CN116186946B - 一种基于诊断模型的液压系统故障诊断方法及系统 - Google Patents
一种基于诊断模型的液压系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116186946B CN116186946B CN202310487959.1A CN202310487959A CN116186946B CN 116186946 B CN116186946 B CN 116186946B CN 202310487959 A CN202310487959 A CN 202310487959A CN 116186946 B CN116186946 B CN 116186946B
- Authority
- CN
- China
- Prior art keywords
- data set
- hydraulic system
- fault
- diagnosis
- model
- 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
Links
Classifications
-
- 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
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本发明公开了一种基于诊断模型的液压系统故障诊断方法及系统,该方法包括以下步骤:S1、获取液压系统实际参数,构建可视化交互式的虚拟环境;S2、利用迁移学习算法构建用于液压系统故障诊断的诊断模型;S3、实时采集运行数据,并同步至虚拟环境与诊断模型;S4、利用诊断模型对液压系统的实时状态进行故障诊断;S5、将诊断结果同步至虚拟环境进行故障定位及可视化反馈;S6、依据反馈结果在知识库中检索修复方案,并提供交互操作推荐。本发明通过构建液压系统可视化虚拟环境,实时监测液压系统的运行状态,并利用两轮数据清洗,提高数据质量和算法效率,提高液压系统及故障诊断系统的工作效率和决策水平。
Description
技术领域
本发明涉及液压系统故障诊断技术领域,具体来说,涉及一种基于诊断模型的液压系统故障诊断方法及系统。
背景技术
液压系统是一种利用液体传递能量的控制系统,广泛应用于工业、机械、建筑等领域中。液压系统具有传动效率高、传动距离远、能量密度大、控制方便等优点,因此被广泛应用于各种工程机械、冶金设备、航空航天等领域。
液压系统在煤矿行业中被广泛应用,主要用于煤矿掘进机械设备的动力控制、传动和工作装置的操作控制等方面。在煤矿掘进过程中,由于地下环境恶劣、工作条件苛刻,需要掘进设备具备强大的动力输出、高效的工作能力和稳定可靠的操作控制。液压系统具有输出功率大、工作灵活、可靠性高等优点,能够满足煤矿掘进设备的要求。在煤矿行业中,液压系统被广泛应用于隧道掘进机、煤矿掘进机等设备中,用于实现钻孔、爆破、挖掘、输送等工作过程。液压系统在煤矿掘进中的应用使得掘进效率得到了显著提高,同时也提高了工作环境的安全性。
然而,在液压系统运用过程中,也存在一些故障隐患。例如,液压泵、液压缸等液压元件的磨损、漏油、过热等故障;液压油中的杂质、水分、氧化物等污染问题;液压系统中的压力、温度、流量等参数不稳定,导致液压系统性能下降等。这些故障隐患可能会导致设备的停机、生产效率降低、设备寿命缩短等问题。为了解决这些故障隐患,需要对液压系统进行监测和诊断,及时发现故障并进行维护保养。此外,也需要通过改进液压系统设计、优化操作控制等手段,提高液压系统的可靠性和稳定性。
现有的液压系统故障诊断技术手段包括传统的基于经验的方法和现代的基于数据驱动的方法。其中,基于经验的方法主要是通过分析液压系统的结构和运行特点,以及对常见故障的经验总结,对液压系统故障进行判断和诊断。这种方法虽然在某些情况下能够取得较好的效果,但是其缺点也比较明显,即对专家的经验要求较高,且难以适应液压系统结构和运行特点的变化。
而基于数据驱动的方法则是通过采集液压系统的运行数据,并将其进行处理和分析,从中提取出液压系统的特征,然后采用机器学习等方法对液压系统的健康状况进行判断和诊断。这种方法具有数据驱动、自适应性强等优点,能够更好地适应液压系统结构和运行特点的变化。
目前,液压系统故障诊断技术仍然存在一些不足与待改进之处,如:
1、数据质量问题:液压系统运行过程中数据量大、变化快,但同时也存在着噪声、缺失等问题,这些问题会影响诊断结果的准确性和可靠性。
2、多因素干扰问题:液压系统故障的诊断需要考虑多个因素,如温度、压力、流量等,这些因素之间可能存在相互干扰、相互影响的情况,这会给诊断带来一定的困难。
3、模型精度问题:液压系统故障诊断涉及到多个变量,其复杂性会导致模型的精度不够高,从而影响诊断结果的准确性和可靠性。
4、缺乏标准化:由于液压系统结构和运行特点的多样性,导致液压系统故障诊断缺乏统一的标准和规范,使得不同机构和企业采用的诊断方法不一致,难以进行比较和评价。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于诊断模型的液压系统故障诊断方法及系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于诊断模型的液压系统故障诊断方法,该方法包括以下步骤:
