CN117032172A - 一种基于数模联动的故障诊断方法及系统 - Google Patents
一种基于数模联动的故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117032172A CN117032172A CN202311031807.7A CN202311031807A CN117032172A CN 117032172 A CN117032172 A CN 117032172A CN 202311031807 A CN202311031807 A CN 202311031807A CN 117032172 A CN117032172 A CN 117032172A
- Authority
- CN
- China
- Prior art keywords
- junction
- fault
- redundancy
- representing
- coefficient
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 230000015654 memory Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000013016 damping Methods 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims 4
- 230000003068 static effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000004880 explosion Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数模联动的故障诊断方法及系统,属于故障诊断技术领域,方法包括:构建多余度电静压伺服机构的键合图模型;推导解析冗余关系式;将多余度电静压伺服机构的运行数据带入解析冗余关系式,生成冗余式残差,并基于冗余式残差划分冗余式残差阈值区间;基于解析冗余关系式和多余度电静压伺服机构的系统参数建立多余度电静压伺服机构的故障特征矩阵;结合故障特征矩阵和冗余式残差阈值区间计算各系统参数的贡献度,并隔离出低贡献度系统参数;构建长短时记忆神经网络模型;对长短时记忆神经网络模型进行训练;利用训练后的长短时记忆神经网络模型对故障数据进行分类,确定故障数据的故障原因。提升故障诊断范围和诊断准确性。
Description
技术领域
本发明属于故障诊断技术领域,具体涉及一种基于数模联动的故障诊断方法及系统。
背景技术
多余度电静压伺服机构是一种高级的运动控制系统,用于实现精密的位置和运动控制,特别是在需要高精度、高速度、高可靠性以及较大负载承载能力的工业和航空领域。这种机构通常包括多个电静压致动器、传感器、控制单元和反馈环路,以协同工作来实现复杂的运动控制任务。完成飞行控制中的高精度运动控制和高速度响应。对应的在需要高精度和高可靠性的应用中,机构的故障可能导致运动控制不准确或甚至危及系统安全,及早发现和解决故障对于确保系统的可靠性和安全性至关重要,多余度电静压伺服机构通常包含复杂的电子和机械组件,如果发生故障,修复可能需要耗费较大的成本和时间,通过及早诊断故障,可以更好地计划维护和修复操作,故障可能导致性能下降,如精度降低、速度减慢等,准确的故障诊断可以帮助维持系统的正常运行和预期的性能。
目前对多余度电静压伺服机构的故障诊断往往局限于部分系统参数的诊断,故障诊断参数覆盖率低,对于发生故障不易引起冗余度变化的低贡献度系统参数往往无法定位故障原因。
发明内容
为了解决现有技术存在的对多余度电静压伺服机构的故障诊断往往局限于部分系统参数的诊断,故障诊断参数覆盖率低,对于发生故障不易引起冗余度变化的低贡献度系统参数往往无法定位故障原因的技术问题,本发明提供一种基于数模联动的故障诊断方法及系统。
第一方面
本发明提供了一种基于数模联动的故障诊断方法,包括:
S101:构建多余度电静压伺服机构的键合图模型;
S102:根据键合图模型推导解析冗余关系式;
S103:将多余度电静压伺服机构的运行数据带入解析冗余关系式,生成冗余式残差,并基于冗余式残差划分冗余式残差阈值区间;
S104:基于解析冗余关系式和多余度电静压伺服机构的系统参数建立多余度电静压伺服机构的故障特征矩阵;
S105:结合故障特征矩阵和冗余式残差阈值区间计算各系统参数的贡献度,并基于贡献度隔离出低贡献度系统参数;
S106:构建包括输入门、遗忘门和输出门的长短时记忆神经网络模型;
S107:利用低贡献度系统参数对应的运行数据和对应的故障类型作为样本数据对长短时记忆神经网络模型进行训练;
