[發明專利]一種基于指標的深度信念網絡的軸向柱塞泵多故障診斷方法

在審

• 申請號: 201810725071.6
• 申請日: 2018-07-04
• 公開（公告）號: CN109002847A
• 公開（公告）日: 2018-12-14
• 發明（設計）人: 向家偉;王淑慧;蔣勇英;鐘永騰
• 申請（專利權）人: 溫州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 溫州名創知識產權代理有限公司 33258
• 代理人: 陳加利

本發明涉及一種基于指標的深度信念網絡軸向柱塞泵多故障診斷方法。首先預定義各類已知故障類型的故障模式，并采集各個故障類型的原始振動信號；其次對原始振動信號做時域統計量分析、頻域統計量分析、以及時頻域的能量分析，得到時域指標、頻域指標和時頻域指標，形成每一個故障模式的指標數據集；然后，構建出所有已知故障模式的指標數據集，作為訓練樣本，輸入至深度信念網絡中實現模式特征的自動學習；最后將未知故障模式的指標數據集作為測試樣本，輸入到訓練好的深度信念網絡模型，實現對需要監測的未知故障類型的模式識別。本發明方能夠有效地解決軸向柱塞泵的多故障識別問題，為軸向柱塞泵的故障診斷提供了一種新的解決方法。

技術領域

本發明屬于機械設備故障診斷領域，具體是指一種基于指標的深度信念網絡的軸向柱塞泵多故障診斷方法。

背景技術

液壓傳動系統在現代工業中占有重要地位，是一種現代設備不可或缺的重要的動力裝置，其結構形式復雜、多樣。近幾十年來，液壓系統狀態監測也受到越來越多的關注。軸向柱塞泵是常用的液壓泵，據統計，液壓傳動系統的機械設備發生的故障中，液壓泵故障最為常見，它的缺陷將導致設備停機，造成重大的經濟損失甚至傷亡。因此，準確、有效地檢測出液壓泵的故障已成為保證液壓系統安全可靠運行的一項緊迫任務。

然而，軸向柱塞泵的工作環境復雜，其故障信息極易被各種強背景噪聲所掩蓋。另外，研究表明軸向柱塞泵中許多不同故障的特征頻率是相同的，在這種情況下，不管采用多么先進信號處理技術，特征匹配都無法成功。此外，軸向柱塞泵作為機電液系統中的關鍵部件，大多數故障的故障機理不明確，要想通過信號處理手段將提取的故障特征與理論的故障特征進行匹配幾乎不可能。

深度信念網絡(Deep Belief Networks,DBNs)，本質上是一種人工神經網絡模型，它將信號用概率分布表達，通過逐級構建兩層神經網絡模型，形成堆疊的限制性玻爾茲曼機(Restricted Boltzmann Machine,RBM)，最后由BP(Back Propogation)網絡微調，微調整個層級結構，從而實現特征自學習和模式識別。然而，由于原始信號本身數據維度大，增加了深度信念網絡特征自學習的難度。

發明內容

本發明的目的是為了克服現有技術存在的缺點和不足，而提供一種基于指標的深度信念網絡的軸向柱塞泵多故障診斷方法，通過該方法極大地提高了深度信念網絡的特征學習能力，并成功用于解決軸向柱塞泵的多故障診斷。

為實現上述目的，本發明的技術方案是包括：

S1:預定義各類軸向柱塞泵已知故障類型的故障模式，并采集各個故障類型的原始振動信號；

S2:對原始振動信號做時域統計量分析、頻域統計量分析、以及時頻域能量分析，建立對應每一個故障模式的指標數據集；

S3:利用時域指標、頻域指標和時頻域指標構建所有已知故障類型的故障模式的訓練樣本，輸入至深度信念網絡中實現模式特征的自動學習，獲得已知故障模式的診斷模型；

S4:對需要監測的故障信號建立時域、頻域和時頻域的指標數據集，構造測試樣本，輸入已知診斷模型，最終確定出故障類型。

進一步設置是所述的步驟S2具體包括：

(1)計算九個時域指標，得到時域指標數據集如下：

T＝[I₁ I₂ I₃ I₄ I₅ I₆ I₇ I₈ I₉] (1)