S1、获取液压系统实际参数,构建可视化交互式的虚拟环境;
S2、利用迁移学习算法构建用于液压系统故障诊断的诊断模型;
S3、实时采集运行数据,并同步至虚拟环境与诊断模型;
S4、利用诊断模型对液压系统的实时状态进行故障诊断;
S5、将诊断结果同步至虚拟环境进行故障定位及可视化反馈;
S6、依据反馈结果在知识库中检索修复方案,并提供交互操作推荐。
进一步的,获取液压系统实际参数,构建可视化交互式的虚拟环境包括以下步骤:
S11、获取液压系统中液压元件、液压管路及液压控制器的物理实体参数,建立对应的三维数字模型;
S12、将三维数字模型导入虚拟现实软件中,并建立交互式界面;
S13、利用图形化方式呈现液压系统运行状态,并添加与液压控制器交互操作逻辑用于调节液压系统运行状态。
进一步的,利用迁移学习算法构建用于液压系统故障诊断的诊断模型包括以下步骤:
S21、进行液压系统故障类型分类,并设定各故障类型对应的状态参数;
S22、将待诊断液压系统采集到的所有状态参数作为目标数据集,并获取数据库中现有液压系统的故障案例及状态参数作为源数据集;
S23、对目标数据集与源数据集进行降维预处理以及两轮清洗,筛除源数据集中的冗余数据得到训练数据集;
S24、将训练数据集作为输入信号构建神经网络模型并进行训练;
S25、利用迁移学习算法将神经网络模型迁移至目标数据集,并进行参数重调得到满足液压系统故障诊断的诊断模型。
进一步的,对目标数据集与源数据集进行降维预处理以及两轮清洗,筛除源数据集中的不良数据得到训练数据集包括以下步骤:
S231、将目标数据集与源数据集中具备多维时域数据属性的状态参数转换为二维图像数据;
S232、将转换后的目标数据集与源数据集进行相似度检验,对源数据集进行一轮清洗;
S233、通过去除过拟合的状态参数,对目标数据集与源数据集进行二轮清洗;
S234、将清洗完所有冗余数据的源数据集作为训练数据集。
进一步的,将目标数据集与源数据集中具备多维时域数据属性的状态参数转换为二维图像数据包括以下步骤:
分别选择目标数据集与源数据集中m个时间步m维状态参数的时域信号,利用数据归一化算法将多维时域数据属性的状态参数转换为m×m大小的二维图像,转换公式为:
式中,R(x,y)表示计算后的二维图像像素信息;x、y分别表示二维图像中的像素点坐标;round()表示取整函数;表示像素点的像素值;/>与/>分别表示二维图像像素值的上下界。
进一步的,将转换后的目标数据集与源数据集进行相似度检验,对源数据集进行一轮清洗包括以下步骤:
S2321、选取目标数据集与源数据集中的某个故障类型作为典型故障,设定该典型故障所包含的状态参数数据量分别n a 与n b ,且该状态参数数据量在所有状态参数数据量中的占比分别为p a 与p b ;
S2322、获取典型故障中每个状态参数的数据值,并将该数据值与该状态参数的健康值的比值表示为每个状态参数的比对值;
S2323、将典型故障中所有状态参数的比对值作为元素形成该典型故障的比对值向量,并对比对值向量进行平均化处理求取平均值向量;
S2324、计算目标数据集与源数据集的平均值向量之间的向量相似度,并结合典型故障的占比,利用相似度计算公式计算目标数据集与源数据集之间的综合相似度;
S2325、设定相似度阈值,对源数据集中与目标数据集之间综合相似度低于相似度阈值的状态参数进行清洗;
S2326、依次选取目标数据集与源数据集中的其余故障类型作为新的典型故障,重复S2321至S2325进行清洗。
进一步的,相似度计算公式为:
式中,Q表示综合相似度;Q 0 表示向量相似度;p a 表示典型故障在目标数据集中所有状态参数数据量中的占比;p b 表示典型故障在源数据集中所有状态参数数据量中的占比;T表示故障类型的数量;t表示典型故障的序数。
进一步的,通过去除过拟合的状态参数,对目标数据集与源数据集进行二轮清洗包括以下步骤:
S2331、选取源数据集中的典型故障中某个状态参数作为典型状态参数,并分别计算典型状态参数与其余状态参数之间的距离;
S2332、对典型状态参数与其余状态参数之间的距离进行累加,得到典型状态参数与典型故障中所有状态参数的距离之和;
S2333、依次选取典型故障中的其余状态参数作为新的典型状态参数,重复S2331与S2332,获取每个状态参数与其余状态参数的距离之和;
S2334、对所有距离之和的数值进行降序排列,得到序列向量;
S2335、设定清洗系数W,将序列向量中最后W个元素进行清洗,将其余元素对应的状态参数保留,完成源数据集的二轮清洗。
进一步的,将训练数据集作为输入信号构建神经网络模型并进行训练包括以下步骤:
将经历两轮清洗的二维属性的训练数据集作为神经网络的输入信号进行卷积运算,采用线性整流函数作为神经网络的激活函数,并选择交叉熵代价函数作为训练阶段神经网络的代价函数,最终得到训练完毕的神经网络模型。
根据本发明的另一个方面,还提供了一种基于诊断模型的液压系统故障诊断系统,该系统包括以下组成:虚拟环境单元、模型构建单元、数据采集单元、诊断分析单元、数据同步单元及反馈交互单元;
