基于门控循环神经网络的液压阀故障诊断方法

1.本发明涉及故障诊断技术领域，具体为一种基于门控循环神经网络的液压阀故障诊断方法。


背景技术：

2.液压阀作为液压系统中重要元件之一，已经广泛的应用于航空、航天、船舶等领域。然而工业上的液压阀应用环境恶劣，应用强度大，常会发生各种各样的故障，其中磨损和卡紧是最易发生的两大类故障。因此，了解和识别液压阀的故障信息，对于其寿命预测，保证液压系统安全、可靠运行具有重要意义。
3.由于在工业上液压阀的应用环境恶劣，工业上液压阀的故障信号具有非线性、非平稳、强噪声的特点，液压阀的故障诊断面临着很多问题，而在实验室中获取的实验数据和诊断方法又不一定适用于工业上，其中故障诊断面临的问题主要包括：
4.1、工业上液压阀的应用环境嘈杂，并且故障信号本身具有非线性和非平稳的特点，微弱的故障信号往往被强噪声所淹没，无法获取到准确的故障信号，进而影响后续的故障信号处理，因此在处理故障信号之前必须要进行消噪处理，但是现有的小波变换和其它的时频分析的消噪方法，消噪效果一般，不能有效的去除复杂噪声，限制了故障识别的准确性；
5.2、即使通过某些降噪方法去除了噪声，获取到了故障信号，也无法直接进行准确的故障诊断，因为故障信号中包含大量信息，这不仅严重影响故障诊断的准确度和精度，也限制了故障诊断的效率，此外限制故障诊断效率的还有现有技术中常采用长短期记忆人工神经网络，该神经网络模型虽然解决了反向传播和长期记忆中的梯度消失或爆炸的问题，但是其控制门多，需求参数数量大，因此限制了故障诊断的效率。
6.综上所述，现有的液压阀故障诊断方法准确度、精度和效率低。


技术实现要素：

7.本发明意在提供一种基于门控循环神经网络的液压阀故障诊断方法，既能提高故障诊断的准确度和精度，又能提升故障诊断的效率。
8.本发明提供如下基础方案：基于门控循环神经网络的液压阀故障诊断方法，包括如下内容：
9.采集步骤：采集液压阀的故障信号；
10.降噪步骤：对故障信号进行自相关降噪；
11.特征提取步骤：对降噪后的故障信号进行奇异值分解和重构，获取特征信息；
12.故障诊断步骤：将获取的特征信息输入门控循环神经网络模型进行故障诊断，获取故障诊断结果。
13.基础方案的有益效果：1、本方法对采集到的液压阀的故障信号进行自相关降噪，与小波变换和其它的时频分析降噪方法相比，自相关降噪是直观的、直接的、后验的和自适
应的，其适合处理非线性、非平稳、强噪声的振动信号，而液压阀的故障信号就是非线性、非平稳、强噪声的振动信号，基于振动信号的自相关分析可以有效地消除信号中的随机噪声，突出周期冲击成分。复杂的噪声信号被剔除，得到预期所需要的故障信号，为提高故障诊断的准确度奠定基础，同时也提升了后续故障诊断的精度。
14.2、对于降噪后的故障信号进行特征信息的提取，实现特征空间维数的压缩，即获取一组“少而精”且分类错误概率小的分类待征，便于后续的故障分类。本方法中采用奇异值分解和重构，来获取特征信息，奇异值分解具有很大的识别信息量、可靠性、尽可能强的独立性、损失的信息量尽可能的少等特点，非常适合液压阀的故障信号的特征提取，获取到的特征信息再进行后续的故障诊断步骤，从而提高故障诊断的准确度和精度，并且减少了大量无用的信息，也可以提升故障诊断的效率。
15.3、故障诊断步骤中采用门控循环神经网络模型进行故障诊断，相对于长短期记忆人工神经网络，门控循环神经网络模型中控制门减少。结构更简洁，参数的数量更少。在提高了效率的同时，与长短期记忆人工神经网络具有相似的效果。
16.综上所述，本方法既能提高故障诊断的准确度和精度，又能提升故障诊断的效率。
17.进一步，所述降噪步骤，包括：采用自相关函数对故障信号进行自相关降噪；
18.故障信号为连续信号，则自相关函数为：
[0019][0020]
其中，x(t)为故障信号，x(t)*为x(t)的共轭，τ为故障信号的时间延迟量，t为故障信号的时间跨度；
[0021]
故障信号为离散信号，则自相关函数为：
