CN113530921A - 基于es-mlstm的液压机故障诊断方法 - Google Patents

基于es-mlstm的液压机故障诊断方法 Download PDF

Info

Publication number
CN113530921A
CN113530921A CN202010290638.9A CN202010290638A CN113530921A CN 113530921 A CN113530921 A CN 113530921A CN 202010290638 A CN202010290638 A CN 202010290638A CN 113530921 A CN113530921 A CN 113530921A
Authority
CN
China
Prior art keywords
fault
hydraulic machine
expert system
value
feature
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
CN202010290638.9A
Other languages
English (en)
Inventor
何彦虎
钱振华
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.)
Huzhou Vocational and Technical College
Original Assignee
Huzhou Vocational and Technical College
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 Huzhou Vocational and Technical College filed Critical Huzhou Vocational and Technical College
Priority to CN202010290638.9A priority Critical patent/CN113530921A/zh
Publication of CN113530921A publication Critical patent/CN113530921A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • F15B2211/00—Circuits for servomotor systems
    • F15B2211/80—Other types of control related to particular problems or conditions
    • F15B2211/87—Detection of failures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了基于ES‑MLSTM的液压机故障诊断方法，方法包括以下步骤：S1：采集计算液压机压力信号和液压机电磁阀信号，将液压机压力信号和液压机电磁阀信号作为特征信号；S2：建立专家系统，使用专家系统的推理机不断查询知识库,寻找匹配的规则，一旦寻找到匹配的规则后，对其激活，然后在查询下一个规则，如此循环，激活的规则实现推理；S3：建立多个训练模型，专家系统会根据筛选的样本范围，确定所需的模型，并把该模型的参数进行加载；S4：设计专家系统ES的推理机，使用专家系统ES的推理机完成特征值的简化，故障的推理和LSTM模型参数的确定，得出结果。本发明提供降低的液压机故障诊断难度并且耗时短的基于ES‑MLSTM的液压机故障诊断方法。

