一种基于空洞卷积神经网络的液压阀故障诊断方法技术

本发明专利技术涉及故障诊断技术领域，具体为一种基于空洞卷积神经网络的液压阀故障诊断方法，包括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。本方法克服单一传感器进行故障检测的问题，提高故障诊断的准确性和鲁棒性。

【技术实现步骤摘要】
一种基于空洞卷积神经网络的液压阀故障诊断方法
本专利技术涉及故障诊断
，具体为一种基于空洞卷积神经网络的液压阀故障诊断方法。
技术介绍
液压阀作为液压系统的重要元件之一，已经被广泛的应用于工业生产设备和航天设备之中。随着液压系统不断向着智能化发展，对液压系统中各元件自我诊断故障的要求也越来越高，而现有液压阀落后的自我检测能力已经严重制约着液压系统的智能化发展。并且液压阀作为液压系统中的重要控制元件，保证其正常工作是保护整个液压系统正常工作的重点，所以对液压阀的工作状态进行实时监测，以保证液压阀正常工作是十分有价值和现实意义的。但是由于液压阀作为一个封闭的元件并且结构经过多年的打磨基本定型，在其内部加装传感器和改变液压阀的结构都是困难的，因此对于液压阀进行工作状态数据的采集也很困难，所以目前难以实现在液压阀内部进行准确的故障监测。因此，目前在外部加装传感器进行故障监测已经成为最优的解决方案，但是目前在外部加装传感器进行故障监测也存在着一些问题，以液压阀中的液压换向阀为例：如果采用单一的传感器进行故障检测，由于液压换向阀存在多种故障类型，其中液压换向阀的阀芯和阀体的磨损是其发生故障的主要原因，由于液压换向阀的阀芯和阀体的磨损容易产生微弱泄露，这样的故障是难以通过单一种类的传感器进行检测的，因为单一的传感器是无法检测出故障的位置和故障的严重程度。例如采用压力传感器或流量传感器进行故障监测，虽然能监测故障的严重程度但是无法确认故障发生的准确位置，且油路的长短和复杂程度都会影响到采集到的故障信息的准确度，而采用加速传感器进行故障监测，不能确定故障发生的严重程度，并且振动的传输路径也会对加速传感器的采集产生一定的干扰。因此，采用多个传感器共同进行故障监测，能有效的克服单一传感器进行故障监测会产生的问题，能有效的提高诊断的准确性和鲁棒性。但是采用多个传感器就会带来海量的数据，并且海量数据之间可能会有存在信息对抗和信息冗余的问题。传统的故障诊断方法难以一次性的处理海量的数据，并且传统的故障诊断方法主要针对1D信号中时域和频域中出现故障的信息，但是对于液压换向阀来说，由于液压换向阀没有确定的故障特征频率，只通过时域和频域中的信息是难以直接判断故障。因此需要深入挖掘多个传感器检测信号中的故障信息来实现液压换向阀的故障诊断。而对于海量数据的处理和特征挖掘，常选用卷积神经网络。卷积神经网络作为一种强大的信息处理模型，能保证故障信息丢失不影响诊断的情况下实现数据降维，同时还能解放了人力。但是采用卷积神经网络进行数据处理和特征挖掘，也存在一些问题，卷积神经网络难以直接对多个传感器数据进行特征提取和融合，并且卷积神经网络的感受野比较小，难以准确反映时间尺度上的故障信息，且在池化过程中容易导致内部数据结构和空间层级化的信息丢失，从而影响故障诊断的准确性。
技术实现思路
本专利技术意在提供一种能对多个传感器采集的数据进行融合，准确监测液压换向阀的故障的基于空洞卷积神经网络的液压阀故障诊断方法，以克服单一传感器进行故障检测的问题，提高故障诊断的准确性和鲁棒性。本专利技术提供如下基础方案：一种基于空洞卷积神经网络的液压阀故障诊断方法，包括如下内容：S1、采用三组异质传感器，采集液压换向阀的故障数据，其中每组异质传感器中包括两个同质传感器；S2、对每一传感器采集的故障数据进行分割和极坐标变换，将为1D信号的故障数据转为2D的图像；S3、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，获得包含两个同质传感器的故障数据的图像；S4、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，使空洞卷积神经网络模型能够进行故障分类；S5、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；S6、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。说明：本方案中异质传感器是指不同种类型的传感器，同质传感器是指同一类型的传感器。与现有技术相比，本方案的优点在于：1、采用三组异质传感器，采集液压换向阀的故障数据，可以同时检测出故障的位置和故障的严重程度，并且融合了多类型传感器的故障数据减少了采用单一传感器和单类型传感器采集带来的不确定性和故障数据不完备性。2、对每一传感器采集的故障数据进行分割和极坐标变换，将1D信号的故障数据转为2D的图像，但是此时获得图像存在信息冗余，这部分冗余会对后续构建空洞卷积神经网络模型进行故障分类的结构造成一定的干扰，同时也增加了故障诊断需要的计算能力，所以每组异质传感器中包括两个同质传感器，并且会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，获得包含两个同质传感器的故障数据的图像，从而以消除获得图像存在的信息冗余，也实现同质传感器采集的故障数据的融合，并且还扩增了图像包含的信息量。3、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，使空洞卷积神经网络模型能够进行故障分类，空洞卷积神经网络模型在相同的条件下，能得到更大的感受野，从而获得更加密集的故障数据，且利用空洞卷积神经网络模型可以更好的保留处理对象的空间特征，从而准确反映时间尺度上的故障信息，保证故障诊断的准确性。本方案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，克服单一传感器进行故障检测的问题，提高故障诊断的准确性和鲁棒性。进一步，异质传感器包括压力传感器、流量传感器和加速度传感器。有益效果：根据液压换向阀自身的工作特点，异质传感器包括压力传感器、流量传感器和加速度传感器，可以做到同时监测出故障的位置和故障的严重程度，并且通过将异质传感器采集的故障数据进行融合，可以克服单一传感器存在的缺陷。进一步，所述S2、对每一传感器采集的故障数据进行分割和极坐标变换，将1D信号的故障数据转为2D的图像，包括：S201、分割每个传感器采集的故障数据，得到时间序列信号X＝{x1,x2,…,xn}；S202、采用将X的数据范围缩放到[-1,1]或[0,1]；S203、采用转换公式，将缩放后的X转换到极坐标系统中，即将X的数值看作夹角余弦值，时间戳看作半径，转换公式为：式中，ti是时间戳，N是一个常数因子，用于正则化极坐标系的跨度；S204、通过计算不同点之间的角度和或角度差，以识别不同时间间隔内的时间相关性，得到图像，其中角度和采用GASF，角度差采用GADF：式中，I为单位行向量[1,1,…,1]，为X的数据对应的特征形成的向量，为的转置矩阵，为的转置矩阵。有益效果：采用上述步骤将为1D信号的故障数据转为2D的图像，以便于后续空洞卷积神经网络模型的构建和训练。进一步，所述S3、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，获得包含两个同质传感器本文档来自技高网...

