基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法技术

本发明专利技术提供一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，涉及液压缸泄漏的故障诊断技术领域，该方法包括：步骤S1：采集不同泄漏程度下液压缸的出口压力信号，构建初始样本集；步骤S2：对压力信号进行去噪，将压力信号分解为循环周期信号和残余信号；步骤S3：分别提取一阶循环频率特征CS1和二阶循环频率特征CS2，构成故障特征集；步骤S4：将故障特征集进行预处理，将预处理后的故障特征集作为训练数据，完成对模型的训练；步骤S5：根据得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的模型中，完成液压缸泄漏程度的故障诊断。本发明专利技术能够有更高的识别准确率。本发明专利技术能够有更高的识别准确率。本发明专利技术能够有更高的识别准确率。

【技术实现步骤摘要】
基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法


[0001]本专利技术涉及液压缸泄漏的故障诊断
，具体地，涉及一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法。

技术介绍

[0002]液压缸作为液压传动的执行元件，将油液的压力能转换成机械能并输出直线运动和力，液压缸的工作性能会直接影响整个液压系统可靠性。在液压缸可能发生的所有故障中，液压缸泄漏是最常见的故障模式，泄漏故障会导致液压系统中大量的压力能转换为热能，从而导致油温升高，严重影响液压系统的性能和效率，使液压缸出现爬行、动力不足、保压性能差等故障现象，影响设备运行过程的平稳性和可靠性。
[0003]公开号为CN108533573A的专利技术专利，公开了一种基于第二代小波的液压缸内泄漏故障诊断方法，通过液压缸两腔压力传感器采集液压缸两腔压力信号，对压力信号进行第二代小波降噪预处理，将处理后的压力信号进行四层第二代小波分解，对分解后得到的第二代小波细节系数cD4求取其均方根值并归一化，以此作为液压缸内泄漏故障特征参数。
[0004]现有技术当中存在液压缸故障特征提取不丰富导致的空化等级识别率低的问题，且传统的机器学习算法识别准确率较低，同时还存在人工分类的繁琐和计算耗时等问题。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术提供一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法。
[0006]根据本专利技术提供的一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，所述方案如下：
[0007]第一方面，提供了一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，所述方法包括：
[0008]步骤S1：采集不同泄漏程度下液压缸的出口处的压力信号，构建初始样本集；
[0009]步骤S2：对压力信号进行去噪，将压力信号分解为循环周期信号和残余信号；
[0010]步骤S3：对所述循环周期信号和残余信号分别提取一阶循环频率特征CS1和二阶循环频率特征CS2，包括信号的均值、方差、中心频率以及谱相关密度特征，构成故障特征集；
[0011]步骤S4：将故障特征集进行预处理，包括泄漏等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成模型的训练；
[0012]步骤S5：根据上述步骤得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的模型中，完成液压缸泄漏程度的故障诊断。
[0013]优选的，所述步骤S1包括：使用压力传感器分别采集不同泄漏程度下相同信号长度的液压缸出口压力信号；
[0014]将m个采样点划分为一个样本，从而构建出初始样本集，其中，m大于一个信号周期内包含的采样点。
[0015]优选的，所述步骤S2中，从压力信号中分离出循环周期信号和残余信号的可预测循环周期分量p[n]与残余分量r[n]；
[0016]p[n]与r[n]与压力信号具有相关性，其中，n表示循环频率特征的阶，n≥3。
[0017]优选的，所述步骤S3循环周期信号中信号的周期部分借助傅里叶频谱进行有效分析，而CS2特征的提取利用谱相关密度、循环谱相关性在内的信号分析工具。
[0018]优选的，所述步骤S4中利用随机种子数打乱预处理后的故障特征集的顺序，再作为训练数据进行模型训练。
[0019]优选的，所述步骤S5中，泄漏程度的泄漏等级分类包括无泄漏、小泄露、中泄漏以及大泄漏，分别标记为类别1～q；其中，q为泄漏等级的总数。
[0020]优选的，所述步骤S5中数据标准化具体为，将故障特征集的特征值缩放在0～1之间，以避免异常值和极端值对分类结果的影响。
