CN115182910A - 基于全卷积网络的液压系统多故障诊断方法及装置 - Google Patents

基于全卷积网络的液压系统多故障诊断方法及装置 Download PDF

Info

Publication number
CN115182910A
CN115182910A CN202210662443.1A CN202210662443A CN115182910A CN 115182910 A CN115182910 A CN 115182910A CN 202210662443 A CN202210662443 A CN 202210662443A CN 115182910 A CN115182910 A CN 115182910A
Authority
CN
China
Prior art keywords
fault
fault diagnosis
hydraulic system
sampling rates
sensor data
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
CN202210662443.1A
Other languages
English (en)
Inventor
胡文凯
张鹏
曹卫华
吴敏
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202210662443.1A priority Critical patent/CN115182910A/zh
Publication of CN115182910A publication Critical patent/CN115182910A/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
    • 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
    • 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
    • F15B2211/865—Prevention of failures
    • 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
    • F15B2211/875—Control measures for coping with failures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于全卷积网络的液压系统多故障诊断方法及装置，面向实际液压设备采集的数据，采用特征提取、特征融合和故障诊断的步骤，实现液压系统的故障诊断与故障程度识别。为了提高诊断的准确率，识别出多故障的不同故障程度，本发明采用一个有三个卷积块叠加的全卷积网络作为处理多源数据的神经网络，它能够提取出数据中较深层次的特征，采用特征融合作为不同采样率数据所提取特征的处理方法，最后将特征输入至全连接层，实现不同液压零部件的故障诊断，同时识别出不同的故障程度，可以满足实际工业液压设备故障诊断的需求。

