CN114755002B - 一种基于全连接神经网络的缓冲平衡阀故障诊断方法 - Google Patents

一种基于全连接神经网络的缓冲平衡阀故障诊断方法 Download PDF

Info

Publication number
CN114755002B
CN114755002B CN202210359360.5A CN202210359360A CN114755002B CN 114755002 B CN114755002 B CN 114755002B CN 202210359360 A CN202210359360 A CN 202210359360A CN 114755002 B CN114755002 B CN 114755002B
Authority
CN
China
Prior art keywords
neural network
fully
port
data
connected neural
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
CN202210359360.5A
Other languages
English (en)
Other versions
CN114755002A (zh
Inventor
艾超
徐俊
高伟
王磊
许文强
姜继尚
郑鹏飞
闻岩
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.)
Yanshan University
Original Assignee
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 Yanshan University filed Critical Yanshan University
Priority to CN202210359360.5A priority Critical patent/CN114755002B/zh
Publication of CN114755002A publication Critical patent/CN114755002A/zh
Application granted granted Critical
Publication of CN114755002B publication Critical patent/CN114755002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L13/00—Devices or apparatus for measuring differences of two or more fluid pressure values
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于全连接神经网络的缓冲平衡阀故障诊断方法，涉及故障诊断技术领域。该方法包括：将待诊断的缓冲平衡阀连接到试验台的油路中，分别在正常、磨损和卡滞状态下通过压力传感器测量B口压力和T口压力；对获取到的B口和T口压差数据进行预处理，形成用于模型训练的数据集；构建全连接神经网络模型，并将所述数据集中的压力数据通过全连接神经网络模型进行训练；根据故障分类的精度对全连接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全连接神经网络模型；将待诊断缓冲平衡阀的压力数据输入至训练好的全连接神经网络模型，得到待诊断缓冲平衡阀的故障诊断结果。该诊断方法具有快速性、稳定性和准确性的优点。