[0022][0023]
其中，x(i)为故障信号，m为采样点数，f为采样数据间隔。
[0024]
有益效果：自相关函数能针对不同的故障信号进行自相关降噪，并且自相关函数对工业上故障阀进行降噪处理，可以有效地消除信号中的随机噪声，突出周期冲击成分，达到良好的消噪效果。
[0025]
进一步，所述特征提取步骤，包括：
[0026]
s101、对降噪后的故障信号进行预处理并构造目标矩阵；
[0027]
s102、对构造的目标矩阵进行奇异值分解；
[0028]
s103、根据奇异值能量标准谱曲线进行重构，获取特征信息。
[0029]
有益效果：在对故障信号进行奇异值分解之前，需要对降噪后的故障信号进行预处理并构造目标矩阵，以使后续能进行奇异值分解。
[0030]
进一步，所述s101包括：对故障信号进行连续截断，并构造目标矩阵a。
[0031]
有益效果：对故障信号进行连续截断，并构造目标矩阵，构成的目标矩阵故障信号分量之间具有正交性，并能最大限度地获取信号的时域波形，且能分辨出频率相近的两个故障信号分量。
[0032]
进一步，所述s101包括：
[0033]
对降噪后的故障信号进行预处理，获得分析信号x＝[x1,x2,
…
,xn]；
[0034]
利用hankel矩阵构造目标矩阵a：
[0035][0036]
其中，1《n《n,m≥2,n≥2；且若n为奇数，则
[0037]
若n为偶数，则
[0038]
有益效果：通过hankel矩阵构造目标矩阵，构成的目标矩阵故障信号分量之间不具有正交性，但是它能很好地描述微弱信号的特征，更适用于实际情况。
[0039]
进一步，所述s102包括：
[0040]
根据奇异值分解理论，对任意m
×
n目标矩阵a进行分解：
[0041]
a＝u
·
λ
·vt
[0042]
其中，u为m
×
n的正交矩阵，v为m
×
n的正交矩阵，λ为m
×
n的对角矩阵，且其中s＝diag(σ1,
…
,σr)，σ1,
…
,σr是目标矩阵a的所有非零奇异值，σ
r 1
＝
…
＝σn＝0是目标矩阵a的所有零奇异值。
[0043]
有益效果：为了减少信号噪声对特征提取的干扰且达到充分提取特征的目的，在实际应用时，行数n和列数m的乘积应该尽可能大，而m的值取决于n的奇偶性，所以m一般为偶数。但是维数过多，容易造成数据灾难，因此其具体的数值可根据实际情况而定。
[0044]
进一步，所述s103包括：
[0045]
根据奇异值能量标准谱，确定故障信号的重构阶数s，s等于奇异值能量标准谱的曲线中拐点对应的si，奇异值能量标准谱为
[0046]
保留目标矩阵a的前s个奇异值，将其他奇异值设置为零；
[0047]
根据奇异值分解逆过程重构目标矩阵a的最佳逼近矩阵a'，为特征信息。
[0048]
有益效果：目标矩阵a中s过小，会导致故障信号的信息不完整，甚至发生畸变；s过大,会导致故障信号的特征提取不完全，因此根据奇异值能量标准谱，确定故障信号的重构阶数s，由于有用信号能量分布集中，对奇异值的贡献主要集中在σi上，能量值较大；噪声信号能量相对分散，对各奇异值的贡献几乎相同，能量值远远小于有用信号。在奇异值能量标准谱上表现为:有用信号谱线幅值大而陡峭，噪声谱线幅值小而平缓。因此,奇异值能量标准谱线必然会出现明显的拐点，此点即为有用信号和噪声的分界点,而且此点必然是唯一确定的，从而解决了奇异值差分谱中出现多个较大峰值点时分界点难以确定的问题，进而确定故障信号的重构阶数s。
[0049]
进一步，所述门控循环神经网络模型，包括若干卷积层、池化层、门控循环单元gru、全连接层和输出层；
[0050]
所述故障诊断步骤，包括：
[0051]
将获取的特征信息输入卷积层进行卷积操作，再进入池化层进行池化操作；
[0052]
若干次卷积操作和池化操作后，将结果输入gru进行故障诊断；
[0053]
将最后一个gru的输出结果输入到输出层进行故障分类后，输出故障诊断结果。
[0054]