Description

基于全卷积网络的液压系统多故障诊断方法及装置
技术领域
本发明涉及液压设备故障监测与诊断领域，尤其涉及一种基于全卷积网络的故障监测与诊断方法及装置。
背景技术
液压系统广泛应用于工业生产，其结构复杂，气密性强。因此，一旦发生故障，操作员很难观察到故障迹象，也很难判断故障的原因和故障损坏程度。这些因素严重影响了操作员快速准确地对故障进行识别。这使处理故障过程变得复杂，容易造成损失和发生人身安全事故。为了使液压系统能够顺利正常地工作，及时发现和预警故障或者评估系统的综合状态，具有非常重要的研究意义。
目前，复杂机械设备故障诊断大多是通过大量历史监测参数建立模型，包括提取数据特征建立诊断阈值、机器学习等方法。经过不断的研究，大部分故障诊断算法已较为成熟，能够得到较高的准确率，但是在针对不平衡的多传感器数据、多故障程度的问题上仍有待发展。大部分方法是采用单一传感器数据对单一故障进行诊断，部分工作未对故障的不同程度进行划分，还有部分工作精度相对较低。在面临不同故障同时发生和不同故障程度时，这些方法或许无法取得较好的诊断效果。
发明内容
本发明解决的主要技术问题在于，提供一种在面临不同故障同时发生和不同故障程度时，能实现较好诊断效果的故障诊断方法，为了解决上述技术问题，本发明提供了一种基于全卷积网络的液压系统多故障诊断方法及装置。面向实际液压设备采集的数据，采用特征提取、特征融合和故障诊断的步骤，实现液压系统的故障诊断与故障程度识别。为了提高诊断的准确率，识别出多故障的不同故障程度，本发明采用一个有三个卷积块叠加的全卷积网络作为处理多源数据的神经网络，它能够提取出数据中较深层次的特征，采用特征融合作为不同采样率数据所提取特征的处理方法，最后将特征输入至全连接层，实现不同液压零部件的故障诊断，同时识别出不同的故障程度，可以满足实际工业液压设备故障诊断的需求。
根据本发明的一个方面，一种基于全卷积网络的液压系统多故障诊断方法的具体步骤如下：
获取液压系统中不同采样率的多传感器数据；
对所述不同采样率的多传感器数据进行预处理，得到预处理后的传感器数据；
搭建基于全卷积网络的多故障诊断模型，所述多故障诊断模型包括：多通道特征提取模块、特征融合模块和故障分类模块；
所述多通道特征提取模块通过不同采样率通道提取对应采样率的多传感器数据的特征；
所述特征融合模块将不同采样率通道提取的特征进行融合；
所述故障分类模块基于全连接层对融合后的特征进行故障类型和程度预测；
将所述预处理后的传感器数据划分为训练集、验证集和测试集，通过所述训练集及损失函数对所述故障诊断模型进行训练，同时用所述验证集进行验证，观察模型拟合效果，训练完成后，获得训练好的多故障诊断模型；
将所述测试集输入所述训练好的多故障诊断模型，输出液压系统各故障的类型和故障程度。
优选地，所述对对所述不同采样率的多传感器数据进行预处理，获得预处理后的传感器数据的步骤，包括：
对所述对所述不同采样率的多传感器数据进行归一化处理，得到所述预处理后的传感器数据。
进一步地，所述归一化的计算公式如下：
Figure BDA0003691414130000021
式中，
Figure BDA0003691414130000022
为归一化后的信号；
Figure BDA0003691414130000023
和
Figure BDA0003691414130000024
表示输入信号
Figure BDA0003691414130000025
中的最大值和最小值。
优选地，所述多传感器数据中的传感器包括：压力传感器、电机功率传感器、振动传感器、体积流量传感器、温度传感器、虚拟传感器中的至少两种。
优选地，所述多通道特征提取模块中，每个通道均包括：依次叠加的三个卷积块；
每个卷积块包括依次连接的卷积层、批归一化层、激活层和池化层；
其中第一个卷积块的池化层之后还包括失活层；
激活层采用ReLU激活函数。
优选地，所述特征融合模块将不同采样率通道提取的特征进行融合包括：
所述特征融合模块，首先对不同的采样率通道提取的特征采用扁平化处理的方式进行特征融合，以适应全连接层的处理；
然后，将不同采样率通道提取的特征进一步融合，即沿着一个维度将矩阵数据以列的形式取出，并在另一维度连接以形成一维数据。
优选地，在所述多故障诊断模型的训练过程中，通过计算预测值与目标值的交叉熵评估损失，计算公式为：
Figure BDA0003691414130000031
其中，η是传感器数据实际对应的故障标签，η＝0,1,2...,η，c为全连接层输出的向量，c[η]为向量c中对应的第η位元素，j为向量c的维数，c[j]为向量c中对应的第j位元素。
优选地，在所述将所述测试集输入所述训练好的故障诊断模型，输出液压系统的各故障诊断结果的步骤之后，还包括：
对所述液压系统的各故障诊断结果进行性能评估。
优选地，所述对液压系统的各故障诊断结果进行性能评估的步骤，包括：
通过计算评价指标准确度、召回率和F1-Score三个指标来评估诊断性能。
根据本发明的另一方面，一种基于全卷积网络的液压系统多故障诊断装置，包括以下单元：
数据获取单元，用于获取液压系统中不同采样率的多传感器数据；
预处理单元，用于对所述不同采样率的多传感器数据进行预处理，得到预处理后的传感器数据；
网络搭建单元，用于搭建基于全卷积网络的多故障诊断模型，所述多故障诊断模型包括：多通道特征提取模块、特征融合模块和故障分类模块；
所述多通道特征提取模块通过不同采样率通道提取对应采样率的多传感器数据的特征；
所述特征融合模块将不同采样率通道提取的特征进行融合；
所述故障分类模块基于全连接层对融合后的特征进行故障类型和程度预测；
