[发明专利]基于门控循环神经网络的液压阀故障诊断方法

说明书

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，包括：采集液压阀的故障信号；对故障信号进行自相关降噪；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；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。本方法中自相关降噪可以去除环境中不可避免的噪声，奇异值分解和重构获取到故障信号的特征信息，减少大量的无关信息，突出故障信号的主要成分，最后通过门控循环神经网络模型进行故障诊断，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。

技术领域

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

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。

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：

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；

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。

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。

发明内容

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。

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：

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。

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。

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。