CN117891238A - 一种阻拦着舰装备中定长冲跑阀故障诊断方法 - Google Patents
一种阻拦着舰装备中定长冲跑阀故障诊断方法 Download PDFInfo
- Publication number
- CN117891238A CN117891238A CN202410283578.6A CN202410283578A CN117891238A CN 117891238 A CN117891238 A CN 117891238A CN 202410283578 A CN202410283578 A CN 202410283578A CN 117891238 A CN117891238 A CN 117891238A
- Authority
- CN
- China
- Prior art keywords
- fixed
- valve
- blocking
- sdae
- algorithm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000000903 blocking effect Effects 0.000 title claims abstract description 61
- 238000011010 flushing procedure Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 230000009194 climbing Effects 0.000 claims description 16
- 230000000739 chaotic effect Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 244000300477 Gardenia carinata Species 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 4
- BSJGASKRWFKGMV-UHFFFAOYSA-L ammonia dichloroplatinum(2+) Chemical compound N.N.Cl[Pt+2]Cl BSJGASKRWFKGMV-UHFFFAOYSA-L 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000004080 punching Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 10
- GOAOHVJAXBHBBP-UHFFFAOYSA-N 2-methylsulfanyl-4h-1,3,2$l^{5}-benzodioxaphosphinine 2-oxide Chemical compound C1=CC=C2OP(SC)(=O)OCC2=C1 GOAOHVJAXBHBBP-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 241001503987 Clematis vitalba Species 0.000 description 5
- BZLVMXJERCGZMT-UHFFFAOYSA-N Methyl tert-butyl ether Chemical compound COC(C)(C)C BZLVMXJERCGZMT-UHFFFAOYSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100001677 Emericella variicolor andL gene Proteins 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种阻拦着舰装备中定长冲跑阀故障诊断方法,涉及定长冲跑控制阀的故障诊断技术领域。一种阻拦着舰装备中定长冲跑阀故障诊断方法包括以下步骤:S1:构建SDAE深度网络模型;S2:利用IMTBO算法对SDAE深度网络模型进行参数优化;S3:获取阻拦着舰装备中定长冲跑阀的历史运行数据作为训练样本对步骤S2中参数优化后的模型进行训练;S4:将训练后的SDAE网络模型对阻拦着舰装备中定长冲跑阀进行运行状态诊断。本发明构建了一种SDAE深度网络模型;利用IMTBO算法对SDAE网络模型进行参数优化,提高了SDAE网络模型的性能和泛化能力;本发明构建的SDAE网络模型对定长冲跑阀的日常运行数据的故障诊断具有较高的准确性,解决了定长冲跑控制阀故障诊断的技术问题。
Description
技术领域
本发明涉及定长冲跑控制阀的故障诊断技术领域,具体涉及一种阻拦着舰装备中定长冲跑阀故障诊断方法。
背景技术
阻拦着舰系统是保障舰载机安全快速着舰的关键装备,在航母后甲板降落区域平行安放有四根阻拦索,每根阻拦索通过滑轮与甲板下方的阻拦着舰装置相连。
舰载机阻拦着舰过程:当舰载机着舰时,飞机尾钩钩住阻拦索,飞机前冲力通过阻拦索传递到滑轮组索上,滑轮组索再将该作用力传递到滑轮缓冲器、动滑轮组、定滑轮组、钢索末端缓冲器上。阻拦索的初始冲击力迫使滑轮缓冲器动作,减少阻拦索的峰值应力,随着滑轮组索被飞机尾钩不断拉出,阻拦索牵动动滑轮组向定滑轮组方向移动从而带动主液压缸柱塞运动,主液压缸中的工作液经定长冲跑阀节流降压后流向蓄能器,主液压缸内产生液压力,为飞机提供阻拦力,同时,蓄能器内的压力随之升高,为阻拦索装置的复位提供压力能。当飞机的前冲运动停止时,阻拦索和滑轮组索中的应变能会使飞机稍微往回滑动,阻拦索自动从尾钩上脱落。打开复位阀,蓄能器内的压力液体通过油液冷却器和过滤器进入主液压缸,将柱塞连同动滑轮组、定长冲跑阀驱动系统推至初始待命位置,使阻拦装置恢复到待阻拦状态,关闭复位阀,准备下一次阻拦作业。每艘航母部署有四套阻拦着舰装置。
