振动特征与深度学习融合的液压柱塞泵智能故障识别方法技术

本发明专利技术提供了一种振动信号时频特征与深度学习模型相融合的液压柱塞泵智能故障识别方法，包括原始信号获取：选用多传感器采集液压柱塞泵不同状态的多源振动一维时域信号；信号预处理与分析：通过时频分析方法，将时域信号转换为时频域特征图谱，按比例构建样本库；深度学习模型搭建及训练验证：构建深度学习网络模型，进行训练和测试，采用Dropout策略，基于优化算法优化网络结构，保存最优模型及参数并用测试样本集进行验证；故障类型识别：将预处理后的振动信号进行数据增强，图像调整为合适大小输入到模型中，输出故障状态标签值，获得故障类型识别结果。本发明专利技术方法能够实现故障特征提取，智能高效地识别出液压柱塞泵典型故障。障。障。

【技术实现步骤摘要】
振动特征与深度学习融合的液压柱塞泵智能故障识别方法


[0001]本专利技术涉及液压元件智能故障识别
，尤其涉及振动信号时频特征与深度学习模型相融合的液压柱塞泵智能故障识别方法。

技术介绍

[0002]液压柱塞泵为整个液压传动系统提供动力，被喻为液压系统的“心脏”，广泛应用于工程机械、航空航天、船舶重工、深海勘探等国防和工业装备领域。液压柱塞泵在工作过程中，运行时间长、工作负载大、且工作环境恶劣，极易发生故障，一旦发生故障，轻则振动、噪声增加，降低工作效率，造成停机；重则引发机毁人亡等灾难事故，造成巨大的生命财产损失。
[0003]由于流体的压缩性、泵源与液压回路的流固耦合作用以及液压泵本身具有的固有机械振动，使得液压泵的故障机理复杂，故障特征信号微弱，利用常规的故障识别方法难以有效提取故障信息，很难对液压泵的早期故障作出识别。另外，随着液压技术不断朝着高精尖的方向发展，泵的结构越来越复杂，应用要求逐渐增多，液压柱塞泵作为液压系统的核心动力元件，对其故障识别技术和方法提出了更高的要求。利用人工智能方法识别和预测柱塞泵的运行状态，对其进行故障识别已成为旋转机械故障识别领域的重点研究方向，此类方法不仅具有自适应与自学习的优点，而且在液压柱塞泵故障识别中表现出了较高的检测率与鲁棒性。
[0004]液压柱塞泵的故障识别技术相对于其他领域机械设备的故障识别技术起步较晚，目前在国内外诸多学者的不断研究下逐步趋于成熟，传统的故障识别方法基于专家知识经验，虽然可以通过故障案例完成对故障的识别，但是存在主观性，普适性较弱；现代的故障识别方法基于浅层网络模型进行智能故障识别时，不能有效捕捉特征信息，泛化能力弱、故障识别精度低。深度学习理论作为模式识别和机器学习领域的崭新研究成果，基于此建立自学习网络模型进行故障识别在一定程度上克服了上述方法存在的不足，但其在液压柱塞泵智能故障识别方面的应用还较为鲜见。另外，液压柱塞泵实际应用环境具有复杂性，在自然环境测试中，正常运行以及发生故障的液压柱塞泵都会使设备产生振动，这种振动信号中包含了丰富的泵体运行状态信息，而且易于采集，振动特性的分析可以很好地反映液压柱塞泵设备的运转状况，同时不同类型、不同部位的故障会产生不同特征的振动，对振动信号进行监测并进行分析处理，可较好地实现对液压柱塞泵的多源状态特征提取和高精度故障识别。

技术实现思路

[0005]针对现有技术中存在的不足，本专利技术提供了一种振动信号时频特征与深度学习模型相融合的液压柱塞泵智能故障识别方法，可排除潜在故障威胁，降低故障造成损失，实现液压柱塞泵典型故障类别的高精度智能识别。
[0006]本专利技术是通过以下技术手段实现上述技术目的的。
[0007]一种振动信号时频特征与深度学习模型相融合的液压柱塞泵智能故障识别方法，主要包括以下模块：
[0008]1.原始信号获取：针对液压柱塞泵故障隐蔽性、复杂性等特点，选用多个振动加速度传感器，分别安装在液压柱塞泵壳体端盖的不同方向，采集反映液压柱塞泵正常状态和故障状态的多源振动一维时域信号，作为原始状态数据；
[0009]2.信号预处理与分析：选用时频分析方法，将采集到的振动一维时域信号转换到二维时频域进行分析，凸显隐含特征信息，构建时频特征样本库；按照一定比例对样本库进行划分，随机选取一部分作为训练样本，其余作为测试样本；
[0010]3.深度学习模型搭建及训练验证：构建深度学习网络模型，随机初始化模型参数，用训练样本对模型进行训练，然后将测试样本输入模型进行评估；采用Dropout策略进行梯度更新，基于Adam优化算法联合动量和RMSprop算法对模型进行网络参数调整，优化网络结构；模型及参数达到最优时，保存模型及参数并用测试样本进行验证；
[0011]4.故障类型识别：将预处理后的振动信号进行数据增强，将输入时频特征图像调整为合适大小输入到深度学习模型中，故障识别模型输出状态标签值，既可直接获得最终的故障类型识别结果。
[0012]所述构建的故障识别模型包括：输入层、卷积层A、最大池化层A、卷积层B、最大池化层B、卷积层C、卷积层D、卷积层E、最大池化层C、全连接层A、全连接层B和分类层；其中，信号预处理后所得二维时频图从输入层输入；卷积层A、最大池化层A、卷积层B、最大池化层B、卷积层C、卷积层D、卷积层E以及最大池化层C部分对输入样本进行特征提取；全连接层A、全连接层B和分类层完成对故障类型的识别。
[0013]进一步的，卷积层A、卷积层B、卷积层C、卷积层D和卷积层E的卷积核个数分别为43、116、192、192、128个，全连接层A和全连接层B的学习率为0.00014，载有线性整流函数，神经元数目分别为1674、1431个。
[0014]输入层的输入数据是3通道时频特征图，长和宽为224
×
224；卷积层A的步长为1，由43个大小为5
×
5卷积核组成，载有线性整流函数；卷积层B的步长为1，由116个大小为5
×
5卷积核组成，载有线性整流函数；卷积层C的步长为1，由192个大小为3
×
3卷积核组成，载有线性整流函数；卷积层D的步长为1，由192个大小为5
×
5卷积核组成，载有线性整流函数；卷积层E的步长为1，由128个大小为5
×
5卷积核组成，载有线性整流函数；最大池化层A由43个尺寸为3
×
3的池化核组成，无激活函数；最大池化层B由116个尺寸为3
×
3的池化核组成，无激活函数；最大池化层C由128个尺寸为3
×
3的池化核组成，无激活函数；全连接层A由1674个节点组成，载有线性整流函数；全连接层B由1431个节点组成，载有线性整流函数；分类层由5个节点组成。
[0015]进一步的，利用同步压缩小波变换方法将液压柱塞泵的振动一维时域信号变换到二维时频域后，作为输入层数据样本；输入层样本经卷积层A特征提取后，载有线性整流函数，增加神经网络各层之间的非线性关系，卷积层A输出特征进而传递至最大池化层A进行特征选择和信息过滤；最大池化层A输出数据经卷积层B特征提取后，载有线性整流函数，增加神经网络各层之间的非线性关系，卷积层B输出特征进而传递至最大池化层B进行特征选择和信息过滤；最大池化层B输出数据经卷积层C特征提取后，载有线性整流函数，增加神经网络各层之间的非线性关系，卷积层C输出特征进而传递至卷积层D、卷积层E继续进行特征
提取，经卷积层E特征提取后，载有线性整流函数，增加神经网络各层之间的非线性关系，卷积层E输出特征进而传递至最大池化层C进行特征选择和信息过滤；最大池化层C选择和过滤后的输出数据经展平处理后被传递至全连接层A进行特征提取，采用Dropout策略，经全连接层A特征提取后，载有线性整流函数，增加神经网络各层之间的非线性关系，全连接层A输出数据被传递至全连接层B进行特征提取，采用Dropout策略，经全连接层B特征提取后，载有线性整流函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种振动信号时频特征与深度学习模型相融合的液压柱塞泵智能故障识别方法，主要包括以下步骤：原始信号获取：针对液压柱塞泵故障隐蔽性、复杂性等特点，选用多个振动加速度传感器，分别安装在液压柱塞泵壳体端盖的不同方向，采集液压柱塞泵正常状态和故障状态的多源振动一维时域信号，作为原始状态数据；信号预处理与分析：选用时频分析方法，将采集到的多源振动一维时域信号转换为二维时频域进行分析，凸显隐含特征信息，构建时频特征样本库；按照一定比例对样本库进行划分，随机选取一部分作为训练样本，其余作为测试样本；深度学习模型搭建及训练验证：构建深度学习网络模型，随机初始化模型参数，用训练样本对模型进行训练，然后将测试样本输入模型进行评估；采用Dropout策略进行梯度更新，基于Adam优化算法联合动量和RMSprop算法对模型调整网络参数，优化网络结构，模型及参数达最优时，保存模型及参数并用测试样本进行验证；故障类型识别：将预处理后的振动信号进行数据增强，将输入图像调整为合适大小输入到深度学习网络模型中，故障识别模型输出状态标签值，既可直接获得最终的故障类型识别结果。2.根据权利要求1所述的振动信号时频特征与深度学习模型相融合的液压柱塞泵智能故障识别方法，其特征在于，构建的故障识别模型包括：输入层、卷积层A、最大池化层A、卷积层B、最大池化层B、卷积层C、卷积层D、卷积层E、最大池化层C、全连接层A、全连接层B和分类层；其中，信号预处理后所得二维时频图从输入层输入；卷积层A、最大池化层A、卷积层B、最大池化层B、卷积层C、卷积层D、卷积层E以及最大池化层C部分对输入样本进行特征提取；全连接层A、全连接层B和分类层完成对故障类型的识别。3.根据权利要求2所述的振动信号时频特征与深度学习模型相融合的液压柱塞泵智能故障识别方法，卷积层A、卷积层B、卷积层C、卷积层D和卷积层E的卷积核个数分别为43、116、192、192、128个，全连接层A和全连接层B的学习率为0.00014，载有线性整流函数，神经元数目分别为1674、1431个；输入层的输入数据是3通道时频特征图，长和宽为224
×
224；卷积层A的步长为1，由43个大小为5
×
5卷积核组成，载有线性整流函数；卷积层B的步长为1，由116个大小为5...

【专利技术属性】
技术研发人员：朱勇，苏红，汤胜楠，高强，吴卿轶，
申请(专利权)人：江苏大学，
类型：发明
国别省市：