S108:利用训练后的长短时记忆神经网络模型对故障数据进行分类,确定故障数据的故障原因。
第二方面
本发明提供了一种基于数模联动的故障诊断系统,用于执行第一方面中的基于数模联动的故障诊断方法。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,通过键合图模型将多余度电静压伺服机构内部的能量传递关系进行表征,然后推导出包括伺服机构约束关系的解析冗余关系式对伺服机构进行状态监测,之后计算出表示对冗余度影响大小的贡献度,隔离出通过约束关系无法观测到的低贡献度系统参数,构建包括输入门、遗忘门和输出门的长短时记忆神经网络模型对低贡献度系统参数进行有效的故障定位,有选择地保留和遗忘信息,实现对长期依赖关系的建模从而避免过早或过度地遗忘或更新信息,降低梯度消失和梯度爆炸的风险,通过这种数模结合的方式提升故障诊断的参数覆盖范围、故障诊断效率和诊断准确性。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种基于数模联动的故障诊断方法的流程示意图;
图2是本发明提供的一种键合图模型的结构示意图;
图3是本发明提供的一种长短时记忆神经网络模型的结构示意图。
具体实施方式
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,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中,参考说明书附图1,示出了本发明提供的基于数模联动的故障诊断方法的流程示意图。参考说明书附图2,示出了本发明提供的一种键合图模型的结构示意图。
本发明提供的一种基于数模联动的故障诊断方法,应用于多余度电静压伺服机构,所述多余度电静压伺服机构包括伺服电机、液压系统和负载系统,方法包括:
S101:构建多余度电静压伺服机构的键合图模型。
其中,键合图模型是一种用来表示多余度电静压伺服机构内部组件之间连接关系的抽象图示,在机械和电气系统的控制领域,键合图模型是一种常用的方法,用于表示组件之间的连接、能量流动、信号传递等关系。
在一种可能的实施方式中,键合图模型包括伺服电机键合模型、液压系统键合图模型和负载系统键合图模型,S101具体包括:
S1011:将伺服电机中的三相耦合电路利用同步坐标系转换为两相电路,伺服电机键合模型包括数据采集接口se、a轴电流、q轴电流、q轴电阻、q轴电感、q轴电流和可变模数回转器MGY,将同步坐标系中的d轴电流简化为0,将数据采集接口se接入代表q轴电流的共流结I1,将同步坐标系中的q轴电阻和q轴电感与共流结I1连接,并将共流结I1与可变模数回转器MGY连接,完成伺服电机键合图模型的构建;
S1012:液压系统键合图模型包括数据入口S1、伺服电机与泵之间转轴与轴承的摩擦系数fp、伺服电机与泵之间转轴的转动惯量Jp、代表液压系统中柱塞泵的变换器TF1、代表柱塞泵排量的变换器系数Dp、柱塞泵泄露系数ep、管道沿程损失系数epipe、液压缸泄露系数eh、代表液压缸的变换器TF2、代表液压缸活塞有效面积的变换器系数Spis、共流结I2、共势结O1、共流结I3和共势结O2,结合液压系统中的能量交互关系,摩擦系数fp、转动惯量Jp与共势结I2连接,共势结I2通过变换器TF2和变换器系数Dp与共势结O1连接,柱塞泵泄露系数ep与共势结O1连接,共势结O1通过共流结I3和共势结O2连接,管道沿程损失系数epipe与共流结I3连接,液压缸泄露系数eh与共势结O2连接,共势结O2与变换器TF2以及变换器系数Spis连接;
S1013:负载系统键合图模型包括共流结I4以及均与共流结I4连接的输入接口S2、负载质量m、负载综合摩擦系数Ch和负载弹性系数k;
S1014:将可变模数回转器MGY与数据入口S1连接,将变换器TF2与输入接口S2连接,以将伺服电机键合图模型、液压系统键合图模型和负载系统键合图模型进行连接,得到键合图模型。
具体来说,在故障诊断的背景下,这个键合图模型描述多余度电静压伺服机构中各个组件之间的连接方式、传递信息的路径,以及它们之间的相互影响关系,这样的模型有助于理解机构的结构,为后续的故障分析和诊断提供基础。
S102:根据键合图模型推导解析冗余关系式。
其中,解析冗余关系(Analytical Redundancy Relation,ARR)是一种基于系统物理底层的故障检测和隔离方法,其核心原理是建立系统正常状态下的约束方程,当系统发生故障时,与故障参数相关的方程产生残差,通过分析多个方程的残差,可以显著地缩小故障范围并定位特定故障。通过分析多个方程的残差,解析冗余关系可以帮助确定故障的发生以及发生故障的位置。通过比较实际残差与预先定义的阈值,可以判断哪些方程产生了异常残差,从而缩小故障范围,并最终定位到特定的故障类型或故障位置。通过基于系统的物理底层原理,不依赖于统计模型或大量的历史数据,因此适用于各种系统和应用,通过结合多个方程的信息,解析冗余关系可以提供更精确和可靠的故障诊断结果,有助于快速识别和解决系统中的故障情况。
