亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于大數(shù)據(jù)分析的液壓系統(tǒng)故障診斷綜述

        2022-09-20 02:04:20郝俊杰高虹霓王崴邱盎王慶力宋新成
        機(jī)床與液壓 2022年10期
        關(guān)鍵詞:波包特征提取故障診斷

        郝俊杰,高虹霓,王崴,邱盎,王慶力,宋新成

        (空軍工程大學(xué)防空反導(dǎo)學(xué)院,陜西西安 710038)

        0 前言

        液壓系統(tǒng)是由機(jī)、電、液耦合的復(fù)雜系統(tǒng),具有工作平穩(wěn)、響應(yīng)快、可實現(xiàn)無級調(diào)速和自動化等優(yōu)點,在工業(yè)、農(nóng)林和國防等領(lǐng)域廣泛應(yīng)用。液壓系統(tǒng)具有故障隱蔽性強(qiáng)、非線性時變信號強(qiáng)、振動傳遞機(jī)制復(fù)雜等特點,導(dǎo)致故障診斷困難。目前液壓故障診斷技術(shù)大致可分為主觀診斷法、數(shù)學(xué)模型與信息處理診斷法和智能技術(shù)診斷法3種,具體如表1所示。由于受理論和儀器設(shè)備的限制,液壓系統(tǒng)的故障診斷大多還是以經(jīng)驗診斷和分析診斷等傳統(tǒng)方法為主,主觀因素大,診斷效率低,且對一些新故障很難及時提出維修建議。

        表1 故障診斷方法

        面對液壓裝備快速累積的大量故障數(shù)據(jù),傳統(tǒng)的數(shù)據(jù)處理方式已經(jīng)不能高效應(yīng)對。而大數(shù)據(jù)技術(shù)可以突破傳統(tǒng)限制,解決當(dāng)前存在的大部分?jǐn)?shù)據(jù)處理難題,為克服傳統(tǒng)方法不足,及時高效地診斷、排除故障提供了可能。

        隨著人工智能技術(shù)的發(fā)展,智能診斷技術(shù)成為當(dāng)前液壓故障診斷的研究熱點,研究如何實現(xiàn)智能化診斷成為擺在學(xué)者面前的緊迫任務(wù)。本文作者對基于大數(shù)據(jù)分析的液壓故障診斷原理、關(guān)鍵技術(shù)及下一步的研究思路進(jìn)行綜述,以期能勾畫一個相對清晰的智能化診斷輪廓,為相關(guān)研究提供參考。

        1 基于大數(shù)據(jù)分析的液壓故障診斷技術(shù)原理

        基于大數(shù)據(jù)分析的液壓故障診斷技術(shù)主要是將人工智能領(lǐng)域的一些研究成果結(jié)合大數(shù)據(jù)分析應(yīng)用到液壓系統(tǒng)的故障診斷中。具體可表述為收集大量類型多樣的液壓故障數(shù)據(jù),以此作為研究對象,以數(shù)據(jù)庫、機(jī)器學(xué)習(xí)等算法為分析工具,從中找出與故障相關(guān)的有用診斷信息,最后將診斷結(jié)果利用可視化等技術(shù)展現(xiàn)出來,從而實現(xiàn)故障診斷的一個過程,其核心是數(shù)據(jù)分析算法。診斷流程如圖1所示。

        圖1 診斷流程

        2 基于大數(shù)據(jù)分析的液壓系統(tǒng)故障診斷關(guān)鍵技術(shù)

        基于大數(shù)據(jù)分析的液壓系統(tǒng)故障診斷主要包括故障數(shù)據(jù)處理、分析及診斷結(jié)果展示3個部分。涉及到的關(guān)鍵技術(shù)有故障數(shù)據(jù)特征選擇、機(jī)器學(xué)習(xí)和結(jié)果可視化等。