定长冲跑阀阀体由阀套、阀芯、阀座和一些安装组件组成。定长冲跑阀工作时,一方面从主液压缸的来油通过阀座流向阀口,在阀口处经节流降压后,由阀体流向蓄能器;另一方面,调整螺钉在外部作用力的带动下推动阀套,从而带动阀芯向下运动,逐渐关闭阀口。阀体组件的实质就是一个由外力所控制的节流阀,主要作用是在阀口上下两端产生压力差,为飞机提供阻拦力。因此,定长冲跑控制阀是阻拦着舰装备中的关键设备,对定长冲跑控制阀运行过程中进行精准的故障诊断,是目前本领域的技术人员急需解决的技术问题。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
针对上述技术问题,本发明实施例提供了一种阻拦着舰装备中定长冲跑阀故障诊断方法,以解决上述背景技术中提出的问题。
本发明提供了以下技术方案:
一种阻拦着舰装备中定长冲跑阀故障诊断方法,包括以下步骤:
S1:构建SDAE深度网络模型;
S2:利用IMTBO算法对SDAE深度网络模型进行参数优化;
S3:获取阻拦着舰装备中定长冲跑阀的历史运行数据作为训练样本对步骤S2中参数优化后的模型进行训练;
S4:将训练后的SDAE网络模型对阻拦着舰装备中定长冲跑阀进行运行状态诊断。
优选的,SDAE深度网络模型包括:三个堆叠的降噪自编码器,以及位于输出层的Softmax分类器。
优选的,IMTBO算法对SDAE深度网络模型进行优化的参数包括:隐藏层节点数、学习率、迭代次数。
优选的,IMTBO算法对SDAE深度网络模型进行参数优化的步骤包括:
S21:对SDAE深度网络模型进行初始化并设置预训练参数;
S22:对IMTBO算法的参数进行初始化设置;其中,种群规模的大小设置为20,种群更新次数设置为30,并初始化种群中每个个体的位置;
S23:设置所需要优化参数的边界;其中,隐藏层节点数为10-50,学习率为0.01-2.0,迭代次数为500-1500;
S24:根据位置更新公式对种群中每个个体的位置进行更新,并计算每个个体的适应度值,与历史最优位置的适应度值进行比较后取适应度值较小的位置作为该个体的最优位置;
S25:不断地迭代寻优并进行参数更新,当达到终止条件时结束,输出寻优参数隐藏层节点数、学习率、迭代次数的结果;
S26:利用IMTBO算法优化后的隐藏层节点数、学习率、迭代次数的三个参数构建SDAE网络模型。
优选的,对SDAE深度网络模型进行初始化并设置预训练参数的步骤包括:初始学习率设为0.01,迭代次数为500,学习率的动量为0.5,噪声覆盖率为0.2。
优选的,训练样本获取方法包括:在舰载机阻拦着舰过程中,利用压力传感器对定长冲跑阀的进口、出口的油液压力进行采集;以定长冲跑阀的进口处油液压力与出口处油液压力之差为检测指标,计算每一架次阻拦过程中/>的平均值、最大值、极差、方差、标准差、峭度、偏度、均方根共计8个特征量;每一次阻拦过程作为一个样本,每个样本包括上述8个特征。
优选的,训练样本在进行模型训练之前需要进行预处理,预处理方法包括:
将定长冲跑阀拆解后,根据阀芯剩余开口距离为标准,将采集的样本与阀芯的状态进行映射关系的分类标注,具体包括:
将一次阻拦完成时,阀芯完全关闭时采集到的样本所对应的阀芯状态标注为阀芯正常;
将一次阻拦完成时,阀芯剩余开口距离为初始距离的5%以内的样本所对应的阀芯状态标注为阀芯轻度异常;阀芯剩余开口距离为初始距离的5%以内的样本包括5%的样本;
将一次阻拦完成时,阀芯剩余开口距离为初始距离的5%以上的样本所对应的阀芯状态标注为阀芯重度异常;
其中,每个样本中的平均值、最大值、极差、方差、标准差、峭度、偏度、均方根共计8个特征量作为模型输入数据,将阀芯的状态作为模型输出数据。
优选的,在IMTBO算法中使用改进后的Sine混沌映射进行种群个体位置的初始化,
得到初始的种群个体位置;改进后的Sine混沌映射作为新的初始化方法包括:;其中,和是第n步的坐标值,和的初始值
均设为0.5;和是控制参数;是混沌函数取值范围的控制参数,是混沌函数分布
形状的控制参数,取λ=1,μ=5。
优选的,在IMTBO算法中对个体位置更新策略进行改进用以对种群个体位置进行更新寻优;具体包括:
第一阶段:;
第二阶段:;
;
;
第三阶段:;
其中,是更新后的位置;/>为第/>个登山队队员位置;/>是由正前方的单个队员指示的位置;rand为介于0和1之间的随机数;/>为登山队中的领队;/>为修改后的搜索因子;/>为[0,2π]的随机数;/>为[0,2]的随机数;/>为[0,1]上的随机数;和/>是常数,可以根据具体需要进行设置;/>为算法的最坏位置;/>为自适应权重因子;t为当前迭代次数;T为最大迭代次数;e为自然常数。
优选的,在IMTBO算法中如果出现成员死亡则采用融合高斯变异和反向学习的策略对成员进行更新,并引入动态判定系数,在算法迭代前期更倾向于基于反向最优解的大范围搜索,在算法迭代后期则更倾向于引入微小的随机扰动以防止陷入局部最优;具体包括:;/>;
其中,是更新后的位置;/>和/>是优化问题的上、下限;参数k=1;/>为登山队中的领队,在优化中,在算法优化中相当于算法在当前迭代中的最优解;为满足高斯分布的随机变量;/>表示相乘;/>为动态判定系数;e为自然常数;t为当前迭代次数;T为最大迭代次数。