【技术保护点】
1.一种基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：包括：/nS1、采用三组异质传感器，采集液压换向阀的故障数据，其中每组异质传感器中包括两个同质传感器；/nS2、对每一传感器采集的故障数据进行分割和极坐标变换，将为1D信号的故障数据转为2D的图像；/nS3、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，获得包含两个同质传感器的故障数据的图像；/nS4、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，使空洞卷积神经网络模型能够进行故障分类；/nS5、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，得到局部网络结构最优的空洞卷积神经网络模型；/nS6、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。/n

【技术特征摘要】
1.一种基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：包括：
S1、采用三组异质传感器，采集液压换向阀的故障数据，其中每组异质传感器中包括两个同质传感器；
S2、对每一传感器采集的故障数据进行分割和极坐标变换，将为1D信号的故障数据转为2D的图像；
S3、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，获得包含两个同质传感器的故障数据的图像；
S4、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，使空洞卷积神经网络模型能够进行故障分类；
S5、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，得到局部网络结构最优的空洞卷积神经网络模型；
S6、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。


2.根据权利要求1所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：异质传感器包括压力传感器、流量传感器和加速度传感器。


3.根据权利要求1所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述S2包括：
S201、分割每个传感器采集的故障数据，得到时间序列信号X＝{x1,x2,…,xn}；
S202、采用将X的数据范围缩放到[-1,1]或[0,1]；
S203、采用转换公式，将缩放后的X转换到极坐标系统中，即将X的数值看作夹角余弦值，时间戳看作半径，转换公式为：



式中，ti是时间戳，N是一个常数因子，用于正则化极坐标系的跨度；
S204、通过计算不同点之间的角度和或角度差，以识别不同时间间隔内的时间相关性，得到图像，其中角度和采用GASF，角度差采用GADF：






式中，I为单位行向量[1,1,…,1]，为X的数据对应的特征形成的向量，为的转置矩阵，为的转置矩阵。


...

【专利技术属性】
技术研发人员：任燕，施锦川，钟麒，汤何胜，周余庆，钟永腾，向家伟，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江;33