有益效果：门控循环神经网络模型的多层结构能对特征信息进行逐步处理，保证识别出的故障诊断结果的准确性。
[0055]
进一步，所述gru中包括：更新门和重置门；
[0056]
cru单个隐含层前向传播过程，包括：
[0057]
更新门z
t
作用上一时刻的隐含层的输出h
t-1
与当前时刻t的输入样本x
t
，其逻辑值为门控状态：
[0058]zt
＝σ(w
xz
x
t
w
hzht-1
bz)
[0059]
重置门r
t
作用上一时刻的隐含层的输出h
t-1
与当前时刻t的输入样本x
t
,其逻辑为门控制状态：
[0060]rt
＝σ(w
xr
x
t
w
hrht-1
br)
[0061]
获取门控状态,重置门r
t
作用于上一时刻的隐含层的输出h
t-1
，进行信息状态的重置，将其与输入样本x
t
一并乘以对应的偏置求和后,通过激活函数tanh激活，对当前时刻节点即时信息进行更新：
[0062][0063]
通过更新门控制当前隐含层的输出,更新门进行遗忘操作作用的对象是上个时刻隐含层的输出，进行选择记忆操作作用的对象是当前时刻节点即时信息，选择记忆操作为：
[0064][0065]
上式中，w
xz
、w
xr
和分别为t时刻各输入层隐含层间连接的权值矩阵；w
hz
、w
hr
和分别为t-1与t时刻隐含层之间的连接的权值矩阵；bz、br和分别为更新门、重置门和当前隐含层的偏置；σ为sigmoid激活函数。
[0066]
有益效果：循环神经网络是专门用于处理时间序列数据的人工神经网络，长短期记忆人工神经网络是循环神经网络的一种改进网络，通过引入额外的门控制正向和反向信息的传播,解决了rnn梯度消失的缺陷，在结构上，长短期记忆人工神经网络通过遗忘门、输入门、输出门3个门来控制隐含层的输入、输出与状态信息，而门控循环神经网络模型只有两个门：更新门与重置门，z
t
与r
t
分别代表更新门和重置门，门控状态与长短期记忆人工神经网络一样都是通过前一刻的状态信息h
t-1
和当前时刻的输入x
t
来获取的，阈值区间为(0,1)，相对于长短期记忆人工神经网络简洁，参数量较少。
[0067]
进一步，所述方法，还包括：
[0068]
模型训练步骤：获取的特征信息作为数据集，将数据集中70％的特征信息作为训练样本，20％的特征信息作为测试样本，10％的特征信息作为验证样本；
[0069]
将训练样本输入门控循环神经网络模型进行训练；
[0070]
将验证样本输入门控循环神经网络模型进行验证，根据验证准确率最高的门控循环神经网络模型对应的参数，调整门控循环神经网络模型；
[0071]
将测试样本输入门控循环神经网络模型进行测试；
[0072]
所述故障诊断步骤中采用完成模型训练步骤的门控循环神经网络模型。
[0073]
有益效果：模型训练步骤对门控循环神经网络模型进行训练，使完成模型训练步骤的门控循环神经网络模型能准确的进行故障诊断。
附图说明
[0074]
图1为本发明基于门控循环神经网络的液压阀故障诊断方法实施例的流程示意图；
[0075]
图2为本发明基于门控循环神经网络的液压阀故障诊断方法实施例中具体化流程示意图；
[0076]
图3为本发明基于门控循环神经网络的液压阀故障诊断方法实施例中对于各类型故障诊断的精度的混淆矩阵图；
[0077]
图4为本发明基于门控循环神经网络的液压阀故障诊断方法实施例中各故障诊断方法的精度图。
具体实施方式
[0078]
下面通过具体实施方式进一步详细说明：
[0079]
实施例基本如附图1所示：基于门控循环神经网络的液压阀故障诊断方法，包括如下内容：
[0080]
采集步骤：采用加速度传感器采集液压阀的故障信号，其中故障信号为振动信号；
[0081]
降噪步骤：对故障信号进行自相关降噪；具体为：
[0082]
采用自相关函数对故障信号进行自相关降噪；
[0083]
故障信号为连续信号，则自相关函数为：
[0084][0085]
