[发明专利]基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法

说明书

本发明提供一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，涉及液压缸泄漏的故障诊断技术领域，该方法包括：步骤S1：采集不同泄漏程度下液压缸的出口压力信号，构建初始样本集；步骤S2：对压力信号进行去噪，将压力信号分解为循环周期信号和残余信号；步骤S3：分别提取一阶循环频率特征CS1和二阶循环频率特征CS2，构成故障特征集；步骤S4：将故障特征集进行预处理，将预处理后的故障特征集作为训练数据，完成对模型的训练；步骤S5：根据得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的模型中，完成液压缸泄漏程度的故障诊断。本发明能够有更高的识别准确率。

技术领域

本发明涉及液压缸泄漏的故障诊断技术领域，具体地，涉及一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法。

背景技术

液压缸作为液压传动的执行元件，将油液的压力能转换成机械能并输出直线运动和力，液压缸的工作性能会直接影响整个液压系统可靠性。在液压缸可能发生的所有故障中，液压缸泄漏是最常见的故障模式，泄漏故障会导致液压系统中大量的压力能转换为热能，从而导致油温升高，严重影响液压系统的性能和效率，使液压缸出现爬行、动力不足、保压性能差等故障现象，影响设备运行过程的平稳性和可靠性。

公开号为CN108533573A的发明专利，公开了一种基于第二代小波的液压缸内泄漏故障诊断方法，通过液压缸两腔压力传感器采集液压缸两腔压力信号，对压力信号进行第二代小波降噪预处理，将处理后的压力信号进行四层第二代小波分解，对分解后得到的第二代小波细节系数cD4求取其均方根值并归一化，以此作为液压缸内泄漏故障特征参数。

现有技术当中存在液压缸故障特征提取不丰富导致的空化等级识别率低的问题，且传统的机器学习算法识别准确率较低，同时还存在人工分类的繁琐和计算耗时等问题。

发明内容

针对现有技术中的缺陷，本发明提供一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法。

根据本发明提供的一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，所述方案如下：

第一方面，提供了一种基于循环平稳理论和Stacking模型的液压缸泄漏故障诊断方法，所述方法包括：

步骤S1：采集不同泄漏程度下液压缸的出口处的压力信号，构建初始样本集；

步骤S2：对压力信号进行去噪，将压力信号分解为循环周期信号和残余信号；

步骤S3：对所述循环周期信号和残余信号分别提取一阶循环频率特征CS1和二阶循环频率特征CS2，包括信号的均值、方差、中心频率以及谱相关密度特征，构成故障特征集；

步骤S4：将故障特征集进行预处理，包括泄漏等级标记和数据标准化，将预处理后的故障特征集作为训练数据，完成模型的训练；

步骤S5：根据上述步骤得到待识别的液压缸压力信号的故障特征集，将故障特征集进行数据标准化后，输入到训练好的模型中，完成液压缸泄漏程度的故障诊断。

优选的，所述步骤S1包括：使用压力传感器分别采集不同泄漏程度下相同信号长度的液压缸出口压力信号；

将m个采样点划分为一个样本，从而构建出初始样本集，其中，m大于一个信号周期内包含的采样点。

优选的，所述步骤S2中，从压力信号中分离出循环周期信号和残余信号的可预测循环周期分量p[n]与残余分量r[n]；

p[n]与r[n]与压力信号具有相关性，其中，n表示循环频率特征的阶，n≥3。

优选的，所述步骤S3循环周期信号中信号的周期部分借助傅里叶频谱进行有效分析，而CS2特征的提取利用谱相关密度、循环谱相关性在内的信号分析工具。