其中,虚拟环境单元,用于根据液压系统实际参数,构建可视化交互式的虚拟环境;
模型构建单元,用于利用迁移学习算法构建用于液压系统故障诊断的诊断模型;
数据采集单元,用于实时采集运行数据,并同步至虚拟环境与诊断模型;
诊断分析单元,用于对液压系统的实时状态进行故障诊断;
数据同步单元,用于将诊断结果同步至虚拟环境;
反馈交互单元,用于提供液压系统的故障定位及可视化反馈,并依据反馈结果在知识库中检索修复方案,提供交互操作推荐。
本发明的有益效果为:
1、通过构建液压系统的可视化虚拟环境,利用迁移学习构建诊断模型,实现液压系统故障诊断及可视化反馈,能够实时监测液压系统的运行状态,并通过虚拟环境将其可视化呈现,提供更直观、易于理解的展示方式,方便用户进行观察和分析;配合基于迁移学习构建液压系统的诊断模型,可以将已有的液压系统故障诊断经验应用于新的系统中,提高了诊断的准确性和效率,还可在故障出现时及时发现并诊断故障,避免因故障未能及时发现而导致的损失,且通过可视化反馈可更清晰地了解液压系统的故障情况,方便用户进行快速的故障定位和排除,从而提高液压系统及其故障诊断系统的工作效率和决策水平,具有更好的实用性和推广价值。
2、通过对目标数据集与源数据集进行降维预处理,再进行二轮清洗,能够减少数据的维度,降低计算成本和时间,提高算法的效率和速度;两轮清洗可去除不必要的噪声和冗余数据,提高数据质量和准确性,更好地发掘和利用数据集的特征,增强算法的泛化能力和预测精度;其中,在一轮清洗过程中,针对目标数据集与源数据集中存在的不同故障类型进行依次选定与运算,来判断并比较两者同故障类型内状态参数的相似度,从而对源数据集中不满足相似度阈值的状态参数进行清洗,筛选出更加符合本液压系统故障诊断的源数据,有效提高诊断模型准确性。而在二轮清洗过程,由于可能存在源数据集中数据过多的现象,导致不同故障类型的状态参数数据过于相近,导致后续训练中造成过拟合,降低诊断精度,因此需要再次针对相似度满足要求的状态参数进行清洗,剔除过拟合的状态参数数据,来进一步提高诊断模型的预测精度,同时保证诊断模型的泛化能力。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于诊断模型的液压系统故障诊断方法的流程图;
图2是根据本发明实施例的一种基于诊断模型的液压系统故障诊断系统的系统原理框图。
图中:
1、虚拟环境单元;2、模型构建单元;3、数据采集单元;4、诊断分析单元;5、数据同步单元;6、反馈交互单元。
具体实施方式
根据本发明一个实施例,提供了一种基于诊断模型的液压系统故障诊断方法。现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于诊断模型的液压系统故障诊断方法,该方法包括以下步骤:
S1、获取液压系统实际参数,构建可视化交互式的虚拟环境。
在液压系统故障诊断中,构建可视化交互式的虚拟环境具有重要意义。通过虚拟环境,可以对液压系统的各种状态参数进行监测,包括工作压力、流量、温度、液位等,实现了对液压系统的全面了解和分析。同时,虚拟环境还可以模拟和调试液压系统的工作情况,提高液压系统的工作效率。在液压系统故障诊断中,虚拟环境可以实时接收并展示液压系统的各种状态参数数据,实现了对液压系统的全面了解和分析,提高了故障诊断的准确率。
此外,虚拟环境还可以进行可视化交互,即可以对液压系统进行操作和调试,并能够实时展示操作的结果。通过虚拟环境,用户可以快速了解液压系统的工作原理和工作状态,提高操作和维护的效率和准确性。同时,虚拟环境也可以用于液压系统故障诊断的仿真和模拟,对故障诊断结果进行验证和优化。
其中,获取液压系统实际参数,构建可视化交互式的虚拟环境包括以下步骤:
S11、获取液压系统中液压元件、液压管路及液压控制器的物理实体参数,建立对应的三维数字模型,具体步骤如下:
S111、收集液压系统中液压元件、液压管路及液压控制器的物理实体参数,包括尺寸、材质、位置等信息。
S112、根据收集到的物理实体参数,利用三维建模软件(例如SolidWorks、CATIA等)建立对应的三维数字模型。
S113、对液压系统中的各个元件、管路和控制器进行组合,生成整个液压系统的三维数字模型。
S114、根据需要对三维数字模型进行优化和修正,以更好地反映实际液压系统的运行情况。
S12、将三维数字模型导入虚拟现实软件中,并建立交互式界面。
将三维数字模型导入虚拟现实软件中,需要进行一些预处理和转换。首先,需要将数字模型转换为虚拟现实软件支持的格式,如FBX、OBJ、3DS等。其次,根据虚拟现实软件的要求,对模型进行材质、贴图、灯光等方面的调整。最后,将模型导入虚拟现实软件中,并进行交互式界面的设计,如菜单栏、按钮、手柄等。
建立交互式界面时,需要根据用户的需求和应用场景进行设计。例如,可以添加用户手柄,使用户可以通过手柄对模型进行缩放、旋转、移动等操作,从而更加方便地进行观察和分析。另外,还可以添加数据显示窗口,实时显示液压系统的运行参数和诊断结果,方便用户进行实时监测和诊断。
S13、利用图形化方式呈现液压系统运行状态,并添加与液压控制器交互操作逻辑用于调节液压系统运行状态。