其中，x(t)为故障信号，x(t)*为x(t)的共轭，τ为故障信号的时间延迟量，t为故障信号的时间跨度；
[0086]
故障信号为离散信号，则自相关函数为：
[0087][0088]
其中，x(i)为故障信号，m为采样点数，f为采样数据间隔。
[0089]
特征提取步骤：对降噪后的故障信号进行奇异值分解和重构，获取特征信息；具体为：
[0090]
s101、对降噪后的故障信号进行预处理并构造目标矩阵，具体地，对降噪后的故障信号进行预处理，获得分析信号x＝[x1,x2,
…
,xn]；
[0091]
利用hankel矩阵构造目标矩阵a：
[0092][0093]
其中，1《n《n,m≥2,n≥2；一般而言，为了减少信号噪声对特征提取的干扰且达到充分提取特征的目的，行数n和列数m的乘积应该尽可能大，m值的确定主要取决于n的奇偶
性：
[0094]
若n为奇数，则
[0095]
若n为偶数，则所以m一般为偶数。但是维数过多，容易造成数据灾难，因此其具体的数值可根据实际情况而定。其他实施例还提供s101的其他实施例方式：通过对故障信号进行连续截断，并构造目标矩阵。
[0096]
s102、对构造的目标矩阵进行奇异值分解；具体地，根据奇异值分解理论，对任意m
×
n(假设m》n)目标矩阵a进行分解：
[0097]
a＝u
·
λ
·vt
[0098]
其中，u为m
×
n的正交矩阵，v为m
×
n的正交矩阵，λ为m
×
n的对角矩阵，且其中s＝diag(σ1,
…
,σr)，σ1,
…
,σr是目标矩阵a的所有非零奇异值，σ
r 1
＝
…
＝σn＝0是目标矩阵a的所有零奇异值。
[0099]
s103、根据奇异值能量标准谱曲线进行重构，获取特征信息，具体地，根据奇异值能量标准谱，确定故障信号的重构阶数s，s等于奇异值能量标准谱的曲线中拐点对应的si，奇异值能量标准谱为i＝1,2,
…
,r；
[0100]
保留目标矩阵a的前s个奇异值，将其他奇异值设置为零；
[0101]
根据奇异值分解逆过程重构目标矩阵a的最佳逼近矩阵a'，即数据特征。奇异值分解(svd)的原理是根据frobenious范数意义下的矩阵最佳逼近定理，保留a的前s个奇异值而把其他奇异值置零,再利用奇异值分解逆过程重构矩阵a的最佳逼近矩阵a'，s即为信号重构阶数。s过小,导致信号信息不完整,甚至发生畸变；s过大,信号特征提取不完全。因此采用奇异值能量标准谱，根据有用信号和噪声信号对奇异值能量分布和贡献差异选择信号重构阶数的最佳值。由于有用信号能量分布集中，对奇异值的贡献主要集中在σi上，能量值较大；噪声信号能量相对分散,对各奇异值的贡献几乎相同，能量值远远小于有用信号。在奇异值能量标准谱上表现为：有用信号谱线幅值大而陡峭，噪声谱线幅值小而平缓。因此,奇异值能量标准谱线必然会出现明显的拐点，此点即为有用信号和噪声的分界点,而且此点必然是唯一确定的，从而解决了奇异值差分谱中出现多个较大峰值点时分界点难以确定的问题。
[0102]
模型训练步骤：获取的特征信息作为数据集，将数据集中70％的特征信息作为训练样本，20％的特征信息作为测试样本，10％的特征信息作为验证样本；
[0103]
将训练样本输入门控循环神经网络模型进行训练；
[0104]
将验证样本输入门控循环神经网络模型进行验证，根据验证准确率最高的门控循环神经网络模型对应的参数，调整门控循环神经网络模型；
[0105]
将测试样本输入门控循环神经网络模型进行测试；故障诊断步骤中采用完成模型训练步骤的门控循环神经网络模型，此外训练好的门控循环神经网络模型，无需多次训练，训练完成后，本方法中可以跳过模型训练步骤。
[0106]
故障诊断步骤：将获取的特征信息输入门控循环神经网络模型进行故障诊断，获取故障诊断结果；其中门控循环神经网络模型，包括若干卷积层、池化层、gru(门控循环单元)、全连接层和输出层，故障诊断步骤，具体为：
[0107]
将获取的特征信息输入卷积层进行卷积操作，再进入池化层进行池化操作；
[0108]
