[发明专利]基于门控循环神经网络的液压阀故障诊断方法

权利要求书

1.基于门控循环神经网络的液压阀故障诊断方法，其特征在于：包括如下内容：

采集步骤：采集液压阀的故障信号；

降噪步骤：对故障信号进行自相关降噪；

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；

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。

2.根据权利要求1所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：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；

故障信号为连续信号，则自相关函数为：

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；

故障信号为离散信号，则自相关函数为：

其中，x(i)为故障信号，M为采样点数，f为采样数据间隔。

3.根据权利要求1所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述特征提取步骤，包括：

S101、对降噪后的故障信号进行预处理并构造目标矩阵；

S102、对构造的目标矩阵进行奇异值分解；

S103、根据奇异值能量标准谱曲线进行重构，获取特征信息。

4.根据权利要求3所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述S101包括：对故障信号进行连续截断，并构造目标矩阵A。

5.根据权利要求4所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述S101包括：

对降噪后的故障信号进行预处理，获得分析信号X＝[x₁,x₂,…,x_N]；

利用Hankel矩阵构造目标矩阵A：

其中，1nN,m≥2,n≥2；且若N为奇数，则

若N为偶数，则

6.根据权利要求5所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述S102包括：

根据奇异值分解理论，对任意m×n目标矩阵A进行分解：

A＝U·Λ·V^T

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,…,σ_r)，σ₁,…,σ_r是目标矩阵A的所有非零奇异值，σ_r+1＝…＝σ_n＝0是目标矩阵A的所有零奇异值。

7.根据权利要求6所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：所述S103包括：

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S_i，奇异值能量标准谱为

保留目标矩阵A的前S个奇异值，将其他奇异值设置为零；

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。

8.根据权利要求1所述的基于门控循环神经网络的液压阀故障诊断方法，其特征在于：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；

所述故障诊断步骤，包括：

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；

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；

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。