        2.1 故障數(shù)據(jù)特征選擇

        故障數(shù)據(jù)特征選擇是故障數(shù)據(jù)處理的關(guān)鍵技術(shù),與故障診斷的準(zhǔn)確性、快速性密切相關(guān)。采集到的故障樣本信息通常具有數(shù)量多、故障特征維數(shù)高的特點。為提高數(shù)據(jù)實時性,降低冗余信息的影響,需要對這些信息進(jìn)行選擇、轉(zhuǎn)換,通過有效的特征提取得到最優(yōu)的樣本特征。故障特征選擇流程如圖2所示。

        圖2 故障特征選擇流程

        在液壓系統(tǒng)故障診斷的研究中,最具代表性的特征提取方法有小波包分解、經(jīng)驗?zāi)B(tài)分析、主元分析等。

        2.1.1 基于小波包分解的特征選擇

        在故障診斷中,可以通過故障信號中變化的能量來識別故障。小波包分解是一種通過多次迭代的小波變換對輸入信號的細(xì)節(jié)部分逐步展開分析的方法,可以根據(jù)高頻調(diào)制特性,對信號進(jìn)行小波包變換和包絡(luò)解調(diào),從而提取故障特征。

        小波包特征提取步驟如圖3所示。

        圖3 小波包分解特征提取步驟

        田海雷等針對液壓泵壓力信號呈現(xiàn)的非線性、非平穩(wěn)的特性,利用小波包對采集到的壓力信號進(jìn)行分解,將得到的分量重構(gòu)后,通過模型進(jìn)行故障預(yù)測。孫健等人在此基礎(chǔ)上對小波分解進(jìn)行改進(jìn),提出一種基于加權(quán)形態(tài)的非抽樣小波分解方法,該方法利用特征能量因子表征各分解層近似信號對故障特征的貢獻(xiàn)量,對信號進(jìn)行加權(quán)融合,提高了有用信息比重,更便于特征的提取。

        小波包分解因時頻局部化能力、多分辨率的特點,適合處理非線性、非平穩(wěn)信號,但小波包分解得到的結(jié)果只與信號的采樣頻率有關(guān),而與信號本身無關(guān),所以自適應(yīng)性較差。

        2.1.2 基于經(jīng)驗?zāi)B(tài)分析的特征選擇

        相比于小波包分解,經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)是一種自適應(yīng)的信號分解方法,具有很高的信噪比。EMD將復(fù)雜信號分解成簡單的固有模態(tài)函數(shù)(IMF),因分解出的IMF所包含的頻率成分不僅與采樣頻率有關(guān),而且隨著信號的變化而變化,所以對它進(jìn)行分析可以更準(zhǔn)確有效地把握原數(shù)據(jù)的特征信息。EMD特征提取步驟如圖4所示。

        圖4 EMD特征提取步驟

        劉志強(qiáng)等針對液壓泵早期故障診斷時信號微弱的問題,采用改進(jìn)EMD的集總經(jīng)驗?zāi)B(tài)分解來分解故障原始信號,再提取故障特征,提高了故障診斷的準(zhǔn)確性。杜振東等從另一個角度出發(fā),將EMD方法與敏感度分析(SA)相結(jié)合,通過敏感度分析找出敏感度較高的特征參數(shù),對原始故障信號進(jìn)行經(jīng)驗?zāi)B(tài)分解,構(gòu)造新的故障信號,以此來提取特征,進(jìn)一步提高泵的故障診斷準(zhǔn)確性。

        經(jīng)驗?zāi)B(tài)分解已經(jīng)在時頻域信號分析廣泛應(yīng)用,但因缺乏完備的理論推導(dǎo)基礎(chǔ),且具有模態(tài)混疊、受噪聲影響較大等缺陷,在故障數(shù)據(jù)不完備的情況下,會使故障診斷結(jié)果的可信度受到影響。

        2.1.3 基于主元分析的特征選擇

        主元分析(Principal Component Analysis,PCA)基于原始特征參數(shù),通過線性變換構(gòu)造一組新的不相關(guān)的廣義變量,再從新變量中提取主分量,以降低數(shù)據(jù)維數(shù)。PCA的實質(zhì)是對數(shù)據(jù)樣本矩陣的協(xié)方差矩陣進(jìn)行奇異值分解的過程。

