基于门控循环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，具体为一种基于门控循环神经网络的液压阀故障诊断方法，包括：采集液压阀的故障信号；对故障信号进行自相关降噪；对降噪后的故障信号进行奇异值分解和重构，获取特征信息；将获取的特征信息输入门控循环神经网络模型进行故障诊断，获取故障诊断结果。本方法中自相关降噪可以去除环境中不可避免的噪声，奇异值分解和重构获取到故障信号的特征信息，减少大量的无关信息，突出故障信号的主要成分，最后通过门控循环神经网络模型进行故障诊断，既能提高故障诊断的准确度和精度，又能提升故障诊断的效率。又能提升故障诊断的效率。又能提升故障诊断的效率。

Fault diagnosis method of hydraulic valve based on gated recurrent neural network

【技术实现步骤摘要】
基于门控循环神经网络的液压阀故障诊断方法


[0001]本专利技术涉及故障诊断
，具体为一种基于门控循环神经网络的液压阀故障诊断方法。

技术介绍

[0002]液压阀作为液压系统中重要元件之一，已经广泛的应用于航空、航天、船舶等领域。然而工业上的液压阀应用环境恶劣，应用强度大，常会发生各种各样的故障，其中磨损和卡紧是最易发生的两大类故障。因此，了解和识别液压阀的故障信息，对于其寿命预测，保证液压系统安全、可靠运行具有重要意义。
[0003]由于在工业上液压阀的应用环境恶劣，工业上液压阀的故障信号具有非线性、非平稳、强噪声的特点，液压阀的故障诊断面临着很多问题，而在实验室中获取的实验数据和诊断方法又不一定适用于工业上，其中故障诊断面临的问题主要包括：
[0004]1、工业上液压阀的应用环境嘈杂，并且故障信号本身具有非线性和非平稳的特点，微弱的故障信号往往被强噪声所淹没，无法获取到准确的故障信号，进而影响后续的故障信号处理，因此在处理故障信号之前必须要进行消噪处理，但是现有的小波变换和其它的时频分析的消噪方法，消噪效果一般，不能有效的去除复杂噪声，限制了故障识别的准确性；
[0005]2、即使通过某些降噪方法去除了噪声，获取到了故障信号，也无法直接进行准确的故障诊断，因为故障信号中包含大量信息，这不仅严重影响故障诊断的准确度和精度，也限制了故障诊断的效率，此外限制故障诊断效率的还有现有技术中常采用长短期记忆人工神经网络，该神经网络模型虽然解决了反向传播和长期记忆中的梯度消失或爆炸的问题，但是其控制门多，需求参数数量大，因此限制了故障诊断的效率。
[0006]综上所述，现有的液压阀故障诊断方法准确度、精度和效率低。

