[发明专利]一种基于1DCNN-LSTM网络模型的液压机故障诊断方法

说明书

本发明公开了一种基于1DCNN‑LSTM网络模型的液压机故障诊断方法，属于液压机故障诊断方法领域，提高故障诊断的精度和速度等，与人工提取特征作为输入的神经网络不同，1DCNN采用原始的时域信号作为输入，大大简化了诊断的设计和应用；通过一维卷积长短期记忆（1DCNN‑LSTM）网络提取空间和时间特征，有效地提取更大范围的特征以此提高故障诊断率；在提出的解决方案中，LSTM层遵循一维卷积神经网络（1DCNN），这使LSTM层中的时间步数大大少于输入段的长度。因此，LSTM层的计算复杂度大大降低；为了克服深度学习模型非常依赖于专业知识以及人工调试，我们使用IWOA算法解决了1DCNN‑LSTM模型中自动选择超参数的问题。

技术领域

本发明涉及液压机故障诊断方法领域，尤其涉及一种基于1DCNN-LSTM网络模型的液压机故障诊断方法。

背景技术

随着工业信息化技术的不断发展进步，液压机越来越向着精密化，复杂化以及智能化方向发展，其在给人类生产生活创造便利的同时，也给液压机的故障诊断管理带来新的挑战，并且现有液压技术已经成为世界各国工业领域的关键技术之一，据不完全统计，现在95%以上的机械设备都采用液压技术和装置，液压机是各种高强度钢、碳素钢和合金钢的加工、锻压必须采用的核心装置，广泛使用在航空航天、钢材、大型轴承件、核工业、军事、船舶、起吊机、人造板等重工业领域的设备中，是能源、石油、冶金等国民经济支柱产业中的关键设备，一些液压机是工业体系和国防所需的战略装备，是国家发展大型军事装备和大型工业装备的基础设备，标志着国家综合生产能力与技术发展水平，其可靠性和安全运行性至关重要，一旦液压机发生故障而失效，则会影响整个生产系统的健康运行，导致严重的生产事件发生，更甚者会造成生命和财产的严重损失。

液压机实质是一个融机电液控于一体的系统，液压机故障具有隐蔽性、交错性、随机性、差异性等许多特点，故障停机不但降低了企业的生产效率，造成巨大的经济损失。在缺乏有效的故障诊断手段时，技术人员通常采用隔离法、逻辑分析法、元件对换法等进行故障定位。然而，即使经验丰富的技术人员也需要用较长的时间来查找故障。因此，基于数学分析的信号处理方法早期被广泛应用于液压机的故障诊断中。由于故障的多样性和复杂性，这些方法虽然在某些诊断问题上取得了显著的效果，但这些特征提取方法主要依靠专家知识，而且阈值很高，这些操作非常复杂和耗时，而采用1DCNN-LSTM网络提取空间和时间特征，有效地提取更大范围的特征以此提高故障诊断率；并且大大降低LSTM层的计算复杂度。

发明内容

本发明为解决上述问题，而提出的一种基于1DCNN-LSTM网络模型的液压机故障诊断方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于1DCNN-LSTM网络模型的液压机故障诊断方法，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（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（1DCNN-LSTM）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（IWOA）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。

优选地，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。

优选地，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。

优选地，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。