本发明实施例提供的一种阻拦着舰装备中定长冲跑阀故障诊断方法,具有以下有益效果:本发明通过堆叠三个降噪自编码器构建了一个具有3层隐含层结构的SDAE深度网络模型;利用IMTBO算法对SDAE网络模型进行参数优化,提高了SDAE网络模型的性能和泛化能力;同时,本发明构建的SDAE网络模型对定长冲跑阀的日常运行数据的故障诊断具有较高的准确性,解决了定长冲跑控制阀故障诊断的技术问题。
附图说明
图1为本发明中IMTBO算法优化流程的整体结构示意图;
图2为自动编码器网络的结构示意图;
图3为DAE网络训练示意图;
图4为堆叠去噪自编码器网络训练示意图;
图5为本发明中SDAE深度网络模型的整体结构示意图;
图6为本发明的技术方案示意图;
图7为测试集诊断结果的混淆矩阵图。
具体实施方式
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,本领域技术人员在没有做出创造性劳动前提下,所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图1-7,以及具体实施方式对本发明作进一步的说明。
一、本发明的设计思路:
本发明提出了一种阻拦着舰装备中定长冲跑阀故障诊断方法。首先,在舰载机阻拦着舰过程中,利用压力传感器对定长冲跑阀的进口、出口的油液压力进行采集;采集定长冲跑阀进口油液压力的压力传感器安装在距离进口管路法兰10厘米处阀体一侧,出口油液压力传感器安装在距离出口管路法兰10厘米处阀体一侧,传感器数据采集系统的采样频率不低于100Hz;
其次,以定长冲跑阀的进口处油液压力与出口处油液压力之差为检测指标,计算每一架次阻拦过程中/>的平均值、最大值、极差、方差、标准差、峭度、偏度、均方根等8个特征量;将每个样本中/>的平均值、最大值、极差、方差、标准差、峭度、偏度、均方根共计8个特征量作为模型输入数据,将阀芯的状态作为模型输出数据,实现定长冲跑控制阀的故障程度诊断。
二、本发明的具体方法
(一)本发明利用改进的登山队优化(Improved Mountaineering Team-BasedOptimization, IMTBO)的堆叠降噪自编码器(Stacked Denoising Auto-Encoder, SDAE)作为分类器,实现定长冲跑阀阀芯关闭状态的识别。
随着科学技术的发展,优化在众多学科中的意义和作用越来越明显。因此,为了面对不同科学和工程领域具有挑战性的优化问题,科学家必须解决具有不同目标函数的广泛复杂问题,包括线性或非线性、单目标或多目标函数。常见的优化算法可分为局部优化和全局优化。进化方法通常用于全局优化,人类协调行为的智力和环境进化比物理和基因进化要快得多。因此,通过在现有算法中添加文化进化的可能性(通过捕捉人口成员之间交换信息的可能性),可以有效提高收敛速度。
本发明采用了一种进化计算领域的新型优化算法,登山队优化算法(Mountaineering Team-Based Optimization,MTBO)由Iman Faridmehr等人提出,该算法受登山队攀登山顶时的协同合作行为及遇到自然灾害现象时的应对方法启发。MTBO算法具有简单的优化过程以及优越的鲁棒性,与现代其他算法相比,MTBO能够快速且适当地收敛到可接受的全局最优解,是一种能够有效解决现实工程问题的新型优化算法。
MTBO算法基于人类的智能和环境进化以及具有协作的人类行为。登山队由多名登山队员组成,他们有一位经验丰富的专业领队,其目标是征服该地区的山顶,山顶被认为是优化问题的最终全局解决方案。算法中每个群体成员被称为登山队员。该算法的核心是登山者有规律、协调的运动和对自然现象的考虑。当发生雪崩等自然灾害时会阻碍登山者的前进,甚至导致登山队员的死亡。因此需要登山队员和领队对不同的运动阶段根据规律进行协调,科学合理的攀登至目标山顶,达到局部最优解或全局最优解。MTBO算法的主要灵感是团队在考虑自然灾害的情况下,协调有序地征服山顶,MTBO算法具体步骤如下所示:
初始化:
登山队由多名登山队员组成,并有一位经验丰富的专业队长担任领队,其目标是征服该地区山顶,即待优化问题的最优解。MTBO的初始化方法如下:;
式中,为第/>个登山队队员位置;/>、/>为优化问题的第j维上限及下限范围;rand为介于0和1之间的随机数;N为登山队队员的种群规模;D为优化问题的维度。
对MTBO算法初始化的方法进行改进,传统的Sine映射属于典型的一维混沌映射,其公式如下:;
传统的Sine映射结构简单,效率高,但是存在概率密度分布不均的缺点;因此,将Sine映射进行二维化改进,以提供更好的随机性表现,使用改进后的Sine混沌映射作为新的初始化方法:;
其中,和是第n步的坐标值,和的初始值均设为0.5;和是控
制参数;是混沌函数取值范围的控制参数,是混沌函数分布形状的控制参数,取λ=1,μ
=5。通过迭代这些公式产生一系列的二维数据点,呈现比一维混沌映射更均匀的随机分布
特性。
第一阶段:协作登山
在登山队中,团队的领队走在队伍的最前面。在优化中,这相当于算法在当前迭代中的最优解。登山团队或算法群体中会由最好的队员来承担这个角色,这名队员会带领整个团队走向山顶,达到全局的最优解。因此,队员向领队移动的方式如下:;
需要注意的是,在登山队中的运动是在领队的监督下组织的,通常队员们都是从最好的到最坏的排列,每名队员除了由领队引导指挥外,还受其前面的队员引领和指挥。在MTBO算法中与之等价的体现是,每次迭代后,种群从最好到最坏排序,每个个体都通过领队和其面前的个体进行引导。因此,向山顶的规则运动方程被修改为以下形式:
;