利用图形化方式呈现液压系统运行状态可以让用户直观地了解液压系统的实时状态,包括液压元件的压力、流量、温度等参数,以及液压管路的连接状态等信息。同时,通过与液压控制器的交互操作逻辑,用户可以对液压系统进行调节,比如调整液压元件的工作压力、流量,改变液压管路的连接方式等,以模拟不同的工况下液压系统的运行状态。
S2、利用迁移学习算法构建用于液压系统故障诊断的诊断模型,包括以下步骤:
S21、进行液压系统故障类型分类,并设定各故障类型对应的状态参数。
根据不同工况和应用场景下的液压系统,各自的故障类型具备一定的差异,常见的故障类型包括:
1、液压泄漏故障:液压系统内的油液泄漏导致系统失压或无法正常工作,其状态参数包括油液压力、油液流量、油液温度、油液粘度及密封件磨损等。
2、液压压力不足故障:液压系统内的压力不足导致系统无法正常工作,其状态参数包括油液压力不足、油液流量不足及液压泵工作状态等。
3、液压系统过载故障:液压系统过载导致系统无法正常工作,其状态参数包括油液压力过载、油液流量过载、管路直径与液压阀门开度等。
4、液压系统堵塞故障:液压系统内的管路或元件堵塞导致油液无法流动,系统无法正常工作。
5、液压系统噪音异常故障:液压系统内出现异常噪音,其状态参数包括液压阀门状态与液压泵工作状态等。
S22、将待诊断液压系统采集到的所有状态参数作为目标数据集,并获取数据库中现有液压系统的故障案例及状态参数作为源数据集。
S23、对目标数据集与源数据集进行降维预处理以及两轮清洗,筛除源数据集中的冗余数据得到训练数据集,包括以下步骤:
S231、将目标数据集与源数据集中具备多维时域数据属性的状态参数转换为二维图像数据,包括以下步骤:
分别选择目标数据集与源数据集中m个时间步m维状态参数的时域信号,利用数据归一化算法将多维时域数据属性的状态参数转换为m×m大小的二维图像,转换公式为:
式中,R(x,y)表示计算后的二维图像像素信息,x、y分别表示二维图像中的像素点坐标,round()表示取整函数,表示像素点的像素值,/>与/>分别表示二维图像像素值的上下界。
S232、将转换后的目标数据集与源数据集进行相似度检验,对源数据集进行一轮清洗,包括以下步骤:
S2321、选取目标数据集与源数据集中的某个故障类型作为典型故障,设定该典型故障所包含的状态参数数据量分别n a 与n b ,且该状态参数数据量在所有状态参数数据量中的占比分别为p a 与p b 。
S2322、获取典型故障中每个状态参数的数据值,并将该数据值与该状态参数的健康值的比值表示为每个状态参数的比对值。
S2323、将典型故障中所有状态参数的比对值作为元素形成该典型故障的比对值向量,并对比对值向量进行平均化处理求取平均值向量。
S2324、计算目标数据集与源数据集的平均值向量之间的向量相似度,并结合典型故障的占比,利用相似度计算公式计算目标数据集与源数据集之间的综合相似度。
其中,相似度计算公式为:
式中,Q表示综合相似度,Q 0 表示向量相似度,p a 表示典型故障在目标数据集中所有状态参数数据量中的占比,p b 表示典型故障在源数据集中所有状态参数数据量中的占比,T表示故障类型的数量,t表示典型故障的序数。
S2325、设定相似度阈值,对源数据集中与目标数据集之间综合相似度低于相似度阈值的状态参数进行清洗。
S2326、依次选取目标数据集与源数据集中的其余故障类型作为新的典型故障,重复S2321至S2325进行清洗。
S233、通过去除过拟合的状态参数,对目标数据集与源数据集进行二轮清洗,包括以下步骤:
S2331、选取源数据集中的典型故障中某个状态参数作为典型状态参数,并分别计算典型状态参数与其余状态参数之间的距离。
S2332、对典型状态参数与其余状态参数之间的距离进行累加,得到典型状态参数与典型故障中所有状态参数的距离之和。
S2333、依次选取典型故障中的其余状态参数作为新的典型状态参数,重复S2331与S2332,获取每个状态参数与其余状态参数的距离之和。
S2334、对所有距离之和的数值进行降序排列,得到序列向量。
S2335、设定清洗系数W,将序列向量中最后W个元素进行清洗,将其余元素对应的状态参数保留,完成源数据集的二轮清洗。
S234、将清洗完所有冗余数据的源数据集作为训练数据集。
S24、将训练数据集作为输入信号构建神经网络模型并进行训练,包括以下步骤:
将经历两轮清洗的二维属性的训练数据集作为神经网络的输入信号进行卷积运算,采用线性整流函数作为神经网络的激活函数,并选择交叉熵代价函数作为训练阶段神经网络的代价函数,最终得到训练完毕的神经网络模型。
其中,在卷积神经网络中,训练数据集被转换为一组卷积核进行卷积运算,其基本思想是:用一个卷积核(也称为滤波器)对输入数据进行卷积运算,得到卷积结果。卷积核是一个小的矩阵,它会在输入数据上进行滑动,并按照一定的规则(如步长、填充等)对数据进行卷积运算。卷积运算的结果是一个新的矩阵,称为特征图。
在训练阶段,将训练数据集作为神经网络的输入信号进行卷积运算。具体来说,会使用多组不同的卷积核对输入数据进行卷积运算,每组卷积核对应一个特征图。这些特征图可看做是对输入数据不同特征的提取。这些特征图会被输入到下一层神经元中,通过激活函数进行非线性变换,从而得到更高层次的特征表示。
