一种基于两级架构的吊艇架液压系统故障诊断方法及系统

本技术涉及吊艇架故障诊断，特别涉及一种基于两级架构的吊艇架液压系统故障诊断方法及系统。

背景技术：

1、吊艇架是船舶上一种专门设计用于存放、降落和回收救生艇、救助艇或交通艇的专用起重设备，是船舶应急救生系统的核心组成部分之一。吊艇架结构复杂，通常由机械、电气、液压三个系统组成，共同负责吊艇架的操作和控制。在吊艇架运行过程中，因工作环境存在噪声干扰，且信号呈现波动状、非线性和不确定性等特点，尤其是在吊艇架故障诊断中，针对吊艇架液压系统，其工作过程包含启动、加速、恒速、减速及制动等多个瞬态阶段，且受到海浪冲击带来的随机负载扰动，在这种频繁启停和变负载工况下，液压系统的压力信号呈现出高度的非平稳和非线性特征，且故障信号耦合、故障样本不足等问题使得诊断难度增大，很难提高精度，从而造成短时间难以定位故障源，增大吊艇架的维护成本。

技术实现思路

1、有鉴于此，本技术实施例提供了一种基于两级架构的吊艇架液压系统故障诊断方法。本技术一个或者多个实施例同时涉及一种基于两级架构的吊艇架液压系统故障诊断系统，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。

2、根据本技术实施例的第一方面，提供了一种基于两级架构的吊艇架液压系统故障诊断方法，包括：

3、获取吊艇架液压系统的当前运行状态数据，并通过对所述当前运行状态数据进行预处理，得到预处理后的当前运行状态数据；

4、通过将所述预处理后的当前运行状态数据输入至训练好的改进lightgbm模型中，得到吊艇架液压系统的特征数据；

5、通过将所述吊艇架液压系统的特征数据输入至训练好的改进transformer模型中，得到吊艇架液压系统的故障诊断结果。

6、优选地，所述改进lightgbm模型为使用混沌量子正余弦算法cqsca对 lightgbm模型中的超参数进行优化的模型；所述改进transformer模型为使用贝叶斯优化算法对transformer模型中的超参数进行优化的模型。

7、优选地，所述改进lightgbm模型包括：

8、生成由多个个体组成的种群；

9、在每次优化迭代中，利用混沌映射和量子旋转更新种群中每个个体的超参数配置，得到种群中每个个体更新后的超参数配置；

10、重复迭代优化，直到达到最大迭代次数或收敛条件，通过每次迭代更新种群中的超参数配置，最终找到最优的超参数。

11、优选地，所述训练好的改进lightgbm模型包括：

12、获取最优的lightgbm超参数，并将所述最优的lightgbm超参数传递给lightgbm模型进行训练，得到训练好的改进lightgbm模型。

13、优选地，所述改进transformer模型包括：

14、初始化贝叶斯优化器，定义超参数的搜索范围和适应度函数；

15、基于高斯过程回归对超参数的搜索范围进行建模，并通过采集适应度函数选择最有可能提高性能的超参数组合；

16、重复迭代优化，直到达到最大迭代次数或收敛条件，通过每次迭代更新最有可能提高性能的超参数组合，最终找到最优的超参数组合。

17、优选地，所述训练好的改进transformer模型包括：

18、获取最优的超参数组合，并将所述最优的超参数组合传递给transformer模型进行训练，得到训练好的改进transformer模型。

19、根据本技术实施例的第二方面，提供了一种基于两级架构的吊艇架液压系统故障诊断系统，包括：

20、预处理模块，被配置为获取吊艇架液压系统的当前运行状态数据，并通过对所述当前运行状态数据进行预处理，得到预处理后的当前运行状态数据；

21、获取特征数据模块，被配置为通过将所述预处理后的当前运行状态数据输入至训练好的改进lightgbm模型中，得到吊艇架液压系统的特征数据；

22、故障诊断模块，被配置为通过将所述吊艇架液压系统的特征数据输入至训练好的改进transformer模型中，得到吊艇架液压系统的故障诊断结果。

23、优选地，所述改进lightgbm模型为使用混沌量子正余弦算法cqsca对 lightgbm模型中的超参数进行优化的模型；所述改进transformer模型为使用贝叶斯优化算法对transformer模型中的超参数进行优化的模型。

