[发明专利]一种基于1DCNN-LSTM网络模型的液压机故障诊断方法

权利要求书

1.一种基于1DCNN-LSTM网络模型的液压机故障诊断方法，其特征在于，包括以下步骤：

S1：采集液压机故障信号；

S2：制作模型训练数据集，数据集包括训练集和测试集，并进行分类和标记；

S3：通过一维卷积长短期记忆网络提取液压机故障信号特征；

S4：采用改进的鲸鱼优化算法优化1DCNN-LSTM网络超参数；

S5：利用Softmax作为分类器，并对深度网络模型进行训练和验证；

S6：将测得信号输入模型获得故障类型信息。

2.根据权利要求1所述的一种基于1DCNN-LSTM网络模型的液压机故障诊断方法，其特征在于：所述步骤S1中采集的液压机故障信号包括故障模式下的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况和振动信号。

3.根据权利要求2所述的一种基于1DCNN-LSTM网络模型的液压机故障诊断方法，其特征在于：所述液压压力信号通过PPM-T322H压力传感器采集，所述液压流量信号通过FT-330型传感器采集，所述振动信号通过SG2000振动传感器采集。

4.根据权利要求1所述的一种基于1DCNN-LSTM网络模型的液压机故障诊断方法，其特征在于：所述步骤S1中所采集各种故障模式下的故障信号不少于100组，其中80%故障信号作为训练集，20%故障信号作为验证集，分别对所述的训练集进行标记。

5.根据权利要求1所述的一种基于1DCNN-LSTM网络模型的液压机故障诊断方法，其特征在于：所述步骤S3的一维卷积长短期记忆（1DCNN-LSTM）网络包括一维卷积神经网络和长短期记忆神经网络；所述的一维卷积神经网络不少于1个卷积模块，所述的卷积模块包含卷积层、池化层及批标准化；将所述的故障信号输入到1DCNN-LSTN模型中通过卷积层学习故障信号的特征量，再通过池化层实现故障特征量的重构，批标准化对每一隐含层进行标准化处理；随后将重构的特征量输入LSTM网络，通过LSTM网络对特征时序信息进行二次提取；经过LSTM处理的特征量输入到Global Average Pooling layer实现对特征向量降维。

6.根据权利要求1所述的一种基于1DCNN-LSTM网络模型的液压机故障诊断方法，其特征在于：所述步骤S4的将1DCNN-LSTM算法需要优化的超参数映射到IWOA优化算法中，利用得到的测试集分类精度作为IWOA优化算法的适应度函数。

7.根据权利要求1所述的一种基于1DCNN-LSTM网络模型的液压机故障诊断方法，其特征在于：所述步骤S5的Softmax分类器将故障分为异常下滑、压机不提升、不加压、不保压和保压压力异常5种模式，分别用F1、F2、F3、F4和F5一一对应表示。

8.如权利要求1所述的一种基于1DCNN-LSTM网络模型的液压机故障诊断方法，其特征在于：所述步骤S5中对深度网络模型进行训练和验证的损失函数如下：

其中，为事件的概率，为事件的信息量，为进行卷积处理后的第i个特征向量。

9.应用于一种基于1DCNN-LSTM网络模型的液压机故障诊断方法的液压机故障诊断系统，其特征在于：包括液压机故障信号采集系统，故障识别系统和液压机控制系统；所述液压机故障信号采集系统包含PPM-T322H压力传感器，FT-330型流量传感器和SG2000振动传感器采集。

10.根据权利要求9所述的一种基于1DCNN-LSTM网络模型的液压机故障诊断系统，其特征在于：所述的故障识别系统由PC机或FPGA处理卡作为1DCNN-LSTM网络模型的处理模块，所述故障识别系统输入端与所述的液压机故障信息采集系统相接，输出段与所述的液压机控制系统相接。