Y＝[yt,yt+1,…,yt+s-1]T，yt表示t时刻的状态标签。
相比于现有技术，本发明提出的一种电液比例阀及其位置控制系统、控制方法与故障预测方法通过位置控制环、位置前馈环节、电流控制环和脉宽调制环节能够实现电液比例阀的高精度位置控制，并能利用训练完成的CNN+BiLSTM网络模型对位置控制异常时的电液比例阀进行准确的故障预测。
附图说明
图1为本发明电液比例阀的一种结构图。
图2为本发明电液比例阀及其位置控制与故障预测的框架图。
图3为本发明高精度位置控制系统的系统框架图。
图4为本发明CNN+BiLSTM模型的网络结构示意图。
其中，1-阀芯、2-阀套、3-比例电磁铁、4-位移传感器，5-集成放大器，6-电流控制器，7-位置控制器，8-通讯端口。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
本发明的目的在于克服现有技术的不足，提供一种电液比例阀及其高精度位置控制与故障预测方法。其中，电液比例阀主要包括阀芯1、阀套2、比例电磁铁3、位移传感器4和集成放大器，集成放大器5则主要包括电流控制器6、位置控制器7与通讯端口8；指令信号通过通讯端口8经由位置控制器7和电流控制器6将计算后的控制信号通过通讯端口8发送到比例电磁铁3以驱动阀芯1移动，位移传感器4将采集到的阀芯1位移信号通过通讯端口8实时反馈到位置控制器7，位置控制器7判断阀芯1位移是否符合指令信号的要求，若不符合则进行位置运算，电流控制器6根据位置控制器7的运算结果进行电流运算，并将运算后的电流值经通讯端口8输出给比例电磁铁3继续控制阀芯1移动，直至阀芯1位移量符合指令信号。
该电液比例阀通过控制器驱动比例电磁铁3推动阀芯1移动，进而节流窗口打开/关闭，位移传感器4将阀芯1位移实时反馈给位置控制器7，通过控制阀芯1位移大小实现对阀口流量大小的控制。
本发明电液比例阀及其位置控制与故障预测的框架如图2所示，主要分为两个部分，即高精度位置控制和故障预测。通讯端口8将给定的指令信号输入给控制器，控制器根据指令信号、位置检测的位移和电流检测的比例阀线圈两端的电流进行计算以实现比例阀的高精度位置控制。当比例阀的位置控制和预期相符时，比例阀内形成一个闭环控制；当比例阀位置控制出现问题时则进行故障预测，根据采集的故障数据利用训练好的故障预测模型进行故障预测(诊断)。
高精度位置控制系统主要包括位置控制环、位置前馈环节、电流控制环、脉宽调制环节、位移检测电路和线圈电流检测电路，其中，位置控制环的输入端分别连接位移检测电路和通讯端口8给定的信号输出，用于实现比例阀的位置控制，与位移检测电路形成比例阀位置控制的闭环系统；位置前馈环节的输入端连接通讯端口8给定的信号输出，其输出端通过加法器连接位置控制环的输出，用于实现对输入信号的提前预测，进而补偿给位置控制环；电流控制环的输入端通过加法器分别与位置控制环的补偿输出端和线圈检测电路的输出端相连，用于控制比例电磁铁3的线圈电流，并与线圈电流检测电路形成比例阀电流控制的闭环系统；脉宽调制环节与电流控制环的输出端连接，用于产生控制脉冲信号。基于该控制系统的高精度位置控制方法包括以下步骤：
配置通讯端口的参数，并根据电液比例阀的工作特性及硬件的工况性能配置合理的控制参数，包括位置控制环参数、电流控制环参数、脉宽调制的频率及采样频率。其中，脉宽调制环节的开关频率为15000～30000Hz，过低的开关频率可能会导致因脉宽调制控制而自然形成的振颤电流与设定的振颤电流相互耦合，过高的开关频率会导致开关电路功率损耗大。开关频率为15000～30000Hz时，因脉宽调制而引起的电流脉动较小，可以忽略不计，比例阀中的振颤电流频率和幅值完全由数字振荡器控制。
采集给定的指令信号、阀芯位移检测电路的输出信号及比例电磁铁线圈两端的电流信号，并对采集到的指令信号和阀芯位移检测电路的输出信号进行滤波处理；
通过信号运算及阀芯位移的实时检测构成对所述电液比例阀的整体闭环控制。
为对电液比例阀的故障进行准确预测，采用卷积神经网络(CNN)代替人工的特征选取，借助CNN端到端的信息提取能力以及能够在多个层级完成特征提取的特点，对多传感器的时序信号完成特征提取，并构建双向长短期记忆神经网络(BiLSTM)以解决故障预测的时序性问题及算法训练复杂度高、解码时延高的问题。具体实施步骤如下：
步骤1-1：基于AMESIM软件模拟仿真所述电液比例阀的阀芯磨损故障、油液污染鼓掌、阀芯卡滞故障。在AMESIM软件中通过改变阀的开口形式可以模拟设置阀芯磨损故障，比例阀长时间工作在高压油液中，受到高压油液中的污染颗粒的不断冲击，对阀芯的工作棱边产生冲蚀磨损，当仿真阀的开口由负开口到正开口变化时，阀芯的磨损程度加重，仿真阀的开口由负开口到正开口变化时，通过比例阀的流量特性曲线和内泄漏特性曲线可以分析阀芯磨损对比例阀的影响。
步骤1-2：搭接液压实验回路并使其正常工作，检测驱动端电流信号，采集所述电液比例阀各时刻的压力、流量、控制信号等数据，采集的数据构成一个二维矩阵D，其中元素Di,j表示第i时刻第j个传感器获取的数据值。
步骤1-3：搭建网络模型，包括提取高维特征的CNN结构和进行故障分类的BiLSTM层，整体的网络结构示意如图4所示。CNN结构包含两个卷积层，第一卷积层提取传感器的高纬度空间特征，第二卷积层提取时间维度上的低层级特征，每个卷积层后均添加有池化层以压缩特征维度，减少计算量。由于模型的参数太多而训练样本较少，因此引入Dropout层防止过拟合，Flatten层将提取的特征矩阵按时间顺序排列成一个序列输入BiLSTM层，BiLSTM层对序列数据进行时序特征的挖掘，在时间维度上提取电液比例阀的性能退化特征并实现故障分类和预测。
步骤1-4：对采集的数据进行预处理并添加标签，通过反向传播算法训练CNN+BiLSTM网络模型直至达到设定的迭代次数或损失误差均值不再下降。其中，预处理方式为通过时间窗将采集的数据重新分割为若干二维数据段并做标准化处理，时间窗的长度及步长均为s，网络模型的每次输入即为一个数据段X，
Figure GDA0003714367350000061
其中t表示采集时刻，d为传感器个数，
Figure GDA0003714367350000062
即表示t时刻第d个传感器采集的数据。数据段X每行元素对应有一个标签以表征某时刻电液比例阀的状态，状态为正常、退化、故障中的一种，即数据段X对应有标签向量Y＝[yt,yt+1,…,yt+s-1]T，yt表示t时刻的状态标签。
步骤1-5：故障预测时，将采集的数据预处理后输入训练完成的CNN+BiLSTM网络模型中，将模型输出最后一个状态标签对应的设备状态作为下一时刻所述电液比例阀的状态。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (4)