Description

一种基于全连接神经网络的缓冲平衡阀故障诊断方法
技术领域
本发明涉及故障诊断技术领域，尤其是涉及一种基于全连接神经网络的缓冲平衡阀故障诊断方法。
背景技术
旋挖钻机是机电液集成程度很高的大型工程机械设备，其主要结构包括行走系统、工作系统和回转系统。回转系统是旋挖钻机的主要结构之一，而缓冲平衡阀是回转系统的重要部件。旋挖钻机这种工程机械工作环境恶劣，油液中时常会有大颗粒污染物，该颗粒使平衡阀快速磨损或发生卡滞故障。带有污染颗粒的高压油液在液压系统中流动时会对各个部件造成严重损害。其中，缓冲平衡阀的阀芯在高压油液冲击下会快速磨损，导致阀芯和阀套的间隙增大，平衡阀的内泄漏增大，对旋挖钻机工作的平稳性、可靠性和系统效率产生一定影响。此时，旋挖机回转系统旋转时响应会滞后，直接的表现是旋转启动变慢和旋转制动变慢，容易发生事故停工停产。因此，高精度、智能的平衡阀故障诊断是非常必要的。
目前，针对液压阀的故障诊断方法有：
中国专利CN113111832A中，提供了一种基于空洞卷积神经网络的液压阀故障诊断方法。其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。该方法中采用的是空洞卷积神经网络，而空洞卷积神经网络的训练速度和收敛速度较慢，难以快速的实现故障诊断。
中国专利CN113807277A中，提出了一种基于特征加权融合多传感器信息的液压阀故障诊断方法。该方法包括以下步骤：S1利用多个传感器对液压阀故障数据进行收集；S2对收集的多传感器数据进行分割，获得信号样本；S3对信号样本的信号进行VMD分解获取从高频到低频的子信号，并对子信号进行多维特征提取，获得手动特征集；S4将手动特征集与利用卷积神经网络提取信号样本的深层特征融合，获得多维特征集；S5利用熵权法对每种特征进行加权，获得加权多维特征集；S6引入注意力机制改进双通道卷积神经网络来融合异质传感器的加权多维特征集。然而，该方法容易收敛于局部最小值，而且会丢失大量有价值信息，忽略整体与局部的关联性，缺乏一定的稳定性，诊断精度不高。
可见，现有的液压阀故障诊断方法并不能实现高性能、快速、稳定的故障诊断。
发明内容
有鉴于此，本发明提供了一种基于全连接神经网络的缓冲平衡阀故障诊断方法，以提供一种高性能、快速、稳定的基于全连接神经网络的缓冲平衡阀故障诊断方法，用于旋挖钻机中的缓冲平衡阀故障诊断。该诊断方法能在特定工况下根据采集的平衡阀B、T阀口的压力差来判断是否发生卡滞、磨损故障，具有快速性、稳定性和准确性的优点。
为此，本发明提供了以下技术方案：
本发明提供了一种基于全连接神经网络的缓冲平衡阀故障诊断方法，该方法包括：
缓冲平衡阀主要包括两个并联的平衡阀和若干个单向阀；将待诊断的缓冲平衡阀连接到试验台的油路中，缓冲平衡阀的四个口V2、V1、C2和C1分别对应进油口P、出油口T、工作进油口A、工作回油口B四个阀口；在V2、V1、C2、C1四个口分别设置有压力传感器，在C2和C1两个口之间设置有用于模拟负载的溢流阀；将阀芯取出人为磨损，以模拟阀芯的磨损状态；将阀芯加一个垫片，以模拟阀芯卡滞状态；所述方法包括：
S1、接通油路，分别在正常、磨损和卡滞三种状态下通过压力传感器测量B口压力和T口压力，从而获得B口和T口压差数据；
S2、对获取到的B口和T口压差数据进行预处理，形成用于模型训练的数据集；
S3、构建全连接神经网络模型，并将所述数据集中的压力数据通过全连接神经网络模型进行训练，使全连接神经网络模型能够进行故障分类；其中，所述全连接神经网络模型采用深度学习框架Tensorflow搭建，调用Keras库中的Sequential函数来描述模型结构；
S4、根据故障分类的精度对全连接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全连接神经网络模型；
S5、获取待诊断缓冲平衡阀的压力数据，将待诊断缓冲平衡阀的压力数据输入至训练好的全连接神经网络模型，得到待诊断缓冲平衡阀的故障诊断结果。
进一步地，所述故障诊断结果包括：正常、磨损退化、磨损故障、卡滞故障和卡滞退化。