其中是更新后的位置,X ii 是由正前方的单个队员指示的位置。另一方面,在优化中,每个动作都是随机发生的,并且假设该阶段的概率等于L i ,因此该阶段的伪码如下:/>。
第二阶段:自然灾害的影响
雪崩等自然灾害可能威胁到登山队员的生命,使他们无法登上山顶,即令种群陷入随时可能发生的局部最优状态中。因此,在MTBO中,自然界随机发生的雪崩现象被等价视为算法的最坏情况,X Worst 或其等效,并且在雪崩或其他灾难事件中,第i个人会试图逃离灾难并通过以下公式来拯救自己,这在优化中的解释为个体免于陷入局部最优解,并朝着可能的全局最优方向前进。
;假设发生自然灾害的可能性等价为A i ,该阶段的伪代码如下:/>;
对自然灾害发生后的更新策略进行改进,结合改进搜索因子和自适应权重系数的正余弦策略扩大队员的避难范围。原始的正余弦策略公式如下:;
其中,/>是一个常数;t为当前迭代次数;T为最大迭代次数,r 2 为[0,2π]的随机数,r 3 为[0,2]的随机数,r 4 为[0,1]上的随机数。然而,搜索因子r 1 受限于仅有一个参数/>而呈固定模式的递减,不利于进一步平衡MTBO的全局搜索和局部开发能力,因此对r 1 做如下改进:/>;
其中,r max 和r min 是常数,可以根据具体需要进行设置。通过这种修改,搜索因子的值将更加灵活。通过定义r max 和r min ,可以对全局搜索和局部开发随迭代次数的调整模式更加多样,以适应更多的优化需求。
考虑在避难过程中,种群个体位置更新受到当前位置影响较大。因此引入自适应权重因子ω用于调整种群个体位置更新对此时个体信息的依赖度。在寻优前期,较小的ω降低了寻优个体位置更新对当前解位置影响,提升了算法全局寻优能力。在后期较大的ω利用当前位置信息与个体位置更新的高度依赖性加快算法的收敛速度。;
修改后的公式:
。
第三阶段:协调和集体努力应对灾害
人类群体与其他生物之间的主要区别在于:人类以知情、有组织且高效的方式相互帮助和指导。这种协同合作行为是登山队的一项重要技能。因此,在登山队中,当遭遇灾难时,整个团队都会尽力营救被困人员,避免陷入困境。因此,MTBO在此阶段的灵感来自于团队为拯救被困成员所达成的团结一致,即所有成员的位置被认为等于他们的平均位置,即第i个人朝向X mean 或X Team 的位置;该行为建模如下:;
假设拯救被雪崩困住的个体,即被困在局部最优解中的个体的概率等于M i ,该阶段的伪码如下所示:;
第四阶段:成员可能的死亡
在遭遇雪崩后登山队员存在死亡的可能性,即上一阶段中被困队员拯救失败。MTBO算法在这一阶段会考虑将该成员从群体中移除,并使用以下等式随机替换新成员:;
由于替换新成员的方法过于简单随机,导致算法容易陷入最优解,同时优秀的种群个体死亡也会影响算法的收敛速度,因此采用融合高斯变异和反向学习的策略,并引入动态判定系数,在算法迭代前期更倾向于基于反向最优解的大范围搜索,在算法迭代后期则更倾向于引入微小的随机扰动以防止陷入局部最优。
;
式中,U b 和L b 是优化问题的上、下限,参数k=1,是当前最优解,为满足高斯分布的随机变量,/>表示相乘,动态判定系数/>。
(二)自动编码器
自动编码器(Auto Encoders, AE)是一种通过最小化重构误差以无监督方式学习数据特征的网络,AE及其由AE改进而来的深度神经网络也已成功用于故障诊断等领域中,并取得了许多令人满意的研究成果。AE的典型网络具有三层结构,即输入层、隐含层和输出层,结构如图2所示:
假设输入数据x为n维矢量,通过编码函数将n维矢量x映射到m维隐含层矢量h中,一般情况下令m<n,以实现输入数据的低维表示,即:/>;
式中,x为输入层矢量;h为隐含层矢量;为输入层到隐含层的权值;/>为输入层到隐含层的偏置;/>为编码和解码过程激活函数,一般激活函数选择Sigmoid函数,即/>。
解码通过激活函数将低维特征表达式逆向非线性映射到高维空间,使输出数据尽可能的接近输入数据,实现输入数据重构,有:
;
式中,为隐含层到输出层的权值;/>为隐含层到输出层的偏置。
构建误差损失函数用来衡量网络训练的好坏,相应损失函数为:;
式中,m是用于训练的样本数,代表重构样本,/>代表输入样本。
(三)降噪自动编码器
AE网络由于其简单的结构设计,对输入数据X学习到的仅仅是原始输入数据的复制,难以学习到数据的本质特征。在此基础上,发展出了DAE网络,以一定随机分布把X按照一定比例随机置零,得含噪数据,有:/>;
用X训练网络,获得没有被噪声污染,更稳定、更深层数据特征,增强了网络结构的鲁棒性和模型泛化能力,能有效的解决网络在训练过程中出现的过拟合问题,并且在处理复杂问题时更具鲁棒性。DAE网络训练示意图如图3所示:
使用编码部分对进行处理,将其映射到隐式h中:/>;
式中,表示此映射的参数集为,/>为输入层到隐含层的偏置,/>为输入层到隐含层的权重矩阵。
解码器将隐式表示映射回重构数据y,希望重构后的数据尽可能的接近原始数据:
;
式中,为此映射的参数集,/>为隐含层到输出层的偏置,/>为隐含层到输出层的权重矩阵。
将每个输入数据x映射到h,并重构y,然后通过连续优化模型参数来获得最小重构误差,在DAE中,同样使用平方差函数作为损失函数:。
(四)堆叠降噪自动编码器
虽然DAE在诊断性能上优于AE,但它仍属于浅层网络,面对大容量数据时难以学习到数据的本质特征。因此,将多个DAE网络层层堆叠构建SDAE深度网络,具体堆叠的DAE个数取决于实际需求,SDAE网络的每一层都可视为一个DAE,通过多次迭代层层训练,完成数据特征提取。图4为3个DAE堆叠成的SDAE网络结构图,SDAE是一种无监督的学习方法,可自动学习数据深层次特征,自动挖掘现有数据与目标预测变量的隐含关系,免去人工设计特征的环节。