在一种可能的实施方式中,S102具体为:
S1021:将键合图模型中的共势节和共流节分别用势变量和流变量进行表征,得到各个共势结和共流结对应的解析冗余关系式。
其中,解析冗余关系式包括第一解析冗余关系式至第六解析冗余关系式。
在一种可能的实施方式中,S1021具体包括:
S1031A:所述共流结I1的流变量代表q轴电流iq,所述共流结I1的势变量满足代数和为0,所述共流结I1对应的第一解析冗余关系式为:
其中,Uq表示q轴电压,Lq表示q轴电感,iq表示q轴电流,Rq表示q轴电阻,ωe表示电机电角速度,表示电机磁链;
S1031B:所述共流结I2的流变量代表伺服电机输出的机械角速度ωm,所述共流结I2的势变量满足代数和为0,所述共流结I2对应的第二解析冗余关系式为:
其中,P表示电机极对数,Jp表示柱塞泵转子转动惯量,fp表示电机粘性转动摩擦系数和柱塞泵粘性转动摩擦系数之和,Dp表示柱塞泵排量,Pp表示柱塞泵两端压差;
S1031C:所述共势结O1的势变量代表柱塞泵两个油口的压力差Pp,所述共势结O1的流变量满足代数和为0,所述共势结O1对应的第三解析冗余关系式为:
Dpωm-εpPp-qpipe=0
其中,εp表示柱塞泵泄漏系数,qpipe表示液压流量;
S1031D:所述共流结I3的流变量代表管道流量q,所述共势结I3的势变量满足代数和为0,所述共流结I3对应的第四解析冗余关系式为:
Pp-εpipe-qpipe=0
其中,εpipe表示液压管道泄露系数;
S1031E:所述共势结O2的势变量代表液压缸两个油口的压力差Ph,所述共势结O2的流变量满足代数和为0,所述共势结O2对应的第五解析冗余关系式为:
qpipe-εhPh-VpisSpis=0
其中,εh表示液压缸泄漏系数,Ph表示液压缸两端压差,Vpis表示液压管道容积,Spis表示液压缸活塞有效面积;
S1031F:所述共流结I4的流变量代表所述负载速度v,所述共流结I4的势变量满足代数和为0,所述共流结I4对应的第六解析冗余关系式为:
其中,PΔ表示管道压差,m表示负载质量,a表示活塞杆加速度,Ch表示液压缸粘性摩擦系数,v表示所述负载速度即活塞杆速度,k表示负载弹性系数,x表示活塞杆位移。
S103:将多余度电静压伺服机构的运行数据带入解析冗余关系式,生成冗余式残差,并基于冗余式残差划分冗余式残差阈值区间。
需要说明的是,将多余度电静压伺服机构在实际运行中采集的数据输入到之前推导出的解析冗余关系式中,解析冗余关系式是在正常工作状态下构建的方程,用于描述各个组件之间的约束关系,通过将实际数据代入这些方程,可以得到一系列的残差,即实际数据与预期值之间的差异。这些生成的残差就是所谓的“冗余式残差”。它们是由于系统的实际工作状态与正常工作状态之间的差异导致的,冗余式残差在一定程度上反映了系统中的异常或故障情况,接着基于这些冗余式残差划分出不同的阈值区间,阈值是一个预先定义的数值范围,用于判定残差的大小和程度,通过分析冗余式残差的分布情况,我们可以确定不同的阈值,以便将残差分成不同的区间,每个区间可能代表不同的情况,例如正常运行、轻微故障、严重故障等。将实际运行数据与解析冗余关系式相结合,生成冗余式残差,并根据残差的大小划分出不同的阈值区间,这些区间将为后续的故障诊断提供基础,帮助我们根据残差的程度和分布情况判断系统的健康状态。
在一种可能的实施方式中,S103具体包括:
S1031:通过核密度函数计算运行数据中各个数据点的概率贡献值,其中,核密度函数为高斯函数:
h=1.06σn-1/5
其中,表示概率贡献值,K表示核密度函数,h表示Scott估计带宽,n表示样本数量,σ表示样本数据标准差;
S1032:根据概率贡献值,依据3σ原则确定冗余式残差阈值区间。
S104:基于解析冗余关系式和多余度电静压伺服机构的系统参数建立多余度电静压伺服机构的故障特征矩阵。
在一种可能的实施方式中,系统参数包括多余度电静压伺服机构的q轴电阻、q轴电感、电机磁通链、转动惯量、摩擦系数、柱塞泵排量、柱塞泵泄露系数、管道沿程阻力系数、液压缸泄露系数、活塞面积、负载质量、负载阻尼系数、负载弹性系数,故障特征矩阵A具体为:
其中,故障特征矩阵的第一列和第二列分别表示系统表征参数,第三列至第八列分别表示第一解析冗余关系式至第六解析冗余关系式,第九列和第十列分别表示多余度静电压伺服机构的可检测性和可隔离性,数字0和数字1表示所在行的系统表征参数的故障特征向量,可隔离性的数字为1时表示可隔离。