而本发明采用线性整流函数作为神经网络的激活函数,线性整流函数(RectifiedLinear Unit,ReLU)作为神经网络的激活函数是目前在深度学习中最常用的一种方式之一。其具备以下优点:
1、计算速度快:相比于其他激活函数,ReLU函数的计算速度非常快,因为它只需要进行简单的比较和赋值操作。
2、不会产生梯度消失问题:在深度神经网络中,使用一些传统的激活函数,如sigmoid和tanh函数,会产生梯度消失问题,导致反向传播算法无法正常更新网络参数。而ReLU函数的梯度在正区间(x>0)始终为1,因此不会产生梯度消失问题。
3、支持稀疏表示:ReLU函数在x小于0时输出为0,因此可以使得网络中的一部分神经元变得不活跃,从而实现了稀疏表示。这对于减少神经网络的计算复杂度和内存占用具有很大的好处。
4、有效防止过拟合:使用ReLU函数作为激活函数可以有效地防止神经网络的过拟合问题,因为它能够削弱噪声的影响,提高网络的泛化能力。
此外,本发明选择交叉熵代价函数作为训练阶段神经网络的代价函数,交叉熵代价函数(Cross Entropy Cost Function)是神经网络中常用的一种代价函数,用于衡量神经网络输出与实际值之间的差距。利用交叉熵代价函数的导数比较简单,计算速度较快,能够加快神经网络的训练速度。且能够为神经网络提供更丰富的梯度信息,有助于优化算法的收敛。
S25、利用迁移学习算法将神经网络模型迁移至目标数据集,并进行参数重调得到满足液压系统故障诊断的诊断模型。
迁移学习算法可以将源领域的知识和模型迁移到目标领域,从而减少目标领域样本不足的问题,提高模型的泛化能力和诊断精度。将源领域的训练好的神经网络模型迁移到目标领域时,需要对其进行参数重调,以适应目标领域的数据特点和任务需求。
迁移学习算法采用预训练和微调两个阶段。预训练阶段使用源领域的数据集对神经网络模型进行训练,得到一个基础的模型。微调阶段将基础模型迁移到目标领域,并根据目标领域的数据进行参数重调。具体地,微调过程中可以选择冻结神经网络的部分层,只更新最后几层的权重,从而在不破坏源领域的知识的前提下,加快模型的收敛速度和提高诊断精度。
在液压系统故障诊断中,可以采用预训练好的神经网络模型,将其迁移到目标数据集上,然后进行微调,得到满足液压系统故障诊断需求的诊断模型。
S3、实时采集运行数据,并同步至虚拟环境与诊断模型。
实时采集液压系统的运行数据可以通过传感器等设备来实现,液压系统的状态参数会被不断地采集并存储在数据库中。这些数据可以通过与虚拟环境和诊断模型的接口进行同步,实现实时的故障诊断。
在实时采集运行数据时,需要注意数据的准确性和完整性,避免因数据采集问题导致故障诊断出现误判或漏诊。同时,对数据进行处理和清洗也非常重要,可以通过滤波、去噪等方法对数据进行预处理,提高故障诊断的准确性和稳定性。
S4、利用诊断模型对液压系统的实时状态进行故障诊断。
利用已经构建好的诊断模型,可以将实时采集到的液压系统状态数据输入模型进行故障诊断。根据模型的输出结果,可以判断液压系统是否存在故障,以及故障类型和严重程度等信息。
这有助于工程师更快速、更准确地发现故障,从而采取相应的维修措施,降低停机时间和维修成本。
S5、将诊断结果同步至虚拟环境进行故障定位及可视化反馈。
当诊断模型完成对液压系统实时状态的故障诊断后,诊断结果需要同步至虚拟环境中进行故障定位和可视化反馈。
在虚拟环境中,将液压系统的三维数字模型和运行状态图形化地呈现出来,同时在液压系统出现故障时,可以通过闪烁、变色等方式将故障部位进行标记,并在液压系统模型上显示出来,以便于用户快速定位故障部位。同时,还可以将诊断结果通过文字或图形的方式显示在虚拟环境中,以提供更加清晰直观的反馈信息。
S6、依据反馈结果在知识库中检索修复方案,并提供交互操作推荐。
根据液压系统故障诊断结果,在知识库中检索液压系统故障的修复方案是非常重要的一步。一般情况下,液压系统的故障修复需要具备一定的专业知识和经验,因此在知识库中存储了大量液压系统的故障修复方案,能够为工程师快速、准确地找到合适的解决方案提供帮助。
知识库中的液压系统故障修复方案包括两个方面:一是对液压系统的具体故障进行诊断和定位,二是提供相应的故障修复措施。在液压系统故障诊断结果反馈给虚拟环境后,可以自动地从知识库中检索到相应的故障修复方案,并根据诊断结果进行排序,提供给工程师进行选择。
根据本发明的另一个实施例,还提供了一种基于诊断模型的液压系统故障诊断系统,如图2所示,该系统包括以下组成:虚拟环境单元1、模型构建单元2、数据采集单元3、诊断分析单元4、数据同步单元5及反馈交互单元6。
其中,虚拟环境单元1,用于根据液压系统实际参数,构建可视化交互式的虚拟环境。
模型构建单元2,用于利用迁移学习算法构建用于液压系统故障诊断的诊断模型。
数据采集单元3,用于实时采集运行数据,并同步至虚拟环境与诊断模型。
诊断分析单元4,用于对液压系统的实时状态进行故障诊断。
数据同步单元5,用于将诊断结果同步至虚拟环境。
反馈交互单元6,用于提供液压系统的故障定位及可视化反馈,并依据反馈结果在知识库中检索修复方案,提供交互操作推荐。