        構(gòu)造采集樣本的矩陣× ,其中:為變量數(shù),為樣本數(shù);再通過求解的均值和標(biāo)準(zhǔn)差,對進(jìn)行標(biāo)準(zhǔn)化;最后,求的協(xié)方差矩陣:

        =/(-1)

        (2)

        以前個主元的累計方差貢獻(xiàn)率()確定主元個數(shù),通常前個主元的貢獻(xiàn)率在85%以上,保證在降維的同時盡可能保證信息完整。()的表達(dá)式為

        (3)

        最后,將降維后得到的前個主元組成的向量作為后續(xù)的輸入樣本。

        柴凱等人為解決液壓故障中特征提取難的問題,利用PCA將高維初始特征向量轉(zhuǎn)化為低維獨(dú)立的主特征向量,提高了診斷速度及準(zhǔn)確率。在礦井提升機(jī)液壓系統(tǒng)故障診斷中,CHANG等應(yīng)用PCA對特征參數(shù)進(jìn)行降維去躁;郝用興等則通過引入權(quán)值向量來改進(jìn)傳統(tǒng)主元分析法,建立了變量加權(quán)主元分析模型,進(jìn)一步提高診斷的快速性和準(zhǔn)確性。

        研究表明,將PCA用于高維初始特征向量的特征提取,效果較好。PCA通過降維、二次提取特征,將特征數(shù)據(jù)進(jìn)行降維去噪,在保持原始故障信息特征的同時,減小了變量間的過相關(guān),使診斷模型結(jié)構(gòu)得以簡化,提高了診斷效率。

        2.2 機(jī)器學(xué)習(xí)

        機(jī)器學(xué)習(xí)是故障數(shù)據(jù)分析的關(guān)鍵技術(shù),將機(jī)器學(xué)習(xí)用于故障診斷,主要是通過機(jī)器學(xué)習(xí)算法自動學(xué)習(xí)故障樣本的數(shù)據(jù)結(jié)構(gòu)和內(nèi)在規(guī)律,求得診斷模型,以對新的故障進(jìn)行識別、診斷。機(jī)器學(xué)習(xí)因具有高效的數(shù)據(jù)分析能力、自學(xué)習(xí)能力,在液壓系統(tǒng)故障診斷領(lǐng)域得到了廣泛重視,研究較多,但同時也由于其瓶頸問題的制約,對于不確定的、隨機(jī)性強(qiáng)以及知識信息不完備的診斷對象,其智能性仍然較低。

        機(jī)器學(xué)習(xí)的故障診斷流程如圖5所示。

        圖5 機(jī)器學(xué)習(xí)的故障診斷流程

        在液壓故障數(shù)據(jù)分析中,機(jī)器學(xué)習(xí)用到的算法主要有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、深度學(xué)習(xí)等。為克服一些固有的不足,將算法與其他的數(shù)據(jù)處理算法、技術(shù)相結(jié)合進(jìn)行改進(jìn),產(chǎn)生了形式多樣的數(shù)據(jù)分析方法。

        2.2.1 神經(jīng)網(wǎng)絡(luò)

        在基于神經(jīng)網(wǎng)絡(luò)的液壓故障診斷中,多應(yīng)用BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)。

        (1)BP神經(jīng)網(wǎng)絡(luò)

        BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度實現(xiàn)輸入?yún)?shù)到目標(biāo)輸出參數(shù)的非線性映射,它使用最速下降法,通過反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差最小。