Description

基于ES-MLSTM的液压机故障诊断方法
技术领域
本发明涉及故障表征技术领域，尤其是涉及基于ES-MLSTM的液压机故障诊断方法。
背景技术
目前液压机是广泛应用的一种液压系统，其工作性能直接决定着产品质量与正常生产的进行，所以对液压机的维修与故障诊断有着非常重要的意义。大型高压液压机发生故障时，因其工作状态多，涉及的元件多，故障诊断难度大，耗时长，即使同一类型故障，但产生的现象却不完全相同，也给故障诊断带来很大的困难，因而影响生产。液压故障诊断时间非常长，难度大，需要有经验的维修人员维修，维修人员需要精通电气控制、机械、计算机控制、液压系统等方面的知识，另外，技术人员的变动也影响到故障诊断，所以，采用一种先进的故障诊断方法有重要的意义。对于液压故障，故障诊断的方法非常多，近年来智能化故障诊断方法得到广泛的应用。采用智能化诊断技术可以减少液压故障的诊断时间，如采用了基于EMD包络谱分析的方法对液压泵故障进行诊断，采用Petri网实现液压马达故障的诊断，采用基于故障树的专家系统推理机等。以上方法一般针对某一类型故障进行诊断，需要预先熟悉故障的特征，有些过于复杂，价格昂贵，使用不便等问题。本发明结合多种方法的优点，采用基于专家系统的与深度学习的ES-MLSTM的诊断方法。
专家系统可以将专家的维修思想用智能化语言实现，诊断时候，只需要查询专家系统，便可以得到比较满意的结果，专家系统可以不断的再学习和完善。目前已经有较多的专家系统得到成功应用。故障诊断专家系统主要组成有：事实库、推理机、知识库、解释器及人机界面等部分。领域专家的知识一般以规则表示。数据库也称“黑板”，主要用来存储相关领域的事实、数据等信息。推理机是实现专家系统推理的一组程序，是根据数据库的内容，按照某种推理策略，运用知识库的知识完成推理。深度学习算法可以实现许多非线性的分类、预测等，并且有较高的精度。
因压机液压故障复杂、类型多，数据量大，液压机故障诊断的特征值类型较多，每种类型之间存在着逻辑依附，因此需要用专家系统对数据进行处理。因为，专家系统对于大量的数据推理容易形成“推理闭环”，本发明采用深度学习算法MLSTM进行联合推理，二者互为补充，通过融合诊断，解决压机液压故障诊断难的问题。
发明内容
本发明是为了克服现有技术的液压机故障诊断难度大，耗时长的问题，提供一种降低的液压机故障诊断难度并且耗时短的基于ES-MLSTM的液压机故障诊断方法。
为了实现上述目的，本发明采用以下技术方案：
本发明解决其技术问题所采用的技术方案是：基于ES-MLSTM的液压机故障诊断方法，包括以下步骤：
S1：采集计算液压机压力信号和液压机电磁阀信号，将液压机压力信号和液压机电磁阀信号作为特征信号；
S2：建立专家系统，使用专家系统的推理机不断查询知识库,寻找匹配的规则，一旦寻找到匹配的规则后，对其激活，然后在查询下一个规则，如此循环，激活的规则实现推理；
S3：设计专家系统(ES)的推理机，使用专家系统ES的推理机完成特征值的简化，并用专家系统进行预分类，按照概率从大到小排序，取前N个故障状态(N值大小根据实际情况设置)。
S4：建立多个LSTM的训练模型即MLTM，并存储其模型参数。专家系统根据前N个故障状态的故障编号，调用LSTM的相应模型参数，并进行加载，用LSTM对前N个故障进一步进行判断并定位。
采用专家系统与深度学习网络结合，可以互补优势，大大提高判别准确率；采用多模型的MLSTM深度学习模型，可以避免深度学习中的过拟合和欠拟合问题，并且解决了输出类型多后的精度降低问题；专家系统可以实现在线实时推理，而且还可以实现离线的推理，弥补了深度学习网络的不足。
作为优选，所述步骤S1中采集液压机压力信号过程为：在液压系统中，每一条重要的压力通道设计一个采集点，通过采集点来采集液压机压力信号，采集到的信号为电流信号，采集信号后求出信号的均方根值、波形因子、峭度、频段能量密度、谱峰，采集液压机电磁阀的信号过程为：采集液压机电磁阀的通电和断电状态信号，液压机电磁阀通电，则液压机电磁阀信号为1，液压机电磁阀断电，则液压机电磁阀信号为0，将液压机压力信号和液压机电磁阀信号作为特征信号。
作为优选，所述步骤S2包括以下步骤：
S21：建立液压机专家系统故障诊断模型，液压机故障特征为F＝{Fij c1，Fij c2，。。。}，
式中：Fij c1为特征类，其中i表示故障编号，j为该故障特征的编号，c为故障特征的类别编号，即把故障特征可以按照其性质分成若干个类，每一个类中包括若干个特征，每一个特征都有一个编号；
S22：构建故障诊断的事实模型：
FAULTi＝{FaultNi，FaultDi，{Fij ck，V[M]ij，wij，CFij，FDij}，CBRi}
