[發明專利]一種結合多通道殘差與深度學習的作動器故障診斷方法

有效

• 申請號: 202010815291.5
• 申請日: 2020-08-13
• 公開（公告）號: CN111946695B
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 苗強;苗建國;王劍宇;羅沖;嚴幸友
• 申請（專利權）人: 四川大學
• 主分類號: F15B19/00
• 分類號: F15B19/00
• 代理公司: 北京勁創知識產權代理事務所(普通合伙) 11589
• 代理人: 王鴻

1.一種結合多通道殘差與深度學習的作動器故障診斷方法，其特征在于，在作動器系統中設置N個M通道傳感器，所述的診斷方法包括以下步驟：

步驟1：對作動器的輸入指令和N個傳感器輸出的N*M通道信號進行數據采集，獲取故障狀態和正常狀態的指令信號和傳感器信號N*M通道數據序列；將正常狀態下的數據分為第一數據樣本和第二數據樣本；

步驟2：構造和調整N個神經網絡觀測器，采用所述第一數據樣本的數據對所述的神經網絡觀測器進行模型訓練，采用所述第二數據樣本的數據測試所述模型的精度；

步驟3：多通道殘差生成；具體地，將正常狀態和多種故障狀態的輸入指令和N個M通道傳感器的輸出信號輸入所述的神經網絡觀測器，將所述神經網絡觀測器輸出的估計值與各通道實際輸出的值進行比較，計算每種狀態下的N*M個通道的殘差值序列；

步驟4：殘差特征提取；堆疊自編碼器對步驟3中獲得的每種狀態下的N*M個通道的殘差數據進行特征提取，獲取各種狀態下相應的N*M通道殘差特征序列；

步驟5：多通道殘差特征融合；具體地，將步驟4中獲取的N*M個通道殘差特征序列進行特征融合，獲得多個融合樣本，并進行歸一化處理；將每種狀態下的融合樣本分為第三數據樣本和第四數據樣本；

步驟6：深度學習模型構建；構造一維深度學習模型，采用所述第三數據樣本對所述一維深度學習模型進行模型訓練，所述第四數據樣本用來測試模型的精度；

步驟7：故障診斷：采用如上步驟1-6構建的故障診斷模型對所述作動器進行故障診斷；

其中，N和M為大于等于2的自然數。

2.如權利要求1所述的一種結合多通道殘差與深度學習的作動器故障診斷方法，其特征在于，所述步驟7中，將所述步驟4中獲取的N*M通道殘差特征序列通過劃窗進行數據增強，劃窗窗口大小為i個點，每次劃窗平移j個點，最終單個通道獲取的k個樣本，并將N*M通道數據進行融合，獲得k個數據長度為N*M*i的融合樣本，進行歸一化處理。

3.如權利要求1所述的一種結合多通道殘差與深度學習的作動器故障診斷方法，其特征在于，所述的具有M個通道的傳感器包括力馬達電流傳感器、直驅閥位移傳感器和作動筒位移傳感器。

4.如權利要求1所述的一種結合多通道殘差與深度學習的作動器故障診斷方法，其特征在于，所述的M取4。

5.如權利要求1所述的一種結合多通道殘差與深度學習的作動器故障診斷方法，其特征在于，所述步驟3中，輸入指令f，f+1，f+2，...,f+n，以及相應的傳感器測量信號f’，f+1’，f+2’，...,f+n’，將上述輸入指令和相應的傳感器測量信號同時輸入到所述的神經網絡觀測器進行模型訓練，訓練好模型后，輸入指令f+n+1，f+n+2，f+n+3...f+m所述神經網絡觀測器輸出該狀態下的估計值σ1,σ2，σ3，...σm，將上述估計值與該通道相應指令下的實際輸出值進行比較，得到該狀態下該通道的殘差值序列A1，A2，A3，...，Am；其中，f為樣本序號，n和m為常數。

6.如權利要求5所述的一種結合多通道殘差與深度學習的作動器故障診斷方法，其特征在于，所述步驟6中，深度學習方法為長短時記憶神經網絡或卷積神經網絡。