SDAE通过逐层贪婪训练得到网络初始化权值和偏置。逐层贪婪训练可以提取数据高阶特征,缩小参数寻优空间,提升深层学习能力。预设层数DAE训练结束后,将隐含层堆叠,在其顶层加入Softmax分类器,实现无监督自学习和有监督分类有效结合。
三、模型故障诊断测试
本发明通过堆叠3个降噪自编码器构成具有3层隐含层结构的 SDAE 深度网络。并利用 IMTBO 算法对 SDAE 网络进行进一步优化,优化的参数有:隐藏层节点数、学习率、迭代次数,具体算法细节及流程如下:
(一)数据准备:
在每一次阻拦过程中,利用压力传感器对定长冲跑阀的进口、出口的油液压力进行采集,以进口处油液压力与出口处油液压力之差为检测指标,计算每一架次阻拦过程中/>的平均值、最大值、极差、方差、标准差、峭度、偏度、均方根等8个特征量,每一次阻拦过程作为一个样本,每个样本包括上述8个特征;
每个样本中的平均值、最大值、极差、方差、标准差、峭度、偏度、均方根共计8个特征量作为模型输入数据,将阀芯的状态作为模型输出数据;其中,以阻拦装置历史运行数据作为训练样本,对舰载机阻拦过程中得到的测试样本进行诊断。
(二)SDAE网络参数设置:
将SDAE 网络的输入层神经元个数设为8,对应由进出口压力差计算得到的8个特征;输出层神经元个数设为2,[0,0]对应“阀芯正常关闭”、[0,1]对应“阀芯轻度异常”、[1,0]对应“阀芯重度异常”。对网络进行初始化并设置预训练参数,其中初始学习率设为0.01,迭代次数为 500,学习率的动量为 0.5,噪声覆盖率为0.2。损失函数选择平方差损失函数/>,3层隐含层之间的激活函数选用sigmoid激活函数
(三)使用改进后的MTBO优化算法进行参数优化:
1.将IMTBO优化算法的种群规模的大小设置为20,种群更新次数设置为30,并限定所需要优化参数的边界,隐藏层节点数10-50,学习率为0.01-2.0,迭代次数500-1500。
2.在IMTBO算法中使用改进后的Sine混沌映射进行种群个体位置的初始化,得到初始的种群个体位置;参考公式如下:;
3.根据相应情况使用三种不同的位置更新策略对种群个体位置进行更新寻优;参考公式如下:
第一阶段:;
第二阶段:;;/>;
第三阶段:;
4.如果出现成员死亡则使采用融合高斯变异和反向学习的策略对成员进行更新,并引入动态判定系数,使算法在迭代前期有更好的全局搜索能力,后期则注重局部开发能力并且可以跳出局部最优;参考公式如下:;/>。
5.根据设定的种群更新次数不断重复上述步骤3和4,在每次位置更新后计算每个个体的适应度值,并与上一次迭代中该个体的适应度值进行比较,取适应度较小的更新为该个体当前的位置,同时与历史最优位置的适应度值进行比较,取适应度值较小的位置更新作为新的最优位置(即领队)。
6.当达到终止条件时结束优化,并输出寻优参数隐藏层节点数、学习率、迭代次数的最终优化结果。
(四)模型训练及故障诊断:
利用IMTBO算法优化后得到的参数结果对SDAE网络的对应参数设置进行修改替换后对网络进行训练,得到能够对阀芯关闭状态进行识别的 SDAE 分类模型,实现定长冲跑阀故障状态诊断。
(五)结果分析:
利用阻拦着舰装备日常运行数据和定长冲跑阀的实验测试数据对所提出的诊断方法进行了测试。训练集样本共180个,包括正常样本、轻度故障样本、重度故障样本各60个。测试集样本共90个,包括正常样本、轻度故障样本、重度故障样本各30个。测试集诊断结果的混淆矩阵图7所示;
图7中各样本的对应关系为:1-正常、2-轻度故障、3-重度故障。有1个正常样本被错分为轻度故障;1个轻度故障样本被错分为正常样本,1个轻度故障样本被错分为重度故障样本;重度故障样本全部被正确诊断。测试集的诊断准确率为96.67%。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种阻拦着舰装备中定长冲跑阀故障诊断方法,其特征在于,包括以下步骤:
S1:构建SDAE深度网络模型;
S2:利用IMTBO算法对SDAE深度网络模型进行参数优化;
S3:获取阻拦着舰装备中定长冲跑阀的历史运行数据作为训练样本对步骤S2中参数优化后的模型进行训练;
S4:将训练后的SDAE网络模型对阻拦着舰装备中定长冲跑阀进行运行状态诊断。
2.根据权利要求1所述的阻拦着舰装备中定长冲跑阀故障诊断方法,其特征在于,SDAE深度网络模型包括:三个堆叠的降噪自编码器,以及位于输出层的Softmax分类器。
3.根据权利要求1所述的阻拦着舰装备中定长冲跑阀故障诊断方法,其特征在于,IMTBO算法对SDAE深度网络模型进行优化的参数包括:隐藏层节点数、学习率、迭代次数。
4.根据权利要求3所述的阻拦着舰装备中定长冲跑阀故障诊断方法,其特征在于,IMTBO算法对SDAE深度网络模型进行参数优化的步骤包括:
S21:对SDAE深度网络模型进行初始化并设置预训练参数;
S22:对IMTBO算法的参数进行初始化设置;其中,种群规模的大小设置为20,种群更新次数设置为30,并初始化种群中每个个体的位置;
S23:设置所需要优化参数的边界;其中,隐藏层节点数为10-50,学习率为0.01-2.0,迭代次数为500-1500;
S24:根据位置更新公式对种群中每个个体的位置进行更新,并计算每个个体的适应度值,与历史最优位置的适应度值进行比较后取适应度值较小的位置作为该个体的最优位置;
S25:不断地迭代寻优并进行参数更新,当达到终止条件时结束,输出寻优参数隐藏层节点数、学习率、迭代次数的结果;