24、根据本技术实施例的第三方面，提供了一种计算设备，包括：

25、存储器和处理器；

26、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令实现所述基于两级架构的吊艇架液压系统故障诊断方法的步骤。

27、根据本技术实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现所述基于两级架构的吊艇架液压系统故障诊断方法的步骤。

28、根据本技术实施例的第五方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行所述基于两级架构的吊艇架液压系统故障诊断方法的步骤。

29、本技术实施例提供的基于两级架构的吊艇架液压系统故障诊断方案，具有如下有益效果：lightgbm作为传统机器学习模型擅长处理表格数据，具有高效的训练速度和低内存占用，但在处理复杂的时序依赖和序列数据时相对较弱；transformer作为深度学习模型能高效捕捉序列数据中的长距离依赖，适用于长序列数据分类任务，但其计算复杂度较高，需要强大的硬件支持。对于吊艇架液压系统状态数据，通过cqsca-lightgbm+bo-transformer组合算法可以更高效处理复杂故障模式，提高了模型的鲁棒性和泛化性，具体如下：

30、（1）全局优化能力与局部细化结合：cqsca在故障诊断中为lightgbm提供了强大的全局优化能力，通过混沌映射和量子旋转机制能够在庞大的超参数空间中广泛探索，快速定位到最优区域；bo优化transformer则利用代理模型对transformer模型的超参数如自注意力头数、编码器层数等进行局部精细化搜索。在处理故障诊断中的时间序列数据时，bo通过逐步细化搜索区域，帮助提升模型在细节上的准确性。结合两者，cqsca全局优化提供广泛搜索，bo局部优化则确保在最优区域内精确调节超参数，提升整体诊断性能。

31、（2）减少计算复杂度：在故障诊断任务中，cqsca-lightgbm通过在初始阶段就定位到潜在的有效区域，避免了对整个搜索空间进行全局遍历，从而减少了计算资源的消耗，显著降低了计算复杂度。bo可以智能选择少量样本进行优化，从而减少了transformer超参数调优时的计算成本，使得transformer无需在高维度超参数空间中进行过多试探，进而减少了每轮训练所需的计算量。因此，cqsca-lightgbm与bo-transformer的结合，不仅减少了模型训练和超参数搜索的次数，还显著降低了故障诊断过程中的计算复杂度。

32、（3）适应高维复杂问题：故障诊断任务往往涉及复杂的、高维度的数据和多个超参数。cqsca优化lightgbm有助于在面对高维度、复杂交互的表格数据时，迅速找到最优的超参数，从而提升lightgbm在高维数据上的表现。尤其在故障诊断中，数据通常包含许多特征交互，cqsca-lightgbm能有效识别这些交互关系，避免模型陷入局部最优；bo-transformer能够在处理高维时序数据时，提升模型对长距离依赖的捕捉能力。因此cqsca-lightgbm+bo-transformer组合算法能应对高维、复杂的数据问题。

33、（4）鲁棒性和高准确度：在故障诊断任务中，cqsca-lightgbm+bo-transformer组合算法特别是在复杂的时序数据场景中，结合各自优点，能够确保模型在多轮优化中既避免了局部最优，又确保了模型的稳定性和高准确度，最终提升故障诊断的整体效果。

34、（5）应对数据不平衡问题：lightgbm在面对数据不平衡时，通常需要调整一些特定的超参数，如特征重要性、损失函数的调整和树的叶子数等。cqsca能够在初始阶段通过对lightgbm的特征重要性进行精确调节，有效提高模型对少数类数据的关注度，确保模型不会偏向于预测正常类数据；bo通过优化能够调整transformer的训练策略，使其在不平衡数据上表现得更加稳健，特别是在时序数据中，能够重点捕捉到故障发生的微小模式，从而提高少数类数据的识别率。