技术实现思路

[0007]本专利技术意在提供一种基于门控循环神经网络的液压阀故障诊断方法，既能提高故障诊断的准确度和精度，又能提升故障诊断的效率。
[0008]本专利技术提供如下基础方案：基于门控循环神经网络的液压阀故障诊断方法，包括如下内容：
[0009]采集步骤：采集液压阀的故障信号；
[0010]降噪步骤：对故障信号进行自相关降噪；
[0011]特征提取步骤：对降噪后的故障信号进行奇异值分解和重构，获取特征信息；
[0012]故障诊断步骤：将获取的特征信息输入门控循环神经网络模型进行故障诊断，获取故障诊断结果。
[0013]基础方案的有益效果：1、本方法对采集到的液压阀的故障信号进行自相关降噪，与小波变换和其它的时频分析降噪方法相比，自相关降噪是直观的、直接的、后验的和自适
应的，其适合处理非线性、非平稳、强噪声的振动信号，而液压阀的故障信号就是非线性、非平稳、强噪声的振动信号，基于振动信号的自相关分析可以有效地消除信号中的随机噪声，突出周期冲击成分。复杂的噪声信号被剔除，得到预期所需要的故障信号，为提高故障诊断的准确度奠定基础，同时也提升了后续故障诊断的精度。
[0014]2、对于降噪后的故障信号进行特征信息的提取，实现特征空间维数的压缩，即获取一组“少而精”且分类错误概率小的分类待征，便于后续的故障分类。本方法中采用奇异值分解和重构，来获取特征信息，奇异值分解具有很大的识别信息量、可靠性、尽可能强的独立性、损失的信息量尽可能的少等特点，非常适合液压阀的故障信号的特征提取，获取到的特征信息再进行后续的故障诊断步骤，从而提高故障诊断的准确度和精度，并且减少了大量无用的信息，也可以提升故障诊断的效率。
[0015]3、故障诊断步骤中采用门控循环神经网络模型进行故障诊断，相对于长短期记忆人工神经网络，门控循环神经网络模型中控制门减少。结构更简洁，参数的数量更少。在提高了效率的同时，与长短期记忆人工神经网络具有相似的效果。
[0016]综上所述，本方法既能提高故障诊断的准确度和精度，又能提升故障诊断的效率。
[0017]进一步，所述降噪步骤，包括：采用自相关函数对故障信号进行自相关降噪；
[0018]故障信号为连续信号，则自相关函数为：
[0019][0020]其中，x(t)为故障信号，x(t)*为x(t)的共轭，τ为故障信号的时间延迟量，T为故障信号的时间跨度；
[0021]故障信号为离散信号，则自相关函数为：
[0022][0023]其中，x(i)为故障信号，M为采样点数，f为采样数据间隔。
[0024]有益效果：自相关函数能针对不同的故障信号进行自相关降噪，并且自相关函数对工业上故障阀进行降噪处理，可以有效地消除信号中的随机噪声，突出周期冲击成分，达到良好的消噪效果。
[0025]进一步，所述特征提取步骤，包括：
[0026]S101、对降噪后的故障信号进行预处理并构造目标矩阵；
[0027]S102、对构造的目标矩阵进行奇异值分解；
[0028]S103、根据奇异值能量标准谱曲线进行重构，获取特征信息。
[0029]有益效果：在对故障信号进行奇异值分解之前，需要对降噪后的故障信号进行预处理并构造目标矩阵，以使后续能进行奇异值分解。
[0030]进一步，所述S101包括：对故障信号进行连续截断，并构造目标矩阵A。
[0031]有益效果：对故障信号进行连续截断，并构造目标矩阵，构成的目标矩阵故障信号分量之间具有正交性，并能最大限度地获取信号的时域波形，且能分辨出频率相近的两个故障信号分量。
[0032]进一步，所述S101包括：
[0033]对降噪后的故障信号进行预处理，获得分析信号X＝[x1,x2,
…
,x
N
]；
[0034]利用Hankel矩阵构造目标矩阵A：
[0035][0036]其中，1<n<N,m≥2,n≥2；且若N为奇数，则
[0037]若N为偶数，则
[0038]有益效果：通过Hankel矩阵构造目标矩阵，构成的目标矩阵故障信号分量之间不具有正交性，但是它能很好地描述微弱信号的特征，更适用于实际情况。
[0039]进一步，所述S102包括：
[0040]根据奇异值分解理论，对任意m
×
n目标矩阵A进行分解：
[0041]A＝U
·
Λ
·
V
T
[0042]其中，U为m
×
n的正交矩阵，V为m
×
n的正交矩阵，Λ为m
×
n的对角矩阵，且其中S＝diag(σ1,
…
,σ
r
)，σ1,
…
,σ
r
是目标矩阵A的所有非零奇异值，σ
r+1
＝
…
＝σ
n
＝0是目标矩阵A的所有零奇异值。
[0043]有益效果：为了减少信号噪声对特征提取的干扰且达到充分提取特征的目的，在实际应用时，行数n和列数m的乘积应该尽可能大，而m的值取决于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于门控循环神经网络的液压阀故障诊断方法，其特征在于：包括如下内容：采集步骤：采集液压阀的故障信号；降噪步骤：对故障信号进行自相关降噪；特征提取步骤：对降噪后的故障信号进行奇异值分解和重构，获取特征信息；故障诊断步骤：将获取的特征信息输入门控循环神经网络模型进行故障诊断，获取故障诊断结果。2.根据权利要求1所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述降噪步骤，包括：采用自相关函数对故障信号进行自相关降噪；故障信号为连续信号，则自相关函数为：其中，x(t)为故障信号，x(t)*为x(t)的共轭，τ为故障信号的时间延迟量，T为故障信号的时间跨度；故障信号为离散信号，则自相关函数为：其中，x(i)为故障信号，M为采样点数，f为采样数据间隔。3.根据权利要求1所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述特征提取步骤，包括：S101、对降噪后的故障信号进行预处理并构造目标矩阵；S102、对构造的目标矩阵进行奇异值分解；S103、根据奇异值能量标准谱曲线进行重构，获取特征信息。4.根据权利要求3所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述S101包括：对故障信号进行连续截断，并构造目标矩阵A。5.根据权利要求4所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述S101包括：对降噪后的故障信号进行预处理，获得分析信号X＝[x1,x2,
…
,x
N
]；利用Hankel矩阵构造目标矩阵A：其中，1<n<N,m≥2,n≥2；且若N为奇数，则若N为偶数，则6.根据权利要求5所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述S102包括：根据奇异值分解理论，对任意m
×
n目标矩阵A进行分解：
A＝U
·
Λ
·
V
T
其中，U为m
×
n的正交矩阵，V为m
×
n的正交矩阵，Λ为m
×
n的对角矩阵，且其中S＝diag(σ1,
…
,σ
r
)，σ1,
…
,σ
r
是目标矩阵A的所有非零奇异值，σ
r+1
＝
…
＝σ
n
＝0是目标矩阵A的所有零奇异值。7.根据权利要求6所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述S103包括：根据奇异值能量标准谱，确定故障信号的重构阶数S，S等于奇异值能量标准谱的曲线中拐点对应的S
i
，奇异值能量标准谱为保留目标矩阵A的前S个奇异值，将其他奇异值设置为零；根据奇异值分解逆过程重构目标矩阵A的最佳逼近矩阵A'，为特征信息。8.根据权利要求1所述的基于门控循环神经网络的液压阀故障诊断方...

【专利技术属性】
技术研发人员：任燕，张瑞，汤何胜，孙维方，向家伟，
申请(专利权)人：温州大学，
类型：发明
国别省市：