1.一种电液比例阀的故障预测方法，其特征在于，所述电液比例阀包括阀芯(1)、阀套(2)、比例电磁铁(3)、位移传感器(4)和集成放大器(5)，所述集成放大器(5)包括电流控制器(6)、位置控制器(7)、通讯端口(8)；所述阀芯(1)位于阀套(2)内，阀芯(1)一端设置有位移传感器(4)，另一端设置有比例电磁铁(3)；所述位移传感器(4)与通讯端口(8)连接；所述比例电磁铁(3)与通讯端口(8)连接；所述通讯端口(8)分别与电流控制器(6)、位置控制器(7)连接，且其能够接受外部指令信号；所述位置控制器(7)与电流控制器(6)连接；指令信号通过通讯端口(8)经由位置控制器(7)和电流控制器(6)后将计算后的控制信号通过通讯端口(8)发送到比例电磁铁(3)，比例电磁铁(3)通电产生电磁力推动阀芯(1)移动，阀芯(1)位移量由位移传感器(4)采集，位移传感器(4)采集到的位移信号通过通讯端口(8)反馈到位置控制器(7)；所述位置控制器(7)判断阀芯(1)的位移是否符合指令信号的要求，如果不符合要求则进行位置运算，电流控制器(6)根据位置控制器(7)计算出的数据重新进行电流运算，并将计算后的电流经过通讯端口(8)输出给比例电磁铁(3)；
所述故障预测方法包括以下步骤：
步骤1-1：基于AMESIM软件模拟仿真所述电液比例阀的阀芯磨损故障、油液污染故障、阀芯卡滞故障；
步骤1-2：搭接液压实验回路并使其正常工作，检测驱动端电流信号，采集所述电液比例阀各时刻的数据，包括压力、流量、控制信号；
步骤1-3：搭建网络模型，包括提取高维特征的CNN结构和进行故障分类的BiLSTM层，所述CNN结构包含两个卷积层、一个Dropout层和一个Flatten层，且每个卷积层后均添加有池化层，所述Flatten层将提取的特征矩阵排列成一个序列输入到BiLSTM层；
步骤1-4：对采集的数据进行预处理并添加标签，通过反向传播算法训练CNN+BiLSTM网络模型直至达到设定的迭代次数或损失误差均值不再下降；
步骤1-5：故障预测时，将采集的数据预处理后输入训练完成的CNN+BiLSTM网络模型中，将模型输出最后一个状态标签对应的设备状态作为下一时刻所述电液比例阀的状态。
2.如权利要求1所述的故障预测方法，其特征在于，所述步骤1-2中采集的数据构成一个二维矩阵D，矩阵元素Di,j表示第i时刻第j个传感器获取的数据值。
3.如权利要求1所述的故障预测方法，其特征在于，所述步骤1-4中的预处理方式为通过时间窗将采集的数据重新分割为若干二维数据段并做标准化处理，时间窗的长度及步长均为s，网络模型的每次输入即为一个数据段X，
Figure FDA0003714367340000021
其中t表示采集时刻，d为传感器个数，
Figure FDA0003714367340000022
表示t时刻第d个传感器采集的数据。
4.如权利要求3所述的故障预测方法，其特征在于，所述数据段X每行元素对应有一个标签以表征某时刻所述电液比例阀的状态，所述状态为正常、退化、故障中的一种，数据段X对应有标签向量Y＝[yt,yt+1,…,yt+s-1]T，yt表示t时刻的状态标签。
CN202110786308.3A 2021-07-12 2021-07-12 一种电液比例阀的故障预测方法 Active CN113431925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110786308.3A CN113431925B (zh) 2021-07-12 2021-07-12 一种电液比例阀的故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110786308.3A CN113431925B (zh) 2021-07-12 2021-07-12 一种电液比例阀的故障预测方法