进一步地，对获取到的B口和T口压差数据进行预处理，形成用于模型训练的数据集，包括：
将压力传感器采集到的B口和T口压差数据打上标签；
将打好标签的数据随机打乱，三分之二的数据作为训练集，三分之一的数据作为测试集；
转换数据类型为浮点类型数据，保证数据在模型中进行矩阵运算时不会出错。
进一步地，将压力传感器采集到的B口和T口压差数据打上标签，包括：
B口和T口压差大于等于7.7时，打上标签0，表示卡滞故障；
B口和T口压差大于等于4.0且小于7.7时，打上标签1，表示卡滞退化；
B口和T口压差大于等于1.6且小于4.0时，打上标签2，表示正常；
B口和T口压差大于等于1.3且小于1.6时，打上标签3，表示磨损退化；
B口和T口压差小于1.3时，打上标签4，表示磨损故障。
进一步地，所述全连接神经网络模型，包括：
拉直层，用于变换张量的尺寸，把输入特征拉直为一维数组；
中间层：中间层节点数目为128，激活函数为Relu函数；所述拉直层与中间层之间为全连接；
输出层：输出层节点数目为5，激活函数为Softmax函数，所述中间层与输出层之间为全连接；将神经网络全连接层输出进行变换，使其服从概率分布。
进一步地，将所述数据集中的压力数据通过全连接神经网络模型进行训练，包括：
采用Compile函数配置神经网络的训练方法；
训练时使用的优化器为Adam；
损失函数采用计算交叉熵损失函数；
使用fit函数执行训练过程。
进一步地，根据故障分类的精度对全连接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全连接神经网络模型，包括：
准确率评测标准采用sparse_categorical_accuracy，以数值形式给出标签，以概率分布形式表示输出；
将数据集和对应的标签，每次喂入模型4组数据，迭代计算100次，每迭代一次输出一次准确率；
设置文件保存路径，保存模型参数，保留最优模型结果。
进一步地，所述待诊断缓冲平衡阀为旋挖钻机中的缓冲平衡阀。
本发明与现有技术相比具有如下有益效果：
1、该诊断方法基于全连接神经网络，全连接神经网络中每层神经网络间的神经元全都连接接，因此具有极强的非线性映射能力，对外界的输入样本具有很强的识别与分类能力，能够挖掘更深层的故障信息，根据输入特征准确、快速的识别故障种类。
2、该诊断方法的网络由多层构成，层与层之间全连接，同一层之间的神经元无连接，使得该方法能够从输入数据中挖掘更多的信息，实现更复杂的诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于全连接神经网络的缓冲平衡阀故障诊断方法的流程图；
图2为本发明实施例中缓冲平衡阀液压原理图；
图3为本发明实施例中缓冲平衡阀结构原理图；
图4为本发明实施例中试验装置液压原理图；
图5为本发明实施例中试验装置的结构图；
图6为本发明实施例中全连接神经网络原理图；
图7为本发明实施例中平衡阀的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明实施例提供了一种基于全连接神经网络的缓冲平衡阀故障诊断方法，该方法中，首先，通过实验装置进行试验获取原始数据；其次，对获得的数据进行预处理，打上标签；然后，搭建全连接神经网络模型，将数据导入模型进行训练；最后，导出训练好的模型，用测试集数据测试模型精度。具体步骤如下：
S1、原始数据获取：
缓冲平衡阀的液压原理图和结构图如图2、3所示，缓冲平衡阀的四个口V2、V1、C2和C1分别对应P(进油口)、T(出油口)、A(工作进油口)和B(工作回油口)四个阀口。缓冲平衡阀主要由两个并联的平衡阀和几个单向阀组成，然而平衡阀的阀芯容易发生磨损故障和卡滞故障。本发明将阀芯取出人为磨损来模拟阀芯的磨损故障；将阀芯加一个垫片来模拟阀芯卡滞故障。