式中：FaultNi表示第i个故障的名称，FaultDi为故障基本信息描述；Fij ck表示第i个故障的第j个特征名称，同时该故障属于第k特征类，V[M]ij表示第i个故障的第j个特征的特征值，该特征值可能有多个，因此采用了数组的数据结构；wi为权值，表示某个特征的重要程度，其大小通过学习改变，一些对故障分类识别度高的特征权值，通过学习而加强，支持低的通过学习会减弱，w1+w2+…wn＝1，CFi为Fij特征的客观可信度，表示某个特征客观存在的特征，是由领域专家确定；FD为特征的文字描述，便于知识库的维护；CBRi为案例属性值，该值默认是0，表示该故障不是一个实例(案例)，如果是一个大于0的数值，表示目前该事实是一个曾经发生过的案例，其值表示案例编号；如果是某一个案例，则系统直接给出案例结果，不需要后续推理；
S23：建立推理的知识表示形式如下：
IF{FaultNi，FaultDi，{Fij ck，V[M]ij，wij，CFij，FDij}，CBRi}
THEN{(FNumi，FaultResulti)i＝1，2，3，…，n；j＝1，2，3…m}
式中：FNumi表示故障编号，也就是在知识库中，每一条故障数据都有一个唯一的编号，FaultResulti为故障诊断结果，即故障发生的原因，维修方法。常见的可以把特征可以分为电磁阀动作逻辑类、压力流量等过程类特征、振动信号类特征、温度类特征等类型特征，一般特征越多，可以表征故障的能越强。专家决策系统首先需要构建故障诊断的事实模型，用于液压机故障的表征与推理，液压机的事实模型能够完全表征液压机故障的特征，并且便于推理机推理。在专家系统中，把故障的特征模型称为“事实”，以知识的形式存储在物理介质中。
作为优选，所述在步骤S1中压力采集数据错误，或者没有压力采集数据时，步骤S2的过程为：使用专家系统通过基于故障树的推理方法进行推理，故障树采用基于规则的知识表示如下：
Fault＝{FNumi，FaultNi，type i，question，yesN，noN，weight，branchNum，threshold,answer[nil]}i＝1，2，3，…，n；j＝1，2，3…m}；
式中：FNumi是故障编号，FaultNi为故障结点名，yesN表示可信度为1的结点；cf为可信度，weight为权重，threshold为阈值，当故障比较模糊的时候会用可信度表示；Answer表示本节点问题的答案；对于type的定义，是三个值，分别是：decision、answer、branch，即判定、回答、分支，对于有0—2个分支的，仍采用decision、answer，branch是专门处理两个以上分支的情况；增加一个分支编号的槽值branchNum，主要用来判别用户的选择走向哪一个分支，branchNum是整数型的。故障树由顶事件、中间事件、底事件组成，中间事件是顶事件的故障现象，底事件是中间事件的故障发生原因，故障树分析首先选定某个故障作为顶事件，然后将该故障的原因逐级分解为中间事件，直到把不能或不需要分解的基本事件作为底事件为止。每个故障树就是一个较为完整的诊断实例，不产生组合爆炸问题，同时，所有树之间可以建立链接，可以进行正反向推理，以及各种搜索策略；在诊断过程中，一般通过询问用户“是”或“否”的问题，便可以很好的解决问题，所以判定二叉树是比较常用的判定形式，同时在多少情况下，许多的问题都可以转换成二叉树的形式，这对问题的解决提供了方便。但有时候，有些问题会出现两个或两个以上的响应的判定问题，如果转换成二叉树后表达复杂或者效果不好的时候，也可以采用多叉判定树。对多叉判定树的结点而言，可以有2个或者以上的分支，每个分支可以表达相关的信息。
作为优选，所述步骤S3详细过程为：LSTM设计了一个记忆单元，每个记忆单元包括三种门，分别是遗忘门、输入门、输出门，每个门都设计了一个激活函数，用来控制各门信息添加与否，激活函数采用了sigmoid函数，公式如下：
Figure BDA0002450259520000041
遗忘门是决定保留哪些信息，其公式
ft＝σ(Wf·[ht-1,xt]+bf)
式中：ft为遗忘门输出，ht-1为上时刻的输出信息，xt为当前的输入矢量，bf为偏置值，Wf为权值。
输入门是当前输入信号，可以表示成：
it＝σ(Wi·[ht-1,xt]+bi)
式中：it为输入门。
当前单元的状态可以表示成
Ct＝tanh(Wc·[ht-1,xt]+bc)
单元当前的输出值是
Ct＝ft*Ct-1+it*Ct
式中：ct-1为上次的单元输出值，Ct为本次单元输出值。
输出门：
ot＝σ(Wo·[ht-1,xt]+b0)
ht＝ot*tanh(Ct)
式中：ht为输出门的输出值。
LSTM是根据其当前输出值与目标值的误差，通过不断调节输出层、输入层、循环层的权值，直至误差达到设计要求，在采用同一个LSTM结构的情况下，建立多个训练模型，即MLSTM，在MLSTM中，每一个模型的输入节点、隐层节点、全连接层节点保持不变，但是模型的其他参数不同，在识别的时候，专家系统会根据筛选的样本范围，确定所需的模型，并把该模型的参数进行加载。因为液压机的故障类型非常多，如果采用一个LSTM结构进行训练，识别率会有所下降，为提高识别率，在采用同一个LSTM结构的情况下，建立多个训练模型，即MLSTM，在MLSTM中，每一个模型的输入节点、隐层节点、全连接层节点保持不变，但是模型的其他参数不同，在识别的时候，专家系统会根据筛选的样本范围，确定所需的模型，并把该模型的参数进行加载，这样大大的提高了准确度，而且节约了计算时间。