其中,解析冗余关系式是用于描述正常系统工作状态下的约束方程,而多余度电静压伺服机构的系统参数涵盖了机构的各种物理、电气和控制参数,通过结合这两者建立一个矩阵,将解析冗余关系式中与系统参数相关的部分填入相应的位置,以便帮助我们更好地理解系统的特征和冗余关系,从而在后续的故障诊断中进行分析和判断。
S105:结合故障特征矩阵和冗余式残差阈值区间计算各系统参数的贡献度,并基于贡献度隔离出低贡献度系统参数。
在一种可能的实施方式中,S105具体包括:
S1051:将各系统参数与解析冗余关系式一一对应,生成故障特征向量;
S1052:将各系统参数的变化率和变化方向进行统一;
S1053:通过AMESim仿真软件获取各系统参数在单独发生故障时的系统残差值;
S1054:利用系统残差值计算贡献度:
其中,T表示信号周期,Thu和Thd表示冗余式残差阈值区间的上限值和下限值,βA表示贡献度,δA表示系统参数出现故障时对应的系统残差值;
S1055:设置隔离贡献度阈值,将系统参数按隔离贡献度阈值进行分隔,筛选低贡献度系统参数。
需要说明的是,通过参数贡献度计算筛选出的低贡献度系统参数在自身发生异常变化时无法引起冗余式残差变化,导致这类参数故障无法通过符号键合图方法实现诊断与隔离,将可能故障集中的低贡献度系统参数隔离出来,以便对其进行二次分类,精准定位故障类型。
参照图3,示出了本发明提供的一种长短时记忆神经网络模型的结构示意图。
由图3中可知,输入门的输入为当前时间步的输入特征(xt)和前一个时间步的隐藏状态(ht-1),xt和ht-1与输入门的权重连接,分别乘以对应的权重。通过线性组合后,通过sigmoid函数进行激活,得到一个介于0和1之间的值,表示新信息的重要程度,输入门的输出乘以经过tanh函数处理的候选值,得到将被添加到细胞状态的新信息。遗忘门的输入为当前时间步的输入特征(xt)和前一个时间步的隐藏状态(ht-1),xt和ht-1与遗忘门的权重连接,分别乘以对应的权重,通过线性组合后,通过sigmoid函数进行激活,得到一个介于0和1之间的值,表示每个细胞状态中信息的保留程度,将前一个细胞状态Ct-1与遗忘门的输出相乘,得到将被遗忘的信息。在更新过程中,通过输入门的输出(经过tanh函数处理的候选值)和通过遗忘门的输出(前一个细胞状态Ct-1与遗忘门的输出相乘),两个部分的输入分别与对应的权重连接,将这两部分的输入进行元素级别的相加,得到新的细胞状态Ct。输出门的输入为当前时间步的输入特征(xt)和前一个时间步的隐藏状态(ht-1),xt和ht-1与输出门的权重连接,分别乘以对应的权重,通过线性组合后,通过sigmoid函数进行激活,得到一个介于0和1之间的值,表示细胞状态中信息的输出程度,将经过tanh函数处理的细胞状态Ct与输出门的输出相乘,得到最终的隐藏状态ht。隐藏状态ht用于模型的输出或传递至下一个时间步。通过这种方式解决梯度消失和梯度爆炸问题,更好的进行故障特征的诊断。
S106:构建包括输入门、遗忘门和输出门的长短时记忆神经网络模型。
其中,长短时记忆(LSTM)神经网络模型包括三个重要的门控单元:输入门、遗忘门和输出门,LSTM是一种特殊的循环神经网络(RNN)变体,被设计用来处理序列数据,如时间序列、文本等。输入门负责决定哪些信息需要被更新到细胞状态。它基于当前时间步的输入特征和前一个时间步的隐藏状态来计算一个权重,用于控制新信息的更新。遗忘门负责决定哪些信息需要被遗忘。类似于输入门,遗忘门基于当前时间步的输入特征和前一个时间步的隐藏状态来计算一个权重,用于控制细胞状态中哪些信息需要保留或遗忘。输出门决定从细胞状态中输出的信息。它基于当前时间步的输入特征和前一个时间步的隐藏状态来计算一个权重,用于控制输出的信息。通过这些门控机制,能够在处理序列数据时更好地捕捉长期依赖关系,同时有效地避免梯度消失和梯度爆炸等问题,构建LSTM模型是为了后续的故障诊断任务,通过输入数据和机构状态,使模型能够学习并分析不同的故障模式,从而实现故障的检测和诊断。这种方法可以充分利用神经网络的非线性特性,对复杂的故障模式进行建模和预测,从而提升故障诊断能力。
S107:利用低贡献度系统参数对应的运行数据和对应的故障类型作为样本数据对长短时记忆神经网络模型进行训练。
具体地,训练过程中,低贡献度系统参数对应的运行数据是多余度电静压伺服机构在不同运行状态下,低贡献度系统参数的实际观测值,这些数据会被输入到长短时记忆神经网络模型中,以帮助模型学习系统的状态和特征。对于每个样本数据,我们知道了其对应的故障类型,即机构在某个状态下所发生的特定故障,这个信息会被用作监督信号,帮助模型学习正确的故障模式。通过将这些训练样本输入到长短时记忆神经网络模型中,模型将会通过学习数据之间的模式和关联,来逐渐理解低贡献度系统参数与不同故障类型之间的关系。随着训练的进行,模型会调整其权重和参数,以最大程度地拟合训练数据,从而提高对未知数据的泛化能力。
