[發(fā)明專利]一種結(jié)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?zhí)枺?/td>: 202010815291.5
• 申請日: 2020-08-13
• 公開（公告）號: CN111946695B
• 公開（公告）日: 2021-06-18
• 發(fā)明（設(shè)計）人: 苗強;苗建國;王劍宇;羅沖;嚴幸友
• 申請（專利權(quán)）人: 四川大學
• 主分類號: F15B19/00
• 分類號: F15B19/00
• 代理公司: 北京勁創(chuàng)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11589
• 代理人: 王鴻

本發(fā)明屬于一種機械裝備故障診斷方法，提供一種結(jié)合多通道殘差和深度學習的作動器故障診斷的方法。利用系統(tǒng)正常狀態(tài)下不同傳感器的輸入輸出數(shù)據(jù)訓練多個神經(jīng)網(wǎng)絡(luò)觀測器，然后根據(jù)系統(tǒng)實際輸入輸出數(shù)據(jù)生成多通道殘差，并對多通道殘差進行特征提取和融合，最后利用深度學習訓練診斷模型實現(xiàn)故障診斷。多通道殘差使得數(shù)據(jù)結(jié)構(gòu)簡約化的同時保留了故障特征信息，并且減小了傳統(tǒng)模型方法對專家知識和經(jīng)驗的依賴。此外，多源信息、多通道殘差特征提取和深度學習故障診斷能夠充分利用多傳感器的數(shù)據(jù)特征信息和深度學習的復雜數(shù)據(jù)處理優(yōu)勢，能夠?qū)崿F(xiàn)多冗余結(jié)構(gòu)的作動器故障診斷并提高作動器故障診斷的準確率。

技術(shù)領(lǐng)域

本發(fā)明屬于一種機械裝備故障診斷方法，尤其涉及一種結(jié)合多通道殘差和深度學習的作動器故障診斷的方法。

背景技術(shù)

電動靜液作動器具有輸出力大、精度高、響應速度快等多種優(yōu)勢，其被廣泛運用于航空、艦船和交通等眾多領(lǐng)域，是保障這些重大裝備安全可靠運行的重要運動執(zhí)行部件。

作動器的性能可靠性直接影響裝備的任務(wù)品質(zhì)，目前大多數(shù)裝備通過采用電氣或機械多余度來提高作動器系統(tǒng)的可靠性。但是仍不可避免會有故障發(fā)生，為實現(xiàn)故障判別并降低維護成本，故障診斷技術(shù)被廣泛用來提高作動器的可靠性。

目前故障診斷的方法主要有基于模型的方法和數(shù)據(jù)驅(qū)動的方法。其中基于模型的方法一般需要建立與系統(tǒng)一致的輸入和輸出的模型，通過觀測器或濾波器獲得系統(tǒng)的估計輸出，進一步對比估計輸出和實際系統(tǒng)輸出獲得殘差，最后判斷殘差是否超過相應的故障閾值來實現(xiàn)故障診斷。該方法依賴于專家知識和經(jīng)驗，并且通常每一種故障都要建立一個濾波器以實現(xiàn)故障的快速檢測，對于較多故障來說需要濾波器個數(shù)將會相當龐大。而作動器有多種反饋用途的傳感器且傳感器具有多個電氣冗余通道，構(gòu)成了多源復雜數(shù)據(jù)，采用傳統(tǒng)的觀測器或濾波器顯然不能滿足這種多源復雜數(shù)據(jù)的處理。

數(shù)據(jù)驅(qū)動的故障診斷算法包括基于信號處理的方法和基于人工智能的方法。由于作動器系統(tǒng)結(jié)構(gòu)復雜，基于信號處理的方法分析較為困難。深度學習算法具有較強的特征提取能力和非線性擬合能力，能夠?qū)崿F(xiàn)對復雜數(shù)據(jù)的處理，但是由于從多源傳感器獲得的原始數(shù)據(jù)含有太多的干擾，如果直接用來訓練模型，無法取得較好的診斷結(jié)果，不利于發(fā)揮深度學習的優(yōu)勢。

綜上所述，目前的故障診斷方法均不能很好的適用于作動器這種多源復雜的系統(tǒng)結(jié)構(gòu)，并且故障診斷的精度有待提高。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)存在的技術(shù)問題，本發(fā)明提供一種結(jié)合多通道殘差與深度學習的作動器故障診斷方法，具體地，

一種結(jié)合多通道殘差與深度學習的作動器故障診斷方法，如圖1所示，其特征在于，在作動器系統(tǒng)中設(shè)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(shù)據(jù)采集，獲取故障狀態(tài)和正常狀態(tài)的指令信號和傳感器信號N*M通道數(shù)據(jù)序列；將正常狀態(tài)下的數(shù)據(jù)分為第一數(shù)據(jù)樣本和第二數(shù)據(jù)樣本；

步驟2：構(gòu)造和調(diào)整N個神經(jīng)網(wǎng)絡(luò)觀測器，采用所述第一數(shù)據(jù)樣本的數(shù)據(jù)對所述的神經(jīng)網(wǎng)絡(luò)觀測器進行模型訓練，采用所述第二數(shù)據(jù)樣本的數(shù)據(jù)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(tài)和多種故障狀態(tài)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(jīng)網(wǎng)絡(luò)觀測器，將所述神經(jīng)網(wǎng)絡(luò)觀測器輸出的估計值與各通道實際輸出的值進行比較，求得每種狀態(tài)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(tài)下的N*M個殘差數(shù)據(jù)進行特征提取，獲取各種狀態(tài)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(tài)下的融合樣本分為第三數(shù)據(jù)樣本和第四數(shù)據(jù)樣本；