        其網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

        圖6 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        郝用興等針對盾構(gòu)機(jī)推進(jìn)液壓系統(tǒng)結(jié)構(gòu)復(fù)雜與高度非線性難以建立準(zhǔn)確數(shù)學(xué)模型的問題,提出一種基于差分進(jìn)化算法和BP神經(jīng)網(wǎng)絡(luò)融合的模型。為克服BP 神經(jīng)網(wǎng)絡(luò)收斂速度慢、易于陷入局部極小點的問題,宋濤等人以液壓柱塞泵為例,提出一種蟻群算法改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)的故障診斷方法,通過蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)具有全局兼局部尋優(yōu)能力。當(dāng)網(wǎng)絡(luò)足夠大、分類足夠多時,BP神經(jīng)網(wǎng)絡(luò)算法的收斂速度變慢、精度變低。劉小平等提出了一種基于BP神經(jīng)網(wǎng)絡(luò)算法的故障診斷模型,采用分塊思想,對不同的液壓執(zhí)行系統(tǒng)采用不同模塊建立獨(dú)立的BP網(wǎng)絡(luò)模型。該方法在提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂速度的同時兼顧了故障診斷的準(zhǔn)確度,有較大的實用價值和工程意義。

        (2)概率神經(jīng)網(wǎng)絡(luò)

        概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)有速度快、結(jié)構(gòu)簡單、不會陷入局部最優(yōu)等優(yōu)點。與BP神經(jīng)網(wǎng)絡(luò)不同,PNN的網(wǎng)絡(luò)結(jié)構(gòu)增加了求和層,如圖7所示。

        圖7 PNN結(jié)構(gòu)

        程越和左桂蘭將PNN網(wǎng)絡(luò)用于CVT液壓系統(tǒng)的故障診斷,構(gòu)建了診斷系統(tǒng),對故障模式進(jìn)行了識別??紤]到不同故障模式下的不同故障程度,杜振東等在液壓泵的故障診斷中,提出了將敏感度分析與PNN相結(jié)合的方法。對各種狀態(tài)下的振動信號提取特征參數(shù)后進(jìn)行敏感度分析,將敏感度高的參數(shù)以向量的形式輸入PNN進(jìn)行訓(xùn)練和測試,以提高診斷的正確率。

        (3)徑向基神經(jīng)網(wǎng)絡(luò)

        徑向基(Radical Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)是一種基于核函數(shù)的前饋式神經(jīng)網(wǎng)絡(luò),利用隱藏層空間對低維的輸入矢量進(jìn)行投影,將數(shù)據(jù)變換到高維空間中,以使原來線性不可分的問題能夠變得線性可分。該網(wǎng)絡(luò)收斂速度快、非線性映射能力好,在液壓故障診斷中有很大優(yōu)勢。

        王武在液壓系統(tǒng)泄漏故障診斷時,通過小波包分解進(jìn)行特征提取,之后將獲取的能量信號作為RBF神經(jīng)網(wǎng)絡(luò)的輸入,通過網(wǎng)絡(luò)訓(xùn)練,進(jìn)行故障識別。為改善診斷結(jié)果,沈美杰等通過小波包分解對信號進(jìn)行降噪處理后,再采用粒子群算法對RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)中心、寬度和閾值進(jìn)行優(yōu)化,使診斷精度得以進(jìn)一步提高。

        神經(jīng)網(wǎng)絡(luò)在故障診斷、故障模式的識別中使用非常多,但因存在學(xué)習(xí)速度較慢、要求完備的訓(xùn)練集以及可解釋差等缺點,使它在故障訓(xùn)練樣本不完備時不能很好地發(fā)揮優(yōu)勢。此外,在面對一個新的領(lǐng)域或者新增模式故障較多時需要重新設(shè)計其網(wǎng)絡(luò)結(jié)構(gòu)甚至無法使用,這些都導(dǎo)致神經(jīng)網(wǎng)絡(luò)在液壓故障診斷的應(yīng)用深度上受到一定限制。

        2.2.2 支持向量機(jī)

        支持向量機(jī)(Support Vector Machine,SVM)是液壓故障診斷中應(yīng)用較多的一種機(jī)器學(xué)習(xí)算法。SVM主要是在尋找一個滿足分類要求的最優(yōu)分類超平面,該平面不僅能將兩類故障訓(xùn)練樣本正確分開,而且使分類間隔最大。