作为优选，所述设计一个全连接层，该层的激活函数为sigmoid函数，优化函数采用RMSPropOptimizer优化器。
作为优选，所述步骤S4包括以下步骤：
S41：特征化简：
通过专家系统，根据电磁阀特征推理出所有的故障，并确定其压力特征，然后用压力特征去训练LSTM模型；
S42：LSTM训练：
根据S41得出的压力特征，以及与压力特征对应的故障标签对LSTM进行训练，训练后抽取模型参数，保存到知识库中，以便于在分类的时候使用；这样便形成了多个模型的神经网络MLSTM；
S43：知识库构建：
根据知识库结构模型，构建液压机故障模型，并将特征及其特征值等参数写入知识库。也将S42的LSTM模型参数写入知识库；
S44：如果这时采集系统采集到一组特征，特征名称为F＝{F1，F2，F3，…Fm，m是特征的数量，下同}，特征值为Vi＝{V1，V2，V3，…Vm}。专家系统打开知识库，启动推理机；
S45：推理机搜索知识库，这里假设搜索到知识库中的第k条事实，推理机便获取了该事实的特征值为DV(k)＝{DV(k)1，DV(k)2，…DV(k)m}、权重DW(k)＝{DW(k)1，DW(k)2，…DW(k)m}、客观可信度DCF(k)＝{DCF(k)1，DCF(k)2，…DCF(k)m}；
如果搜索到的CBR参数不为零，说明该故障知识为某一个案例事实，这时则给出案例相信信息，系统可以由人工确定是否终止匹配；
S46：计算相似度：推理机根据特征名称F获取知识库中某个特征的数值，然后与采集到的特征值按照下式计算相似度：
Figure BDA0002450259520000061
式中：i是当前特征编号，i<m,，k是知识库事实编号，k<n。λi为1时表示完全相同，为0时候表示完全不相同；
S47：计算第k个故障的可信度距离，如下式：
Figure BDA0002450259520000062
式中：w(k)i为第i个特征编号第k个故障的特征权值；DCF(k)i为第i个特征编号第k个故障的客观可信度；λ(k)i为第i个特征编号第k个故障的相似度；
S48：可信度排序
按照上一步的方法，推理机将知识库中所有事实与采集特征进行匹配，并得到每条事实匹配后的可信度度距离为CFDis(k)(其中k＝1，2，…，m)，然后对其从大到小排序，如下式所示：CFD(k)＝CFDisi≥CFDisj,i＜j，并取前面h个构成待选项；
S49：用MLSTM进行判断：
即取出前面h个故障特征值，专家系统确定这些特征值对应的故障编号，专家系统根据这些编号调取对应的LSTM模型参数，并用调取的LSTM模型参数装载到LSTM中，LSTM会计算出前面h个故障特征值的概率，概率最高的即为需要的结果。
因此，本发明具有如下有益效果：(1)采用专家系统与深度学习网络结合，可以互补优势，大大提高判别准确率；
(2)采用多模型的MLSTM深度学习模型，可以避免深度学习中的过拟合和欠拟合问题，并且解决了输出类型多后的精度降低问题；
(3)专家系统可以实现在线实时推理，而且还可以实现离线的推理，弥补了深度学习网络的不足。
附图说明
图1是本发明的一种控制器连接示意图
图中：1.液压机，11.控制器，12.采集点，121.压力传感器，122.流量传感器，13.电磁阀。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例：本发明解决其技术问题所采用的技术方案是：基于ES-MLSTM的液压机故障诊断方法，包括以下步骤：
S1：采集计算液压机压力信号和液压机电磁阀信号；电磁阀信号是液压系统工作状态的重要判别依据，采集液压机压力信号过程为：在液压系统中，每一条重要的压力通道设计一个采集点，如图1所示，液压机1包括控制器11、若干个采集点12和若干个电磁阀13，每个采集点包括一个压力传感器121和一个流量传感器122，控制器为一款PLC，液压机的每条控制液路都会有安装电磁阀以控制其通断，电磁阀的安装和选取是成熟的现有技术，压力传感器压力信号输出端连接设置在液压机1上的PLC的压力采集端，流量传感器的流量信号输出端连接PLC流量信号输入端，PLC通过流量传感器来采集液压机流量信号，PLC通过压力传感器来采集液压机压力信号，采集到的信号为电流信号，采集压力信号的采样率为1000，通道灵敏度为0.64，PLC采集信号后求出信号的均方根值、波形因子、峭度、频段能量密度、谱峰，采集液压机电磁阀的信号过程为：PLC电磁阀状态输入端连接液压机电磁阀通断电输出端，PLC采集液压机电磁阀的通电和断电状态信号，液压机电磁阀通电，则液压机电磁阀信号为1，液压机电磁阀断电，则液压机电磁阀信号为0，PLC将液压机压力信号、液压机流量信号和液压机电磁阀信号作为特征信号。
