抽象性
液压柱内部渗漏诊断是维护液压系统的关键技术然而,难以诊断不同低载荷下内部渗漏求解故障新诊断法基于优化深信网络并用全合经验模式分解自适应噪声技术处理所收集AE信号原始AE信号使用ECEMDAN分解成一套固有函数后依皮尔逊相关系数值下降顺序选择前5个IMF重建信号以抑制噪声异常干扰重构信号被视为优化DBN输入值,并采用粒子群优化模拟退火算法识别四种内部渗漏水平实验结果显示,拟议方法在不同低载荷下显示比其他方法高分类精度本结果验证拟议方法的有效性和优越性,实现不同低载量下内部渗漏诊断
开工导 言
液压系统在工业中广泛应用作为液压系统驱动器一号-3..内部渗漏是一个重大故障模式,由塞合活塞和圆柱墙间差的活塞封印[4..检测内部渗漏实战中至关重要,因为这种渗漏可影响系统动态性能内渗漏无法检测,直到启动器密封完全受损,启动器无法响应控制信号此外,内部渗漏检测因相关隐蔽而具有挑战性此外,由于液压柱动态工作环境,在线非侵扰性诊断内部泄漏不容易实现因此,本文建议用一种方法实现不同载荷下自动内部渗漏诊断
液压柱内部渗漏的现有故障诊断方法可归为两类,即模型法和数据驱动法。模型基础方法中,线性模型基础方法有自适应阈值[5并扩展卡尔曼过滤器-基于故障检测法6开发用于检测液压驱动器中各种渗漏然而,由于水力系统不确定和不线性,很难建立精确模型。研究者采用数据驱动方法实现故障诊断数据驱动方法通常包括两个主要步骤:故障特征提取和选择使用信号处理技术,故障分类使用分类法基于压力信号的许多特征被发现敏感内部泄漏,如根均值二级详系数变换7-九九5特征通过波片包分析提取10并瞬时放大 通过EMD技术获取的第一个IMF11..但要实施上述计划,基准值必须预设,且该值无法随工作条件变化自动调整因此,Li等Adaboost-BP检测器自动评价液压驱动器内部渗漏故障4..传统数据驱动方法显示几个显著缺陷:(1) 向分类器输入特征由诊断师设计,取决于先前对信号处理技巧和诊断知识的了解所采分类器浅结构限制分类器学习故障诊断假设中复杂非线性关系的能力12..深入学习算法可以克服这些限制深学习模型的关键属性是多层结构多层隐藏分层深学习模型可实现原信号高度复杂变换和抽象化13,14..Guo等进化神经网络使用原压信号输出液压柱内部泄漏15..微流造成的压力极小,低压下即压值小于7兆帕,上述方法无法有效诊断此类案例内部渗漏换句话说,现有方法无法有效诊断不同低载荷下内部渗漏
与以动态压力或强度为基础的内部渗漏检测技术形成对比的是,声射技术作为一种非破坏性测试技术,敏感度极高,可用于检测弱内部渗漏信号而不妨碍操作16-20码..反振荡技术等非损耗测试技术21号..第一,缺陷更容易检测,因为信号对噪声比增强第二,因为这种方法可检测高频机械异常性,它与振荡技术相比高度敏感此外,AE技术可适用于所有类型机器,而不论速度[22号..然而,由于使用高度敏感传感器,测量原信号(通常包括噪声和无关冗余信号)必须除噪以确保可靠的故障诊断CEMDAN拆译方法可自适应分解信号成数单构件,视信号局部特征时间尺度而定,可确保非线性和非静止性过程高分解性能23号..此外,液压柱不同工作负载下,相同模式原渗漏信号差增加,阻塞故障诊断过程在本案中,皮尔逊相关系数可用以计算差分模式的主要特征,同时消除因不同工作条件造成的差分[24码,25码..因此,在本研究中,将ECEMDAN和Pearson相关系数合并的重建去噪策略建立以获取去噪信号样本AE信号使用ECEMDAN分解成不同的IMF其后计算原始信号和每个IMF之间的皮尔逊相关系数重构数据基于国际货币基金大皮尔逊相关系数
深信网(DBN)是实现故障特征挖掘和大规模数据智能诊断的一个大有希望工具19号,26-28码..对比CNNDDBN避免一维时间序列数据转换过程此外,DBN不依赖人工特征提取和选择,因此它能自动从原信号中学习有效信息减少人工参数设置对故障诊断精度的影响,混合粒子群优化模拟退火算法29,30码被采纳确定培训DBN最优结构31号..此外,实验使用油气加压柱件进行,该柱件容易拆解并可在低载条件下操作。
总的来说,本文建议一种方法,结合中东欧MDAN技术优化DBN第一,ECEMDAN加皮尔逊相关系数用于消除原AE信号四级内部渗漏噪声后去噪信号直接输入PSOSA优化DBN识别内部渗漏水平
二叉理论框架
2.1.ECEMDAN理论
进程流ECEMDAN算法可归纳如下32码,三十三:步骤1:向调查信号添加白噪数列 ,去哪儿一=一二三一.分解每种 通过EMD获取对应 .下一步计算第一个ECIMDAN模式 并优先残留 .步骤2分解 通过EMD使用一=一二三一, 表示k由EMD计算所得信号的th模式分量第二ECIMDAN模式定义为 .面向k=2.K级计算kth残留物 ;步骤3分解 通过EMD使用一=一.一.计算k+1ECIMDAN模式 .