        在診斷應(yīng)用中,針對液壓故障特征信號微弱、特征向量提取困難的問題,張華等人通過計算不同狀態(tài)下特征信號的信息熵,確定相應(yīng)的信息熵特征向量,建立不同狀態(tài)下的液壓特征向量訓(xùn)練參數(shù),以對特征參數(shù)降維,解除特征間相關(guān)性,采用SVM對故障模式進(jìn)行診斷與識別。ZHANG等改進(jìn)傳統(tǒng)SVM,形成一種基于EEMD和SVM的方法,有效解決了低維訓(xùn)練樣本少的液壓沖擊信號診斷問題,提高了SVM的學(xué)習(xí)效率。上述文獻(xiàn)中的SVM 對樣本處理時采用的都是單核映射方法,用這種方法訓(xùn)練后的參數(shù)敏感性對樣本的影響仍然較大,導(dǎo)致SVM魯棒性較差。對此,劉志強(qiáng)等提出一種多核學(xué)習(xí)支持向量機(jī)的液壓故障識別方法,將多個核函數(shù)進(jìn)行凸組合,更有利于樣本數(shù)據(jù)特征的表達(dá),有效地提高了分類的準(zhǔn)確率。此外,RAPUR和TIWARI在SVM基礎(chǔ)上提出一種基于多類支持向量機(jī)(MSVM)的故障識別方法,在用連續(xù)小波變換分析法提取特征后,使用MSVM對復(fù)雜的組合故障進(jìn)行診斷識別。

        在故障診斷中,支持向量機(jī)較適用于樣本小、非線性和高維數(shù)據(jù),較好地解決了“維數(shù)災(zāi)難”和“過學(xué)習(xí)”的不足。但是,當(dāng)故障數(shù)據(jù)規(guī)模較大時,會出現(xiàn)訓(xùn)練速度慢、算法復(fù)雜、效率低下等問題。

        2.2.3 深度學(xué)習(xí)

        深度學(xué)習(xí)是機(jī)器學(xué)習(xí)方面的一個熱點。近年來,基于深度學(xué)習(xí)理論的人工智能方法得到了廣泛的關(guān)注,也已經(jīng)有研究者將這些方法應(yīng)用于液壓系統(tǒng)的故障診斷。深度學(xué)習(xí)通過其特有的層次結(jié)構(gòu)和能夠從低等級特征中提取高等級特征的優(yōu)勢,很好地解決了機(jī)器淺層學(xué)習(xí)對特征表達(dá)能力不足和特征維度過多導(dǎo)致的維數(shù)災(zāi)難等問題,給人工智能帶來了新的希望。

        在液壓故障診斷方面用到的深度學(xué)習(xí)模型主要有卷積神經(jīng)網(wǎng)絡(luò)和堆棧自編碼器模型,相關(guān)研究較少。

        卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)是一種特殊的深度前饋神經(jīng)網(wǎng)絡(luò),可以通過深層網(wǎng)絡(luò)處理更復(fù)雜的故障分類問題。吉珊珊等提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的方法來檢測液壓缸是否內(nèi)泄漏,解決了內(nèi)泄漏不可見、難發(fā)現(xiàn)的問題,而且不需要建模,克服了泄漏模型難以精確建立的缺陷。

        堆棧稀疏自編碼網(wǎng)絡(luò)(Stacked Auto-Encoder,SAE)是由多層自編碼器堆疊構(gòu)成的深度神經(jīng)網(wǎng)絡(luò),能夠通過神經(jīng)網(wǎng)絡(luò)的隱含層來提取高維特征,降低特征維度。姜保軍等為提高液壓蓄能裝置故障診斷率,提出了一種基于堆棧稀疏自編碼器的深度學(xué)習(xí)算法。