Publications (2)

Publication Number Publication Date
CN113431925A CN113431925A (zh) 2021-09-24
CN113431925B true CN113431925B (zh) 2022-08-16

Family

ID=77760345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110786308.3A Active CN113431925B (zh) 2021-07-12 2021-07-12 一种电液比例阀的故障预测方法

Country Status (1)

Country Link
CN (1) CN113431925B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113983033B (zh) * 2021-10-25 2022-07-01 燕山大学 用于识别挖掘机斗杆液压缸工况的控制方法及其控制装置
CN117452989B (zh) * 2023-12-26 2024-03-15 合肥通用机械研究院有限公司 一种基于bp神经网络的温度调控阀门性能调控与测试方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100564898C (zh) * 2007-11-28 2009-12-02 三一重工股份有限公司 电液比例流量阀调速控制系统和方法
CN105912043A (zh) * 2016-06-12 2016-08-31 南昌大学 颤振信号双闭环自适应比例阀放大器算法
CN106246986B (zh) * 2016-06-27 2019-02-01 南昌大学 集成式颤振信号自适应比例阀放大器
CN106681134A (zh) * 2017-01-10 2017-05-17 广东石油化工学院 一种高精度舵机位置控制方法
CN110633750A (zh) * 2019-09-17 2019-12-31 中国石化销售有限公司华南分公司 一种基于lstm模型的电动阀门故障检测方法

Also Published As

Publication number Publication date
CN113431925A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN113431925B (zh) 一种电液比例阀的故障预测方法
Ye et al. Position control of nonlinear hydraulic system using an improved PSO based PID controller
CN108363896B (zh) 一种液压缸故障诊断方法
CN106402089B (zh) 一种基于耦合干扰观测器的级联电液伺服系统控制方法及系统
CN109376413A (zh) 基于数据驱动的在线神经网络故障诊断方法
CN109409567A (zh) 基于双层长短期记忆网络的复杂设备剩余寿命预测方法
CN106594000A (zh) 一种电液伺服阀故障诊断方法
CN113536682B (zh) 一种基于二次自编码融合机制的电动液压舵机参数退化时序外推预测方法
CN111399474A (zh) 一种基于健康指标的均衡控制模块寿命预测方法及装置
CN113536681B (zh) 一种基于时序外推预测的电动舵机健康评估方法
Jin et al. Energy saving strategy of the variable-speed variable-displacement pump unit based on neural network
CN116842379A (zh) 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法
CN116431966A (zh) 一种增量式特征解耦自编码器的堆芯温度异常检测方法
CN113536683B (zh) 一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法
CN115526211A (zh) 面向负载口独立控制的阀控液压缸系统故障诊断方法
CN116778272A (zh) 基于多通道信息融合的水电机组小样本工况辨识方法
CN110598326A (zh) 一种基于人工智能的试井解释方法
CN109697330A (zh) 一种用于信息物理系统的故障检测系统设计
CN116244596A (zh) 基于tcn和注意力机制的工业时序数据异常检测方法
Peng et al. A temporal convolutional network based method for fault diagnosis of DEH system
CN113719499B (zh) 一种电液伺服阀智能故障诊断方法
CN113971489A (zh) 一种基于混合神经网络的剩余使用寿命预测方法及系统
CN112580262B (zh) 一种液压机能耗智能监测方法、系统、装置及存储介质
CN116224966A (zh) 面向负载口独立控制的阀控缸系统的故障诊断方法及系统
CN204436955U (zh) 基于嵌入式处理器的电液伺服系统控制器

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
GR01 Patent grant
GR01 Patent grant