关键词:
液压系统
多源信息融合
故障诊断
卷积神经网络
集成学习
摘要:
液压系统作为现代机械设备的核心装置,被广泛应用于农业生产、工业制造、交通运输等领域。由于其长期处在恶劣环境和复杂的工作条件下,各个组件较于其他机械设备更加难以直观的观察和监测,这导致液压系统故障具有独特的特征和规律。与其他机械故障相比,液压系统故障更加难以定位,故障发生具有随机性,故障模式更加多样化,因此及时准确地识别液压系统中的故障类型,有利于降低运行成本,增强系统的稳定性和可靠性。然而目前在液压系统故障诊断方面仍还有许多问题亟待解决:首先,大部分研究过度依赖振动分析,无法充分利用系统中的多物理参数信息确保诊断的准确性。其次,目前液压系统大量的研究仅限于处理来自单个传感器的数据,它们可能无法对具有多传感器数据的复杂系统产生良好的诊断性能。针对上述问题,本文的研究内容如下:(1)基于卷积神经网络多源信息油液系统故障诊断研究。深度学习可以通过自动学习的方式来从原始数据中进行特征提取和特征选择,并用于分类、回归和预测任务。卷积神经网络作为深度学习中最有效的算法之一,既能有效避免数据预处理过程中造成的信息损失,保证数据的真实性,又能在具有深度网络的复杂系统中构建输入-输出关系。因此,本文将黏度、水分、酸值、污染度这四个油液理化指标直接作为卷积神经网络的输入以全面反映油液的状态信息,输出“正常”或“故障”类别的概率,成功构建了油液数据与液压系统故障之间的映射模型,将提出的模型与BP神经网络、支持向量机诊断模型在故障诊断准确性方面进行比较,通过实验验证得到所提出方法的诊断精度高于其它方法,平均诊断精度可以达到94.3%。(2)基于Blending集成学习的多源信息液压系统多类故障诊断研究。集成学习用一种组合策略将弱而独立的模型集成在一起,以获得比单个模型更准确的结果。Blending方法作为集成学习中一种有效的组合策略可以使用不同类型、不同结构、不同参数设置的基本模型,从而获得多样性模型组合,提高系统对状态的适应性和泛化能力。因此,本文利用多源信息对卷积神经网络模型进行预训练,获得多个预训练的卷积神经网络模型,结合基于随机森林元学习器的Blending集成学习方法将预先训练的卷积神经网络模型集成在一起,以获得用于液压系统多类故障诊断模型,完成对液压系统多类故障的诊断。通过对液压系统实验台测得的数据进行验证,实验结果表明,该模型在液压系统多类故障诊断中达到96.9%的准确率。