【技术实现步骤摘要】
本专利技术涉及液压缸故障诊断，尤其涉及一种基于时空流网络的多模型融合液压缸故障诊断方法。
技术介绍
1、液压系统已经广泛应用于机械制造，建筑设备和土木工程等各个领域，随着这些领域的自动化程度不断提高，越来越多的故障出现在设备当中，由于液压缸是液压系统中一个很重要的部件，液压缸中的故障往往导致整个系统性能的恶化，造成巨大的经济损失和时间成本，所以液压系统的故障诊断日益成为国内外学者的研究焦点。
2、液压系统中的液压缸由于长期在比较恶劣的工作条件下做高强度的往复运动，难免会出现各种各样的故障，比较典型的故障有内外泄漏故障，活塞运动摩擦力增加，液压油中气体或者杂质渗入，以及各种组合故障和其他运动部件对液压缸造成故障等等。
3、液压缸中的这些故障往往很难检测，若液压缸一处发生关键故障，有可能产生一系列连锁反应，导致整个设备甚至整个生产过程不能运行，造成巨大的经济损失或灾难性的人员伤亡和社会影响。在当今技术竞争日趋激烈的环境中，工业企业成功所必需的关键因素之一是产品制造运行过程中的质量控制，同时要使设备具有较高的安全性、可靠性和保障性。
4、而在实际工程中所能采集到故障工况下的数据远远少于正常工况的，直接用不平衡的训练集去训练模型会导致权值分布偏向于样本数多的类别，从而降低故障诊断的准确度。
技术实现思路
1、1.要解决的技术问题
2、本专利技术的目的是为了解决现有技术中采集到故障工况下的数据远远少于正常工况的，直接用不平衡的训练集去训练模型会
3、2.技术方案
4、为了实现上述目的，本专利技术采用了如下技术方案：
5、一种基于时空流网络的多模型融合液压缸故障诊断方法，包括以下步骤：
6、步骤1：采集不同状态下液压缸不同位置的压力、流量等监测数据，包括正常状态和各种故障状态，利用不平衡的样本数据集训练cgan网络，来合成所需故障工况下的样本，解决数据不平衡的问题；
7、步骤2：对步骤1中的数据集通过重叠样本分割技术实现多元时间序列数据集增强，获得用于训练的故障样本库；
8、步骤3：将步骤2中多元时间序列数据分别输入lstm网络和cnn网络进行特征提取，并将提取的特征进行融合，放进fc中进行进一步的特征压缩和提取，使得提取出的特征同时具有时间和空间特征；将所提取的特征通过反向转播(bp)进行训练，直至获得最优模型参数，训练过程采用softmax函数完成；
9、步骤4：故障诊断过程采用ga-svm分类器进行故障分类，ga以预测的准确率作为目标函数，以优化svm的惩罚因子c和核函数参数g，将时空流网络融合模型提取的特征输入到ga-svm分类器进行液压缸在线故障诊断。
10、优选地，所述步骤1中液压缸各种状态下故障数据的获取，获取的液压缸主要参数包括：腔室a内压力，腔室b内压力，腔室a内压力的变化率，腔室b内压力变化率，活塞运动位置，活塞运动位置变化率，端口a流量和端口b流量等8个参数。
11、优选地，所述步骤2时序数据增强采用窗口移位技术分割原始数据集，计算公式如下：
12、
13、式中，h为信号总长度，h为单位样本长度，m为窗口移位长度，n为当前信号长度可分割样本数量，表示向下取整。
14、优选地，所述步骤3的cnn网络由两层一维cnn和两层池层组成，cnn卷积核的长度与多元时间序列的变量个数相同，设置卷积核大小为lx8；每层cnn插入一个池层，所使用的池化方法是最大值池化法，最后在平坦层展开；lstm网络由两个lstm层依次堆叠而成，然后通过扁平坦层扩展，以便以后进行特征融合；最后将cnn网络和lstm网络的输出进行拼接融合，放入fc进行进一步的特征提取和压缩。
15、优选地，所述步骤4的ga-svm分类器是ga以预测的准确率作为目标函数，以优化svm的惩罚因子c和核函数参数g，将时空流网络融合模型提取的特征输入到ga-svm分类器进行液压缸在线故障诊断。
16、优选地，所述步骤4中采用二叉树结构的svm诊断模型，通过多个svm分类器串联而成，利用ga来优化svm的惩罚因子c和核函数g，适应度数定义如下：
17、
18、yi(x)＝yi(wxi)≥1 (3)