网络训练单元，用于将所述预处理后的传感器数据划分为训练集、验证集和测试集，通过所述训练集及损失函数对所述故障诊断模型进行训练，同时用所述验证集进行验证，观察模型拟合效果，训练完成后，获得训练好的多故障诊断模型；
故障诊断单元，用于将所述测试集输入所述训练好的多故障诊断模型，输出液压系统各故障的类型和故障程度；
性能评估单元，用于对各故障诊断结果进行性能评估。
本发明提供的技术方案具有以下有益效果：
本发明提供了一种基于全卷积网络的液压系统多故障诊断方法及装置。面向实际液压设备采集的数据，采用特征提取、特征融合和故障诊断的步骤，实现液压系统的故障诊断与故障程度识别。为了提高诊断的准确率，识别出多故障的不同故障程度，本发明采用一个有三个卷积块叠加的全卷积网络作为处理多源数据的神经网络，它能够提取出数据中较深层次的特征，采用特征融合作为不同采样率数据所提取特征的处理方法，最后将特征输入至全连接层，实现不同液压零部件的故障诊断，同时识别出不同的故障程度，可以满足实际工业液压设备故障诊断的需求。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明故障诊断模型结构图；
图2为本发明液压系统结构图；
图3为本发明的一种基于全卷积网络的液压系统多故障诊断方法的流程图；
图4为本发明四种故障诊断结果混淆矩阵；
图5为本发明复合故障诊断结果混淆矩阵；
图6为本发明的一种基于全卷积网络的液压系统多故障诊断装置的结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明基于德国萨尔布吕肯大学液压试验装置的采集数据设计仿真实验，该液压实验装置一个主工作回路和一个二次冷却过滤工作回路组成。具体结构如图2所示。该液压系统共有14个传感器，包括压力传感器(PS1、PS2、···、PS6)、电机功率传感器(EPS1)、振动传感器(VS1)、体积流量传感器(FS1、FS2)、温度传感器(TS1、TS2、···、TS4)。还有3个虚拟传感器，分别为冷却效率(CE)、冷却功率(CP)和系统效率因子(SE)。具体如表1所示。
表1传感器信息
传感器 物理名称 单位 采样率
PS1、PS2、···、PS6 压力 Bar 100HZ
EPS1 电机功率 W 100HZ
FS1、FS2 流量 l/min 10HZ
TS1、TS2、,···、TS4 温度 ℃ 1HZ
VS1 振动 mm/s 1HZ
CE 冷却效率 ％ 1HZ
CP 冷却功率 Kw 1HZ
SE 系统效率因子 ％ 1HZ
该液压系统共有液压泵、液压阀、液压冷却器和液压蓄能器四个主要部件存在故障，其中液压泵和液压冷却器的故障存在三种不同程度，液压阀和液压蓄能器的故障存在四种不同程度。
1)数据预处理
利用归一化方法对数据进行预处理。归一化的计算公式如下：
Figure BDA0003691414130000051
式中，
Figure BDA0003691414130000052
为归一化后的信号，
Figure BDA0003691414130000053
和
Figure BDA0003691414130000054
表示输入信号
Figure BDA0003691414130000055
中的最大值和最小值。由不同采样率下通道a的所有样本和维数组成的预处理后的数据用
Figure BDA0003691414130000056
表示。
本实施例中，将不同传感器数据通过归一化处理。
2)多故障诊断模型建立
本发明采用的多故障诊断模型基于全卷积网络，该模型使用的全卷积由三个卷积块组成。它支持不同大小的输入，以便更好地学习时间序列信息。如图1所示，每个卷积块由卷积层、批归一化层、ReLU激活层和池化层组成。然后，采用特征融合方法，融合从不同采样率数据提取的特征，最后，利用全连接层作为故障分类器，基于这些特征进行故障识别。
卷积层是本故障诊断模型的核心，它由几个带加权参数的滤波器组成。卷积层用于从输入数据中提取特征。更深的层通常意味着更好的特征提取能力。卷积层的输出为
Figure BDA0003691414130000061
其中
Figure BDA0003691414130000062
为卷积层从通道a中提取的特征；Wi,j为滤波器的权重；bj表示滤波器的偏置；i＝1,2，…,I；I表示卷积信道数；j＝1,2，…J；J为滤波器个数；符号*表示卷积运算符。
为了使模型更加稳定和易于训练，在卷积层之后增加了批归一化层(批量归一化层)。采用批归一化层可以加快模型的收敛速度，在一定程度上缓解梯度扩散问题。给定一个通道a的小批量[y1,y2，···，yi]，批量归一化的输出si为
Figure BDA0003691414130000063
Figure BDA0003691414130000064
μ、σ为小批量的均值和标准差；ε是用来避免除数0的小正数；
Figure BDA0003691414130000065
是将输入标准化后的结果；γ为比例因子；β为位移因子；所有通道的批量归一层的输出用Sa表示。
在激活层中，输入被函数变换并映射到输出。激活层可以将非线性特性引入到网络中。本发明选择ReLU函数作为激活函数。与其他激活函数相比，ReLU函数不存在梯度爆炸的问题，梯度线性传递。激活层的计算公式为
Ha＝ReLU(Sa)＝max(Sa，0)
其中Ha是激活层的输出。
池化层可以减小模型的尺寸，提高计算速度和提取特征的鲁棒性。最大池化层输出Za的计算公式是
Figure BDA0003691414130000071
