阅读说明：本技术 基于hsmm-svm模型的大型液压机故障诊断方法与装置 (Large hydraulic machine fault diagnosis method and device based on HSMM-SVM model ) 是由 何彦虎 于 2019-09-17 设计创作，主要内容包括：本发明提供基于HSMM-SVM模型的大型液压机故障诊断方法与装置,属于液压机故障诊断技术领域。该基于HSMM-SVM模型的大型液压机故障诊断方法与装置包括如下步骤：S1：采集液压机的诊断信号；S2：通过对诊断信号进行处理以提取特征向量；S3：建立HSMM-SVM模型的分类器,将特征向量输入分类器中得到故障信息。本发明首先采集液压机的诊断信号,然后通过对诊断信号进行处理以提取特征向量,接着建立HSMM-SVM模型的分类器,将特征向量输入分类器中得到故障信息,这样可以获取液压机上的故障的诊断信息,精度较高,效率较高。(The invention provides a fault diagnosis method and device for a large hydraulic machine based on an HSMM-SVM model, and belongs to the technical field of fault diagnosis of hydraulic machines. The method and the device for diagnosing the fault of the large hydraulic machine based on the HSMM-SVM model comprise the following steps: s1: collecting a diagnosis signal of the hydraulic machine; s2: extracting a feature vector by processing the diagnostic signal; s3: and establishing a classifier of the HSMM-SVM model, and inputting the feature vector into the classifier to obtain fault information. The method comprises the steps of firstly collecting diagnosis signals of the hydraulic machine, then processing the diagnosis signals to extract the feature vectors, then establishing a classifier of the HSMM-SVM model, and inputting the feature vectors into the classifier to obtain fault information, so that the diagnosis information of the faults on the hydraulic machine can be obtained, and the method is high in precision and efficiency.)

基于HSMM-SVM模型的大型液压机故障诊断方法与装置

技术领域

本发明属于液压机故障诊断技术领域，涉及基于HSMM-SVM模型的大型液压机故障诊断方法与装置。

背景技术

液压技术已经成为世界各国工业领域的关键技术之一，据不完全统计，现在95%以上的机械设备都采用液压技术和装置，液压机是各种高强度钢、碳素钢和合金钢的加工、锻压必须采用的核心装置，广泛使用在航空航天、钢材、大型轴承件、核工业、军事、船舶、起吊机、人造板等重工业领域的设备中，是能源、石油、冶金等国民经济支柱产业中的关键设备，一些液压机是工业体系和国防所需的战略装备，是国家发展大型军事装备和大型工业装备的基础设备，标志着国家综合生产能力与技术发展水平，其可靠性和安全运行性至关重要。液压机实质是一个融机电液控于一体的系统，控制复杂、故障诊断困难。故障停机不但降低了企业的生产效率，造成巨大的经济损失，而且因为这些液压设备的维修技术被国外封锁，给生产企业带来极大的困难，因此对液压机设备的可靠运行、故障诊断与健康预测具有重大现实意义。

发明内容

本发明针对现有的技术存在的上述问题，提供基于HSMM-SVM模型的大型液压机故障诊断方法与装置，本发明所要解决的技术问题是：如何提供基于HSMM-SVM模型的大型液压机故障诊断方法与装置。

本发明的目的可通过下列技术方案来实现：

基于HSMM-SVM模型的大型液压机故障诊断方法，包括如下步骤：

S1：采集液压机的诊断信号；

S2：通过对诊断信号进行处理以提取特征向量；

S3：建立HSMM-SVM模型的分类器，将特征向量输入分类器中得到故障信息。

优选的，所述诊断信号包括液压机的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况、振动信号。

优选的，步骤S3中通过将特征向量输入分类器对分类器进行训练，验证分类器的分类精度以使分类器的准确度达到预设精度。

优选的，步骤S2中将诊断信号通过小波阀值去除噪声以得到滤波信号，通过经验模态EMD分解滤波信号获取本征模态函数本征模态函数IMF，根据式 获取各个本征模态函数本征模态函数IMF的能量矩，根据式 将能量矩进行构造特征向量并归一化。

