柱塞泵故障智能诊断方法、诊断系统、计算机设备及介质

1.本发明属于柱塞泵故障诊断领域，更具体地，涉及一种柱塞泵故障智能诊断方法、诊断系统、计算机设备及介质。

背景技术：

2.柱塞泵作为机械设备、液压动力系统的动力源，在能量密度，限制压力与服务年限上有良好的表现。由于多变的工作情况与复杂的结构，柱塞泵易受到损坏。在关键部位上的一个轻微的故障会影响装备运行，阻碍工业生产，严重时甚至威胁人的生命财产安全。因此，高精度与鲁棒性的柱塞泵故障诊断方法是至关重要的，其可有效避免设备停机，减少维护花费，确保运行安全。
3.近年来，众多研究人员致力于发展高解析度的信号分解方法、稳定的降噪算法和非人工的特征提取方法。然而在工业应用中，设备的运行工况是经常发生变化的，这会导致采集样本分布的不同。当前的信号处理方法仅仅能处理在实际应用中很少出现的相同工况情况，无法同时解决非线性信号分析与变工况的问题。此外，作为典型的机械-液压耦合系统，往往使用多传感器去解决复杂工况下的柱塞泵故障诊断问题。但是在不同故障类型，故障严重度与运行工况下，多传感器采集到的柱塞泵原始振动数据是复杂与大量的，并且由于故障模式的不同，安装在设备各部位传感器的诊断效果存在较大差异，从而无法选取合适的传感器数据作为故障诊断的依据。
4.因此，本领域存在着发展一种精度较好的可处理变工况与多传感器监测数据的智能故障诊断技术需求。

技术实现要素：

5.针对现有技术的以上缺陷或改进需求，本发明提供了一种柱塞泵故障智能诊断方法、诊断系统、计算机设备及介质，其目的在于，提供一种精度较好的可处理变工况与多传感器监测数据的智能故障诊断技术，由此解决现有柱塞泵故障诊断方法无法在变工况及多传感器监测数据下准确诊断故障的技术问题。
6.为实现上述目的，按照本发明的一个方面，提供了以下技术方案：
7.一种柱塞泵故障智能诊断方法，柱塞泵上设有q个传感器，用于采集不同工况不同故障类型下的振动信号，即传感器数据，q＞1，包括如下步骤：
8.(s1)选取来自同一传感器的不同故障类型间表征边界清晰的多个特征数据训练初始的曲元成分分析模型，将训练后的模型作为基准曲元成分分析模型，训练目的是使得基准曲元成分分析模型输入特征数据，即可输出标准的维数约减后的特征数据；所述特征数据是对传感器数据进行特征提取得到的数据；
9.(s2)所述q个传感器的曲元成分分析模型均共享所述基准曲元成分分析模型的拓扑结构，并采用精炼变换消除其与所述基准曲元成分分析模型的拓扑结构的细微差别；其中，每个所述传感器对应一个曲元成分分析模型，用于对该传感器的特征数据进行维数约
简；
10.(s3)采用非线性插值操作对步骤(s2)得到的所述q个传感器的曲元成分分析模型进行迁移变换，使之能够对新工况下的特征数据进行维数约减，得到所有传感器的优化的曲元成分分析模型；所述新工况是指步骤(s1)的训练数据未涵盖的工况；
11.(s4)对于每个传感器，将其特征数据输入其优化的曲元成分分析模型，输出的维数约减后的特征数据即曲元成分映射结果作为训练样本，该特征数据对应的故障类型为标签，构成一组训练数据，多组训练数据构成第一训练集，对filter samme模型中的一个samme模型进行训练；以此方式对filter samme模型中的q个samme模型训练；训练后的filter samme模型以q个samme模型构成的联合模型与q个samme模型中准确率最高者输出的故障类型作为诊断结果；得到训练好的filter samme模型，用以柱塞泵故障智能诊断。
12.优选地，使用时，将特征数据的曲元成分映射结果输入所述训练好的filter samme模型，输出的故障类型即为柱塞泵故障智能诊断结果。
13.优选地，所述精炼变换操作如下：
[0014][0015]
式中，p为样本编号，该样本是传感器数据，p＝1,2,
…
,p，p为样本个数；l为工况编号，l＝1,2,
…
,l，l为工况个数；为第p个样本对应的精炼参数；为通过旋转与平移操作后的转换值；a
p
为变换至y
rated，l
的旋转向量；b
p
为变换至y
rated，l
的平移量；
[0016]
以步骤(s1)选取的特征数据来源传感器为基准传感器，其他传感器为非基准传感器，为非基准传感器在第l个工况下的第p个样本对应的特征数据输入该非基准传感器对应的优化的曲元成分分析模型，输出的曲元成分映射结果；y
rated，l
为基准传感器在第l个工况下的特征数据输入所述基准曲元成分分析模型，输出的曲元成分映射结果。
[0017]
优选地，所述精炼变换操作采用下式计算
[0018][0019]