在一种可能的实施方式中,S107具体包括:
S1071:确定容性元件和惯性元件,其中容性元件和惯性元件包括电感元件、电容元件和负载元件;
S1072:考虑容性元件和惯性元件的相关性,提取在低贡献度参数下的多余度电静压伺服机构的包括时序特征的运行数据;
S1073:利用故障特征矩阵计算运行数据的特征向量;
S1074:将特征向量对应的故障类型不唯一的运行数据划分为训练集和测试集,对长短时记忆神经网络模型进行训练。
在一种可能的实施方式中,在S107之后还包括:
S107A:通过基于混淆矩阵的评价指标对训练后的长短时记忆神经网络模型进行评估,其中,评价指标包括准确率、精确率和召回率。
S108:利用训练后的长短时记忆神经网络模型对故障数据进行分类,确定故障数据的故障原因。
需要说明的是,将实际的故障数据输入到已经训练好的长短时记忆神经网络模型中,这些故障数据是多余度电静压伺服机构在出现故障时采集的数据,包含了系统状态和参数信息。长短时记忆神经网络模型会利用其在训练过程中学到的关系和模式,来预测故障数据的类别或故障原因。通过对故障数据进行分类,长短时记忆神经网络模型可以根据输入的数据模式和特征,推断出故障发生的原因。模型的输出可能会是某种故障类型,或者是一个代表系统状态的特定值,这个输出可以帮助工程师或操作人员识别故障,找出导致故障的具体原因,从而采取相应的维修措施。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,在本发明中,通过键合图模型将多余度电静压伺服机构内部的能量传递关系进行表征,然后推导出包括伺服机构约束关系的解析冗余关系式对伺服机构进行状态监测,之后计算出表示对冗余度影响大小的贡献度,隔离出通过约束关系无法观测到的低贡献度系统参数,构建包括输入门、遗忘门和输出门的长短时记忆神经网络模型对低贡献度系统参数进行有效的故障定位,有选择地保留和遗忘信息,实现对长期依赖关系的建模从而避免过早或过度地遗忘或更新信息,降低梯度消失和梯度爆炸的风险,通过这种数模结合的方式提升故障诊断的参数覆盖范围、故障诊断效率和诊断准确性。
实施例2
在一个实施例中,本发明提供的一种基于数模联动的故障诊断系统,用于执行实施例1中的基于数模联动的故障诊断方法。
本发明提供的一种基于数模联动的故障诊断系统可以实现上述实施例1中的基于数模联动的故障诊断方法的步骤和效果,为避免重复,本发明不再赘述。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,通过键合图模型将多余度电静压伺服机构内部的能量传递关系进行表征,然后推导出包括伺服机构约束关系的解析冗余关系式对伺服机构进行状态监测,之后计算出表示对冗余度影响大小的贡献度,隔离出通过约束关系无法观测到的低贡献度系统参数,构建包括输入门、遗忘门和输出门的长短时记忆神经网络模型对低贡献度系统参数进行有效的故障定位,有选择地保留和遗忘信息,实现对长期依赖关系的建模从而避免过早或过度地遗忘或更新信息,降低梯度消失和梯度爆炸的风险,通过这种数模结合的方式提升故障诊断的参数覆盖范围、故障诊断效率和诊断准确性。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于数模联动的故障诊断方法,其特征在于,应用于多余度电静压伺服机构,所述多余度电静压伺服机构包括伺服电机、液压系统和负载系统,方法包括:
S101:构建所述多余度电静压伺服机构的键合图模型;
S102:根据所述键合图模型推导解析冗余关系式;
S103:将所述多余度电静压伺服机构的运行数据带入所述解析冗余关系式,生成冗余式残差,并基于所述冗余式残差划分冗余式残差阈值区间;
S104:基于所述解析冗余关系式和所述多余度电静压伺服机构的系统参数建立所述多余度电静压伺服机构的故障特征矩阵;
S105:结合所述故障特征矩阵和所述冗余式残差阈值区间计算各所述系统参数的贡献度,并基于所述贡献度隔离出低贡献度系统参数;
S106:构建包括输入门、遗忘门和输出门的长短时记忆神经网络模型;
S107:利用所述低贡献度系统参数对应的运行数据和对应的故障类型作为样本数据对所述长短时记忆神经网络模型进行训练;
S108:利用训练后的长短时记忆神经网络模型对故障数据进行分类,确定所述故障数据的故障原因。
2.根据权利要求1所述的基于数模联动的故障诊断方法,其特征在于,所述键合图模型包括伺服电机键合模型、液压系统键合图模型和负载系统键合图模型,所述S101具体包括:
S1011:将伺服电机中的三相耦合电路利用同步坐标系转换为两相电路,所述伺服电机键合模型包括数据采集接口se、a轴电流、q轴电流、q轴电阻、q轴电感、q轴电流和可变模数回转器MGY,将所述同步坐标系中的d轴电流简化为0,将所述数据采集接口se接入代表所述q轴电流的共流结I1,将所述同步坐标系中的q轴电阻和q轴电感与所述共流结I1连接,并将所述共流结I1与所述可变模数回转器MGY连接,完成所述伺服电机键合图模型的构建;
S1012:所述液压系统键合图模型包括数据入口S1、伺服电机与泵之间转轴与轴承的摩擦系数fp、伺服电机与泵之间转轴的转动惯量Jp、代表液压系统中柱塞泵的变换器TF1、代表柱塞泵排量的变换器系数Dp、柱塞泵泄露系数ep、管道沿程损失系数epipe、液压缸泄露系数eh、代表液压缸的变换器TF2、代表液压缸活塞有效面积的变换器系数Spis、共流结I2、共势结O1、共流结I3和共势结O2,结合液压系统中的能量交互关系,所述摩擦系数fp、所述转动惯量Jp与所述共势结I2连接,所述共势结I2通过所述变换器TF2和所述变换器系数Dp与所述共势结O1连接,所述柱塞泵泄露系数ep与所述共势结O1连接,所述共势结O1通过所述共流结I3和所述共势结O2连接,所述管道沿程损失系数epipe与所述共流结I3连接,所述液压缸泄露系数eh与所述共势结O2连接,所述共势结O2与所述变换器TF2以及所述变换器系数Spis连接;
S1013:所述负载系统键合图模型包括共流结I4以及均与所述共流结I4连接的输入接口S2、负载质量m、负载综合摩擦系数Ch和负载弹性系数k;
S1014:将所述可变模数回转器MGY与所述数据入口S1连接,将所述变换器TF2与所述输入接口S2连接,以将所述伺服电机键合图模型、所述液压系统键合图模型和所述负载系统键合图模型进行连接,得到所述键合图模型。
3.根据权利要求1所述的基于数模联动的故障诊断方法,其特征在于,所述S102具体为:
S1021:将所述键合图模型中的共势节和共流节分别用势变量和流变量进行表征,得到各个所述共势结和所述共流结对应的解析冗余关系式,其中,所述解析冗余关系式包括第一解析冗余关系式至第六解析冗余关系式。
4.根据权利要求3所述的基于数模联动的故障诊断方法,其特征在于,所述S1021具体包括:
S1021A:所述共流结I1的流变量代表q轴电流iq,所述共流结I1的势变量满足代数和为0,所述共流结I1对应的第一解析冗余关系式为:
其中,Uq表示q轴电压,Lq表示q轴电感,iq表示q轴电流,Rq表示q轴电阻,ωe表示电机电角速度,表示电机磁链;
S1021B:所述共流结I2的流变量代表伺服电机输出的机械角速度ωm,所述共流结I2的势变量满足代数和为0,所述共流结I2对应的第二解析冗余关系式为:
其中,P表示电机极对数,Jp表示柱塞泵转子转动惯量,fp表示电机粘性转动摩擦系数和柱塞泵粘性转动摩擦系数之和,Dp表示柱塞泵排量,Pp表示柱塞泵两端压差;
S1021C:所述共势结O1的势变量代表柱塞泵两个油口的压力差Pp,所述共势结O1的流变量满足代数和为0,所述共势结O1对应的第三解析冗余关系式为:
Dpωm-εpPp-qpipe=0
其中,εp表示柱塞泵泄漏系数,qpipe表示液压流量;
S1021D:所述共流结I3的流变量代表管道流量q,所述共势结I3的势变量满足代数和为0,所述共流结I3对应的第四解析冗余关系式为:
Pp-εpipe-qpipe=0
其中,εpipe表示液压管道泄露系数;
S1021E:所述共势结O2的势变量代表液压缸两个油口的压力差Ph,所述共势结O2的流变量满足代数和为0,所述共势结O2对应的第五解析冗余关系式为:
qpipe-εhPh-VpisSpis=0
其中,εh表示液压缸泄漏系数,Ph表示液压缸两端压差,Vpis表示液压管道容积,Spis表示液压缸活塞有效面积;
S1021F:所述共流结I4的流变量代表所述负载速度v,所述共流结I4的势变量满足代数和为0,所述共流结I4对应的第六解析冗余关系式为:
其中,PΔ表示管道压差,m表示负载质量,a表示活塞杆加速度,Ch表示液压缸粘性摩擦系数,v表示所述负载速度即活塞杆速度,k表示负载弹性系数,x表示活塞杆位移。
5.根据权利要求1所述的基于数模联动的故障诊断方法,其特征在于,所述S103具体包括:
S1031:通过核密度函数计算所述运行数据中各个数据点的概率贡献值,其中,所述核密度函数为高斯函数:
h=1.06σn-1/5
其中,表示所述概率贡献值,K表示所述核密度函数,h表示Scott估计带宽,n表示样本数量,σ表示样本数据标准差;
S1032:根据所述概率贡献值,依据3σ原则确定所述冗余式残差阈值区间。