2.2.DBN原理
DBN由一可见层和三隐层组成,图中显示一号.DBN学习过程分两个阶段:不受监督训练前阶段和受监督微调阶段监督微调阶段,标签目标数据输入模型并更新参数34号,35码..假设存在我可见单元J大全隐藏单元BM可见层和隐藏层状态表示为 并h..BM能源函数可定义如下: 去哪儿 ;θ表示模型参数; 可见单元一; 隐藏单元j大全; 重连接可见单元一并隐藏单元j大全; 偏移可见单元一脱机并 偏移隐藏单元j大全.
反差算法更新模型参数如下: 去哪儿 表示学习速率0比1a/并b/分别表示隐层和可见层偏差; 并 表示期望使用培训数据分布和重构数据
2.3PSO-SA混合优化法
下步骤参与混合PSOSA算法36号-38号:步骤1:随机初始化参数,包括位置 ,速度问题 ,并迭代计算每个粒子的适配值 通过使用机能函数定义 去哪儿 指误分类数据数N级指数据总数下一步更新粒子最佳位置 和最优粒子位置群 按历史显示初始温度 .步骤2:使用下列函数更新所有粒子的位置和速度: 去哪儿 惯性系数 . 并 认知参数R一号并R2随机值区间 [0,1]步骤3:评估新解决方案是否通过使用大都市接受标准接受如下: 否则计算接受概率 . 步骤4:更新粒子最佳位置 和最优粒子位置群 深思历史第五步:如果 ,终止循环并输出最佳解决方案和目标否则逐步降低温度 ,返回第三步
3级实验搭建
3.1.测试架
图中显示2测试机由气水压柱1J2和充气装置3组成
图中显示气压柱操作原理3.红、绿、蓝、紫和黑区域分别对应高压空气、低压空气、无压液压油、预加液压油和高压液压油AE传感器3电磁固定搭乘平面活塞2使用Y密封环尺寸不等的批注圈设置加载1兆帕和2兆帕模拟四种内部渗漏水平,对应无内部渗漏、小内部渗漏、中内部渗漏和大内部渗漏图中显示大小不等于1兆帕的密封环2(b).流出石油流出P1端口,流出内部渗漏率用量杯和阻表测定燃气加压柱操作原理可定义如下:(1)图中显示3P2端口连接高压空气,P3和P4端口连接低压空气,P1端口连接排水口,rods1和2反移,液压油位于油槽中(2)图中显示3P4端口连接高压空气和预加载液压油液压油插进圆柱非斜室,2杆扩展3级图中显示3P3端口连接高压空气,P2端口连接低压空气rod1扩展,加压液压油流出液压油流出P1端口(4)图中显示3P2端口连接高压空气,P3端口连接低压空气,rod1反射并发生降压罗德2由杰克4压缩 液压油流回油槽
(a)
(b)
(c)
d)
3.2AE传感器和数据采集设备
图中显示4a传感器1由长沙电子技术公司制造LTD系统设备频率和共振频率分别为30-140khz和40khz放大器2显示图4固定增益100db数据采集卡3NI-6340设备最大获取频率和输出电压放大率分别为400kHz和10V
4级内部泄漏诊断法基于优化DBN
基于优化DBN的拟议诊断法描述如下:步骤1:定义液压柱下二载(1和2兆帕)四级内部渗漏收集原始AE信号分解成一组IMF步骤2:计算Pearson关联系数 IMF和原AE信号选择前五大敏感IMF通过考虑相关系数值下降获取重构信号步骤3:将重构信号分解为训练测试样本使用PSOSA算法和培训样本培训优化DBN使用网络分类内部渗漏水平实施这些步骤应用拟议方法诊断四种内部渗漏水平并记录结果
4.1.信号重构数据描述
香农采样定理显示数据采集卡采样频率定为400khz数字显示负载1和2兆帕下不同内部渗漏水平的AE信号5并6..
