[发明专利]液压缸故障诊断模型训练方法与液压缸故障诊断方法

说明书

本发明实施例提供一种液压缸故障诊断模型训练方法与液压缸故障诊断方法，属于液压故障诊断领域。方法包括：获取多个传感器的数据信号，其中，多个传感器用于采集液压缸的多类状态数据；对数据信号进行特征提取与故障类型标记，以获得特征向量集与故障类型标签，其中，故障类型标签包括单个故障与相关的特征向量的对应关系，以及耦合故障与相关的特征向量的对应关系；将特征向量集与故障类型标签输入待训练模型进行模型训练，以获得故障诊断模型；采用故障诊断模型根据获取的多个传感器的故障数据进行液压缸的故障分类。通过此方法可以克服现有的液压缸故障诊断技术无法进行液压缸耦合故障的诊断这一问题。

技术领域

本发明涉及液压故障诊断领域，具体地涉及一种液压缸故障诊断模型训练方法与液压缸故障诊断方法。

背景技术

液压缸作为工程机械设备的关键执行元件，作业环境、工作条件以及应用场景比较复杂，因此液压缸通常不仅仅出现单一的故障，也会出现多种故障并发的故障耦合现象。目前基于数据驱动的液压缸故障诊断技术仅针对出现的单一特定故障类型进行研究，而对液压缸出现的多样性的耦合故障进行自我诊断的领域仍是一个空白。

发明内容

本申请的目的是为了克服现有的液压缸故障诊断技术无法进行液压缸耦合故障的诊断这一问题，提供了一种液压缸故障诊断模型的训练方法，其特征在于，包括：

获取多个传感器的数据信号，其中，多个传感器用于采集液压缸的多类状态数据；

对数据信号进行特征提取与故障类型标记，以获得特征向量集与故障类型标签，其中，故障类型标签包括单个故障与相关的特征向量的对应关系，以及耦合故障与相关的特征向量的对应关系；

将特征向量集与故障类型标签输入待训练模型进行模型训练，以获得故障诊断模型。

在本申请的一个实施例中，待训练模型包括预训练模型与顶层分类器，将特征向量集与故障类型标签输入待训练模型进行模型训练，以获得故障诊断模型，包括：

步骤S310：将特征向量集输入由多层受限波尔兹曼机构成的预训练模型中进行预训练，以获得第二特征向量集；

步骤S320：将第二特征向量集和故障类型标签输入顶层分类器中进行迭代训练，直至满足预设的迭代训练完成条件；

步骤S330：根据完成迭代训练的顶层分类器输出的分类结果判断待训练模型的分类精度是否满足预设的第一精度要求，以及待训练模型的误差曲线是否收敛；

步骤S340：在分类精度满足第一精度要求且误差曲线收敛的情况下，待训练模型训练完成，获得故障诊断模型；

在在分类精度不满足第一精度要求或误差曲线未收敛的情况下，更换顶层分类器的类型，重复步骤S320与步骤S330。

在本申请的一个实施例中，步骤310包括：

将特征向量集输入预训练模型中；

判断预训练模型输出的重构向量集与特征向量集的误差是否满足预设的第二精度要求；

在重构向量集与特征向量集的误差不满足预设的第二精度要求的情况下，调整预训练模型的预设学习参数，重新进行预训练；

在重构向量集与特征向量集的误差满足预设的第二精度要求的情况下，将重构向量集作为第二特征向量集输出。

在本申请的一个实施例中，顶层分类器还包括用于分泌激素的内分泌腺体，激素用于对待训练模型中的神经元的输入进行调整，步骤S320包括：

将第二特征向量集和故障类型标签输入顶层分类器；

根据预设的误差函数、顶层分类器输出的分类结果以及故障类型标签确定误差值；

根据预设的浓度衰减函数与误差值调整激素的浓度；