在第一个卷积块后添加了失活层，可以使每个神经元在训练期间的前向传播期间有一定概率失活，从而达到防止过拟合的效果。
采用两种不同特征融合方法实现了两种不同特征的融合。
首先，由于故障分类使用的全连通层只能处理一维数据，而全卷积网络提取的特征是二维的，因此需要扁平化。扁平化结果
Figure BDA0003691414130000072
的计算公式是
Figure BDA0003691414130000073
其中
Figure BDA0003691414130000074
表示沿着某一维度将矩阵数据以列的形式取出，并在另一维度连接以形成一维数据，n表示该维度的维数。
其次，由于每个通道的采样率不同，需要融合不同通道采样率数据的特征。不同通道的特征融合结果Z的计算公式是
Figure BDA0003691414130000075
其中
Figure BDA0003691414130000076
表示从不同通道提取的特征。
在神经网络的最后包含一个全连接层，这一层在整个网络中充当一个分类器。前面的操作是将原始数据映射到隐藏层特征空间。完全连接的层将特征映射到样本标签空间。符号c为全连接层的输出，
c＝ZAT+d
其中A是权重，d是偏置。
3)多故障诊断模型训练
本发明通过计算预测值与目标值的交叉熵来评估损失。交叉熵主要用于判断实际输出与期望输出的接近程度。计算公式为
Figure BDA0003691414130000077
其中η是传感器数据实际对应的故障标签，η＝0,1,2...,η，c为全连接层输出的向量，c[η]为向量c中对应的第η位元素，j为向量c的维数，c[j]为向量c中对应的第j位元素。
本发明采用的自适应矩估计优化器可以实现高效计算，解决大数据、大参数的优化问题。综合考虑梯度的一阶矩估计和二阶矩估计，计算更新步长。
将预处理后的传感器数据划分为训练集、验证集和测试集，数据量各占60％、20％和20％。将60％的训练集输入多故障诊断模型进行训练，同时用20％的验证集进行验证，观察模型拟合效果。训练完成后，得到训练好的多故障诊断模型和不同故障的故障程度识别模型。
4)多故障诊断与故障程度识别
分别进行训练后，本发明得到了五个故障诊断模型M、M1、M2、M3、M4，具体为：多故障诊断模型、液压泵故障程度识别模型、液压阀故障程度识别模型、液压冷却器故障程度识别模型和液压蓄能器故障程度识别模型，五个模型的结构均如图1所示，具体对应的网络参数不同。在进行多故障诊断时，将四种故障标签分别定义为λ1、λ2、λ3、λ4；在诊断故障程度时，将四种故障的程度分别定义为μ1、μ2、μ3、μ4。
本发明对数据进行预处理后，输入预先训练好的多故障诊断模型M，识别是否存在一种或多种故障，具体计算可以表达为
λ＝M(Xa)
判断λ是否等于λ1、λ2、λ3和λ4，如果等于其中的一个，则代表存在相应故障，将数据继续输入对应的液压泵故障程度识别模型M1、液压阀故障程度识别模型M2、液压冷却器故障程度识别模型M3和液压蓄能器故障程度识别模型M4，获得故障程度。以液压泵故障诊断为例，具体计算可表达为
μ1＝M1(Xa)
其中μ1为液压泵故障程度。方案流程图如图3所示。
5)故障诊断性能评估
本发明采用评价指标准确度、召回率和F1-Score三个指标来评估诊断性能。统计真阳性TP、假阴性FN、假阳性FP和真阴性TN样本数。具体计算公式如下。
准确度P的计算公式为
Figure BDA0003691414130000081
召回率R的计算公式为
Figure BDA0003691414130000082
F1-Score综合了准确性和召回率，其计算公式为
Figure BDA0003691414130000091
利用最后的20％的测试集进行测试。对四种故障的分别进行模型训练与故障诊断实验，各得出故障诊断实验结果。同时又将四个液压元部件划分为故障和不故障两种情况，再进行组合，得到1种无故障情况、4个单故障情况、6个双故障复合情况、4个三故障复合情况和1个四故障复合情况，共计16种故障条件。具体故障诊断结果如下：
1)16种复合故障诊断总体精度为99.11％，混淆矩阵如图4所示。其中标签0表示正常；标签1-4表示单次故障；标签5-10表示双组分复合故障；标签11-14表示三组分复合故障；标签15表示四组分复合故障。
2)液压冷却器故障诊断总体精度为100％，具体不同故障程度与指标如表2所示。
表2液压冷却器不同故障程度与指标
Figure BDA0003691414130000092
3)液压泵故障诊断总体精度为100％，具体不同程度与指标如表3所示。
表3液压泵不同故障程度与指标
Figure BDA0003691414130000093
4)液压阀故障诊断总体精度为100％，具体不同程度与指标如表4所示。
表4液压阀不同故障程度与指标
Figure BDA0003691414130000094
Figure BDA0003691414130000101
5)液压蓄能器故障诊断总体精度为99.38％，具体不同故障程度与指标如表5所示。
表5液压蓄能器不同故障程度与指标
Figure BDA0003691414130000102
四种设备故障诊断结果的混淆矩阵如图5所示，其中(a)对应液压冷却器、(b)对应液压泵，(c)对应液压阀，(d)对应液压蓄能器。
作为可选的实施方式，本实施例提供了一种基于全卷积网络的液压系统多故障诊断装置，参考图6，该装置包括以下单元：
数据获取单元1，用于获取液压系统中不同采样率的多传感器数据；
预处理单元2，用于对所述不同采样率的多传感器数据进行预处理，得到预处理后的传感器数据；