S26:利用IMTBO算法优化后的隐藏层节点数、学习率、迭代次数的三个参数构建SDAE网络模型。
5.根据权利要求4所述的阻拦着舰装备中定长冲跑阀故障诊断方法,其特征在于,对SDAE深度网络模型进行初始化并设置预训练参数的步骤包括:初始学习率设为0.01,迭代次数为500,学习率的动量为0.5,噪声覆盖率为0.2。
6.根据权利要求1所述的阻拦着舰装备中定长冲跑阀故障诊断方法,其特征在于,训练样本获取方法包括:在舰载机阻拦着舰过程中,利用压力传感器对定长冲跑阀的进口、出口的油液压力进行采集;以定长冲跑阀的进口处油液压力与出口处油液压力之差为检测指标,计算每一架次阻拦过程中/>的平均值、最大值、极差、方差、标准差、峭度、偏度、均方根共计8个特征量;每一次阻拦过程作为一个样本,每个样本包括上述8个特征。
7.根据权利要求6所述的阻拦着舰装备中定长冲跑阀故障诊断方法,其特征在于,训练样本在进行模型训练之前需要进行预处理,预处理方法包括:
将定长冲跑阀拆解后,根据阀芯剩余开口距离为标准,将采集的样本与阀芯的状态进行映射关系的分类标注,具体包括:
将一次阻拦完成时,阀芯完全关闭时采集到的样本所对应的阀芯状态标注为阀芯正常;
将一次阻拦完成时,阀芯剩余开口距离为初始距离的5%以内的样本所对应的阀芯状态标注为阀芯轻度异常;
将一次阻拦完成时,阀芯剩余开口距离为初始距离的5%以上的样本所对应的阀芯状态标注为阀芯重度异常;
其中,每个样本中的平均值、最大值、极差、方差、标准差、峭度、偏度、均方根共计8个特征量作为模型输入数据,将阀芯的状态作为模型输出数据。
8.根据权利要求1所述的阻拦着舰装备中定长冲跑阀故障诊断方法,其特征在于,
在IMTBO算法中使用改进后的Sine混沌映射进行种群个体位置的初始化,得到初始的种群个体位置;改进后的Sine混沌映射作为新的初始化方法包括:
;
其中,和是第n步的坐标值,和的初始值均设为0.5;和是控制参
数;是混沌函数取值范围的控制参数,是混沌函数分布形状的控制参数,取λ=1,μ=5。
9.根据权利要求1所述的阻拦着舰装备中定长冲跑阀故障诊断方法,其特征在于,
在IMTBO算法中对个体位置更新策略进行改进用以对种群个体位置进行更新寻优;具体包括:
第一阶段:;
第二阶段:;;/>;
第三阶段:;
其中,是更新后的位置;/>为第/>个登山队队员位置;/>是由正前方的单个队员指示的位置;rand为介于0和1之间的随机数;/>为登山队中的领队;/>为修改后的搜索因子;/>为[0,2π]的随机数;/>为[0,2]的随机数;/>为[0,1]上的随机数;/>和是常数,可以根据具体需要进行设置;/>为算法的最坏位置;/>为自适应权重因子;t为当前迭代次数;T为最大迭代次数;e为自然常数。
10.根据权利要求1所述的阻拦着舰装备中定长冲跑阀故障诊断方法,其特征在于,
在IMTBO算法中如果出现成员死亡则采用融合高斯变异和反向学习的策略对成员进行更新,并引入动态判定系数;具体包括:;;
其中,是更新后的位置;/>和/>是优化问题的上、下限;参数k=1;rand为介于0和1之间的随机数;/>为登山队中的领队,在算法优化中相当于算法在当前迭代中的最优解;/>为满足高斯分布的随机变量;/>表示相乘;/>为动态判定系数;e为自然常数;t为当前迭代次数;T为最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283578.6A CN117891238B (zh) | 2024-03-13 | 2024-03-13 | 一种阻拦着舰装备中定长冲跑阀故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283578.6A CN117891238B (zh) | 2024-03-13 | 2024-03-13 | 一种阻拦着舰装备中定长冲跑阀故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117891238A true CN117891238A (zh) | 2024-04-16 |
CN117891238B CN117891238B (zh) | 2024-05-28 |
Family
ID=90647238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410283578.6A Active CN117891238B (zh) | 2024-03-13 | 2024-03-13 | 一种阻拦着舰装备中定长冲跑阀故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117891238B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100125745A1 (en) * | 2008-11-18 | 2010-05-20 | Yaakov Kogan | Method and apparatus for measuring customer impacting failure rate in communication networks |
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
CN113176093A (zh) * | 2021-04-27 | 2021-07-27 | 合肥工业大学 | 基于isca-sdae的滚动轴承故障诊断方法及系统 |