        深度神經(jīng)網(wǎng)絡(luò)通過層數(shù)的增加,使診斷模型的學(xué)習(xí)能力、診斷準(zhǔn)確率得以提高。但是,其不足也很明顯,因缺乏理論基礎(chǔ)導(dǎo)致可解釋性差、參數(shù)確定比較困難,層數(shù)過多也使得計算量變大、運(yùn)算變慢。

        此外,如決策樹、極限學(xué)習(xí)機(jī)等算法在液壓系統(tǒng)故障診斷中也有應(yīng)用,但相對較少,文中不作贅述。

        機(jī)器學(xué)習(xí)方面,液壓故障診斷中神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)用得較多,主要是這兩種方法在對數(shù)據(jù)樣本數(shù)量的要求及故障診斷的精確度上有一定優(yōu)勢,相對比較成熟,但因存在樣本量小或者參數(shù)確定難等問題,使這兩種方法在研究中有一定的局限性。而基于深度學(xué)習(xí)的方法雖然能夠通過高維感數(shù)據(jù)的學(xué)習(xí)來解決復(fù)雜的故障問題,但是模型的復(fù)雜度和參數(shù)選擇的不確定性問題,導(dǎo)致故障診斷模型不易建立。針對這些算法的不足,在改善算法本身的同時,可以考慮從數(shù)據(jù)處理的角度進(jìn)行改善,如針對不同系統(tǒng)的故障數(shù)據(jù)特點,使用一些合適的算法,提高數(shù)據(jù)對特征的表達(dá)能力,優(yōu)化相應(yīng)的特征參數(shù)等,以期能簡化診斷模型的結(jié)構(gòu),進(jìn)而減少數(shù)據(jù)量,降低運(yùn)算量,從數(shù)據(jù)方面出發(fā),間接地提高診斷的效率。

        2.3 數(shù)據(jù)可視化

        數(shù)據(jù)可視化是數(shù)據(jù)分析及數(shù)據(jù)解釋的關(guān)鍵技術(shù)。它利用圖像學(xué)基本算法和可視化算法把海量的數(shù)據(jù)轉(zhuǎn)換為圖像或圖形展示出來,使數(shù)據(jù)中隱含的不可見數(shù)據(jù)成為可見,以使人們更好地分析、理解數(shù)據(jù)。故障診斷可視化流程如圖8所示。

        圖8 故障診斷可視化流程

        何慶飛等根據(jù)工程機(jī)械液壓系統(tǒng)故障特點,將故障定位流程圖作為專家系統(tǒng)診斷知識的表示方式,通過研究圖形化的知識庫生成構(gòu)建了診斷知識數(shù)據(jù)庫,開發(fā)了基于流程圖知識表示的故障診斷專家系統(tǒng),提高了故障查找的效率。JAMES等通過建立系統(tǒng)有向圖模型來構(gòu)造系統(tǒng)結(jié)構(gòu),再生成故障樹圖以進(jìn)行故障診斷,避免了傳統(tǒng)樹圖中系統(tǒng)結(jié)構(gòu)隱含的不足。FANG等將計算機(jī)輔助診斷技術(shù)用于解決液壓系統(tǒng)的故障診斷問題,通過分析現(xiàn)有故障,提出了可視化動態(tài)診斷技術(shù)。以上研究都不同程度地拓寬了可視化在液壓故障診斷方面的應(yīng)用。

        在數(shù)據(jù)可視化方面,液壓故障診斷的研究潛力較大,原因是國內(nèi)外對這方面的研究不足,但其應(yīng)用需求較大。在未來的研究中,可以考慮將一些比較成熟的技術(shù)應(yīng)用于此,如基于模型的定義(MBD)以及混合現(xiàn)實(MR)等。這些技術(shù)在制造、裝配等領(lǐng)域應(yīng)用較多,但應(yīng)用于液壓故障診斷的研究較少。國內(nèi)已經(jīng)有研究團(tuán)隊對MR在故障診斷的應(yīng)用進(jìn)行了探索,如虛擬維修等。