网络搭建单元3，用于搭建基于全卷积网络的多故障诊断模型，所述多故障诊断模型包括：多通道特征提取模块、特征融合模块和故障分类模块；
所述多通道特征提取模块通过不同采样率通道提取对应采样率的多传感器数据的特征；
所述特征融合模块将不同采样率通道提取的特征进行融合；
所述故障分类模块基于全连接层对融合后的特征进行故障类型和程度预测；
网络训练单元4，用于将所述预处理后的传感器数据划分为训练集、验证集和测试集，通过所述训练集及损失函数对所述故障诊断模型进行训练，同时用所述验证集进行验证，观察模型拟合效果，训练完成后，获得训练好的多故障诊断模型；
故障诊断单元5，用于将所述测试集输入所述训练好的多故障诊断模型，输出液压系统各故障的类型和故障程度；
性能评估单元6，用于对各故障诊断结果进行性能评估。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于全卷积网络的液压系统多故障诊断方法，其特征在于，包括以下步骤：
获取液压系统中不同采样率的多传感器数据；
对所述不同采样率的多传感器数据进行预处理，得到预处理后的传感器数据；
搭建基于全卷积网络的多故障诊断模型，所述多故障诊断模型包括：多通道特征提取模块、特征融合模块和故障分类模块；
所述多通道特征提取模块通过不同采样率通道提取对应采样率的多传感器数据的特征；
所述特征融合模块将不同采样率通道提取的特征进行融合；
所述故障分类模块基于全连接层对融合后的特征进行故障类型和程度预测；
将所述预处理后的传感器数据划分为训练集、验证集和测试集，通过所述训练集及损失函数对所述故障诊断模型进行训练，同时用所述验证集进行验证，观察模型拟合效果，训练完成后，获得训练好的多故障诊断模型；
将所述测试集输入所述训练好的多故障诊断模型，输出液压系统各故障的类型和故障程度。
2.如权利要求1所述的基于全卷积网络的液压系统多故障诊断方法，其特征在于，所述多传感器数据中的传感器包括：压力传感器、电机功率传感器、振动传感器、体积流量传感器、温度传感器、虚拟传感器中的至少两种。
3.如权利要求1所述的基于全卷积网络的液压系统多故障诊断方法，其特征在于，所述多通道特征提取模块中，每个通道均包括：依次叠加的三个卷积块；
每个卷积块包括依次连接的卷积层、批归一化层、激活层和池化层；
其中第一个卷积块的池化层之后还包括失活层；
激活层采用ReLU激活函数。
4.如权利要求1所述的基于全卷积网络的液压系统多故障诊断方法，其特征在于，所述特征融合模块将不同采样率通道提取的特征进行融合包括：
所述特征融合模块，首先对不同的采样率通道提取的特征采用扁平化处理的方式进行特征融合，以适应全连接层的处理；
然后，将不同采样率通道提取的特征进一步融合，即沿着一个维度将矩阵数据以列的形式取出，并在另一维度连接以形成一维数据。
5.如权利要求1所述的基于全卷积网络的液压系统多故障诊断方法，其特征在于，在所述多故障诊断模型的训练过程中，通过计算预测值与目标值的交叉熵评估损失，计算公式为：
Figure FDA0003691414120000021
其中，η是传感器数据实际对应的故障标签，η＝0,1,2...,η，c为全连接层输出的向量，c[η]为向量c中对应的第η位元素，j为向量c的维数，c[j]为向量c中对应的第j位元素。
6.如权利要求1所述的基于全卷积网络的液压系统多故障诊断方法，其特征在于，在所述将测试集输入所述训练好的多故障诊断模型，输出液压系统各故障的类型和故障程度的步骤之后，还包括：
对各故障诊断结果进行性能评估：
通过计算评价指标准确度、召回率和F1-Score三个指标来评估诊断性能。
7.一种基于全卷积网络的液压系统多故障诊断装置，其特征在于，包括以下单元：
数据获取单元，用于获取液压系统中不同采样率的多传感器数据；
预处理单元，用于对所述不同采样率的多传感器数据进行预处理，得到预处理后的传感器数据；
网络搭建单元，用于搭建基于全卷积网络的多故障诊断模型，所述多故障诊断模型包括：多通道特征提取模块、特征融合模块和故障分类模块；
所述多通道特征提取模块通过不同采样率通道提取对应采样率的多传感器数据的特征；
所述特征融合模块将不同采样率通道提取的特征进行融合；
所述故障分类模块基于全连接层对融合后的特征进行故障类型和程度预测；
网络训练单元，用于将所述预处理后的传感器数据划分为训练集、验证集和测试集，通过所述训练集及损失函数对所述故障诊断模型进行训练，同时用所述验证集进行验证，观察模型拟合效果，训练完成后，获得训练好的多故障诊断模型；
故障诊断单元，用于将所述测试集输入所述训练好的多故障诊断模型，输出液压系统各故障的类型和故障程度。
8.如权利要求7所述的基于全卷积网络的液压系统多故障诊断装置，其特征在于，还包括：性能评估单元，用于对各故障诊断结果进行性能评估。
CN202210662443.1A 2022-06-13 2022-06-13 基于全卷积网络的液压系统多故障诊断方法及装置 Pending CN115182910A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210662443.1A CN115182910A (zh) 2022-06-13 2022-06-13 基于全卷积网络的液压系统多故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210662443.1A CN115182910A (zh) 2022-06-13 2022-06-13 基于全卷积网络的液压系统多故障诊断方法及装置