本发明所用到的实验装置如图4所示，该实验装置主要包括平衡阀(如图4虚线框所示)和压力传感器；平衡阀的具体结构如图7所示，包括：安装连接①、介质泄漏保护②、密封材料③、陶瓷单元④、电子元件及电磁保护⑤、电气连接⑥。将平衡阀连接到特定的试验台的油路中，分别在V2、V1、C2、C1四个口接上压力传感器，并在C2和C1之间接上一个溢流阀来模拟负载。最后，接通油路，分别测取正常，磨损和卡滞状态下的压力数据，原始数据获取完成。
S2、数据预处理：
首先，将压力传感器采集到的B、T口压力数据打上标签；然后，将其随机打乱，三分之二的数据作为训练集，三分之一的数据作为测试集；最后，转换数据类型为浮点类型数据，保证数据在模型中进行矩阵运算时不会出错。数据标签表如表1所示。
表1
Figure BDA0003583201390000061
S3、全连接神经网络模型搭建：
全连接神经网络模型如图5所示。该模型采用常用的深度学习框架Tensorflow(开源的机器学习平台，里面有深度学习的框架)搭建，调用Keras(神经网络框架，是一个高级的神经网络API，能在Tensorflow上运行)库中的Sequential函数(Sequential是一个容器，描述了神经网络的网络结构)来描述模型结构。一个拉直层：变换张量的尺寸，把输入特征拉直为一维数组；中间层(全连接层)：设置中间层节点数目为128，激活函数选择Relu函数，Relu是一种激活函数，作用是加入非线性因素，解决模型线性表达能力不足的缺点。Relu函数优点：具有解决梯度消失，只需判断输入是否大于0，计算速度快；收敛速度快于激活函数sigmoid和tanh；提供了神经网络稀疏表达能力；输出层(全连接层)：设置输出层节点数目为5(对应5个标签种类)，激活函数选择Softmax函数(Softmax是归一化指数函数，将模型输出映射到(0,1)区间内)，将神经网络全连接层输出进行变换，使其服从概率分布；选择Compile函数(Compile用于在配置训练方法时，告知训练时用的优化器、损失函数和准确率评测标准)用于配置神经网络的训练方法，设置训练时使用的优化器为Adam，损失函数选择计算交叉熵损失函数，准确率评测标准选择sparse_categorical_accuracy(sparse_categorical_accuracy是准确率评测指标的一种)，以数值形式给出标签，以概率分布形式表示输出；使用fit函数(fit用于执行模型训练过程)用于执行训练过程。将测试集数据和对应的标签，每次喂入模型4组数据，迭代计算100次，每迭代一次输出一次准确率；最后，设置文件保存路径，保存模型参数，保留最优模型结果。
全连接神经网络模型中每层神经网络间的神经元全都连接接，因此具有极强的非线性映射能力，对外界的输入样本具有很强的识别与分类能力，能够挖掘更深层的故障信息，根据输入特征准确、快速的识别故障种类。全连接神经网络模型由多层构成，层与层之间全连接，同一层之间的神经元无连接，使得基于该全连接神经网络模型的故障诊断方法能够从输入数据中挖掘更多的信息，实现更复杂的诊断。
S4、测试模型精度：
根据故障分类的精度对全连接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全连接神经网络模型。具体地，将训练集数据导入上述最优模型，验证模型准确率，如图6所示，随着模型的训练，训练集准确率和测试集准确率逐渐增加，最终分别达到0.96和0.33左右；训练集损失和测试集损失逐渐减小，最终分别达到0.25和0.18左右。
在得到最优模型之后，可以利用该最有模型进行缓冲平衡阀的故障诊断，具体地：获取待诊断缓冲平衡阀的压力数据，将待诊断缓冲平衡阀的压力数据输入至训练好的全连接神经网络模型，得到待诊断缓冲平衡阀的故障诊断结果。
本发明实施例中的基于全连接神经网络的缓冲平衡阀故障诊断方法具有极强的非线性映射能力，对外界的输入样本具有很强的识别与分类能力，能够根据输入特征准确、快速的识别故障种类。同时，该诊断方法的网络由多层构成，层与层之间全连接，同一层之间的神经元无连接，使得该方法能够从输入数据中挖掘更多的信息，实现更复杂的诊断。
在本发明所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (4)