        3 未來研究展望

        分析近年來一些具有代表性和創(chuàng)新性的文獻(xiàn)發(fā)現(xiàn),基于大數(shù)據(jù)分析的液壓故障診斷研究比較多,很多研究成果都已轉(zhuǎn)化為實際應(yīng)用,其中在工程機(jī)械、武器裝備和農(nóng)林等領(lǐng)域中應(yīng)用最廣泛,尤其是工程機(jī)械。在具體研究上,大多學(xué)者是從液壓系統(tǒng)的某個機(jī)件、系統(tǒng)的密封、磨損等故障問題著手,通過對特征選擇方法的合理應(yīng)用和創(chuàng)新提高故障數(shù)據(jù)質(zhì)量,利用智能算法建立故障診斷模型和故障診斷系統(tǒng),通過對算法的改進(jìn)和技術(shù)融合提高故障識別率及故障診斷精確度,并與其他方法進(jìn)行對比來驗證其可行性。

        雖然基于大數(shù)據(jù)分析的液壓故障診斷研究及應(yīng)用成果較多,但是仍然存在一些問題值得進(jìn)一步深入探討、展望。

        (1)基于“技術(shù)協(xié)同”思路的數(shù)據(jù)獲取方法

        現(xiàn)代液壓系統(tǒng)由于隱蔽性強(qiáng)、耦合度高等特點,導(dǎo)致部分信息采集困難,采集到的數(shù)據(jù)存在多源異構(gòu)、維度和冗余度高的問題,給數(shù)據(jù)處理造成一定困難,嚴(yán)重制約故障診斷模型的數(shù)據(jù)分析能力。針對采集難的問題,可以考慮引入智能傳感器結(jié)合智能液壓元件進(jìn)行解決。對于多源異構(gòu)的問題,得益于互聯(lián)網(wǎng)技術(shù)的發(fā)展,可以考慮采用技術(shù)協(xié)同的思路,利用網(wǎng)絡(luò)通過異地協(xié)同操作來實現(xiàn)數(shù)據(jù)的交互、共享;針對數(shù)據(jù)的高維度、高冗余度,可以通過在數(shù)據(jù)預(yù)處理端選擇適合的特征提取算法進(jìn)行數(shù)據(jù)處理,以縮減數(shù)據(jù)量和提取高價值數(shù)據(jù)。

        (2)基于“技術(shù)融合”思路的算法改進(jìn)方法

        由前邊關(guān)鍵技術(shù)的分析可以得出,任何一種算法,不管是特征提取還是故障分類,都具有一定的針對性,在解決某一類問題時有一定的優(yōu)勢,但在液壓系統(tǒng)比較復(fù)雜、系統(tǒng)交聯(lián)度高時,單一的診斷技術(shù)通常難以取得滿意的診斷效果,往往在解決過程中還會引出新的難題。因此,將一些有效的算法進(jìn)行融合是液壓系統(tǒng)故障診斷的常用方法。在液壓系統(tǒng)的故障診斷中,將已有的算法適時地結(jié)合新的研究成果如Deep Q Networ(DQN)算法等進(jìn)行技術(shù)上的改進(jìn)、融合是值得關(guān)注的研究方向。

        (3)基于“技術(shù)探索”思路的數(shù)據(jù)分析方法

        探索一些新的方法,對當(dāng)前的研究熱點進(jìn)行深入研究。引入深度學(xué)習(xí)的一些其他方法,如深度置信網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等進(jìn)行液壓故障診斷的探索研究;針對抽象故障信息數(shù)據(jù)比較多的情況,可以考慮用深度學(xué)習(xí)算法直接進(jìn)行特征提取,之后再針對數(shù)據(jù)的實際情況,如有無先驗知識、數(shù)據(jù)樣本是否完備、有無多源異構(gòu)的問題等選擇合適的故障診斷分類方法。針對數(shù)據(jù)樣本多或者故障模式多樣的情況,引入分布式的思想,采用多個診斷單元來并行處理不同類別的故障,在降低模型復(fù)雜度的同時可以有效利用不同算法的優(yōu)勢進(jìn)行針對性診斷,做到優(yōu)勢互補(bǔ),在一定程度上可以提高故障診斷的精度。