Publications (1)

Publication Number Publication Date
CN115182910A true CN115182910A (zh) 2022-10-14

Family

ID=83514332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210662443.1A Pending CN115182910A (zh) 2022-06-13 2022-06-13 基于全卷积网络的液压系统多故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN115182910A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117759608A (zh) * 2024-02-22 2024-03-26 青岛哈尔滨工程大学创新发展中心 一种潜器液压故障监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117759608A (zh) * 2024-02-22 2024-03-26 青岛哈尔滨工程大学创新发展中心 一种潜器液压故障监测方法及系统
CN117759608B (zh) * 2024-02-22 2024-05-17 青岛哈尔滨工程大学创新发展中心 一种潜器液压故障监测方法及系统

Similar Documents

Publication Publication Date Title
CN109446187B (zh) 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN109555566B (zh) 一种基于lstm的汽轮机转子故障诊断方法
CN104712542B (zh) 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法
CN112254964A (zh) 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法
CN113485302B (zh) 基于多元时序数据的车辆运行过程故障诊断方法及系统
CN105574587B (zh) 一种塑料注塑过程的在线工况过程监控方法
CN112926641A (zh) 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN111860775B (zh) 基于cnn和rnn融合的船舶故障实时诊断方法
CN112257530A (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN108994088A (zh) 基于pca降维与dbn网络的hagc缸故障诊断方法及装置
CN112087443B (zh) 工业传感网络信息物理攻击下的传感数据异常检测方法
CN111580151A (zh) 一种基于SSNet模型的地震事件到时识别方法
CN115182910A (zh) 基于全卷积网络的液压系统多故障诊断方法及装置
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN115014789B (zh) 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法
Guo et al. Fault Detection of Reciprocating Compressor Valve Based on One‐Dimensional Convolutional Neural Network
JPH08320726A (ja) 制御システムの診断・解析方法および装置
CN114974306A (zh) 一种基于深度学习的变压器异常声纹检测识别方法和装置
CN114357372A (zh) 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
CN117809164A (zh) 基于多模态融合的变电站设备故障检测方法及系统
Meng et al. Online diagnosis for rolling bearings based on multi-channel convolution and transfer learning
CN116578922A (zh) 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置
CN117037841A (zh) 基于层级过渡网络的声学信号层级空化强度识别方法
US11144046B2 (en) Fault signal recovery apparatus and method
CN115471453A (zh) 一种基于图像处理的电力设备故障诊断方法

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