综上所述,借助于本发明的上述技术方案,通过构建液压系统的可视化虚拟环境,利用迁移学习构建诊断模型,实现液压系统故障诊断及可视化反馈,能够实时监测液压系统的运行状态,并通过虚拟环境将其可视化呈现,提供更直观、易于理解的展示方式,方便用户进行观察和分析;配合基于迁移学习构建液压系统的诊断模型,可以将已有的液压系统故障诊断经验应用于新的系统中,提高了诊断的准确性和效率,还可在故障出现时及时发现并诊断故障,避免因故障未能及时发现而导致的损失,且通过可视化反馈可更清晰地了解液压系统的故障情况,方便用户进行快速的故障定位和排除,从而提高液压系统及其故障诊断系统的工作效率和决策水平,具有更好的实用性和推广价值。通过对目标数据集与源数据集进行降维预处理,再进行二轮清洗,能够减少数据的维度,降低计算成本和时间,提高算法的效率和速度;两轮清洗可去除不必要的噪声和冗余数据,提高数据质量和准确性,更好地发掘和利用数据集的特征,增强算法的泛化能力和预测精度。其中,在一轮清洗过程中,针对目标数据集与源数据集中存在的不同故障类型进行依次选定与运算,来判断并比较两者同故障类型内状态参数的相似度,从而对源数据集中不满足相似度阈值的状态参数进行清洗,筛选出更加符合本液压系统故障诊断的源数据,有效提高诊断模型准确性。而在二轮清洗过程,由于可能存在源数据集中数据过多的现象,导致不同故障类型的状态参数数据过于相近,导致后续训练中造成过拟合,降低诊断精度,因此需要再次针对相似度满足要求的状态参数进行清洗,剔除过拟合的状态参数数据,来进一步提高诊断模型的预测精度,同时保证诊断模型的泛化能力。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于诊断模型的液压系统故障诊断方法,其特征在于,该方法包括以下步骤:
S1、获取液压系统实际参数,构建可视化交互式的虚拟环境;
S2、利用迁移学习算法构建用于液压系统故障诊断的诊断模型;
S3、实时采集运行数据,并同步至所述虚拟环境与所述诊断模型;
S4、利用所述诊断模型对液压系统的实时状态进行故障诊断;
S5、将诊断结果同步至所述虚拟环境进行故障定位及可视化反馈;
S6、依据反馈结果在知识库中检索修复方案,并提供交互操作推荐;
所述利用迁移学习算法构建用于液压系统故障诊断的诊断模型包括以下步骤:
S21、进行液压系统故障类型分类,并设定各故障类型对应的状态参数;
S22、将待诊断液压系统采集到的所有状态参数作为目标数据集,并获取数据库中现有液压系统的故障案例及状态参数作为源数据集;
S23、对所述目标数据集与所述源数据集进行降维预处理以及两轮清洗,筛除所述源数据集中的冗余数据得到训练数据集;
S24、将所述训练数据集作为输入信号构建神经网络模型并进行训练;
S25、利用迁移学习算法将所述神经网络模型迁移至所述目标数据集,并进行参数重调得到满足液压系统故障诊断的诊断模型;
所述对所述目标数据集与所述源数据集进行降维预处理以及两轮清洗,筛除所述源数据集中的不良数据得到训练数据集包括以下步骤:
S231、将所述目标数据集与所述源数据集中具备多维时域数据属性的状态参数转换为二维图像数据;
S232、将转换后的所述目标数据集与所述源数据集进行相似度检验,对所述源数据集进行一轮清洗;
S233、通过去除过拟合的状态参数,对所述目标数据集与所述源数据集进行二轮清洗;
S234、将清洗完所有冗余数据的所述源数据集作为训练数据集;
所述将所述目标数据集与所述源数据集中具备多维时域数据属性的状态参数转换为二维图像数据包括以下步骤:
分别选择所述目标数据集与所述源数据集中m个时间步m维状态参数的时域信号,利用数据归一化算法将多维时域数据属性的状态参数转换为m×m大小的二维图像,转换公式为:
式中,R(x,y)表示计算后的二维图像像素信息;
x、y分别表示二维图像中的像素点坐标;
round()表示取整函数;
表示像素点的像素值;
与/>分别表示二维图像像素值的上下界;
所述将转换后的所述目标数据集与所述源数据集进行相似度检验,对所述源数据集进行一轮清洗包括以下步骤:
S2321、选取所述目标数据集与所述源数据集中的某个故障类型作为典型故障,设定该典型故障所包含的状态参数数据量分别n a与n b,且该状态参数数据量在所有状态参数数据量中的占比分别为p a与p b;
S2322、获取所述典型故障中每个状态参数的数据值,并将该数据值与该状态参数的健康值的比值表示为每个状态参数的比对值;
S2323、将所述典型故障中所有状态参数的比对值作为元素形成该典型故障的比对值向量,并对所述比对值向量进行平均化处理求取平均值向量;
S2324、计算所述目标数据集与所述源数据集的所述平均值向量之间的向量相似度,并结合所述典型故障的占比,利用相似度计算公式计算所述目标数据集与所述源数据集之间的综合相似度;
S2325、设定相似度阈值,对所述源数据集中与所述目标数据集之间综合相似度低于所述相似度阈值的状态参数进行清洗;
S2326、依次选取所述目标数据集与所述源数据集中的其余故障类型作为新的典型故障,重复S2321至S2325进行清洗;
所述相似度计算公式为:
式中,Q表示综合相似度;