式中，i为对单位矩阵，λ为正则化系数，u为精炼参数数量，是的转置矩阵，使用次梯度下降算法求解精炼参数
[0020]
优选地，步骤(s3)具体为：
[0021]
(s31)确定k个近邻工况，得到新工况的工况参数与k个近邻工况的工况参数之间的距离，利用高斯概率密度函数计算转移权重系数wk(p
new
)：
[0022][0023]
式中，k为近邻工况编号，k＝1,...,k，pk为第k个近邻工况的工况参数，σ为高斯概率密度函数的标准差，p
new
为新工况的工况参数，p
new
位于k个近邻工况中任意两个相邻工况
的工况参数之间；
[0024]
(s32)迁移变换后，新工况p
new
下传感器的第j个样本输入其对应的传感器的优化的曲元成分分析模型，输出的维数约减后的特征数据为：
[0025][0026][0027]
式中，α为学习率，λy为距离限制更新点，x
ij
是第i个样本与第j个样本之间的欧式距离；y
ij
为第i个样本的曲元成分映射结果与第j个样本的曲元成分映射结果之间的欧式距离，是第k个工况下第j个样本的曲元成分映射结果，是在新工况p
new
下第j个样本的曲元成分映射结果。
[0028]
优选地，步骤(s4)具体为：
[0029]
(s41)对于第q个传感器，q＝1,2,
…
,q，获取其第p个特征数据的曲元成分映射结果x
p
，p＝1,2,...,p，作为训练样本，对应的故障类型l
p
，l
p
∈{1,2,...,c}作为标签，构成一组训练数据，p组训练数据构成第一训练集，对filter samme模型中的第q个samme模型进行训练，并保留其准确率；以此方式对filter samme模型中的q个samme模型训练；其中p为训练样本数，c为故障类型数；
[0030]
单个samme模型中的样本学习权重表示为：
[0031][0032]
式中，w
m,v
和w
m+1,v
分别是第m轮和(m+1)轮训练时的单个samme模型中的样本学习权重，gm(x
p
)是将x
p
输入samme模型中的弱分类器gm的输出结果，αm是弱分类器权重；
[0033]
(s42)各samme模型训练结束后，保留准确率大于给定准确率阈值的samme模型，计算保留的samme模型的计分权重：
[0034][0035]
式中，是第r个被保留的samme模型即的计分权重，r＝1,2,3,...,k
′
，k
′
为保留的samme模型个数，accr为的准确率；
[0036]
通过加权概率法计算样本x
p
属于故障类型c的分数
[0037][0038]
式中，式中，为x
p
输入至后输出的预测标签；
[0039][0040]
式中，为x
p
输入至最终的预测标签；
[0041]
(s43)q个samme模型构成的联合模型的准确率acc
联合
为：
[0042][0043]
式中，
[0044]
所述联合模型与q个samme模型的最高准确率为acc
fusion
：
[0045]
acc
fusion
＝max{acc
联合
,accr|r∈(1,2,3,...,k
′
)}
ꢀꢀꢀ
(11)
[0046]
取acc
fusion
所对应的联合模型或samme模型输出的故障类型作为训练好的filter samme模型输出的故障类型，即柱塞泵故障智能诊断结果。
[0047]
优选地，所述特征数据是对传感器数据进行包括时域、频域的多维度特征提取，得到的数据；所述维数约减是指将多维数据约减为二维、一维或三维数据。
[0048]
按照本发明的另一个方面，还提供了以下技术方案：
[0049]
一种柱塞泵故障智能诊断系统，柱塞泵上设有q个传感器，用于采集不同工况不同故障类型下的振动信号，即传感器数据，q＞1，系统包括：
[0050]
第一模块，用于选取来自同一传感器的不同故障类型间表征边界清晰的多个特征数据训练初始的曲元成分分析模型，将训练后的模型作为基准曲元成分分析模型，训练目的是使得基准曲元成分分析模型输入特征数据，即可输出标准的维数约减后的特征数据；所述特征数据是对传感器数据进行特征提取得到的数据；
[0051]
第二模块，用于所述q个传感器的曲元成分分析模型均共享所述基准曲元成分分析模型的拓扑结构，并采用精炼变换消除其与所述基准曲元成分分析模型的拓扑结构的细微差别；其中，每个所述传感器对应一个曲元成分分析模型，用于对该传感器的特征数据进行维数约简；
[0052]
第三模块，用于采用非线性插值操作对第二模块得到的所述q个传感器的曲元成分分析模型进行迁移变换，使之能够对新工况下的特征数据进行维数约减，得到所有传感器的优化的曲元成分分析模型；所述新工况是指第一模块的训练数据未涵盖的工况；
[0053]