优选的，所述液压压力信号通过PPM-T322H压力传感器采集，所述液压流量信号通过FT-330型传感器采集，所述振动信号通过SG2000振动传感器采集。

优选的，所述HSMM和SVM通过串联、并联或者嵌入融合形成HSMM-SVM模型。

优选的，所述分类器包括用以存储有预设故障分类的故障模型库。

基于HSMM-SVM模型的大型液压机故障诊断装置，包括用以采集液压机的诊断信号的信号采集单元、用以接收并对诊断信号进行处理为特征向量的信号处理单元和用以对特征向量进行分析以得到故障信息的分类器，所述诊断信号包括液压机的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况、振动信号。

优选的，所述液压压力信号通过PPM-T322H压力传感器采集，所述液压流量信号通过FT-330型传感器采集，所述振动信号通过SG2000振动传感器采集。

优选的，所述信号处理单元包括用以将诊断信号通过小波阀值去除噪声以得到滤波信号的滤波模块、用以通过经验模态EMD分解滤波信号获取本征模态函数本征模态函数IMF的IMF模态模块、用以计算本征模态函数IMF的能量矩的能量矩模块和用以对能量矩构造特征向量并归一化的特征向量构造模块。

本发明中首先采集液压机的诊断信号，然后通过对诊断信号进行处理以提取特征向量，接着建立HSMM-SVM模型的分类器，将特征向量输入分类器中得到故障信息，这样可以获取液压机上的故障的诊断信息，精度较高，效率较高。

附图说明

图1是本发明的流程示意图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

请参阅图1，本实施例中的基于HSMM-SVM模型的大型液压机故障诊断方法，包括如下步骤：

S1：采集液压机的诊断信号；

S2：通过对诊断信号进行处理以提取特征向量；

S3：建立HSMM-SVM模型的分类器，将特征向量输入分类器中得到故障信息。

诊断信号包括液压机的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况、振动信号。

步骤S3中通过将特征向量输入分类器对分类器进行训练，验证分类器的分类精度以使分类器的准确度达到预设精度。

在实验室环境下，首先搭建液压工作回路，并采集各测点的压力流量数据，经过滤波后，提取特征向量，然后训练已经构建好的HSMM-SVM模型，验证分类精度，当准确度达不到要求时，修改HSMM-SVM模型算法，直到符合要求为止。在现场条件下，受到环境的影响，尤其是电磁干扰和温度的影响，采集的数据需要进行处理，如智能化去噪算法，可以根据环境的变化，成功的将因环境引起的噪声去掉，寻找特征值。之后要进行动态测试，也就是当设备工作的时候，观察提取特征值变化规律，然后采用步骤一所用的分类器进行分类，观察精度，调整模型算法，直至满意为止。

步骤S2中将诊断信号通过小波阀值去除噪声以得到滤波信号，通过经验模态EMD分解滤波信号获取本征模态函数本征模态函数IMF，根据式 获取各个本征模态函数本征模态函数IMF的能量矩，根据式 将能量矩进行构造特征向量并归一化。

液压压力信号通过PPM-T322H压力传感器采集，液压流量信号通过FT-330型传感器采集，振动信号通过SG2000振动传感器采集。

HSMM和SVM通过串联、并联或者嵌入融合形成HSMM-SVM模型。

分类器包括用以存储有预设故障分类的故障模型库。

基于HSMM-SVM模型的大型液压机故障诊断装置，包括用以采集液压机的诊断信号的信号采集单元、用以接收并对诊断信号进行处理为特征向量的信号处理单元和用以对特征向量进行分析以得到故障信息的分类器，诊断信号包括液压机的液压压力信号、液压流量信号、液压温度信号、电磁阀得断电情况、振动信号。