CN113419519A (zh) * | 2021-07-14 | 2021-09-21 | 北京航空航天大学 | 基于宽度学习的机电产品系统或设备实时故障诊断方法 |
CN114329233A (zh) * | 2022-01-10 | 2022-04-12 | 青岛科技大学 | 一种跨区域跨评分协同过滤推荐方法及系统 |
CN114818806A (zh) * | 2022-04-25 | 2022-07-29 | 重庆大学 | 一种基于小波包与深度自编码器的变速箱故障诊断方法 |
CN114913939A (zh) * | 2022-07-19 | 2022-08-16 | 北京科技大学 | 高通量平台和机器学习优化的药物组合设计方法及装置 |
CN115597869A (zh) * | 2022-09-26 | 2023-01-13 | 三峡大学(Cn) | 基于MTF-SDAE-LightGBM的轴承故障诊断方法 |
CN115660039A (zh) * | 2022-10-24 | 2023-01-31 | 北京航空航天大学 | 一种舰载机故障智能诊断方法、系统、设备及介质 |
CN115793453A (zh) * | 2022-11-22 | 2023-03-14 | 湖北航天飞行器研究所 | 融合ai深度学习的旋翼飞行器轨迹跟踪自适应控制方法 |
JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
CN116050502A (zh) * | 2022-09-16 | 2023-05-02 | 中国人民解放军国防科技大学 | 面向开放环境模式识别的结构发育型神经网络优化方法 |
CN116451123A (zh) * | 2023-04-27 | 2023-07-18 | 合肥工业大学 | 基于issa-mkelm的变压器早期故障诊断方法 |
CN116484787A (zh) * | 2022-01-13 | 2023-07-25 | 复旦大学 | 一种基于贝叶斯优化的多Testbench模拟电路优化方法 |
CN116665095A (zh) * | 2023-05-18 | 2023-08-29 | 中国科学院空间应用工程与技术中心 | 一种运动舰船检测方法、系统、存储介质和电子设备 |
US20230394316A1 (en) * | 2022-06-07 | 2023-12-07 | Wuhan University | Direct current (dc)/dc converter fault diagnosis method and system based on improved sparrow search algorithm |
CN117494650A (zh) * | 2022-07-22 | 2024-02-02 | 复旦大学 | 基于多任务神经网络增强高斯过程的多任务贝叶斯优化方法 |
-
2024
- 2024-03-13 CN CN202410283578.6A patent/CN117891238B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100125745A1 (en) * | 2008-11-18 | 2010-05-20 | Yaakov Kogan | Method and apparatus for measuring customer impacting failure rate in communication networks |
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
CN113176093A (zh) * | 2021-04-27 | 2021-07-27 | 合肥工业大学 | 基于isca-sdae的滚动轴承故障诊断方法及系统 |
CN113419519A (zh) * | 2021-07-14 | 2021-09-21 | 北京航空航天大学 | 基于宽度学习的机电产品系统或设备实时故障诊断方法 |
JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
CN114329233A (zh) * | 2022-01-10 | 2022-04-12 | 青岛科技大学 | 一种跨区域跨评分协同过滤推荐方法及系统 |
CN116484787A (zh) * | 2022-01-13 | 2023-07-25 | 复旦大学 | 一种基于贝叶斯优化的多Testbench模拟电路优化方法 |
CN114818806A (zh) * | 2022-04-25 | 2022-07-29 | 重庆大学 | 一种基于小波包与深度自编码器的变速箱故障诊断方法 |
US20230394316A1 (en) * | 2022-06-07 | 2023-12-07 | Wuhan University | Direct current (dc)/dc converter fault diagnosis method and system based on improved sparrow search algorithm |
CN114913939A (zh) * | 2022-07-19 | 2022-08-16 | 北京科技大学 | 高通量平台和机器学习优化的药物组合设计方法及装置 |
