[发明专利]一种液压缸故障诊断方法

说明书

本发明公开了一种液压缸故障诊断方法，首先在AMESim软件中对液压缸进行物理建模仿真并完成故障注入过程，获取故障数据；接着对数据进行小波包能量提取，构建特征向量；然后建立基于高维非线性分类器的故障诊断模型；使用训练样本对故障诊断模型进行训练，并采用遗传算法计算出模型所需参数的最优解，构造多值分类器；将液压缸测试样本输入到模型进行故障诊断。本发明有效地解决算法验证过程中故障数据不足的问题，结合遗传算法优化寻参的高维非线性分类器算法的应用有效解决非线性、小样本的问题，提高了故障诊断模型的故障识别能力。

技术领域

本发明涉及液压缸故障诊断领域，特别是涉及一种基于基于小波包分解和遗传算法优化的支持向量机(WPT-GASVM)的液压缸故障诊断方法。

背景技术

液压系统广泛应用于工业生产中，是复杂系统的重要组成部分。而液压缸作为液压伺服系统中的执行部分，在实现直线运动或旋转往复运动上得到十分广泛的运用，其健康状态直接影响整个生产活动。液压缸一旦发生故障，轻则造成设备或负载的损坏，重则威胁人身财产安全，造成重大事故。随着设备趋向于大型化、复杂化，传统的计划维修已经难以满足工业生产的需求。

以往针对液压缸的故障诊断方法，往往存在故障数据不足的问题，而设备运行过程中产生的数据中缺少故障数据且存在大量无用数据。另一方面，在故障诊断方法的选择上，传统的基于模型的方法因建模精确性的问题而难以得到应用，基于数据驱动的视情维修受到越来越多的关注和发展。

中国专利申请号：201610497436.5，专利名称：《液压缸内泄漏故障诊断评估方法》，该发明专利采用小波分析法对压力信号进行特征提取，结合BP神经网络，实现液压缸内泄漏等级的诊断评估。

文献《基于LS-SVM液压缸泄露故障诊断方法的研究》(期刊名：《机床与液压》，卷号等信息：2017,45(15):184-187)以液压缸泄露为研究对象，对液压缸泄露程度进行分类，采用最小二乘支持向量机方法实现了诊断目标。

虽然现有技术已成功使用数据驱动的方法对液压缸进行故障诊断，但仍存在故障数据获取困难和模型参数选择的问题。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于小波包分解和遗传算法优化的支持向量机(WPT-GASVM)的液压缸故障诊断方法。

本发明为解决上述技术问题采用以下技术方案：

一种液压缸故障诊断方法，包含如下具体步骤：

步骤1)，通过AMESim软件建立液压缸仿真模型；

步骤2)，进行故障注入，分别获得状态集合的每一种状态下N组液压缸仿真模型的进出口流量数据，所述状态集合包含正常工作状态、液压缸泄露故障状态、负载突变故障状态和活塞杆轴线偏移故障状态；

步骤3)，采用小波包分解方法对每一种状态下液压缸仿真模型的每组进出口流量数据进行四层分解，得到每组进出口流量数据16个频带下的分解信号，并计算出每组进出口流量数据的进口流量数据、出口流量数据的分解信号在各个频段下的能量值、进而得到该组进出口流量数据的特征向量，结合各组进出口流量数据对应的液压缸仿真模型的状态，最终形成特征数据集；

步骤4)，利用遗传算法对支持向量机模型的惩罚因子、以及预先设定的核函数参数进行寻优，并在此基础上建立多值支持向量机分类器，然后利用特征数据集对多值支持向量机分类器进行训练，得到训练后的多值支持向量机分类器；

步骤5)，对待测试的液压缸进出口流量数据进行特征提取，获取其特征向量，并将其输入训练后的多值支持向量机分类器，得到待测试的液压缸的状态，完成故障诊断。

作为本发明一种液压缸故障诊断方法进一步的优化方案，所述步骤1)的详细步骤如下：