Q 0表示向量相似度;
p a表示典型故障在目标数据集中所有状态参数数据量中的占比;
p b表示典型故障在源数据集中所有状态参数数据量中的占比;
T表示故障类型的数量;
t表示典型故障的序数;
所述通过去除过拟合的状态参数,对所述目标数据集与所述源数据集进行二轮清洗包括以下步骤:
S2331、选取所述源数据集中的所述典型故障中某个状态参数作为典型状态参数,并分别计算所述典型状态参数与其余状态参数之间的距离;
S2332、对所述典型状态参数与其余状态参数之间的距离进行累加,得到所述典型状态参数与所述典型故障中所有状态参数的距离之和;
S2333、依次选取所述典型故障中的其余状态参数作为新的典型状态参数,重复S2331与S2332,获取每个状态参数与其余状态参数的距离之和;
S2334、对所有距离之和的数值进行降序排列,得到序列向量;
S2335、设定清洗系数W,将所述序列向量中最后W个元素进行清洗,将其余元素对应的状态参数保留,完成所述源数据集的二轮清洗。
2.根据权利要求1所述的一种基于诊断模型的液压系统故障诊断方法,其特征在于,所述获取液压系统实际参数,构建可视化交互式的虚拟环境包括以下步骤:
S11、获取液压系统中液压元件、液压管路及液压控制器的物理实体参数,建立对应的三维数字模型;
S12、将所述三维数字模型导入虚拟现实软件中,并建立交互式界面;
S13、利用图形化方式呈现液压系统运行状态,并添加与所述液压控制器交互操作逻辑用于调节液压系统运行状态。
3.根据权利要求2所述的一种基于诊断模型的液压系统故障诊断方法,其特征在于,所述将所述训练数据集作为输入信号构建神经网络模型并进行训练包括以下步骤:
将经历两轮清洗的二维属性的所述训练数据集作为神经网络的输入信号进行卷积运算,采用线性整流函数作为神经网络的激活函数,并选择交叉熵代价函数作为训练阶段神经网络的代价函数,最终得到训练完毕的神经网络模型。
4.一种基于诊断模型的液压系统故障诊断系统,用于实现权利要求1-3中任一项所述基于诊断模型的液压系统故障诊断方法,其特征在于,该系统包括以下组成:虚拟环境单元、模型构建单元、数据采集单元、诊断分析单元、数据同步单元及反馈交互单元;
其中,所述虚拟环境单元,用于根据液压系统实际参数,构建可视化交互式的虚拟环境;
所述模型构建单元,用于利用迁移学习算法构建用于液压系统故障诊断的诊断模型;
所述数据采集单元,用于实时采集运行数据,并同步至所述虚拟环境与所述诊断模型;
所述诊断分析单元,用于对液压系统的实时状态进行故障诊断;
所述数据同步单元,用于将诊断结果同步至所述虚拟环境;
所述反馈交互单元,用于提供液压系统的故障定位及可视化反馈,并依据反馈结果在知识库中检索修复方案,提供交互操作推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310487959.1A CN116186946B (zh) | 2023-05-04 | 2023-05-04 | 一种基于诊断模型的液压系统故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310487959.1A CN116186946B (zh) | 2023-05-04 | 2023-05-04 | 一种基于诊断模型的液压系统故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116186946A CN116186946A (zh) | 2023-05-30 |
CN116186946B true CN116186946B (zh) | 2023-08-18 |
Family
ID=86442649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310487959.1A Active CN116186946B (zh) | 2023-05-04 | 2023-05-04 | 一种基于诊断模型的液压系统故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186946B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116955933B (zh) * | 2023-09-21 | 2024-01-09 | 深圳市丰瑞德机电技术有限公司 | 可变流程微通道换热器性能检测方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113805561A (zh) * | 2021-08-16 | 2021-12-17 | 天津大学 | 基于深度迁移学习的航天器智能故障诊断方法 |
CN114089706A (zh) * | 2021-11-17 | 2022-02-25 | 江苏科技大学 | 基于数字孪生的离心机状态监测与故障预测的系统、介质和方法 |
CN114548301A (zh) * | 2022-02-25 | 2022-05-27 | 西安交通大学 | 基于迁移学习的压缩机故障诊断方法及系统 |