CN117494650A (zh) * | 2022-07-22 | 2024-02-02 | 复旦大学 | 基于多任务神经网络增强高斯过程的多任务贝叶斯优化方法 |
CN116050502A (zh) * | 2022-09-16 | 2023-05-02 | 中国人民解放军国防科技大学 | 面向开放环境模式识别的结构发育型神经网络优化方法 |
CN115597869A (zh) * | 2022-09-26 | 2023-01-13 | 三峡大学(Cn) | 基于MTF-SDAE-LightGBM的轴承故障诊断方法 |
CN115660039A (zh) * | 2022-10-24 | 2023-01-31 | 北京航空航天大学 | 一种舰载机故障智能诊断方法、系统、设备及介质 |
CN115793453A (zh) * | 2022-11-22 | 2023-03-14 | 湖北航天飞行器研究所 | 融合ai深度学习的旋翼飞行器轨迹跟踪自适应控制方法 |
CN116451123A (zh) * | 2023-04-27 | 2023-07-18 | 合肥工业大学 | 基于issa-mkelm的变压器早期故障诊断方法 |
CN116665095A (zh) * | 2023-05-18 | 2023-08-29 | 中国科学院空间应用工程与技术中心 | 一种运动舰船检测方法、系统、存储介质和电子设备 |
Non-Patent Citations (3)
Title |
---|
侯文擎;叶鸣;李巍华;: "基于改进堆叠降噪自编码的滚动轴承故障分类", 机械工程学报, no. 07, 11 December 2017 (2017-12-11) * |
刘小波;尹旭;刘海波;汪敏;颜丙云;: "深度迁移学习在高光谱遥感图像分类中的研究现状与展望", 青岛科技大学学报(自然科学版), no. 03, 27 May 2019 (2019-05-27) * |
李强;车文龙;: "基于改进粒子群优化神经网络的电机故障诊断", 电气传动, no. 01, 20 January 2020 (2020-01-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117891238B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kisi et al. | River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques | |
CN108062572A (zh) | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 | |
CN110794842A (zh) | 基于势场的强化学习路径规划算法 | |
CN108536123A (zh) | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
CN108363896B (zh) | 一种液压缸故障诊断方法 | |
Fu et al. | A hybrid CNN-LSTM model based actuator fault diagnosis for six-rotor UAVs | |
CN108573303A (zh) | 一种基于改进强化学习的复杂网络局部破坏的自改进恢复策略 | |
CN106127298A (zh) | 一种基于自适应pso‑bp神经网络的液压泵故障诊断方法 | |
CN103324981B (zh) | 基于神经网络的放化疗规范化质量控制的量化方法 | |
CN110244689A (zh) | 一种基于判别性特征学习方法的auv自适应故障诊断方法 | |
CN108594793A (zh) | 一种改进的rbf飞控系统故障诊断网络训练方法 | |
CN112528804A (zh) | 基于生成对抗网络的肌电信号降噪和分类方法 | |
CN102622515A (zh) | 一种天气预测方法 | |
CN107958309A (zh) | 一种高坝多点变形性态联合预报方法 | |
Doong et al. | Development of a warning model for coastal freak wave occurrences using an artificial neural network | |
CN113536681B (zh) | 一种基于时序外推预测的电动舵机健康评估方法 | |
CN104680025A (zh) | 基于遗传算法极限学习机的抽油机参数优化方法 | |
CN113743016A (zh) | 基于改进的堆叠式稀疏自编码器和注意力回声状态网络的涡扇发动机剩余使用寿命预测方法 | |
CN109308544A (zh) | 基于对比散度-长短期记忆网络的蓝藻水华预测方法 | |
CN107092987A (zh) | 一种中小型无人机自主着舰风速预测方法 | |
CN111382840B (zh) | 一种面向自然语言处理的基于循环学习单元的htm设计方法 | |
CN116759100A (zh) | 基于联邦学习构建慢性心血管疾病大模型方法 | |
CN114839531A (zh) | 基于组群式稀疏自编码及群智能的电机故障检测方法 | |
CN117891238B (zh) | 一种阻拦着舰装备中定长冲跑阀故障诊断方法 |
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 |