S2：建立专家系统，使用专家系统的推理机不断查询知识库,寻找匹配的规则，一旦寻找到匹配的规则后，对其激活，然后在查询下一个规则，如此循环，激活的规则实现推理；本发明采用的专家系统是CLIPS，CLIPS是基于产生式的系统，效率高、可移植性强。CLIPS构成的专家系统包括：规则defrule、事实deffacts、推理。
S21：建立液压机专家系统故障诊断模型，液压机故障特征为F＝{Fij c1，Fij c2，。。。}，式中：Fij c1为特征类，其中i表示故障编号，j为该故障特征的编号，c为故障特征的类别编号，即把故障特征可以按照其性质分成若干个类，每一个类中包括若干个特征，每一个特征都有一个编号；
S22：构建故障诊断的事实模型：
FAULTi＝{FaultNi，FaultDi，{Fij ck，V[M]ij，wij，CFij，FDij}，CBRi}
式中：FaultNi表示第i个故障的名称，FaultDi为故障基本信息描述；Fij ck表示第i个故障的第j个特征名称，同时该故障属于第k特征类，V[M]ij表示第i个故障的第j个特征的特征值，该特征值可能有多个，因此采用了数组的数据结构；wi为权值，表示某个特征的重要程度，其大小通过学习改变，一些对故障分类识别度高的特征权值，通过学习而加强，支持低的通过学习会减弱，w1+w2+…wn＝1，CFi为Fij特征的客观可信度，表示某个特征客观存在的特征，是由领域专家确定；FD为特征的文字描述，便于知识库的维护；CBRi为案例属性值，该值默认是0，表示该故障不是一个实例(案例)，如果是一个大于0的数值，表示目前该事实是一个曾经发生过的案例，其值表示案例编号；如果是某一个案例，则系统直接给出案例结果，不需要后续推理；
S23：建立推理的知识表示形式如下：
IF{FaultNi，FaultDi，{Fij ck，V[M]ij，wij，CFij，FDij}，CBRi}
THEN{(FNumi，FaultResulti)i＝1，2，3，…，n；j＝1，2，3…m}
式中：FNumi表示故障编号，也就是在知识库中，每一条故障数据都有一个唯一的编号，FaultResulti为故障诊断结果，即故障发生的原因，维修方法。常见的可以把特征可以分为电磁阀动作逻辑类、压力流量等过程类特征、振动信号类特征、温度类特征等类型特征，一般特征越多，可以表征故障的能越强。专家决策系统首先需要构建故障诊断的事实模型，用于液压机故障的表征与推理，液压机的事实模型能够完全表征液压机故障的特征，并且便于推理机推理。在专家系统中，把故障的特征模型称为“事实”，以知识的形式存储在物理介质中。
在步骤S1中压力采集数据错误，或者没有压力采集数据时，步骤S2的过程为：使用专家系统通过基于故障树的推理方法进行推理，故障树采用基于规则的知识表示如下：Fault＝{FNumi，FaultNi，type i，question，yesN，noN，weight，branchNum，threshold,answer[nil]}i＝1，2，3，…，n；j＝1，2，3…m}；
式中：FNumi是故障编号，FaultNi为故障结点名，yesN表示可信度为1的结点；cf为可信度，weight为权重，threshold为阈值，当故障比较模糊的时候会用可信度表示；Answer表示本节点问题的答案；对于type的定义，是三个值，分别是：decision、answer、branch，即判定、回答、分支，对于有0—2个分支的，仍采用decision、answer，branch是专门处理两个以上分支的情况；增加一个分支编号的槽值branchNum，主要用来判别用户的选择走向哪一个分支，branchNum是整数型的。故障树由顶事件、中间事件、底事件组成，中间事件是顶事件的故障现象，底事件是中间事件的故障发生原因，故障树分析首先选定某个故障作为顶事件，然后将该故障的原因逐级分解为中间事件，直到把不能或不需要分解的基本事件作为底事件为止。每个故障树就是一个较为完整的诊断实例，不产生组合爆炸问题，同时，所有树之间可以建立链接，可以进行正反向推理，以及各种搜索策略；在诊断过程中，一般通过询问用户“是”或“否”的问题，便可以很好的解决问题，所以判定二叉树是比较常用的判定形式，同时在多少情况下，许多的问题都可以转换成二叉树的形式，这对问题的解决提供了方便。但有时候，有些问题会出现两个或两个以上的响应的判定问题，如果转换成二叉树后表达复杂或者效果不好的时候，也可以采用多叉判定树。对多叉判定树的结点而言，可以有2个或者以上的分支，每个分支可以表达相关的信息。
S3：建立多个训练模型，专家系统会根据筛选的样本范围，确定所需的模型，并把该模型的参数进行加载；LSTM设计了一个记忆单元，每个记忆单元包括三种门，分别是遗忘门、输入门、输出门，每个门都设计了一个激活函数，用来控制各门信息添加与否，激活函数采用了sigmoid函数，公式如下：