6.根据权利要求1所述的基于数模联动的故障诊断方法,其特征在于,所述系统参数包括所述多余度电静压伺服机构的q轴电阻、q轴电感、电机磁通链、转动惯量、摩擦系数、柱塞泵排量、柱塞泵泄露系数、管道沿程阻力系数、液压缸泄露系数、活塞面积、负载质量、负载阻尼系数、负载弹性系数,所述故障特征矩阵A具体为:
其中,所述故障特征矩阵的第一列和第二列分别表示所述系统表征参数,第三列至第八列分别表示所述第一解析冗余关系式至所述第六解析冗余关系式,第九列和第十列分别表示所述多余度静电压伺服机构的可检测性和可隔离性,数字0和数字1表示所在行的所述系统表征参数的故障特征向量,所述可隔离性的数字为1时表示所述可隔离。
7.根据权利要求1所述的基于数模联动的故障诊断方法,其特征在于,所述S105具体包括:
S1051:将各所述系统参数与所述解析冗余关系式一一对应,生成故障特征向量;
S1052:将各所述系统参数的变化率和变化方向进行统一;
S1053:通过AMESim仿真软件获取各所述系统参数在单独发生故障时的系统残差值;
S1054:利用所述系统残差值计算所述贡献度:
其中,T表示信号周期,Thu和Thd表示所述冗余式残差阈值区间的上限值和下限值,βA表示所述贡献度,δA表示所述系统参数出现故障时对应的所述系统残差值;
S1055:设置隔离贡献度阈值,将所述系统参数按所述隔离贡献度阈值进行分隔,筛选所述低贡献度系统参数。
8.根据权利要求1所述的基于数模联动的故障诊断方法,其特征在于,所述S107具体包括:
S1071:确定容性元件和惯性元件,其中所述容性元件和惯性元件包括电感元件、电容元件和负载元件;
S1072:考虑所述容性元件和所述惯性元件的相关性,提取在所述低贡献度参数下的所述多余度电静压伺服机构的包括时序特征的运行数据;
S1073:利用所述故障特征矩阵计算所述运行数据的特征向量;
S1074:将所述特征向量对应的故障类型不唯一的运行数据划分为训练集和测试集,对所述长短时记忆神经网络模型进行训练。
9.根据权利要求1所述的基于数模联动的故障诊断方法,其特征在于,在所述S107之后还包括:
S107A:通过基于混淆矩阵的评价指标对训练后的长短时记忆神经网络模型进行评估,其中,所述评价指标包括准确率、精确率和召回率。
10.一种基于数模联动的故障诊断系统,其特征在于,用于执行权利要求1至9所述的基于数模联动的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311031807.7A CN117032172A (zh) | 2023-08-16 | 2023-08-16 | 一种基于数模联动的故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311031807.7A CN117032172A (zh) | 2023-08-16 | 2023-08-16 | 一种基于数模联动的故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117032172A true CN117032172A (zh) | 2023-11-10 |
Family
ID=88644569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311031807.7A Pending CN117032172A (zh) | 2023-08-16 | 2023-08-16 | 一种基于数模联动的故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117032172A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117614334A (zh) * | 2024-01-17 | 2024-02-27 | 中智电气南京有限公司 | 一种基于智能模型的伺服电机转动惯量控制系统及方法 |
-
2023
- 2023-08-16 CN CN202311031807.7A patent/CN117032172A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117614334A (zh) * | 2024-01-17 | 2024-02-27 | 中智电气南京有限公司 | 一种基于智能模型的伺服电机转动惯量控制系统及方法 |
CN117614334B (zh) * | 2024-01-17 | 2024-03-26 | 中智电气南京有限公司 | 一种基于智能模型的伺服电机转动惯量控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kordestani et al. | A new fault diagnosis of multifunctional spoiler system using integrated artificial neural network and discrete wavelet transform methods | |