[0021]优选的，所述步骤S5中，Stacking模型选择朴素贝叶斯，极限梯度提升树XGBoost，随机森林作为第一层的基学习器，选择逻辑回归作为第二层的元学习器。
[0022]与现有技术相比，本专利技术具有如下的有益效果：
[0023]1、本专利技术中的循环平稳方法克服了其他信号处理方法很难提取出隐藏在振动信号中的故障特征信息的问题；
[0024]2、本专利技术相较于其他常见的时域与频域特征，压力信号的一阶循环频率特征CS1和二阶循环频率特征CS2特征作为故障特征有着更高的识别准确率；
[0025]3、本专利技术中采用集成学习Stacking算法，避免了人工分类的繁琐和计算耗时等问题，且算法与传统的机器学习算法相比有着更高的识别准确率。
附图说明
[0026]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0027]图1为本专利技术基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法流程图；
[0028]图2为本专利技术从原始压力信号中提取故障特征的流程图；
[0029]图3为Stacking模型的算法流程图。
具体实施方式
[0030]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。
[0031]本专利技术实施例提供了一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，参照图1和图2所示，具体步骤包括如下：
[0032]步骤S1：采集不同泄漏程度下液压缸的出口处的压力信号，构建初始样本集。
[0033]步骤S2：基于循环平稳理论对压力信号进行去噪，采用时域同步平均方法将压力信号分解为循环周期信号和残余信号。
[0034]步骤S3：对所述循环周期信号和残余信号分别提取一阶循环频率特征CS1和二阶循环频率特征CS2，具体为信号的均值、方差、中心频率以及谱相关密度特征，构成故障特征集。
[0035]步骤S4：将故障特征集进行预处理，包括泄漏等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成模型的训练。
[0036]步骤S5：根据上述步骤得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的模型中，完成液压缸泄漏程度的故障诊断。
[0037]其中，在步骤S1中，使用压力传感器分别采集不同泄漏程度下相同压力信号长度的液压缸出口压力信号，并将m个采样点划分为一个样本，从而构建出初始样本集，其中m大于一个信号周期内包含的采样点。
[0038]在步骤S2中，从压力信号中分离出循环周期信号和残余信号的可预测循环周期分量p[n]与残余分量r[n]；
[0039]p[n]与r[n]与压力信号具有相关性，能体现出旋转机械的振动或压力信号中的故障特征，其中一阶循环频率特征CS1特征主要体现不平稳、失调在内的故障现象，而二阶循环频率特征CS2特征则与磨损、摩擦力增大在内的现象有关，更高阶的循环频率特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，包括：步骤S1：采集不同泄漏程度下液压缸的出口处的压力信号，构建初始样本集；步骤S2：对所述压力信号进行去噪，将压力信号分解为循环周期信号和残余信号；步骤S3：对所述循环周期信号和残余信号分别提取一阶循环频率特征CS1和二阶循环频率特征CS2，包括信号的均值、方差、中心频率以及谱相关密度特征，构成故障特征集；步骤S4：将故障特征集进行预处理，包括泄漏等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成对模型的训练；步骤S5：根据上述步骤得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的模型中，完成液压缸泄漏程度的故障诊断。2.根据权利要求1所述的基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，所述步骤S1包括：使用压力传感器分别采集不同泄漏程度下相同信号长度的液压缸出口压力信号；将m个采样点划分为一个样本，从而构建出初始样本集，其中，m大于一个信号周期内包含的采样点。3.根据权利要求1所述的基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，其特征在于，所述步骤S2中，从压力信号中分离出循环周期信号和残余信号的可预测循环周期分量p[n]与残余分量r[n]；p[n]与r[n]与压力信号具有相...

【专利技术属性】
技术研发人员：陶建峰，贾连辉，魏齐，郑康泰，刘成良，周小磊，王立尧，詹晨菲，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：