[发明专利]一种基于空洞卷积神经网络的液压阀故障诊断方法

权利要求书

1.一种基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：包括：

S1、采用三组异质传感器，采集液压换向阀的故障数据，其中每组异质传感器中包括两个同质传感器；

S2、对每一传感器采集的故障数据进行分割和极坐标变换，将为1D信号的故障数据转为2D的图像；

S3、对每一图像进行冗余处理，并对两个同质传感器的图像进行融合，获得包含两个同质传感器的故障数据的图像；

S4、构建空洞卷积神经网络模型，将图像通过空洞卷积神经网络模型进行训练，使空洞卷积神经网络模型能够进行故障分类；

S5、根据故障分类的精度对空洞卷积神经网络模型的参数和结构进行调整，得到局部网络结构最优的空洞卷积神经网络模型；

S6、利用训练好的空洞卷积神经网络模型对液压换向阀进行故障诊断。

2.根据权利要求1所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：异质传感器包括压力传感器、流量传感器和加速度传感器。

3.根据权利要求1所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述S2包括：

S201、分割每个传感器采集的故障数据，得到时间序列信号X＝{x₁,x₂,…,x_n}；

S202、采用将X的数据范围缩放到[-1,1]或[0,1]；

S203、采用转换公式，将缩放后的X转换到极坐标系统中，即将X的数值看作夹角余弦值，时间戳看作半径，转换公式为：

式中，t_i是时间戳，N是一个常数因子，用于正则化极坐标系的跨度；

S204、通过计算不同点之间的角度和或角度差，以识别不同时间间隔内的时间相关性，得到图像，其中角度和采用GASF，角度差采用GADF：

式中，I为单位行向量[1,1,…,1]，为X的数据对应的特征形成的向量，为的转置矩阵，为的转置矩阵。

4.根据权利要求1所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述S3包括：

S301、经过分割和极坐标变换获得的2D的图像为对角对称的图像，且图像中包含一半的冗余信息，去除对角线一侧的冗余信息；

S302、将去除了冗余信息的图像与同组的另一同质传感器的已去除冗余信息的图像进行合成，获得数据融合后的图像，即包含两个同质传感器的故障数据的图像。

5.根据权利要求1所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述空洞卷积神经网络模型包括空洞卷积层、池化层、全连接层和输出层；

所述S4、将图像通过空洞卷积神经网络模型进行训练，使空洞卷积神经网络模型能够进行故障分类，包括：

S401、将每组异质传感器的故障数据融合后的图像作为空洞卷积神经网络模型的输入，并依次利用空洞卷积层和池化层对图像进行特征提取，得到图像的特征图的缩放映射；

S402、利用与空洞卷积层连接的全连接层整合空洞卷积层或者池化层中的具有类别区分性的特征信息；

S403、将全连接层的值传递到输出层，输出层采用Softmax逻辑回归进行故障分类。

6.根据权利要求5所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述空洞卷积层的数学模型为在中注入一个距离为参数d的空隙；式中：M_j为输入图像；l为第l层网络；k为卷积核；b为网络偏置；为l层输入；f(·)为激活函数。

7.根据权利要求6所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述池化层的神经元的计算方法为：

式中:down(·)为子采样函数；β为网络乘性偏置。

8.根据权利要求7所述的基于空洞卷积神经网络的液压阀故障诊断方法，其特征在于：所述空洞卷积层的数学模型中的激活函数和全连接层神经元的激活函数均选用PReLU函数：