论文部分内容阅读
液压系统在工业各个领域得到了广泛的应用,液压缸又是液压系统常见的执行元件,对液压缸工作状态进行监测和早期故障诊断,有利于液压缸的运行和维护,避免液压缸失效导致重大的经济损失和人员安全事故。内泄漏作为常见的液压缸故障,由于内泄漏发生在液压缸的内部,不易观察和检测,同时液压缸工况复杂,液压缸又做往复运动,现场噪音强,特别在微小泄漏情况下,信号更加微弱且易受到外界噪音的干扰,导致故障信息淹没在噪音信号中,给液压缸内泄漏故障诊断带来了很大的挑战和困难。所以液压缸内泄漏智能故障诊断对于液压设备可靠运行和维护具有重大的实际意义,本文开展了在复杂工况下采用声发射（Acoustic Emission,AE）技术的液压缸内泄漏智能故障诊断研究,主要内容包括以下几个方面:（1）针对不同工况下微弱的,非平稳的和非线性的液压缸内泄漏声发射信号,以及现场强噪音和故障样本缺乏的问题,本文提出了基于自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）的阈值降噪方法,以最高的准确率为目标,确定了最优阈值;从降噪信号中提取多变换域特征,多变换域特征包括时域特征,频域特征和熵特征;利用补偿距离评估技术（Compensation Distance Evaluation Technique,CDET）进行敏感特征选取,提高算法效率和实现数据增强;利用支持向量机（Support Vector Machine,SVM）进行小样本学习和智能故障识别;与其他方法相比,该模型对不同工况均具有更高的分类准确率,通过实验验证了该方法是可行的。（2）针对内泄漏信号具有复杂性、多样性、耦合性的特点,不同工况也会减少类间差异,而且现场采集的大量传感器数据导致传统浅层神经网络难以准确分类;同时考虑到卷积神经网络（Convolutional Neural Network,CNN）仅进行卷积减少参数数量,CNN对于复杂工况信号存在着特征提取能力不足的问题。提出基于信号时频图和卷积神经网络（CNN）的智能故障诊断方法;利用CEEMDAN和希尔伯特黄变换（Hilbert-Huang Transform,HHT）得到时频灰度图,既保存原始声发射信号时域和频域的特征信息,同时又将一维数据转化为二维数据;利用卷积神经网络（CNN）从时频图中挖掘液压缸内泄漏故障特征并输出诊断结果;实验结果表明,相比于其他智能故障诊断方法,该方法在不同工况下可获得更高的精度和更快的收敛速度,体现出该模型对负载变化具有很强的鲁棒性。（3）针对现场液压缸内泄漏在线诊断模型对实时性的要求,提出了基于优化深度置信神经网络（Deep Belief Network,DBN）端对端的智能故障诊断方法,该方法直接从原始信号自适应提取特征并输出诊断结果,利用混合粒子群模拟退火优化算法（Particle Swarm Optimization-Simulated Annealing algorithm,PSOSA）得到DBN模型的优化参数,避免DBN模型超参数对识别精度的影响,实验结果表明该方法能有效提高诊断精度和模型的自适应性,同时也表现出很好的实时性。（4）针对单传感器信息不足以充分反映内泄漏故障特征,以及多传感器数据融合规则依赖于人工设计,提出基于深度学习和多传感器特征融合的液压缸内泄漏诊断方法;利用无监督的DBN分别对多传感器进行自适应特征提取;利用双向长短期记忆（Bi-directional Long Short-Term Memory,Bi LSTM）模型进行多传感器特征融合和内泄漏故障识别,该模型能更好的挖掘时变负载下时间序列内在的故障特征;实验结果表明该方法能够更精确地诊断出时变负载下的液压缸内泄漏量。