Isermann et al. | Process fault diagnosis based on process model knowledge: Part I—Principles for fault diagnosis with parameter estimation | |
Sankararaman et al. | Bayesian methodology for diagnosis uncertainty quantification and health monitoring | |
Alexandridis | Evolving RBF neural networks for adaptive soft-sensor design | |
CN108398637B (zh) | 一种非线性机电系统的故障诊断方法 | |
CN108227676A (zh) | 阀控缸电液伺服系统在线故障检测、估计及定位方法 | |
Sankararaman et al. | Uncertainty quantification in structural damage diagnosis | |
CN103983453A (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
CN117032172A (zh) | 一种基于数模联动的故障诊断方法及系统 | |
CN107330149A (zh) | 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法 | |
CN108427400B (zh) | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 | |
EP3923309A1 (en) | Provision of currently unmeasurable state information about a switchgear device system | |
Bittencourt et al. | Modeling and identification of wear in a robot joint under temperature uncertainties | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN111238534B (zh) | 基于证据推理的激光惯组最优测试时机确定方法 | |
CN108459933B (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
Tsai et al. | A study of function-based diagnosis strategy and testability analysis for a system | |
Moustafa et al. | Structural and sensor damage identification using the bond graph approach | |
CN102749199A (zh) | 基于esn的涡轮发动机的剩余寿命预测方法 | |
Abid et al. | Adaptive data-driven approach for the remaining useful life estimation when few historical degradation sequences are available | |
CN110705187B (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 | |
CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
CN117093394A (zh) | 一种多余度电静压伺服机构故障诊断优化方法及系统 | |
Yu et al. | Fault detection and isolation in a nonlinear electromechanical system | |
CN117032173A (zh) | 一种多余度电静压伺服机构故障诊断方法及系统 |
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 |