[发明专利]一种结合多通道残差与深度学习的作动器故障诊断方法

说明书

本发明属于一种机械装备故障诊断方法，提供一种结合多通道残差和深度学习的作动器故障诊断的方法。利用系统正常状态下不同传感器的输入输出数据训练多个神经网络观测器，然后根据系统实际输入输出数据生成多通道残差，并对多通道残差进行特征提取和融合，最后利用深度学习训练诊断模型实现故障诊断。多通道残差使得数据结构简约化的同时保留了故障特征信息，并且减小了传统模型方法对专家知识和经验的依赖。此外，多源信息、多通道残差特征提取和深度学习故障诊断能够充分利用多传感器的数据特征信息和深度学习的复杂数据处理优势，能够实现多冗余结构的作动器故障诊断并提高作动器故障诊断的准确率。

技术领域

本发明属于一种机械装备故障诊断方法，尤其涉及一种结合多通道残差和深度学习的作动器故障诊断的方法。

背景技术

电动静液作动器具有输出力大、精度高、响应速度快等多种优势，其被广泛运用于航空、舰船和交通等众多领域，是保障这些重大装备安全可靠运行的重要运动执行部件。

作动器的性能可靠性直接影响装备的任务品质，目前大多数装备通过采用电气或机械多余度来提高作动器系统的可靠性。但是仍不可避免会有故障发生，为实现故障判别并降低维护成本，故障诊断技术被广泛用来提高作动器的可靠性。

目前故障诊断的方法主要有基于模型的方法和数据驱动的方法。其中基于模型的方法一般需要建立与系统一致的输入和输出的模型，通过观测器或滤波器获得系统的估计输出，进一步对比估计输出和实际系统输出获得残差，最后判断残差是否超过相应的故障阈值来实现故障诊断。该方法依赖于专家知识和经验，并且通常每一种故障都要建立一个滤波器以实现故障的快速检测，对于较多故障来说需要滤波器个数将会相当庞大。而作动器有多种反馈用途的传感器且传感器具有多个电气冗余通道，构成了多源复杂数据，采用传统的观测器或滤波器显然不能满足这种多源复杂数据的处理。

数据驱动的故障诊断算法包括基于信号处理的方法和基于人工智能的方法。由于作动器系统结构复杂，基于信号处理的方法分析较为困难。深度学习算法具有较强的特征提取能力和非线性拟合能力，能够实现对复杂数据的处理，但是由于从多源传感器获得的原始数据含有太多的干扰，如果直接用来训练模型，无法取得较好的诊断结果，不利于发挥深度学习的优势。

综上所述，目前的故障诊断方法均不能很好的适用于作动器这种多源复杂的系统结构，并且故障诊断的精度有待提高。

发明内容

为了解决现有技术存在的技术问题，本发明提供一种结合多通道残差与深度学习的作动器故障诊断方法，具体地，

一种结合多通道残差与深度学习的作动器故障诊断方法，如图1所示，其特征在于，在作动器系统中设置N个M通道传感器，所述的诊断方法包括以下步骤：

步骤1：对作动器的输入指令和N个传感器输出的N*M通道信号进行数据采集，获取故障状态和正常状态的指令信号和传感器信号N*M通道数据序列；将正常状态下的数据分为第一数据样本和第二数据样本；

步骤2：构造和调整N个神经网络观测器，采用所述第一数据样本的数据对所述的神经网络观测器进行模型训练，采用所述第二数据样本的数据测试所述模型的精度；

步骤3：多通道残差生成；具体地，将正常状态和多种故障状态的输入指令和N个M通道传感器的输出信号输入所述的神经网络观测器，将所述神经网络观测器输出的估计值与各通道实际输出的值进行比较，求得每种状态下的N*M个通道的残差值序列；

步骤4：残差特征提取；堆叠自编码器对步骤3中获得的每种状态下的N*M个残差数据进行特征提取，获取各种状态下相应的N*M通道残差特征序列；

步骤5：多通道残差特征融合；具体地，将步骤4中获取的N*M通道残差特征序列进行特征融合，获得多个融合样本，并进行归一化处理；将每种状态下的融合样本分为第三数据样本和第四数据样本；