基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法技术

本发明专利技术涉及一种基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法，包括使用压力传感器采集故障油压信号，再对油压信号使用欧氏距离与标准样本计算相似度，进行分割获得数据样本；对数据样本按照故障的状态类型贴上对应的标签之后，再按照一定的比例划分为训练集和测试集；用训练数据对模型进行训练；利用上述训练模型对所述变速箱进行故障检测。本发明专利技术的有益效果为：能够实时、准确、自动地识别当前液压系统的状态，从而有效维护变速箱正常运转。运转。运转。

【技术实现步骤摘要】
基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法


[0001]本专利技术涉及无级变速箱故障诊断
，尤其涉及到一种基于BiCNN_LTSM模型的液压功率分流无级变速箱换段液压系统故障诊断方法。

技术介绍

[0002]相比于传统的变速箱，液压功率分流无级变速箱(HMCVT)系统更加庞大、结构复杂，且容易出现故障。某些初始故障如果不及时定位和消除，可能会发展成为功能障碍，甚至导致危险状况。为了确保其运行状态的可靠性，必须对其运行状态进行监测并对故障模式进行识别，及时诊断和排除故障，确保系统稳定和人身安全。HMCVT的传动系统较为复杂，但总体上可以分为机械子系统与液压子系统。机械系统故障主要为齿轮、轴承故障，一般通过采集和分析振动信号的方法进行辨识；液压系统故障包括泵
‑
马达系统故障与离合器液压系统故障，可通过分析其油压、流量、功率等实测数据进行辨识。
[0003]传统HMCVT的故障诊断是由具有丰富相关知识的维修人员根据以往经验或者对其拆解进行故障的排除和修理，维护周期长，对维修人员的知识储备要求高。因此我们希望在人工智能的帮助下，实现其健康状态的自动检测和识别。智能故障诊断是机器学习在故障诊断中的应用，这是一种很有前途的方式来解放劳动力，自动识别机器的健康状态，因此在过去的二三十年中备受关注。尽管不再需要人工检查故障，但特征提取仍依赖人工劳动。而且传统的机器学习理论由于泛化性能较差，不适用于日益增长的数据，降低了诊断准确率。
[0004]近年来，深度学习理论的出现使得故障诊断领域出现了新的变革。通过深度学习模型获取能更有效表示原始数据的特征，构建端到端的诊断流程，进一步解放了人类劳动。然而目前对液压功率分流无级变速箱可靠性方面的研究较少，缺乏对其故障诊断的实用方法。

技术实现思路

[0005]本专利技术针对现有技术的不足，提供一种基于BiCNN_LTSM模型的液压功率分流无级变速箱换段液压系统故障诊断方法，解决了目前对液压功率分流无级变速箱(HMCVT)故障诊断多是依赖人工、缺乏智能故障诊断的技术问题。
[0006]本专利技术是通过如下技术方案实现的，提供一种基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法，包括以下步骤：
[0007]S1：采集不同工况下的液压系统的油压信号，并通过欧氏距离与标准样本计算相似度，分割获得数据样本；
[0008]S2：构建BiCNN_LTSM模型，用训练数据对模型进行训练，用测试数据样本对模型进行测试，最终获取BiCNN_LTSM模型；
[0009]S3：利用所述BiCNN_LTSM模型对待检测的样本进行故障诊断。
[0010]作为优化，所述BiCNN_LTSM模型中拥有两个不同尺度的并行的CNN分支，整个网络
层包括CNN层、BN(Batch Normalization)层、池化层、LSTM层和全连接层。
[0011]作为优化，BiCNN_LTSM模型包括两个不同尺度并行的CNN分支和一个LSTM层，两个并行的CNN分支各自包括两层一维卷积：第一分支的第一卷积层的卷积核大小设置为1，卷积核的数量设置为16，步长为1；第一分支的第二卷积层的卷积核大小设置为1，卷积核的数量设置为128，步长为1；第二分支的第一卷积层的卷积核大小设置为4，卷积核的数量设置为16，步长为1；第二分支的第二卷积层的卷积核大小设置为4，卷积核的数量设置为128，步长为1；一维卷积神经网络均采用Same填充；LSTM层神经元个数为256。通过不同尺度的卷积提取粗、细两种粒度的特征，放大和细化有用的信息，将提取到的两个维度特征进行融合，结合LSTM网络来捕捉这些特征中的时间动态信息。
[0012]作为优化，构建BiCNN_LTSM模型的具体步骤包括：
[0013]Sp1：构建第一分支的第一层卷积神经网络，并在第一卷积层之后加入Relu激活函数、引入最大池化层；
[0014]Sp2：在Sp1之后引入第一分支的第二层卷积神经网络，并在第二卷积层之后依次加入Relu激活函数、BN层、最大池化层；
[0015]Sp3：在Sp2之后引入第二分支的第一层卷积神经网络，并在第一卷积层之后依次加入Relu激活函数、引入最大池化层；
[0016]Sp4：在Sp3之后引入第二分支的第二层卷积神经网络，并在第二卷积层之后依次加入Relu激活函数、BN层、最大池化层；
[0017]Sp5：在Sp4之后引入LSTM层，并在LSTM层之后，引入Dropout，之后使用全连接层对输出的特征进行映射。
[0018]作为优化，全连接层的神经元个数设置为64。
[0019]作为优化，分类层的神经元个数等于液压系统采集的工况类别总数，采用Softmax激活函数。
[0020]作为优化，训练BiCNN_LTSM模型，包括以下方面：
[0021]在训练BiCNN_LTSM模型的过程中采用指数衰减学习率，先使用较大的学习率快速得到一个较优的解，随着迭代的继续，逐步减小学习率，获得最终学习率：
[0022]η＝η0×
ζ(global
step
/decay_step)
[0023]其中η0为初始学习率，η为最终学习率，ζ为衰减率，decay_step为衰减速度，global
step
为当前迭代次数；
[0024]在训练BiCNN_LTSM模型的过程中使用回调函数，包括Checkpoint保存最优模型和EarlyStopping防止过拟合以及ReduceLROnPlateau自适应调整学习率；
[0025]在训练BiCNN_LTSM模型的过程中使用Adma优化器和交叉熵损失函数，利用梯度下降算法更新网络权重，直到触发回调函数终止训练，得到BiCNN_LTSM训练模型。
[0026]作为优化，BiCNN_LTSM模型中指数衰减初始化学习率η0设置为0.01，衰减率ζ设置为0.90，回调函数每十轮保存一次最优模型。
[0027]本专利技术的有益效果为：适用于对液压功率分流无级变速箱的故障诊断，能够实时、准确、自动地识别当前液压系统的状态，从而有效维护变速箱正常运转，解决了现有技术中依赖人工、自动化程度低的技术问题。
附图说明
[0028]包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本专利技术的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的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：
[0029]图1是根据本专利技术的一个实施例的一种基于BiCNN_LTSM模型的液压功率分流无级变速箱换段液压系统故障诊断方法的流程图；
[0030]图2是根据本专利技术的一个具体的实施例的BiCNN_LTSM模型的框架图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法，其特征在于，包括以下步骤：S1：采集不同工况下的液压系统的油压信号，并通过欧氏距离与标准样本计算相似度，分割获得数据样本；S2：构建BiCNN_LTSM模型，用训练数据对模型进行训练，用测试数据样本对模型进行测试，最终获取BiCNN_LTSM模型；S3：利用所述BiCNN_LTSM模型对待检测的样本进行故障诊断。2.根据权利要求1所述的基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法，其特征在于，所述BiCNN_LTSM模型中拥有两个不同尺度的并行的CNN分支，整个网络层包括CNN层、BN(Batch Normalization)层、池化层、LSTM层和全连接层。3.根据权利要求2所述的基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法，其特征在于，BiCNN_LTSM模型包括两个不同尺度并行的CNN分支和一个LSTM层，两个并行的CNN分支各自包括两层一维卷积：第一分支的第一卷积层的卷积核大小设置为1，卷积核的数量设置为16，步长为1；第一分支的第二卷积层的卷积核大小设置为1，卷积核的数量设置为128，步长为1；第二分支的第一卷积层的卷积核大小设置为4，卷积核的数量设置为16，步长为1；第二分支的第二卷积层的卷积核大小设置为4，卷积核的数量设置为128，步长为1；一维卷积神经网络均采用Same填充；LSTM层神经元个数为256。4.根据权利要求3所述的基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法，其特征在于，构建BiCNN_LTSM模型的具体步骤包括：Sp1：构建第一分支的第一层卷积神经网络，并在第一卷积层之后加入Relu激活函数、引入最大池化层；Sp2：在Sp1之后引入第一分支的第二层卷积神经网络，并在第二卷积层之后依次加入Relu激活函数、BN层、最大池化层；Sp3:在Sp2之后引...

【专利技术属性】
技术研发人员：王光明，薛丽君，丁徐前，殷子晨，李子昂，
申请(专利权)人：山东农业大学，
类型：发明
国别省市：