[發明專利]基于多模態同源特征和XGBoost模型的電靜液作動器故障識別方法

有效

• 申請號: 202110431264.2
• 申請日: 2021-04-21
• 公開（公告）號: CN113191232B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 丁建軍;賀梓洲;仙丹;劉陽鵬;李濤;白楊
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/24;G06F18/2431;G01D21/02;F04B17/03;F04B51/00
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 閔岳峰

1.基于多模態同源特征和XGBoost模型的電靜液作動器故障識別方法，其特征在于，首先對大數據時代采集到的電靜液作動器振動信號、壓力信號與電流信號進行數據集切分構建原始樣本集，并對其劃分訓練集和測試集；其次對樣本集數據分別提取多模態同源特征，即時域模態、頻域模態、小波包模態和改進希爾伯特黃模態，最終構建得到更具魯棒性的高維特征向量，進而利用XGBoost模型結合高維多模態同源特征與XGBoost模型，在訓練集上進行XGBoost模型超參數n_trees、n_depth和n_{learning_rates}的微調，最終基于最優XGBoost模型在訓練集上進行XGBoost模型泛化性能評估并實現電靜液作動器故障識別；該方法具體包含以下步驟：

步驟1、采集電靜液作動器電機電流、電機泵殼體振動信號與液壓泵出油口壓力信號的正常狀態與非正常狀態下數據，并進行數據集切分構建原始樣本集，并劃分訓練集和測試集；

步驟2、三種信號的訓練集和測試集數據都分別進行基于時域、傅里葉變換、小波包分解和改進希爾伯特黃變換的處理，對處理結果進行統計特征參數的特征提取；小波包分解層數為3層，引入自適應白噪聲的完備集合經驗模態分解改進希爾伯特黃變換模態，能夠克服傳統希爾伯特黃變換模態使用的經驗模式分解模態混疊和集合經驗模態分解過程不具完整性、分解效率低的問題；

改進希爾伯特黃變換中自適應白噪聲的完備集合經驗模態分解具體步驟如下：

步驟2.1、令S(t)為原始振動信號序列，Nⁱ(t)為總共I次實驗中第i次試驗中添加的具有標準正態分布的高斯白噪聲序列，ε_k表示第k個模態分量的信噪比系數,初值k＝1，則第k個模態分量源信號Xⁱ(t)為：

Xⁱ(t)＝S(t)+ε_kNⁱ(t)

步驟2.2、基于上述i個源信號Xⁱ(t)分別確定信號的所有極大值、極小值點，分別用三次樣條曲線求出每個源信號Xⁱ(t)的上、下包絡線，再求取上包絡線與下包絡線的均值序列Mⁱ(t)；

步驟2.3、每個源信號Xⁱ(t)分別減去自己的上、下包絡均值序列Mⁱ(t),基本模態分量序列Hⁱ(t)：

Hⁱ(t)＝Xⁱ(t)-Mⁱ(t)

步驟2.4、檢查每個Hⁱ(t)是否滿足基本模態分量的兩個條件，如果單個Hⁱ(t)不滿足，就把單個Hⁱ(t)作為待處理信號重復上述步驟2.2、2.3直到每個Hⁱ(t)都是一個基本模態分量，則基本模態分量IMF_j(t)；

步驟2.5、此時k＝k+1，j＝j+1，余量信號序列R(t)；

步驟2.6、把R(t)作為新的“原始”信號S(t)重復上述操作，直到迭代終止；

步驟3、對電靜液作動器三種信號訓練數據集特征，合并構建高維特征向量，作為XGBoost模型訓練的輸入樣本數據，并對電靜液作動器多種故障進行獨熱編碼，作為模型訓練的輸出樣本；

步驟4、利用電靜液作動器訓練樣本數據集對網格搜索的XGBoost模型進行訓練，微調XGBoost模型超參數，最終通過十折交叉驗證得到最優電靜液作動器智能健康監測模型；

步驟5、利用訓練完成的網格搜索優化XGBoost模型在電靜液作動器測試集上進行電靜液作動器智能健康監測模型的泛化性能評估與故障識別。

2.根據權利要求1所述的基于多模態同源特征和XGBoost模型的電靜液作動器故障識別方法，其特征在于，步驟1中，對振動、壓力與電流信號分別進行數據集切分，切分是通過窗函數截斷原始信號，窗函數長度2048，并移動窗函數多次截取信號，移動步長200，最終構建出樣本集，并隨機打亂原始樣本集通過9：1的比例抽取出訓練集和測試集。