        (4)基于“技術(shù)借鑒”思路的數(shù)據(jù)解釋方法

        借鑒新的技術(shù)進(jìn)行研究是實現(xiàn)功能突破、技術(shù)創(chuàng)新的重要途徑。知識圖譜是大數(shù)據(jù)研究的前沿問題,兼具知識抽取、知識表示、知識推理等關(guān)鍵技術(shù),可以說是故障診斷的一個理想技術(shù),既可以應(yīng)用在特征提取中,也可以在實現(xiàn)故障推理的同時對故障結(jié)果進(jìn)行可視化表達(dá)。目前,應(yīng)用知識圖譜進(jìn)行診斷在醫(yī)學(xué)方面已有研究,但在液壓故障診斷中還未曾提及。

        液壓裝備多年的使用維護(hù)積累了大量的數(shù)據(jù),這些數(shù)據(jù)多源、高噪聲、實時性強(qiáng),但其中包含大量有價值的信息,值得深入挖掘分析。

        4 結(jié)論

        本文作者結(jié)合大數(shù)據(jù)分析技術(shù),針對液壓領(lǐng)域的故障診斷,圍繞近幾年故障診斷的研究現(xiàn)狀,歸納總結(jié)了基于大數(shù)據(jù)分析的液壓故障診斷原理;重點討論了診斷的關(guān)鍵技術(shù),闡述了這些技術(shù)的優(yōu)勢與不足;對液壓系統(tǒng)故障診斷方法進(jìn)一步的研究思路進(jìn)行了展望,以為后續(xù)的研究提供參考。

        猜你喜歡
        波包特征提取故障診斷
        基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
        電子制作(2019年15期)2019-08-27 01:12:00
        基于小波包Tsallis熵和RVM的模擬電路故障診斷
        一種基于LBP 特征提取和稀疏表示的肝病識別算法
        基于小波包變換的電力系統(tǒng)諧波分析
        因果圖定性分析法及其在故障診斷中的應(yīng)用
        小波包理論與圖像小波包分解
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        基于LCD和排列熵的滾動軸承故障診斷
        基于小波包的全信息解調(diào)方法及其應(yīng)用
        基于WPD-HHT的滾動軸承故障診斷
        风流老熟女一区二区三区| 亚洲youwu永久无码精品| 日本二一三区免费在线| 色噜噜亚洲男人的天堂| 人妻少妇精品视频专区| 国产真实偷乱视频| 亚洲精品无码国模| 国产午夜精品一区二区三区不| 亚洲不卡中文字幕无码| 国产精品亚洲综合色区韩国| 蜜桃视频高清在线观看| 亚洲乱码av一区二区蜜桃av| 久久综网色亚洲美女亚洲av | 国产精品av网站在线| 亚洲精品中文字幕不卡| 视频在线观看一区二区三区| 国产片精品av在线观看夜色| 国产精选污视频在线观看| 日本一区二区精品88| 精品一区二区三区久久久| 中文字幕亚洲乱码熟女在线| 中文字幕一区乱码在线观看| 国产一区二区三区在线综合视频| 人妻丰满熟妇无码区免费| 国产激情精品一区二区三区| 亚洲一区二区三区成人| 2021最新久久久视精品爱| 免费黄网站一区二区三区| av在线免费高清观看| 国产精品av在线| 亚洲精品夜夜夜| 亚洲AV无码一区二区一二区色戒| 中文字幕人成乱码中文| 精品在线视频在线视频在线视频| 特黄大片又粗又大又暴| 亚洲精品你懂的在线观看| 国产日韩久久久久69影院| 亚洲视频专区一区二区三区| 日本天堂免费观看| 午夜亚洲www湿好爽| 亚州无线国产2021|