原创信号使用ECIMDAN预处理皮尔逊相关系数表示每个IMF和原信号之间的相互关系皮尔逊关联系数 和原信号数据序列 计算方式如下24码: 去哪儿T级表示原信号数据序列中的点数; 并 表示平均值 并 ,互斥
消除噪声并增强信号对噪比前5个IMF用于信号重建重建过程可表示为 去哪儿 表示重构信号 , , , ,并 前五国际货币基金
案例研究建立数据集A和B以验证拟议方法的性能数据集A和B包含载量分别为1和2兆帕的四种条件数据数据集均包含100个训练样本(每个样本有2 000个数据点)和50个测试样本表显示数据集A和B四种条件的样本分布一号.
4.2比较方法
案例研究应用PSOSA开发基于培训样本的优化DBN参数设置混合PSOSA显示于表2.表23列表中列出使用PSOSA推导出优化DBN参数值DBN最优架构为2000-860-284-78-4输入层和输出层分别由2000和4神经元组成,这些神经元基于输入数据维度和故障模式设置使用PSOSA获取的学习率和动向分别为0.48和0.23
为了说明拟方法实际应用故障诊断内部渗漏的有效性,正参照以下六种方法进行比较实验:(1)DBN方法:原创AE信号直接使用为优化DBN输入(2)EEMD+DBN:基于EEMD方法重构AE信号被用作优化DBN输入3级ECEMDAN+DBN:基于ECEMDAN法重建AE信号被用作优化DBN输入(4)ECEMDAN+BP重构AE信号BP网络优化DBN使用同一种数据、架构、学习速率、动量、批量大小和时代(5)T级+BP:原创AE信号预处理提取时域特征,包括平均值、root平均平方值、峰值、scewness值、kurtosis值、顶点系数、清晰度因子、形状因子和脉冲因子下一步,9个选定特征用为BP网络输入1层隐藏BPNN架构9-78-4(6)T级+F级+BP:原创AE信号预处理提取时间和频域特征九时域特征与方法5相同4频域特征包括平均频率、频率中心、root平均频率和标准偏差频率下一步, 13个选择特征使用为BP网络输入带隐藏层BPNN结构为13-78-4
六大方法运行20倍,平均分类精度确定,表列4.
结果表明,拟议方法的分类精度远高于基于BP网络的传统方法精度BP网络结构与DBN相同,并使用同样的重构AE信号而不提取特征用于培训DBN和BP网络方法3和4比较方法3和4诊断精度显示,管理大规模数据时DBN精度比BP网络精度高得多产生这种现象是因为深学习方法可以通过多特征变换从输入数据中学习宝贵信息根据方法5和6诊断精度比较,不同特征产生不同结果,这表明实现BP网络精确分类需要人工干预选择正确特征实施故障诊断
此外,DBN和CEMDAN结合实现方法3去噪显示精度比DBN高研究结果显示,拟议方法可有效隐蔽信号并增强故障诊断结果的稳健性eEMD+DBN效果优于EEMD+DBN效果优于EEMD,而ECEMDAN可减少重构误差并避免信号加噪声实现方式不同数问题此外,拟议方法可实现比数据集A和B中其他方法更高的分类精度结果显示,拟议方法即使在负载波动下也能有效诊断故障类型
5级结果与讨论
皮尔逊相关系数用于选择敏感IMF供进一步处理无法预知敏感货币基金数目,调查确定敏感IMF数目按照下降相关系数值计算,敏感IMF数顺序从1增加至12程序重复20次,测试数据集A和B平均精度单独确定
平均分类精度随所选IMF数的不同而变化,图中显示7.初始精度随所选IMF数增精度下降,选择IMF数增到12结果表明,在初始阶段,随着数从1增长到5,所选IMF包含相当多的故障信息数从5增长到12后,所选IMF含有过多非故障信息或高度重叠随着选定IMF数的增加,精度显示相反趋势第一批五大关联系数IMF在本论文中考虑后期重构
观察分组结果建议方法,主组件分析对第三隐层输入输出数据进行图中显示输入数据的四个条件中出现某种混淆8(a)并9(a).后3隐藏层DBN显示8(b)并9(b)中,大多数样本都正确分配到对应集群结果表明拟议方法有效挖掘故障特征并分类内部渗漏条件
(a)
(b)
(a)
(b)
6级结论
论文建议一种聚变法,将优化DBN与ECIMDAN结合起来实现液压柱体在不同低载下内部渗漏诊断论文的主要贡献如下:(1)首先检验AE信号用于液压柱内部渗漏诊断依据AE故障信号调查ECEMDAN去噪法和信号重建有代表性IMF最优数优化DBN使用混合PSOSA算法而不是主观人体验完全负载下拟方法性能优于现有先进方法性能(3) 拟方法可有效诊断不同低载荷下的故障,而通过现有方法难以实现故障
数据可用性
支持本研究发现的数据可应请求从相关作者处获取。
利益冲突
作者声明无利益冲突
感知感知
这项研究由中国自然科学基金会资助,赠款号51975425