[发明专利]基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法

说明书

本发明涉及一种基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法，包括使用压力传感器采集故障油压信号，再对油压信号使用欧氏距离与标准样本计算相似度，进行分割获得数据样本；对数据样本按照故障的状态类型贴上对应的标签之后，再按照一定的比例划分为训练集和测试集；用训练数据对模型进行训练；利用上述训练模型对所述变速箱进行故障检测。本发明的有益效果为：能够实时、准确、自动地识别当前液压系统的状态，从而有效维护变速箱正常运转。

技术领域

本发明涉及无级变速箱故障诊断技术领域，尤其涉及到一种基于BiCNN_LTSM模型的液压功率分流无级变速箱换段液压系统故障诊断方法。

背景技术

相比于传统的变速箱，液压功率分流无级变速箱(HMCVT)系统更加庞大、结构复杂，且容易出现故障。某些初始故障如果不及时定位和消除，可能会发展成为功能障碍，甚至导致危险状况。为了确保其运行状态的可靠性，必须对其运行状态进行监测并对故障模式进行识别，及时诊断和排除故障，确保系统稳定和人身安全。HMCVT的传动系统较为复杂，但总体上可以分为机械子系统与液压子系统。机械系统故障主要为齿轮、轴承故障，一般通过采集和分析振动信号的方法进行辨识；液压系统故障包括泵-马达系统故障与离合器液压系统故障，可通过分析其油压、流量、功率等实测数据进行辨识。

传统HMCVT的故障诊断是由具有丰富相关知识的维修人员根据以往经验或者对其拆解进行故障的排除和修理，维护周期长，对维修人员的知识储备要求高。因此我们希望在人工智能的帮助下，实现其健康状态的自动检测和识别。智能故障诊断是机器学习在故障诊断中的应用，这是一种很有前途的方式来解放劳动力，自动识别机器的健康状态，因此在过去的二三十年中备受关注。尽管不再需要人工检查故障，但特征提取仍依赖人工劳动。而且传统的机器学习理论由于泛化性能较差，不适用于日益增长的数据，降低了诊断准确率。

近年来，深度学习理论的出现使得故障诊断领域出现了新的变革。通过深度学习模型获取能更有效表示原始数据的特征，构建端到端的诊断流程，进一步解放了人类劳动。然而目前对液压功率分流无级变速箱可靠性方面的研究较少，缺乏对其故障诊断的实用方法。

发明内容

本发明针对现有技术的不足，提供一种基于BiCNN_LTSM模型的液压功率分流无级变速箱换段液压系统故障诊断方法，解决了目前对液压功率分流无级变速箱(HMCVT)故障诊断多是依赖人工、缺乏智能故障诊断的技术问题。

本发明是通过如下技术方案实现的，提供一种基于BiCNN_LTSM模型的液压功率分流无级变速箱故障诊断方法，包括以下步骤：

S1：采集不同工况下的液压系统的油压信号，并通过欧氏距离与标准样本计算相似度，分割获得数据样本；

S2：构建BiCNN_LTSM模型，用训练数据对模型进行训练，用测试数据样本对模型进行测试，最终获取BiCNN_LTSM模型；

S3：利用所述BiCNN_LTSM模型对待检测的样本进行故障诊断。

作为优化，所述BiCNN_LTSM模型中拥有两个不同尺度的并行的CNN分支，整个网络层包括CNN层、BN(Batch Normalization)层、池化层、LSTM层和全连接层。

作为优化，BiCNN_LTSM模型包括两个不同尺度并行的CNN分支和一个LSTM层，两个并行的CNN分支各自包括两层一维卷积：第一分支的第一卷积层的卷积核大小设置为1，卷积核的数量设置为16，步长为1；第一分支的第二卷积层的卷积核大小设置为1，卷积核的数量设置为128，步长为1；第二分支的第一卷积层的卷积核大小设置为4，卷积核的数量设置为16，步长为1；第二分支的第二卷积层的卷积核大小设置为4，卷积核的数量设置为128，步长为1；一维卷积神经网络均采用Same填充；LSTM层神经元个数为256。通过不同尺度的卷积提取粗、细两种粒度的特征，放大和细化有用的信息，将提取到的两个维度特征进行融合，结合LSTM网络来捕捉这些特征中的时间动态信息。