19、式中，w为惯性权重，用于调节对解空间的搜索范围；fi(x)表示预测值，yi(x)表示真实值，m为总迭代次数，更新粒子c和g的状态，直到达到最大迭代次数或满足收敛条件，得到c和g的最优值后，最终分类的svm公式如下：
20、
21、
22、式中，k(x,xi)为该分类问题的核函数；α＞0,i＝1,2,...,l为largrange系数；xr和xs为所分特征中任意一对支持向量；最后将待诊断的数据输入到训练好的模型中，得出故障分类结果，即可完成故障的诊断。
23、3.有益效果
24、相比于现有技术，本专利技术的优点在于：
25、(1)本专利技术中，针对实际工程中故障工况下的数据远远少于正常工况下的数据的问题，利用cgan网络来合成所需故障工况下的样本，平衡数据集；针对lstm提取时间序列数据的高维特征和多尺度特征能力不足的问题，采用lstm网络和cnn网络分别对多元时间序列进行特征提取，在flatten层及特征融合层进行展平融合，并通过fc实现映射操作，最后采用dropout策略与ga-svm分类层实现故障诊断。
26、(2)本专利技术中，与传统的单一网络模型或者用多个不同类别的网络串联实现序贯堆叠模型相比，时空流网络融合模型可以有效提取特征，并结合ga-svm分类层准确地识别每个故障的类别。
本文档来自技高网...【技术保护点】
1.一种基于时空流网络的多模型融合液压缸故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时空流网络的多模型融合液压缸故障诊断方法，其特征在于，所述步骤1中液压缸各种状态下故障数据的获取，获取的液压缸主要参数包括：腔室A内压力，腔室B内压力，腔室A内压力的变化率，腔室B内压力变化率，活塞运动位置，活塞运动位置变化率，端口A流量和端口B流量等8个参数。
3.根据权利要求1所述的一种基于时空流网络的多模型融合液压缸故障诊断方法，其特征在于，所述步骤2时序数据增强采用窗口移位技术分割原始数据集，计算公式如下：
4.根据权利要求1所述的一种基于时空流网络的多模型融合液压缸故障诊断方法，其特征在于，所述步骤3的CNN网络由两层一维CNN和两层池层组成，CNN卷积核的长度与多元时间序列的变量个数相同，设置卷积核大小为lx8；每层CNN插入一个池层，所使用的池化方法是最大值池化法，最后在平坦层展开；LSTM网络由两个LSTM层依次堆叠而成，然后通过扁平坦层扩展，以便以后进行特征融合；最后将CNN网络和LSTM网络的输出进行拼接融合，放
5.根据权利要求1所述的一种基于时空流网络的多模型融合液压缸故障诊断方法，其特征在于，所述步骤4的GA-SVM分类器是GA以预测的准确率作为目标函数，以优化SVM的惩罚因子C和核函数参数g，将时空流网络融合模型提取的特征输入到GA-SVM分类器进行液压缸在线故障诊断。
6.根据权利要求5所述的一种基于时空流网络的多模型融合液压缸故障诊断方法，其特征在于，所述步骤4中采用二叉树结构的SVM诊断模型，通过多个SVM分类器串联而成，利用GA来优化SVM的惩罚因子C和核函数g，适应度数定义如下：
...【技术特征摘要】
1.一种基于时空流网络的多模型融合液压缸故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时空流网络的多模型融合液压缸故障诊断方法，其特征在于，所述步骤1中液压缸各种状态下故障数据的获取，获取的液压缸主要参数包括：腔室a内压力，腔室b内压力，腔室a内压力的变化率，腔室b内压力变化率，活塞运动位置，活塞运动位置变化率，端口a流量和端口b流量等8个参数。
3.根据权利要求1所述的一种基于时空流网络的多模型融合液压缸故障诊断方法，其特征在于，所述步骤2时序数据增强采用窗口移位技术分割原始数据集，计算公式如下：
4.根据权利要求1所述的一种基于时空流网络的多模型融合液压缸故障诊断方法，其特征在于，所述步骤3的cnn网络由两层一维cnn和两层池层组成，cnn卷积核的长度与多元时间序列的变量个数相同，设置卷积核大小为...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。