关键词:
状态监测
深度学习
注意力机制
多尺度空洞卷积
多任务学习
摘要:
液压系统作为工程和制造领域中不可或缺的组成部分,其能否正常运行直接影响到设备稳定性和生产连续性。因此,对液压系统进行运行状态监测并及时维护至关重要。近年来,随着传感器技术与人工智能技术的发展,液压系统的状态监测逐渐趋于智能化,但目前仍存在着一些问题:第一,对于液压系统的状态监测过于依赖单一传感器,然而单个传感器能够反馈的信息量有限,现有方法整合多传感器数据时效率较低且对于长期依赖关系建模效果不佳。第二,大多数研究仅针对单一液压元件进行监测诊断,忽略了系统内部元件之间的关联性,并且对于状态更为细化且相互耦合的液压元件,传统算法通过简单堆叠网络层的方式无法较为有效地提取不同传感器的信息,导致模型在特征融合方面受到限制。针对以上问题,本文基于深度学习开展液压系统的状态监测工作,主要研究内容如下:
(1)针对传统方法整合多传感器数据效率较低并且对于长期依赖关系建模不足的问题,提出一种基于TCN-MHSA(Temporal Convolutional Network with Multi-Head Self-Attention)的液压系统状态监测方法。首先设计多尺度因果膨胀卷积构成时间卷积网络,以有效处理长期依赖关系而不受限于局部感受野;然后,将多头自注意力机制引入时间卷积网络,使其能够更好地捕获多传感器数据之间存在的非线性关系和高度交互模式,从而提高模型的表征能力和泛化能力。实验结果表明,所提出的方法在液压系统状态监测任务上表现出色,并通过消融实验和对比实验,验证了该方法的有效性。
(2)针对液压系统元件之间存在相互作用和耦合而导致其状态监测困难的问题,提出一种基于MSDD-CMT(Multi-Scale Dilated Dense Net with CBAM and Multi-Task Learning)及多任务协同算法优化的液压元件状态监测方法。首先设计多尺度空洞卷积模块提取多传感器信号特征,并将该模块通过密集连接的方式组成密集空洞卷积层,在增大模型感受野的同时缓解梯度消失现象;在每层密集空洞卷积层后加入卷积注意力机制来提升特征提取过程中网络对空间和通道信息的理解;此外,在网络的输出层采用多任务学习机制来提升诊断效率并增强模型的泛化能力;最后,采取梯度优化策略消除多任务训练所导致梯度上的冲突问题,实现了对多个元件状态的同时监测。通过模块与优化策略的消融实验以及与主流模型的对比实验,验证了该模型能够有效完成对多个液压元件的监测任务。
(3)针对算力有限的场景下大参数量模型部署困难的问题,提出一种基于多尺度深度可分离卷积的轻量化元件监测模型。该模型以密集空洞卷积层构成的网络为主体,将多尺度卷积结构改进为多尺度深度可分离卷积结构,使得卷积操作被分成深度卷积和逐点卷积两步,分别针对通道和空间维度进行处理,从而大幅度减少了模型的参数量和计算量。通过对比验证了轻量化模型在参数量和大小都减小的情况下仍能够维持基本性能。最后基于PyQT5工具,采用MVC架构设计液压系统状态监测软件。