第四模块，用于对于每个传感器，将其特征数据输入其优化的曲元成分分析模型，输出的维数约减后的特征数据即曲元成分映射结果作为训练样本，该特征数据对应的故障类型为标签，构成一组训练数据，多组训练数据构成第一训练集，对filter samme模型中的一个samme模型进行训练；以此方式对filter samme模型中的q个samme模型训练；训练后的filter samme模型以q个samme模型构成的联合模型与q个samme模型中准确率最高者输出的故障类型作为诊断结果；得到训练好的filter samme模型，用以柱塞泵故障智能诊断。
[0054]
按照本发明的另一个方面，还提供了以下技术方案：
[0055]
一种计算机设备，包括：
[0056]
处理器；以及
[0057]
存储器，用于存储所述处理器的可执行指令；
[0058]
其中，所述处理器配置为经由执行所述可执行指令来执行上述的柱塞泵故障智能诊断方法。
[0059]
按照本发明的另一个方面，还提供了以下技术方案：
[0060]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的柱塞泵故障智能诊断方法。
[0061]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0062]
1、本发明提供的柱塞泵故障智能诊断方法，通过选取来自同一传感器的不同故障类型间表征边界清晰的多个特征数据来训练初始的曲元成分分析模型，得到能输出标准的维数约减特征数据的基准曲元成分分析模型；通过所有传感器的曲元成分分析模型均共享基准曲元成分分析模型的拓扑结构，使之具有与基准曲元成分分析模型同样优异的维数约减性能；将基准曲元成分分析模型作为迁移曲元成分分析中精炼变换的基准，采用精炼变换消除其与所述基准曲元成分分析模型的拓扑结构的细微差别，以提升拓扑质量与维数约减效果，所有传感器的曲元成分分析模型中特征分布质量都因基准映射模型的拓扑结构而得到改善，并且因精炼变换所有传感器的曲元映射结果的分布质量得到进一步明显改善，通过精炼变换解决了曲元成分映射性能不稳定的问题；通过迁移变换操作解决变工况问题，其可处理考虑范围内的任意工况下采集得到的数据，提高适用性和灵活性；通过训练filter samme模型解决多传感器联合诊断问题，其摆脱从多个传感器中人工筛选最优传感器的依赖，传感器筛选过程是客观的，从而提高数据质量与诊断精度。
[0063]
2、本发明提供的柱塞泵故障智能诊断方法，使用时，只需将传感器数据的提取得到的特征数据输入该传感器对应的优化的曲元成分分析模型，将该优化的曲元成分分析模型输出的曲元成分映射结果输入训练好的filter samme模型，输出的故障类型即为柱塞泵故障智能诊断结果，变工况下、多传感器数据均能智能快速准确诊断故障类型。
[0064]
3、本发明提供的柱塞泵故障智能诊断方法，通过精炼变换操作解决曲元成分映射性能不稳定的问题，将基准曲元成分分析模型作为迁移曲元成分分析中精炼变换的基准，所有传感器的曲元成分分析模型中特征分布质量都因基准映射模型的拓扑结构而得到改善，并且因精炼变换所有传感器的曲元映射结果的分布质量得到进一步明显改善。
[0065]
4、本发明提供的柱塞泵故障智能诊断方法，精炼变化过程使用lasso回归算法避免曲元成分映射结果存在自变量间多重共线性或自变量个数多于样本量导致不满列秩，不存在的情况，使得故障诊断结果更为准确。
[0066]
5、本发明提供的柱塞泵故障智能诊断方法，采用非线性插值来解决曲元成分分析映射模型和精炼变换参数对未知的工况不适用的问题，经过迁移变换后的优化的曲元成分分析模型，能够适用于训练数据未涵盖的新工况/变工况情况，其可处理考虑范围内的任意工况下采集得到的数据，提高适用性和灵活性。
[0067]
6、本发明提供的柱塞泵故障智能诊断方法，采用包括多个samme模型的filter samme模型，利用优化的曲元成分分析模型输出的曲元成分映射结果训练各samme模型，并将各samme模型的联合模型与各单个samme模型中准确率最高的模型输出作为最终输出诊断结果，确保训练好的filter samme模型性能优于任何一个单个samme模型，故障诊断精度
大幅提高。
[0068]
7、本发明提供的柱塞泵故障智能诊断方法，精炼变换操作可将多维特征映射为二维、一维或三维曲元成分表征，减少计算成本，提高运算效率。
附图说明
[0069]
图1是本发明较佳实施例中一种柱塞泵故障智能诊断方法流程图；
[0070]
图2是本发明较佳实施例中filter samme模型训练示意图。
具体实施方式