1.一种基于全连接神经网络的缓冲平衡阀故障诊断方法，其特征在于，缓冲平衡阀主要包括两个并联的平衡阀和若干个单向阀；将待诊断的缓冲平衡阀连接到试验台的油路中，缓冲平衡阀的四个口V2、V1、C2和C1分别对应进油口P、出油口T、工作进油口A、工作回油口B四个阀口；在V2、V1、C2、C1四个口分别设置有压力传感器，在C2和C1两个口之间设置有用于模拟负载的溢流阀；将阀芯取出人为磨损，以模拟阀芯的磨损状态；将阀芯加一个垫片，以模拟阀芯卡滞状态；所述方法包括：
S1、接通油路，分别在正常、磨损和卡滞三种状态下通过压力传感器测量B口压力和T口压力，从而获得B口和T口压差数据；
S2、对获取到的B口和T口压差数据进行预处理，形成用于模型训练的数据集；
S3、构建全连接神经网络模型，并将所述数据集中的压力数据通过全连接神经网络模型进行训练，使全连接神经网络模型能够进行故障分类；其中，所述全连接神经网络模型采用深度学习框架Tensorflow搭建，调用Keras库中的Sequential函数来描述模型结构；所述全连接神经网络由多层构成，层与层之间全连接，每层神经网络间的神经元全都连接，同一层之间的神经元无连接；所述全连接神经网络模型，包括：拉直层：用于变换张量的尺寸，把输入特征拉直为一维数组；中间层：中间层节点数目为128，激活函数为Relu函数；所述拉直层与中间层之间为全连接；输出层：输出层节点数目为5，激活函数为Softmax函数，所述中间层与输出层之间为全连接；将神经网络全连接层输出进行变换，使其服从概率分布；
S4、根据故障分类的精度对全连接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全连接神经网络模型；
S5、获取待诊断缓冲平衡阀的压力数据，将待诊断缓冲平衡阀的压力数据输入至训练好的全连接神经网络模型，得到待诊断缓冲平衡阀的故障诊断结果；
其中，所述故障诊断结果包括：正常、磨损退化、磨损故障、卡滞故障和卡滞退化；
其中，对获取到的B口和T口压差数据进行预处理，形成用于模型训练的数据集，包括：
将压力传感器采集到的B口和T口压差数据打上标签；包括：
B口和T口压差大于等于7.7时，打上标签0，表示卡滞故障；
B口和T口压差大于等于4.0且小于7.7时，打上标签1，表示卡滞退化；
B口和T口压差大于等于1.6且小于4.0时，打上标签2，表示正常；
B口和T口压差大于等于1.3且小于1.6时，打上标签3，表示磨损退化；
B口和T口压差小于1.3时，打上标签4，表示磨损故障；
将打好标签的数据随机打乱，三分之二的数据作为训练集，三分之一的数据作为测试集；
转换数据类型为浮点类型数据，保证数据在模型中进行矩阵运算时不会出错。
2.根据权利要求1所述的一种基于全连接神经网络的缓冲平衡阀故障诊断方法，其特征在于，将所述数据集中的压力数据通过全连接神经网络模型进行训练，包括：
采用Compile函数配置神经网络的训练方法；
训练时使用的优化器为Adam；
损失函数采用计算交叉熵损失函数；
使用fit函数执行训练过程。
3.根据权利要求2所述的一种基于全连接神经网络的缓冲平衡阀故障诊断方法，其特征在于，根据故障分类的精度对全连接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全连接神经网络模型，包括：
准确率评测标准采用sparse_categorical_accuracy，以数值形式给出标签，以概率分布形式表示输出；
将数据集和对应的标签，每次喂入模型4组数据，迭代计算100次，每迭代一次输出一次准确率；
设置文件保存路径，保存模型参数，保留最优模型结果。
4.根据权利要求1所述的一种基于全连接神经网络的缓冲平衡阀故障诊断方法，其特征在于，所述待诊断缓冲平衡阀为旋挖钻机中的缓冲平衡阀。
CN202210359360.5A 2022-04-06 2022-04-06 一种基于全连接神经网络的缓冲平衡阀故障诊断方法 Active CN114755002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210359360.5A CN114755002B (zh) 2022-04-06 2022-04-06 一种基于全连接神经网络的缓冲平衡阀故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210359360.5A CN114755002B (zh) 2022-04-06 2022-04-06 一种基于全连接神经网络的缓冲平衡阀故障诊断方法