Figure BDA0002450259520000091
遗忘门是决定保留哪些信息，其公式
ft＝σ(Wf·[ht-1,xt]+bf)
式中：ft为遗忘门输出，ht-1为上时刻的输出信息，xt为当前的输入矢量，bf为偏置值，Wf为权值。
输入门是当前输入信号，可以表示成：
it＝σ(Wi·[ht-1,xt]+bi)
式中：it为输入门。
当前单元的状态可以表示成
Ct＝tanh(Wc·[ht-1,xt]+bc)
单元当前的输出值是
Ct＝ft*Ct-1+it*Ct
式中：ct-1为上次的单元输出值，Ct为本次单元输出值。
输出门：
ot＝σ(Wo·[ht-1，xt]+b0)
ht＝ot*tanh(Ct)
式中：ht为输出门的输出值。
LSTM是根据其当前输出值与目标值的误差，通过不断调节输出层、输入层、循环层的权值，直至误差达到设计要求，本发明采用的LSTM的神经元是输入节点16，隐层50，同时设计了一个全连接层为4，该层的激活函数为sigmoid函数，优化函数采用RMSPropOptimizer优化器，优化速率采用0.001；在采用同一个LSTM结构的情况下，建立多个训练模型，即MLSTM，在MLSTM中，每一个模型的输入节点、隐层节点、全连接层节点保持不变，但是模型的其他参数不同，在识别的时候，专家系统会根据筛选的样本范围，确定所需的模型，并把该模型的参数进行加载。因为液压机的故障类型非常多，如果采用一个LSTM结构进行训练，识别率会有所下降，为提高识别率，在采用同一个LSTM结构的情况下，建立多个训练模型，即MLSTM，在MLSTM中，每一个模型的输入节点、隐层节点、全连接层节点保持不变，但是模型的其他参数不同，在识别的时候，专家系统会根据筛选的样本范围，确定所需的模型，并把该模型的参数进行加载，这样大大的提高了准确度，而且节约了计算时间。
S4：设计专家系统ES的推理机，使用专家系统ES的推理机完成特征值的简化，故障的推理和LSTM模型参数的确定，最终得出需要的结果。
S41：特征化简：
通过专家系统，根据电磁阀特征推理出所有的故障，并确定其压力特征，然后用压力特征去训练LSTM模型；
S42：LSTM训练：
根据S41得出的压力特征，以及与压力特征对应的故障标签对LSTM进行训练，训练后抽取模型参数，保存到知识库中，以便于在分类的时候使用；这样便形成了多个模型的神经网络MLSTM；
S43：知识库构建：
根据知识库结构模型，构建液压机故障模型，并将特征及其特征值等参数写入知识库。也将S42的LSTM模型参数写入知识库；
S44：如果这时采集系统采集到一组特征，特征名称为F＝{F1，F2，F3，…Fm，m是特征的数量，下同}，特征值为Vi＝{V1，V2，V3，…Vm}。专家系统打开知识库，启动推理机；
S45：推理机搜索知识库，这里假设搜索到知识库中的第k条事实，推理机便获取了该事实的特征值为DV(k)＝{DV(k)1，DV(k)2，…DV(k)m}、权重DW(k)＝{DW(k)1，DW(k)2，…DW(k)m}、客观可信度DCF(k)＝{DCF(k)1，DCF(k)2，…DCF(k)m}；
如果搜索到的CBR参数不为零，说明该故障知识为某一个案例事实，这时则给出案例相信信息，系统可以由人工确定是否终止匹配；
S46：计算相似度：推理机根据特征名称F获取知识库中某个特征的数值，然后与采集到的特征值按照下式计算相似度：
Figure BDA0002450259520000101
式中：i是当前特征编号，i<m,，k是知识库事实编号，k<n。λi为1时表示完全相同，为0时候表示完全不相同；
S47：计算第k个故障的可信度距离，如下式：
Figure BDA0002450259520000111
式中：w(k)i为第i个特征编号第k个故障的特征权值；DCF(k)i为第i个特征编号第k个故障的客观可信度；λ(k)i为第i个特征编号第k个故障的相似度；
S48：可信度排序
按照上一步的方法，推理机将知识库中所有事实与采集特征进行匹配，并得到每条事实匹配后的可信度度距离为CFDis(k)(其中k＝1，2，…，m)，然后对其从大到小排序，如下式所示：CFD(k)＝CFDisi≥CFDisj,i＜j，并取前面h个构成待选项；
S49：用MLSTM进行判断：
即取出前面h个故障特征值，同时，专家系统确定这些特征值对应的故障编号，然后，专家系统会根据这些编号调取对应的LSTM模型参数，并用调取的LSTM模型参数装载到LSTM中，LSTM会计算出前面h个故障特征值的概率，概率最高的即为需要的结果。
采用专家系统与深度学习网络结合，可以互补优势，大大提高判别准确率；采用多模型的MLSTM深度学习模型，可以避免深度学习中的过拟合和欠拟合问题，并且解决了输出类型多后的精度降低问题；专家系统可以实现在线实时推理，而且还可以实现离线的推理，弥补了深度学习网络的不足。

Claims (7)

1.基于ES-MLSTM的液压机故障诊断方法，其特征是：方法包括以下步骤：
S1：采集计算液压机压力信号和液压机电磁阀信号；
S2：建立专家系统，使用专家系统的推理机不断查询知识库,寻找匹配的规则，一旦寻找到匹配的规则后，对其激活，然后在查询下一个规则，如此循环，激活的规则实现推理；
S3：建立多个训练模型，专家系统会根据筛选的样本范围，确定所需的模型，并把该模型的参数进行加载；
S4：设计专家系统ES的推理机，使用专家系统ES的推理机完成特征值的简化，故障的推理和LSTM模型参数的确定，最终得出需要的结果。
2.根据权利要求1所述的基于ES-MLSTM的液压机故障诊断方法，其特征是步骤S1中采集液压机压力信号过程为：在液压系统中，每一条重要的压力通道设计一个采集点，通过采集点来采集液压机压力信号，采集到的信号为电流信号，采集信号后求出信号的均方根值、波形因子、峭度、频段能量密度、谱峰，采集液压机电磁阀的信号过程为：采集液压机电磁阀的通电和断电状态信号，液压机电磁阀通电，则液压机电磁阀信号为1，液压机电磁阀断电，则液压机电磁阀信号为0。
3.根据权利要求1所述的基于ES-MLSTM的液压机故障诊断方法，其特征是步骤S2包括以下步骤：
S21：建立液压机专家系统故障诊断模型，液压机故障特征为{Fij c1，Fij c2……}；
式中：Fij c1为特征类，其中i表示故障编号，j为该故障特征的编号，c为故障特征的类别编号，即把故障特征可以按照其性质分成若干个类，每一个类中包括若干个特征，每一个特征都有一个编号；
S22：构建故障诊断的事实模型：
FAULTi＝{FaultNi，FaultDi，{Fij ck，V[M]ij，wij，CFij，FDij}，CBRi}
式中：FaultNi表示第i个故障的名称，FaultDi为故障基本信息描述；Fij ck表示第i个故障的第j个特征名称，同时该故障属于第k特征类，V[M]ij表示第i个故障的第j个特征的特征值，该特征值可能有多个，因此采用了数组的数据结构；wi为权值，表示某个特征的重要程度，其大小通过学习改变，一些对故障分类识别度高的特征权值，通过学习而加强，支持低的通过学习会减弱，w1+w2+…wn＝1，CFi为Fij特征的客观可信度，表示某个特征客观存在的特征，是由领域专家确定；FD为特征的文字描述，便于知识库的维护；CBRi为案例属性值，该值默认是0，表示该故障不是一个实例(案例)，如果是一个大于0的数值，表示目前该事实是一个曾经发生过的案例，其值表示案例编号；如果是某一个案例，则系统直接给出案例结果，不需要后续推理；
S23：建立推理的知识表示形式如下：
IF{FaultNi，FaultDi，{Fij ck，V[M]ij，wij，CFij，FDij}，CBRi}
THEN{(FNumi，FaultResulti)i＝1，2，3，…，n；j＝1，2，3…m}
式中：FNumi表示故障编号，也就是在知识库中，每一条故障数据都有一个唯一的编号，FaultResulti为故障诊断结果，即故障发生的原因，维修方法。
4.根据权利要求1所述的基于ES-MLSTM的液压机故障诊断方法，其特征是在步骤S1中压力采集数据错误，或者没有压力采集数据时，步骤S2的过程为：使用专家系统通过基于故障树的推理方法进行推理，故障树采用基于规则的知识表示如下：
Fault＝{FNumi，FaultNi，typei，question，yesN，noN，weight，branchNum，threshold,answer[nil]}i＝1，2，3，…，n；j＝1，2，3…m}；
式中：FNumi是故障编号，FaultNi为故障结点名，yesN表示可信度为1的结点；cf为可信度，weight为权重，threshold为阈值，当故障比较模糊的时候会用可信度表示；Answer表示本节点问题的答案；对于type的定义，是三个值，分别是：decision、answer、branch，即判定、回答、分支，对于有0—2个分支的，仍采用decision、answer，branch是专门处理两个以上分支的情况；增加一个分支编号的槽值branchNum，主要用来判别用户的选择走向哪一个分支，branchNum是整数型的。
5.根据权利要求1所述的基于ES-MLSTM的液压机故障诊断方法，其特征是步骤S3详细过程为：LSTM设计了一个记忆单元，每个记忆单元包括三种门，分别是遗忘门、输入门、输出门，每个门都设计了一个激活函数，用来控制各门信息添加与否，激活函数采用了sigmoid函数，公式如下：
Figure FDA0002450259510000021
遗忘门是决定保留哪些信息，其公式
ft＝σ(Wf·[ht-1,xt]+bf)
式中：ft为遗忘门输出，ht-1为上时刻的输出信息，xt为当前的输入矢量，bf为偏置值，Wf为权值；
输入门是当前输入信号，可以表示成：
it＝σ(Wi·[ht-1,xt]+bi)
式中：it为输入门；
当前单元的状态可以表示成
Ct＝tanh(Wc·[ht-1,xt]+bc)
单元当前的输出值是
Ct＝ft*Ct-1+it*Ct
式中：ct-1为上次的单元输出值，Ct为本次单元输出值；
输出门：
ot＝σ(Wo[ht-1,xt]+b0)
ht＝ot*tanh(Ct)
式中：ht为输出门的输出值；
LSTM是根据其当前输出值与目标值的误差，通过不断调节输出层、输入层、循环层的权值，直至误差达到设计要求，在采用同一个LSTM结构的情况下，建立多个训练模型，即MLSTM，在MLSTM中，每一个模型的输入节点、隐层节点、全连接层节点保持不变，但是模型的其他参数不同，在识别的时候，专家系统会根据筛选的样本范围，确定所需的模型，并把该模型的参数进行加载。
6.根据权利要求4所述的基于ES-MLSTM的液压机故障诊断方法，其特征是设计一个全连接层，该层的激活函数为sigmoid函数，优化函数采用RMSPropOptimizer优化器。
7.根据权利要求1所述的基于ES-MLSTM的液压机故障诊断方法，其特征是步骤S4包括以下步骤：
S41：特征化简：
通过专家系统，根据电磁阀特征推理出所有的故障，并确定其压力特征，然后用压力特征去训练LSTM模型；
S42：LSTM训练：
根据S41得出的压力特征，以及与压力特征对应的故障标签对LSTM进行训练，训练后抽取模型参数，保存到知识库中，以便于在分类的时候使用；这样便形成了多个模型的神经网络MLSTM；
S43：知识库构建：
根据知识库结构模型，构建液压机故障模型，并将特征及其特征值等参数写入知识库；
也将S42的LSTM模型参数写入知识库；
S44：如果这时采集系统采集到一组特征，特征名称为F＝{F1，F2，F3，…Fm，m是特征的数量，下同}，特征值为Vi＝{V1，V2，V3，…Vm}；
专家系统打开知识库，启动推理机；
S45：推理机搜索知识库，这里假设搜索到知识库中的第k条事实，推理机便获取了该事实的特征值为DV(k)＝{DV(k)1，DV(k)2，…DV(k)m}、权重DW(k)＝{DW(k)1，DW(k)2，…DW(k)m}、客观可信度DCF(k)＝{DCF(k)1，DCF(k)2，…DCF(k)m}；
如果搜索到的CBR参数不为零，说明该故障知识为某一个案例事实，这时则给出案例相信信息，系统可以由人工确定是否终止匹配；
S46：计算相似度：推理机根据特征名称F获取知识库中某个特征的数值，然后与采集到的特征值按照下式计算相似度：
Figure FDA0002450259510000041
式中：i是当前特征编号，i<m,，k是知识库事实编号，k<n；
λi为1时表示完全相同，为0时候表示完全不相同；
S47：计算第k个故障的可信度距离，如下式：
Figure FDA0002450259510000042
式中：w(k)i为第i个特征编号第k个故障的特征权值；DCF(k)i为第i个特征编号第k个故障的客观可信度；λ(k)i为第i个特征编号第k个故障的相似度；
S48：可信度排序
按照上一步的方法，推理机将知识库中所有事实与采集特征进行匹配，并得到每条事实匹配后的可信度度距离为CFDis(k)(其中k＝1，2，…，m)，然后对其从大到小排序，如下式所示：CFD(k)＝CFDisi≥CFDisj,i＜j，并取前面h个构成待选项；
S49：用MLSTM进行判断：
即取出前面h个故障特征值，专家系统确定这些特征值对应的故障编号，专家系统根据这些编号调取对应的LSTM模型参数，并用调取的LSTM模型参数装载到LSTM中，LSTM会计算出前面h个故障特征值的概率，概率最高的即为需要的结果。
CN202010290638.9A 2020-04-14 2020-04-14 基于es-mlstm的液压机故障诊断方法 Pending CN113530921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010290638.9A CN113530921A (zh) 2020-04-14 2020-04-14 基于es-mlstm的液压机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010290638.9A CN113530921A (zh) 2020-04-14 2020-04-14 基于es-mlstm的液压机故障诊断方法

Publications (1)

Publication Number Publication Date
CN113530921A true CN113530921A (zh) 2021-10-22

Family

ID=78088023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010290638.9A Pending CN113530921A (zh) 2020-04-14 2020-04-14 基于es-mlstm的液压机故障诊断方法

Country Status (1)

Country Link
CN (1) CN113530921A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116517921A (zh) * 2023-07-03 2023-08-01 成都飞机工业（集团）有限责任公司 航空液压油车状态在线检测方法及系统
CN118312896A (zh) * 2024-04-08 2024-07-09 上海宝信软件股份有限公司 基于大语言模型的故障诊断专家系统及实现方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104750742A (zh) * 2013-12-31 2015-07-01 南京理工大学常熟研究院有限公司 一种掘进机液压系统故障诊断方法和系统
CN105445646A (zh) * 2015-12-14 2016-03-30 国家电网公司 基于神经网络专家系统的模数电路故障诊断的测试方法
CN105590146A (zh) * 2016-02-29 2016-05-18 上海带来科技有限公司 一种基于大数据的电厂设备智能预测检修方法和系统
CN107272646A (zh) * 2017-06-30 2017-10-20 南京理工大学 基于专家系统的压力机故障诊断系统
CN107678870A (zh) * 2017-08-23 2018-02-09 国网辽宁省电力有限公司 一种改进的电力变压器故障诊断方法
CN108683535A (zh) * 2018-05-18 2018-10-19 南京大学 基于机器学习的高速数据分配模块故障诊断系统及方法
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测系统及方法
CN108875108A (zh) * 2017-05-16 2018-11-23 长春工业大学 一种基于pca和brb的轨道车辆电路故障诊断方法
CN110488150A (zh) * 2019-08-09 2019-11-22 国网河北省电力有限公司沧州供电分公司 一种基于多算法融合的故障智能诊断方法
CN110689171A (zh) * 2019-09-05 2020-01-14 哈尔滨工程大学 一种基于e-lstm的汽轮机健康状态预测方法
CN110716528A (zh) * 2019-09-17 2020-01-21 湖州职业技术学院 基于专家系统的大型液压机远程故障诊断方法与装置
CN110762081A (zh) * 2019-09-17 2020-02-07 湖州职业技术学院 基于hsmm-svm模型的大型液压机故障诊断方法与装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104750742A (zh) * 2013-12-31 2015-07-01 南京理工大学常熟研究院有限公司 一种掘进机液压系统故障诊断方法和系统
CN105445646A (zh) * 2015-12-14 2016-03-30 国家电网公司 基于神经网络专家系统的模数电路故障诊断的测试方法
CN105590146A (zh) * 2016-02-29 2016-05-18 上海带来科技有限公司 一种基于大数据的电厂设备智能预测检修方法和系统
CN108875108A (zh) * 2017-05-16 2018-11-23 长春工业大学 一种基于pca和brb的轨道车辆电路故障诊断方法
CN107272646A (zh) * 2017-06-30 2017-10-20 南京理工大学 基于专家系统的压力机故障诊断系统
CN107678870A (zh) * 2017-08-23 2018-02-09 国网辽宁省电力有限公司 一种改进的电力变压器故障诊断方法
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测系统及方法
CN108683535A (zh) * 2018-05-18 2018-10-19 南京大学 基于机器学习的高速数据分配模块故障诊断系统及方法
CN110488150A (zh) * 2019-08-09 2019-11-22 国网河北省电力有限公司沧州供电分公司 一种基于多算法融合的故障智能诊断方法
CN110689171A (zh) * 2019-09-05 2020-01-14 哈尔滨工程大学 一种基于e-lstm的汽轮机健康状态预测方法
CN110716528A (zh) * 2019-09-17 2020-01-21 湖州职业技术学院 基于专家系统的大型液压机远程故障诊断方法与装置
CN110762081A (zh) * 2019-09-17 2020-02-07 湖州职业技术学院 基于hsmm-svm模型的大型液压机故障诊断方法与装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何彦虎等: "基于CBR- FAT 的液压机故障诊断专家系统构建", 机床与液压, vol. 44, no. 13, 15 July 2016 (2016-07-15), pages 191 - 196 *
陈畅等: "基于LSTM 网络预测的水轮机机组运行状态检测", 山东大学学报, vol. 49, no. 3, 18 March 2019 (2019-03-18), pages 39 - 45 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116517921A (zh) * 2023-07-03 2023-08-01 成都飞机工业（集团）有限责任公司 航空液压油车状态在线检测方法及系统
CN116517921B (zh) * 2023-07-03 2023-11-10 成都飞机工业（集团）有限责任公司 航空液压油车状态在线检测方法及系统
CN118312896A (zh) * 2024-04-08 2024-07-09 上海宝信软件股份有限公司 基于大语言模型的故障诊断专家系统及实现方法

Similar Documents

Publication Publication Date Title
CN106628097A (zh) 一种基于改进径向基神经网络的船舶设备故障诊断方法
CN113988215B (zh) 一种配电网计量柜状态检测方法及系统
CN113530921A (zh) 基于es-mlstm的液压机故障诊断方法
CN113281465A (zh) 一种畜禽舍养殖环境有害气体检测系统
CN114580288A (zh) 一种基于dsecjan的智能故障诊断方法
CN114839881A (zh) 智能化垃圾清理与环境参数大数据物联网系统
CN117784615B (zh) 一种基于impa-rf的火控系统故障预测方法
CN115510740A (zh) 一种基于深度学习的航空发动机剩余寿命预测方法
CN117909881A (zh) 多源数据融合的抽油机的故障诊断方法及装置
CN117272149A (zh) 一种基于语言模型的跨表格多任务预训练方法和装置
CN117764178A (zh) 一种基于多注意力协同网络的多维时序可解释预测
CN115130617B (zh) 一种自适应卫星数据模式不断增长的检测方法
CN117292749A (zh) 一种基于bert特征编码技术和深度学习组合模型的抗菌肽预测方法
CN112001436A (zh) 一种基于改进的极限学习机的水质分类方法
Mazzutti et al. INFGMN–Incremental neuro-fuzzy Gaussian mixture network
CN111340637A (zh) 一种基于机器学习反馈规则增强的医疗保险智能审核系统
CN112465054B (zh) 一种基于fcn的多变量时间序列数据分类方法
CN114861977A (zh) 一种面向不均衡电力数据的蒸馏集成模式感知算法及系统
CN114596567A (zh) 一种基于动态前馈神经网络结构和成长率函数的手写数字识别方法
CN114548212A (zh) 一种水质评价方法及系统
CN113326882A (zh) 一种基于分类和回归算法的模型集成方法、装置
CN114625831A (zh) 一种面向智能电网负荷辨识的分类评价反馈方法
CN117370870B (zh) 知识和数据复合驱动的装备多工况识别与性能预测方法
CN114970367B (zh) 基于深度学习的质子交换膜燃料电池数据驱动方法及系统
Löfström et al. Predicting the Benefit of Rule Extraction: A Novel Component in Data Mining

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