[0071]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0072]
本发明提供了一种柱塞泵故障智能诊断方法、诊断系统、计算机设备及介质，其针对变工况与多传感器监测的特点，研究及设计了一种精度较好的可处理变工况与海量监测数据的柱塞泵智能故障诊断方法。所述方法结合了曲元成分分析及samme模型网络，其首先，对多传感器数据进行时域与频域特征提取；然后，对特征数据进行精炼变换实现拓扑结构改善和维数约简；接下来，通过迁移曲元成分分析方法中的迁移变换精准对齐不同工况域下的数据拓扑结构；最后，利用处理后的特征与标签训练filter samme网络，并采用训练好的filter samme网络预测故障状态，提高了精度及适用性。
[0073]
如图1所示，本发明实施例提供了一种柱塞泵故障智能诊断方法，柱塞泵上设有q个传感器，用于采集不同工况不同故障类型下的振动信号，即传感器数据，q＞1，该方法包括如下步骤：
[0074]
步骤一，对不同工况下多传感器采集得到的原始振动信号进行时域与频域特征提取，获取十二个时域特征和六个频域特征。
[0075]
具体地，对不同工况下多传感器采集得到的原始振动信号进行时域与频域特征提取，获取绝对平均数、均方根、峰值、振幅根值、偏度、峰度、波形指数、峰值指数、冲击指数、边际指数、偏度指数和峰度指数十二个时域特征，频率振幅平均值、频率引力、频率均方、频率均方根，频率方差和频率标准差六个频域特征。
[0076]
步骤二，选取来自同一传感器的不同故障类型间表征边界清晰的多个特征数据训练初始的曲元成分分析模型，将训练后的模型作为基准曲元成分分析模型，训练目的是使得基准曲元成分分析模型输入特征数据，即可输出标准的维数约减后的特征数据；所述特征数据是对传感器数据进行特征提取得到的数据。
[0077]
对于多源传感器，有的传感器采集的数据，质量较高，不同故障类型间表征边界比较清晰，而有的传感器采集的数据则质量不高，需要选取质量较高的传感器数据对应的特征数据，即不同故障类型间表征边界清晰的特征数据，使用该特征数据训练初始曲元成分分析模型，将训练后的初始曲元成分分析模型作为基准曲元成分分析模型。
[0078]
将训练后的初始的曲元成分分析模型初始映射模型作为迁移曲元成分分析中精炼变换的基准即基准曲元成分分析模型，接下来所有的曲元成分映射曲元成分分析模型都
将共享基准曲元成分映射分析模型的清晰的拓扑结构。
[0079]
步骤三，所有q个传感器的曲元成分分析模型均共享所述基准曲元成分分析模型的拓扑结构，并采用精炼变换消除其与所述基准曲元成分分析模型的拓扑结构的细微差别；其中，每个所述传感器对应一个曲元成分分析模型，用于对该传感器的特征数据进行维数约简。
[0080]
一个曲元成分分析模型，对应一个传感器的特征数据分析，用于将低维数据进行维数约简降维为高维数据(多维减少为二维、一维或三维)。
[0081]
采用精炼变换消除所有曲元成分映射模型曲元成分分析模型与基准曲元成分分析模型基准映射模型拓扑结构的细微差别，精炼变换操作如下：
[0082][0083]
式中，p为样本编号，该样本是传感器数据，p＝1,2,
…
,p，p为样本个数；l为工况编号，l＝1,2,
…
,l，l为工况个数；为第p个样本对应的精炼参数；为通过旋转与平移操作后的转换值；a
p
为变换至y
rated，l
的旋转向量；b
p
为变换至y
rated，l
的平移量；
[0084]
以步骤二选取的特征数据来源传感器为基准传感器，其他传感器为非基准传感器，为非基准传感器在第l个工况下的第p个样本对应的特征数据输入该非基准传感器对应的优化的曲元成分分析模型，输出的曲元成分映射结果；y
rated，l
为基准传感器在第l个工况下的特征数据输入所述基准曲元成分分析模型，输出的曲元成分映射结果。
[0085]
精炼变换过程使用lasso回归算法避免曲元成分映射结果存在自变量间多重共线性或自变量个数多于样本量导致不满列秩，不存在的情况。是转置操作后的结果。
[0086][0087]
式中，i为对单位矩阵，λ为正则化系数，u为精炼参数数量，是的转置矩阵，使用次梯度下降算法求解精炼参数
[0088]
步骤四，通过迁移曲元成分分析方法中迁移变换的非线性插值操作对步骤三得到的所述q个传感器的曲元成分分析模型精准对齐不同工况域下的约简特征分布，使得所述q个传感器的曲元成分分析模型能够对新工况下的特征数据进行维数约减，得到所有传感器的优化的曲元成分分析模型；所述新工况是指步骤二的训练数据未涵盖的工况。
[0089]
具体地，当新工况下的样本需要被处理，原有步骤三得到的曲元成分分析映射模型和精炼变换参数对未知的工况是不适用的。对于工程实践来说，需要为所考虑的工况范围内的任意工况研发一个可用的方法。
[0090]
本发明采用非线性插值来解决这个问题，首先，确定k个近邻的工况，得到新工况下工况参数与k个近邻工况参数之间的距离，随后，利用高斯概率密度函数来计算转移权重
系数。转移权重系数计算公式为：
[0091][0092]
式中，k为近邻工况编号，k＝1,...,k，pk为第k个近邻工况的工况参数，σ为高斯概率密度函数的标准差，p
new
为新工况的工况参数，p
new
位于k个近邻工况中任意两个相邻工况的工况参数之间。
[0093]
最后，利用精炼变换计算出k个近邻工况的曲元成分映射结果，并通过转移权重系数将这些曲元成分映射结果结合，得到迁移后的曲元成分映射结果：
[0094][0095][0096]
式中，α为学习率，λy为距离限制更新点，x
ij
是第i个样本与第j个样本之间的欧式距离；y
ij
为第i个样本的曲元成分映射结果与第j个样本的曲元成分映射结果之间的欧式距离，是第k个工况下第j个样本的曲元成分映射结果，是在新工况p
new
下第j个样本的曲元成分映射结果。
[0097]
步骤五，如图2所示，对于每个传感器，将其特征数据输入其优化的曲元成分分析模型，输出的维数约减后的特征数据即曲元成分映射结果作为训练样本，该特征数据对应的故障类型为标签，构成一组训练数据，多组训练数据构成第一训练集，对filter samme模型中的一个samme模型进行训练；以此方式对filter samme模型中的q个samme模型训练；训练后的filter samme模型以q个samme模型构成的联合模型与q个samme模型中准确率最高者输出的故障类型作为诊断结果；得到训练好的filter samme模型，用以柱塞泵故障智能诊断。
[0098]
具体地，步骤五包括如下子步骤：
[0099]
(s51)对于第q个传感器，q＝1,2,
…
,q，获取其第p个特征数据的曲元成分映射结果x
p
，p＝1,2,...,p，作为训练样本，对应的故障类型l
p
，l
p
∈{1,2,...,c}作为标签，构成一组训练数据，p组训练数据构成第一训练集，对filter samme模型中的第q个samme模型进行训练，并保留其诊断精度；以此方式对filter samme模型中的q个samme模型训练；训练结束条件为达到预设的训练轮次；其中p为训练样本数，c为故障类型数；
[0100]
为了进一步提高samme模型的性能，样本学习权重将根据以前的诊断结果重新分配。单个samme模型中的样本学习权重表示为：
[0101][0102]
式中，w
m,v
和w
m+1,v
分别是第m轮和(m+1)轮训练时的单个samme模型中的样本学习权重，gm(x
p
)是将x
p
输入samme模型中的弱分类器gm的输出结果，αm是弱分类器权重；
[0103]
(s52)各samme模型训练迭代结束后，保留准确率大于给定准确率阈值的samme模型，计算保留的samme模型的计分权重：
[0104][0105]
式中，是第r个被保留的samme模型即的计分权重，r＝1,2,3,
…
,k'，k'为保留的samme模型个数，accr为的准确率；
[0106]
通过软投票方法(加权概率法)计算样本x
p
属于故障类型c的分数
[0107][0108]
式中，式中，为x
p
输入至后输出的预测标签；
[0109][0110]
式中，为x
p
输入至最终的预测标签；
[0111]
(s53)q个samme模型构成的联合模型的准确率acc
联合
为：
[0112][0113]
式中，
[0114]
所述联合模型与q个samme模型的最高准确率为acc
fusion
：
[0115]
acc
fusion
＝max{acc
联合
,accr|r∈(1,2,3,...,k
′
)}
ꢀꢀꢀ
(11)
[0116]
为保证训练好的filter samme模型的性能高于任何单个samme模型，取acc
fusion
所对应的联合模型或samme模型输出的故障类型作为训练好的filter samme模型输出的故障类型，即柱塞泵故障智能诊断结果。
[0117]
实际诊断柱塞泵故障时，将特征数据的曲元成分映射结果输入所述训练好的filter samme模型，输出的故障类型即为柱塞泵故障智能诊断结果。
[0118]
本发明实施例还提供一种柱塞泵故障智能诊断系统，柱塞泵上设有q个传感器，用于采集不同工况不同故障类型下的振动信号，即传感器数据，q＞1，系统包括：
[0119]
第一模块，用于选取来自同一传感器的不同故障类型间表征边界清晰的多个特征数据训练初始的曲元成分分析模型，将训练后的模型作为基准曲元成分分析模型，训练目的是使得基准曲元成分分析模型输入特征数据，即可输出标准的维数约减后的特征数据；所述特征数据是对传感器数据进行特征提取得到的数据；
[0120]
第二模块，用于所述q个传感器的曲元成分分析模型均共享所述基准曲元成分分析模型的拓扑结构，并采用精炼变换消除其与所述基准曲元成分分析模型的拓扑结构的细微差别；其中，每个所述传感器对应一个曲元成分分析模型，用于对该传感器的特征数据进
行维数约简；
[0121]
第三模块，用于采用非线性插值操作对第二模块得到的所述q个传感器的曲元成分分析模型进行迁移变换，使之能够对新工况下的特征数据进行维数约减，得到所有传感器的优化的曲元成分分析模型；所述新工况是指第一模块的训练数据未涵盖的工况；
[0122]
第四模块，用于对于每个传感器，将其特征数据输入其优化的曲元成分分析模型，输出的维数约减后的特征数据即曲元成分映射结果作为训练样本，该特征数据对应的故障类型为标签，构成一组训练数据，多组训练数据构成第一训练集，对filter samme模型中的一个samme模型进行训练；以此方式对filter samme模型中的q个samme模型训练；训练后的filter samme模型以q个samme模型构成的联合模型与q个samme模型中准确率最高者输出的故障类型作为诊断结果；得到训练好的filter samme模型，用以柱塞泵故障智能诊断。
[0123]
其中，各模块的具体实施方式可以参考方法实施例中的描述，本发明实施例将不再复述。
[0124]
本发明实施例中使用柱塞泵故障模拟实验数据来验证本发明方法的有效性。柱塞泵故障模拟实验平台由一台柱塞泵、一台驱动电机、一个耦合器、一个齿轮泵、一个数据采集装置和一台个人电脑组成。右端齿轮泵由补油泵与控制泵构成，属于小型可更换单元，工作压力为2mpa。
[0125]
柱塞泵泵体上下有进油口与出油口，泵有四种不同工况，分别为a口压力脉动1.6mpa、3.4mpa、9.6mpa、12mpa。柱塞泵故障类型主要有以下5种：正常、滚珠轴承故障、滑履故障、柱塞磨损以及齿轮泵故障。根据要求，将实船上更换下来的损坏部件安装至故障诊断平台，从而模拟出泵的不同故障类型，用于数据分析与故障诊断。故障滑履的超差为2.1毫米，柱塞的磨损量为0.141毫米。
[0126]
原始的振动信号利用振动传感器采集，其中#1至#8传感器用于检测柱塞泵不同故障模式下的振动情况，#9传感器用于监测柱塞泵目前工况。为了确保高速运转下采样点数足够，数据采集平台的数据采集频率被设置为20khz。每种故障模式包含100组重复测试，每组采集时间为5s。因此，每个样本包含10万个采样点。
[0127]
时域与频域特征提取、内聚分析以及迁移曲元成分分析被用于分析上述样本，输出二维曲元成分映射表征用于接下来的故障诊断。每个故障类型有100个样本，一个样本包括一个二维表征。每个故障类型分别包含60％的训练样本、20％的验证和测试样本。每次迭代都同时考虑8个振动传感器和5个故障类型。表1记录了单个samme的诊断准确性即准确率和分数权重(接受度阈值为0.8时)。同时，所提出的方法在各工况下的诊断结果如表2所示。
[0128]
表1
[0129]
[0130][0131]
表2
[0132][0133]
对比表1和表2诊断结果，本发明所提出的联合诊断模型即训练后的filter samme模型比任何单独的samme有更好的性能。此外，它表明所提出的方法可以根据诊断结果动态地调整训练和评分权重，诊断准确性差的单个samme将被自动删除。提出的组合模型比单个学习模型更客观、更准确。
[0134]
为了进一步研究所述方法的优越性，我们应用现有的三种常规方法进行比较分析，包括dbscan、drsn和bagging，并将它们标注为方法1至方法6。为了消除样本选择对诊断结果的影响，每种方法都使用相同的样本，并进行了10次试验。基于上述实验数据，采用与上述一样的验证过程进行验证，本发明的具体验证结果如表3。
[0135]
表3
[0136][0137]
表3展示了它们之间的诊断精度(即准确率)对比结果，从表中可以看到本发明的测试集故障诊断精度超过96％，明显高于其他6种对比分析方法。也进一步证明本发明的具有很强的创造和适用性，能够适用于实际工业上。
[0138]
本发明引入迁移曲元成分分析方法进行维数约简与精确对齐同一传感器不同工况域下的约简特征分布，同时引入filter samme模型挑选出与设备状态高度相关的数据并进行故障诊断，从而使得模型计算量大幅减少并适用于考虑范围内的所有工况，继而减少计算成本，提高故障诊断模型诊断精度和适用性。
[0139]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含
在本发明的保护范围之内。

技术特征：

1.一种柱塞泵故障智能诊断方法，柱塞泵上设有q个传感器，用于采集不同工况不同故障类型下的振动信号，即传感器数据，q＞1，其特征在于，包括如下步骤：(s1)选取来自同一传感器的不同故障类型间表征边界清晰的多个特征数据训练初始的曲元成分分析模型，将训练后的模型作为基准曲元成分分析模型，训练目的是使得基准曲元成分分析模型输入特征数据，即可输出标准的维数约减后的特征数据；所述特征数据是对传感器数据进行特征提取得到的数据；(s2)所述q个传感器的曲元成分分析模型均共享所述基准曲元成分分析模型的拓扑结构，并采用精炼变换消除其与所述基准曲元成分分析模型的拓扑结构的细微差别；其中，每个所述传感器对应一个曲元成分分析模型，用于对该传感器的特征数据进行维数约简；(s3)采用非线性插值操作对步骤(s2)得到的所述q个传感器的曲元成分分析模型进行迁移变换，使之能够对新工况下的特征数据进行维数约减，得到所有传感器的优化的曲元成分分析模型；所述新工况是指步骤(s1)的训练数据未涵盖的工况；(s4)对于每个传感器，将其特征数据输入其优化的曲元成分分析模型，输出的维数约减后的特征数据即曲元成分映射结果作为训练样本，该特征数据对应的故障类型为标签，构成一组训练数据，多组训练数据构成第一训练集，对filter samme模型中的一个samme模型进行训练；以此方式对filter samme模型中的q个samme模型训练；训练后的filter samme模型以q个samme模型构成的联合模型与q个samme模型中准确率最高者输出的故障类型作为诊断结果；得到训练好的filter samme模型，用以柱塞泵故障智能诊断。2.如权利要求1所述的一种柱塞泵故障智能诊断方法，其特征在于，使用时，将特征数据的曲元成分映射结果输入所述训练好的filter samme模型，输出的故障类型即为柱塞泵故障智能诊断结果。3.如权利要求1所述的一种柱塞泵故障智能诊断方法，其特征在于，所述精炼变换操作如下：式中，p为样本编号，该样本是传感器数据，p＝1,2,
…
,p，p为样本个数；l为工况编号，l＝1,2,
…
,l，l为工况个数；为第p个样本对应的精炼参数；为通过旋转与平移操作后的转换值；a
p
为变换至y
rated，l
的旋转向量；b
p
为变换至y
rated，l
的平移量；以步骤(s1)选取的特征数据来源传感器为基准传感器，其他传感器为非基准传感器，为非基准传感器在第l个工况下的第p个样本对应的特征数据输入该非基准传感器对应的优化的曲元成分分析模型，输出的曲元成分映射结果；y
rated，l
为基准传感器在第l个工况下的特征数据输入所述基准曲元成分分析模型，输出的曲元成分映射结果。4.如权利要求3所述的一种柱塞泵故障智能诊断方法，其特征在于，所述精炼变换操作采用下式计算
式中，i为对单位矩阵，λ为正则化系数，u为精炼参数数量，是的转置矩阵，使用次梯度下降算法求解精炼参数5.如权利要求4所述的一种柱塞泵故障智能诊断方法，其特征在于，步骤(s3)具体为：(s31)确定k个近邻工况，得到新工况的工况参数与k个近邻工况的工况参数之间的距离，利用高斯概率密度函数计算转移权重系数w
k
(p
new
)：式中，k为近邻工况编号，k＝1,...,k，p
k
为第k个近邻工况的工况参数，σ为高斯概率密度函数的标准差，p
new
为新工况的工况参数，p
new
位于k个近邻工况中任意两个相邻工况的工况参数之间；(s32)迁移变换后，新工况p
new
下传感器的第j个样本输入其对应的传感器的优化的曲元成分分析模型，输出的维数约减后的特征数据为：为：式中，α为学习率，λ
y
为距离限制更新点，x
ij
是第i个样本与第j个样本之间的欧式距离；y
ij
为第i个样本的曲元成分映射结果与第j个样本的曲元成分映射结果之间的欧式距离，是第k个工况下第j个样本的曲元成分映射结果，是在新工况p
new
下第j个样本的曲元成分映射结果。6.如权利要求1所述的一种柱塞泵故障智能诊断方法，其特征在于，步骤(s4)具体为：(s41)对于第q个传感器，q＝1,2,
…
,q，获取其第p个特征数据的曲元成分映射结果x
p
，p＝1,2,...,p，作为训练样本，对应的故障类型l
p
，l
p
∈{1,2,...,c}作为标签，构成一组训练数据，p组训练数据构成第一训练集，对filter samme模型中的第q个samme模型进行训练，并保留其准确率；以此方式对filter samme模型中的q个samme模型训练；其中p为训练样本数，c为故障类型数；单个samme模型中的样本学习权重表示为：式中，w
m,v
和w
m+1,v
分别是第m轮和(m+1)轮训练时的单个samme模型中的样本学习权重，g
m
(x
p
)是将x
p
输入samme模型中的弱分类器g
m
的输出结果，α
m
是弱分类器权重；
(s42)各samme模型训练结束后，保留准确率大于给定准确率阈值的samme模型，计算保留的samme模型的计分权重：式中，是第r个被保留的samme模型即的计分权重，r＝1,2,3,...,k
′
，k
′
为保留的samme模型个数，acc
r
为的准确率；通过加权概率法计算样本x
p
属于故障类型c的分数属于故障类型c的分数式中，式中，为x
p
输入至后输出的预测标签；式中，为x
p
输入至最终的预测标签；(s43)q个samme模型构成的联合模型的准确率acc
联合
为：式中，所述联合模型与q个samme模型的最高准确率为acc
fusion
：acc
fusion
＝max{acc
联合
,acc
r
|r∈(1,2,3,...,k
′
)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)取acc
fusion
所对应的联合模型或samme模型输出的故障类型作为训练好的filter samme模型输出的故障类型，即柱塞泵故障智能诊断结果。7.如权利要求1所述的一种柱塞泵故障智能诊断方法，其特征在于，所述特征数据是对传感器数据进行包括时域、频域的多维度特征提取，得到的数据；所述维数约减是指将多维数据约减为二维、一维或三维数据。8.一种柱塞泵故障智能诊断系统，柱塞泵上设有q个传感器，用于采集不同工况不同故障类型下的振动信号，即传感器数据，q＞1，其特征在于，系统包括：第一模块，用于选取来自同一传感器的不同故障类型间表征边界清晰的多个特征数据训练初始的曲元成分分析模型，将训练后的模型作为基准曲元成分分析模型，训练目的是使得基准曲元成分分析模型输入特征数据，即可输出标准的维数约减后的特征数据；所述特征数据是对传感器数据进行特征提取得到的数据；第二模块，用于所述q个传感器的曲元成分分析模型均共享所述基准曲元成分分析模型的拓扑结构，并采用精炼变换消除其与所述基准曲元成分分析模型的拓扑结构的细微差别；其中，每个所述传感器对应一个曲元成分分析模型，用于对该传感器的特征数据进行维
数约简；第三模块，用于采用非线性插值操作对第二模块得到的所述q个传感器的曲元成分分析模型进行迁移变换，使之能够对新工况下的特征数据进行维数约减，得到所有传感器的优化的曲元成分分析模型；所述新工况是指第一模块的训练数据未涵盖的工况；第四模块，用于对于每个传感器，将其特征数据输入其优化的曲元成分分析模型，输出的维数约减后的特征数据即曲元成分映射结果作为训练样本，该特征数据对应的故障类型为标签，构成一组训练数据，多组训练数据构成第一训练集，对filter samme模型中的一个samme模型进行训练；以此方式对filter samme模型中的q个samme模型训练；训练后的filter samme模型以q个samme模型构成的联合模型与q个samme模型中准确率最高者输出的故障类型作为诊断结果；得到训练好的filter samme模型，用以柱塞泵故障智能诊断。9.一种计算机设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7中任意一项所述的柱塞泵故障智能诊断方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任意一项所述的柱塞泵故障智能诊断方法。

技术总结

本发明公开了一种柱塞泵故障智能诊断方法、诊断系统、计算机设备及介质，属于柱塞泵故障诊断领域，方法通过训练初始的曲元成分分析模型得到基准曲元成分分析模型；Q个传感器的曲元成分分析模型均共享基准曲元成分分析模型的拓扑结构，并采用精炼变换提升其拓扑质量；采用非线性插值操作对Q个传感器的曲元成分分析模型进行迁移变换，得到所有传感器的优化的曲元成分分析模型；利用优化的曲元成分分析模型输出的曲元成分映射结果训练Filter SAMME模型，得到训练好的Filter SAMME模型，用以柱塞泵故障智能诊断。本发明解决了现有柱塞泵故障诊断方法无法在变工况及多传感器监测数据下准确诊断故障的技术问题。数据下准确诊断故障的技术问题。数据下准确诊断故障的技术问题。