Publications (2)

Publication Number Publication Date
CN114755002A CN114755002A (zh) 2022-07-15
CN114755002B true CN114755002B (zh) 2023-05-30

Family

ID=82329313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210359360.5A Active CN114755002B (zh) 2022-04-06 2022-04-06 一种基于全连接神经网络的缓冲平衡阀故障诊断方法

Country Status (1)

Country Link
CN (1) CN114755002B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102878141A (zh) * 2012-10-27 2013-01-16 郑州宇通重工有限公司 一种组合式回转马达防逆转缓冲平衡阀
CN207064805U (zh) * 2017-04-18 2018-03-02 中国船舶重工集团公司第七一九研究所 一种自动流量平衡阀试验系统
CN112557034A (zh) * 2020-12-25 2021-03-26 南京理工大学 一种基于pca_cnns的轴承故障诊断方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101624970A (zh) * 2008-12-18 2010-01-13 上海电气液压气动有限公司 风力发电设备的液压变桨系统
US10572830B2 (en) * 2017-04-24 2020-02-25 Virginia Tech Intellectual Properties, Inc. Learning and deploying compression of radio signals
CN109308306B (zh) * 2018-09-29 2021-07-06 重庆大学 一种基于孤立森林的用户用电异常行为检测方法
CN110378383B (zh) * 2019-06-19 2023-06-16 江苏大学 一种基于Keras框架和深度神经网络的图片分类方法
CN111080608A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法
CN111273638B (zh) * 2020-01-21 2021-10-26 华东理工大学 基于改进Elman神经网络的气动阀执行机构故障诊断方法
CN112924177B (zh) * 2021-04-02 2022-07-19 哈尔滨理工大学 一种改进深度q网络的滚动轴承故障诊断方法
CN113111832A (zh) * 2021-04-23 2021-07-13 温州大学 一种基于空洞卷积神经网络的液压阀故障诊断方法
CN113919395A (zh) * 2021-10-12 2022-01-11 大连理工大学 基于一维卷积神经网络的给水管网渗漏事故诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102878141A (zh) * 2012-10-27 2013-01-16 郑州宇通重工有限公司 一种组合式回转马达防逆转缓冲平衡阀
CN207064805U (zh) * 2017-04-18 2018-03-02 中国船舶重工集团公司第七一九研究所 一种自动流量平衡阀试验系统
CN112557034A (zh) * 2020-12-25 2021-03-26 南京理工大学 一种基于pca_cnns的轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于全连接神经网络的旋挖钻机缓冲平衡阀故障诊断;闻岩 等;液动与气动;第第46卷卷(第第12期期);第152-159页 *

Also Published As

Publication number Publication date
CN114755002A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN112100865B (zh) 基于并行cnn模型的航空发动机剩余寿命预测方法
CN109522600A (zh) 基于组合深度神经网络的复杂装备剩余使用寿命预测方法
CN109555566B (zh) 一种基于lstm的汽轮机转子故障诊断方法
CN108334936A (zh) 基于迁移卷积神经网络的故障预测方法
CN108154504A (zh) 一种基于卷积神经网络的钢板表面缺陷的检测方法
CN114970715B (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
Wang et al. A combination of residual and long–short-term memory networks for bearing fault diagnosis based on time-series model analysis
CN101614787B (zh) 基于M-ary结构分类器的模拟电子电路故障诊断方法
CN113095413B (zh) 变工况故障诊断方法、系统、存储介质及设备
CN114429153A (zh) 基于终身学习的齿轮箱增量故障诊断方法及系统
CN111595541A (zh) 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法
CN111649779B (zh) 基于密集神经网络的油井含油率和总流速测量方法及应用
CN112766301B (zh) 一种采油机示功图相似性判断方法
CN112765890A (zh) 基于动态域适应网络的多工况旋转机械剩余寿命预测方法
Sun et al. Contamination source identification in water distribution networks using convolutional 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
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
CN107908757A (zh) 网站分类方法及系统
CN109389170A (zh) 一种基于3d卷积神经网络的渐变型工况预警方法
Zhang et al. TSViT: A Time Series Vision Transformer for Fault Diagnosis
Chopra et al. Classification of faults in damadics benchmark process control system using self organizing maps
CN116432359A (zh) 基于元迁移学习的变拓扑网络潮流计算方法
Zhou et al. Remaining useful life prediction of aero-engine using CNN-LSTM and mRMR feature selection
CN115017984A (zh) 一种航空发动机故障风险预警方法及系统
CN108763728B (zh) 用并联型深度神经网络分层特征提取的机械故障诊断方法

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
GR01 Patent grant
GR01 Patent grant