CN115809596A (zh) * | 2022-11-28 | 2023-03-17 | 北京无线电计量测试研究所 | 一种数字孪生故障诊断方法和装置 |
-
2023
- 2023-05-04 CN CN202310487959.1A patent/CN116186946B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113805561A (zh) * | 2021-08-16 | 2021-12-17 | 天津大学 | 基于深度迁移学习的航天器智能故障诊断方法 |
CN114089706A (zh) * | 2021-11-17 | 2022-02-25 | 江苏科技大学 | 基于数字孪生的离心机状态监测与故障预测的系统、介质和方法 |
CN114548301A (zh) * | 2022-02-25 | 2022-05-27 | 西安交通大学 | 基于迁移学习的压缩机故障诊断方法及系统 |
CN115809596A (zh) * | 2022-11-28 | 2023-03-17 | 北京无线电计量测试研究所 | 一种数字孪生故障诊断方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116186946A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
CN109814523A (zh) | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
JP4175296B2 (ja) | 建設機械のデータ処理装置及び建設機械のデータ処理方法 | |
CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 | |
US20060142990A1 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN110705812A (zh) | 一种基于模糊神经网络的工业故障分析系统 | |
CN112529036B (zh) | 一种故障预警方法、装置、设备及存储介质 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
CN104234695A (zh) | 一种基于神经网络的油井故障诊断方法 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN110333694B (zh) | 基于模糊Petri网的数控设备故障诊断方法 | |
CN116520806A (zh) | 一种工业系统智能故障诊断系统及其方法 | |
CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
CN111768022A (zh) | 煤机生产设备的设备检测方法及装置 | |
CN116415479A (zh) | 一种基于数字孪生的连续油管疲劳寿命预警方法 | |
Wang et al. | A graph neural network-based data cleaning method to prevent intelligent fault diagnosis from data contamination | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN116034321A (zh) | 解释工业应用中的机器学习输出 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 |
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 | ||
CB02 | Change of applicant information |
Address after: No. 21, Kuangong Road, Pingdingshan City, Henan Province 467002 Applicant after: PINGDINGSHAN TIANAN COAL MINING Co.,Ltd. Applicant after: WUXI HUAHAN ENERGY EQUIPMENT TECHNOLOGY CO.,LTD. Address before: No.20 Jinhui Road, wind power park, Huishan Economic Development Zone, Wuxi City, Jiangsu Province, 214000 Applicant before: WUXI HUAHAN ENERGY EQUIPMENT TECHNOLOGY CO.,LTD. Applicant before: PINGDINGSHAN TIANAN COAL MINING Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |