基于多传感器信息的半监督学习液压换向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，具体为一种基于多传感器信息的半监督学习液压换向阀故障诊断方法，包括：S3、基于半监督学习的方法，通过分类模型分b次获取无标记数据的伪标签置信度；S4、通过DS证据理论融合不同类型的传感器采集的无标记数据的伪标签置信度，获取增强的伪标签置信度；S5、通过自定义的自适应阈值模型，筛选满足预设置信度阈值的伪标签数据；S6、将筛选出的伪标签数据和标记数据进行结合，更新分类模型；S7、判断分类模型是否满足预设结束条件，若是，则结束重复执行，输出分类模型，若否，则执行S3。本方案能获取足量高质量的伪标签，保障传感器获取准确的信息，以提升液压换向阀故障诊断的准确性和精度。压换向阀故障诊断的准确性和精度。压换向阀故障诊断的准确性和精度。

【技术实现步骤摘要】
基于多传感器信息的半监督学习液压换向阀故障诊断方法


[0001]本专利技术涉及故障诊断
，具体为一种基于多传感器信息的半监督学习液压换向阀故障诊断方法。

技术介绍

[0002]液压换向阀是液压系统中的重要元件之一，已经被广泛的应用于工业生产设备和航天设备之中。随着液压设备的不断智能化的更新换代，用户提出了对液压设备各元件自我诊断故障的要求，而液压换向阀落后的自我检测能力严重制约着其智能化的发展。液压换向阀作为液压系统的重要控制元件，保障其正常运行是保障整个液压系统正常工作的重中之重。所以对液压换向阀的工作状态进行实时监测，以便监测其早期发生微弱磨损是十分有价值和现实意义的。因此液压换向阀的故障诊断技术的发展对于保障液压系统和设备的正常运行有着重要的作用。
[0003]现有的液压换向阀的故障诊断方法中，基于数据驱动的故障诊断方因其无需复杂的公式建模却具备较高的诊断精度而备受欢迎。但是，基于数据驱动的故障诊断方对样本数据具有较强的依赖性，特别是其只利用标记数据，即监督学习。而实际生产中液压系统的带标记的故障数据获取代价昂贵、难度高，多数采集的数据为无标记数据，并不具备故障的标签。
[0004]因此，研究人员研究了无监督学习和半监督学习的故障诊断方法，通过无标记数据进行故障诊断，其原理是通过设置无标记数据的伪标签，使其能作为标记数据进行故障诊断，但是，基于伪标签的故障诊断方法往往会因为标记数据的过少、伪标签不准确和人为设置的伪标签的置信度阈值的差异，导致无法获取足够的高质量的伪标签，进而影响故障诊断的准确性。此外，过度和错误使用伪标签甚至会造成诊断模型的精度在不断的更新中程下降趋势。伪标签获取过程可以看作一次诊断的过程，伪标签的置信度受样本数据故障表达能力的限制。而且在液压领域中，由于故障隐蔽、流体和机械噪声干扰等多个因素，造成单传感器无法获取准确的信息，进一步影响了故障诊断的准确性。
[0005]因此现在急需一种基于多传感器信息的半监督学习液压换向阀故障诊断方法，能获取足量高质量的伪标签，保障传感器获取准确的信息，以提升液压换向阀故障诊断的准确性和精度。

技术实现思路

[0006]本专利技术意在提供一种基于多传感器信息的半监督学习液压换向阀故障诊断方法，能获取足量高质量的伪标签，保障传感器获取准确的信息，以提升液压换向阀故障诊断的准确性和精度。
[0007]本专利技术提供如下基础方案：基于多传感器信息的半监督学习液压换向阀故障诊断方法，包括如下内容：
[0008]S1、通过若干不同类型的传感器，采集液压换向阀故障数据，其中液压换向阀故障
数据，包括：标记数据和无标记数据；
[0009]S2、采用标记数据预训练分类模型；
[0010]S3、基于半监督学习的方法，通过分类模型分b次获取无标记数据的伪标签置信度；
[0011]S4、通过DS证据理论融合不同类型的传感器采集的无标记数据的伪标签置信度，获取增强的伪标签置信度；
[0012]S5、通过自定义的自适应阈值模型，筛选满足预设置信度阈值的伪标签数据；其中伪标签数据为包括无标记数据及其伪标签；
[0013]S6、将筛选出的伪标签数据和标记数据进行结合，更新分类模型；
[0014]S7、判断分类模型是否满足预设结束条件，若是，则结束重复执行，输出分类模型，若否，则执行S3。
[0015]说明：b为无标记样本的总数；
[0016]无标记样本是从无标记数据中选取的作为样本进行S3的无标记数据。
[0017]基础方案的有益效果：通过若干不同类型的传感器，采集液压换向阀故障数据，可以从多方位多类型进行故障数据的采集，以克服由于故障隐蔽、流体和机械噪声干扰等多个因素，造成单传感器无法获取准确的信息的问题，若干不同类型的传感器可以设置在不同位置，从而减少因单传感器自身差异和安装位置造成的液压换向阀故障数据采集不准确，进而导致故障诊断准确性降低的问题；
[0018]当然采集的液压换向阀故障数据，包括：标记数据和无标记数据；并且不同类型的传感器采集的数据类型不同，不能直接一起应用，因此本方案中首先采用标记数据预训练分类模型，使分类模型具备一定的准确度；然后基于半监督学习的方法，通过分类模型分b次获取无标记数据的伪标签置信度，增强分类模型的泛化能力；再然后通过DS证据理论融合不同类型的传感器采集的无标记数据的伪标签置信度，获取增强的伪标签置信度，使得不同类型的传感器采集的数据能够共同反应液压换向阀的故障；再然后通过自定义的自适应阈值模型，筛选满足预设置信度阈值的伪标签数据，自定义的自适应阈值模型中阈值是通过自适应获取的，减少了人为的干预，有助于增强半监督学习的稳定性，增强了自适应阈值模型的适用性，使得筛选出来的伪标签数据可靠性更高，进而再后续利用伪标签数据训练出的分类模型，其分类识别精度更高；
[0019]最后将筛选出的伪标签数据和标记数据进行结合，更新分类模型，并判断分类模型是否满足预设结束条件，若是，则结束重复执行，输出分类模型，若否，则执行S3；从而最大化利用无标记数据，同时也加快分类模型的迭代训练。因为未标记数据相比较标记数据更易获取，因此也减少了数据采集时消耗的人力物力资源。
[0020]综上所述，本方案能获取足量高质量的伪标签，保障传感器获取准确的信息，以提升液压换向阀故障诊断的准确性和精度。
[0021]进一步，所述传感器包括：压力传感器、加速度传感器和振动传感器。
[0022]有益效果：液压换向阀的故障信息不止可以被压力传感器捕获，而且还可以反映在振动信号中，因此传感器包括：加速度传感器和振动传感器，以检测振动信号获取液压换向阀的故障信息。
[0023]进一步，所述S2包括：
[0024]将标记数据V
train
及其标签Y
train
，作为分类模型的输入数据，对分类模型进行训练；
[0025]其中V
train
＝[v1,v2,v3,...,v
n
],v
i
∈R；
[0026]Y
train
＝[y1,y2,y3,...,y
n
],y
i
∈R。
[0027]有益效果：标记数据的数量一般较少，但是其包含大量准确的故障信息，因此采用标记数据及其标签作为分类模型的输入数据，对分类模型进行训练，提高分类模型的分别识别准确性。
[0028]进一步，所述S3包括：
[0029]分批次对无标记数据进行分类，通过softmax函数获取每个样本的所有故障的伪标签置信度；其中一个传感器采集的无标记数据作为一个样本；
[0030]无标记数据为：u
i
∈R；
[0031]P
i
＝[p1，p2,...p
k
]；
[0032]其中u
train
表示传感器采集的无标记数据，P是置信度矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多传感器信息的半监督学习液压换向阀故障诊断方法，其特征在于：包括如下内容：S1、通过若干不同类型的传感器，采集液压换向阀故障数据，其中液压换向阀故障数据，包括：标记数据和无标记数据；S2、采用标记数据预训练分类模型；S3、基于半监督学习的方法，通过分类模型分b次获取无标记数据的伪标签置信度；S4、通过DS证据理论融合不同类型的传感器采集的无标记数据的伪标签置信度，获取增强的伪标签置信度；S5、通过自定义的自适应阈值模型，筛选满足预设置信度阈值的伪标签数据；其中伪标签数据为包括无标记数据及其伪标签；S6、将筛选出的伪标签数据和标记数据进行结合，更新分类模型；S7、判断分类模型是否满足预设结束条件，若是，则输出分类模型，若否，则执行S3。2.根据权利要求1所述的基于多传感器信息的半监督学习液压换向阀故障诊断方法，其特征在于：所述传感器包括：压力传感器、加速度传感器和振动传感器。3.根据权利要求2所述的基于多传感器信息的半监督学习液压换向阀故障诊断方法，其特征在于：所述S2包括：将标记数据V
train
及其标签Y
train
，作为分类模型的输入数据，对分类模型进行训练；其中V
train
＝[v1,v2,v3,...,v
n
],v
i
∈R；Y
train
＝[y1,y2,y3,...,y
n
],y
i
∈R。4.根据权利要求3所述的基于多传感器信息的半监督学习液压换向阀故障诊断方法，其特征在于：所述S3包括：分批次对无标记数据进行分类，通过softmax函数获取每个样本的所有故障的伪标签置信度；其中一个传感器采集的无标记数据作为一个样本；无标记数据为：无标记数据为：其中u
train
表示传感器采集的无标记数据，P是置信度矩阵，作为伪标签置信度，大小为m*k，P
i
是单个置信度，p1是该样本的所有故障的置信度，k表示故障的类别数，n
m
是无标记样本个数。5.根据权利要求4所述的基于多传感器信息的半监督学习液压换向阀故障诊断方法，其特征在于：所述S4包括：获取DS证据理论中的可能性的集合：其中A
i<...

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