若干次卷积操作和池化操作后，将结果输入gru进行故障诊断；
[0109]
将最后一个gru的输出结果输入到输出层进行故障分类后，输出故障诊断结果。
[0110]
具体地，gru中包括：更新门和重置门；
[0111]
cru单个隐含层前向传播过程，包括：
[0112]
更新门z
t
作用上一时刻的隐含层的输出h
t-1
与当前时刻t的输入样本x
t
，其逻辑值为门控状态：
[0113]zt
＝σ(w
xz
x
t
w
hzht-1
bz)
[0114]
重置门r
t
作用上一时刻的隐含层的输出h
t-1
与当前时刻t的输入样本x
t
,其逻辑为门控制状态：
[0115]rt
＝σ(w
xr
x
t
w
hrht-1
br)
[0116]
获取门控状态,重置门r
t
作用于上一时刻的隐含层的输出h
t-1
，进行信息状态的重置，将其与输入样本x
t
一并乘以对应的偏置求和后,通过激活函数tanh激活，对当前时刻节点即时信息进行更新：
[0117][0118]
通过更新门控制当前隐含层的输出,更新门进行遗忘操作作用的对象是上个时刻隐含层的输出，进行选择记忆操作作用的对象是当前时刻节点即时信息，选择记忆操作为：
[0119][0120]
上式中，w
xz
、w
xr
和分别为t时刻各输入层隐含层间连接的权值矩阵；w
hz
、w
hr
和分别为t-1与t时刻隐含层之间的连接的权值矩阵；bz、br和分别为更新门、重置门和当前隐含层的偏置；σ为sigmoid激活函数。
[0121]
具体实施过程如下：工业中液压阀常见的故障类型如下表所示：
[0122][0123]
采用本方案对液压阀进行故障诊断，经过如图2所示的故障诊断流程，本方法对各类型故障诊断的精度如图3所示，故障诊断精度达到95％，其中predicted label为预测标签，true label为真实标签，confusion matrix为混淆矩阵。与其他方法的对比如图4所示，本方法的检测精度更高，图4中cnn-grn为基于卷积神经网络 门控循环神经网络(cnn-gru)
的故障诊断，cnn为基于卷积神经网络故障诊断方法，drsn为基于深度残差收缩网络(drsn)故障诊断方法，proposed为本方法；本方法的检测精度更高主要原因在于：
[0124]
1、本方法对采集到的液压阀的故障信号进行自相关降噪，与小波变换和其它的时频分析降噪方法相比，自相关降噪是直观的、直接的、后验的和自适应的，其适合处理非线性、非平稳、强噪声的振动信号，而液压阀的故障信号就是非线性、非平稳、强噪声的振动信号，基于振动信号的自相关分析可以有效地消除信号中的随机噪声，突出周期冲击成分。复杂的噪声信号被剔除，得到预期所需要的故障信号，为提高故障诊断的准确度奠定基础，同时也提升了后续故障诊断的精度。
[0125]
2、对于降噪后的故障信号进行特征信息的提取，实现特征空间维数的压缩，即获取一组“少而精”且分类错误概率小的分类待征，便于后续的故障分类。本方法中采用奇异值分解和重构，来获取特征信息，奇异值分解具有很大的识别信息量、可靠性、尽可能强的独立性、损失的信息量尽可能的少等特点，非常适合液压阀的故障信号的特征提取，获取到的特征信息再进行后续的故障诊断步骤，从而提高故障诊断的准确度和精度，并且减少了大量无用的信息，也可以提升故障诊断的效率。
[0126]
3、故障诊断步骤中采用门控循环神经网络模型进行故障诊断，相对于长短期记忆人工神经网络，门控循环神经网络模型中控制门减少。结构更简洁，参数的数量更少。在提高了效率的同时，与长短期记忆人工神经网络具有相似的效果。
[0127]
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本技术给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本技术的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。