液压压力信号通过PPM-T322H压力传感器采集，液压流量信号通过FT-330型传感器采集，振动信号通过SG2000振动传感器采集。

信号处理单元包括用以将诊断信号通过小波阀值去除噪声以得到滤波信号的滤波模块、用以通过经验模态EMD分解滤波信号获取本征模态函数本征模态函数IMF的IMF模态模块、用以计算本征模态函数IMF的能量矩的能量矩模块和用以对能量矩构造特征向量并归一化的特征向量构造模块。

HSMM采用λ=（N,M,π，A，B, p(j,d)）表示。每个HSMM仍包括状态序列和观测值序列，在t时刻，每个HSMM的观测值只与该时刻的状态有关，状态与自身的t-1的状态有关。因为需要求出在一组观测值

以及模型λ下状态发生的概率，就需要求出P（O|λ），设

为初始状态到t时刻的观测值和t时刻模型处于状态Si的联合概率：

，根据向前算法可得式

。设

为t时刻模型在状态Si下，从t+1时刻到最终时刻的观测值的联合概率，即，根据先后算法可得式

。为增加模型的鲁棒性和稳健性，经常采用多个观测样本训练HSMM，这时则有式

，其中

。

HSMM模型的状态转移重估公式为，其中

。为输出概率密度函数，其估计值为

，其中权值为

，均值重估公式为

，方差重估公式为

，其中

。

SVM采用结构风险最小化思想，能把非线性转换到高维的特征空间，用高维空间中的线性判别函数实现低维空间的非线性分类，这样在高维特征空间的线性回归就对应于低维空间的非线性回归，SVM总能找到一个最优分类超平面，而且使得超平面两侧的空白区域最大化，实现分类的最优。

考虑训练样本集{（xi，di）i=1，2，3，…..l}，xi是第i个输入，di是期望输出，对于给定的权值向量w和偏置b，则最优超平面判别函数为式wT+b=0，其中w为可调的权值向量，b是偏置。通过使用训练样本

找到最优超平面，且满足约束条件di(wT+b)≥1，接着用拉格朗日乘子方法解决约束最优问题，如式子，通过式

和

求出

，其中

，C是惩罚参数，

是不灵敏系数，

为松弛变量，采用RBF核函数，可以得到。

SVM 参数的取值影响其学习能力和泛化能力，因此，确定参数取值是 SVM 的一个重要研究内容。对于 RBF 核函数的 SVM，参数包括调整参数 C、核宽度σ和不敏感数ε。调整SVM参数，可以使得其具有非常强的学习能力及泛化能力。HSMM和SVM可以通过串联、并联或者嵌入融合形成HSMM-SVM分析系统。在串联混合模式中，HSMM计算出每一种状态的似然率，然后对所有的似然率进行排序，取前N个似然率的值（其他的似然率是明显可区分的），对这N个似然率再通过SVM进行分类，如果当HSMM的最大似然率对应的类编号与SVM分类的结果一致时，可认为结论是正确的，否则需要根据判别函数，决定哪个分类结果更加合理。对于并联模式，HSMM与SVM分别对立运行，对分类出的结果，需要似然表决函数进行投票决定哪个结果更加合理。最复杂的是HSMM与SVM的嵌入式算法，需要将SVM嵌入到HSMM中，然后采取向前向后、模型参数估计等进行论证，最后编程调试其效果。

压机的工作过程包括，压机的下降、加压、保压、泄压、提升等10个工作状态。每个工作状态分别对应着不同电磁阀的得电与失电，同时对应着系统不同点的压力与流量的变化。液压机工作时候，便会在10个正常状态下往复运行，当某个元件出现问题时，便会进入到故障状态，液压机常见的故障主要有异常下滑、压机不提升、不加压、不保压、保压不好等，故障原因主要是密封损坏、阀堵塞、电磁线圈烧坏等。在故障诊断时候，需要对每一种状态训练一个HSMM-SVM，需要训练10种正常状态，同时，还要训练故障状态，但故障数据获取困难，并非所有故障都有数据，项目采用了“似然模型库”，即构建一个可能发生的故障模型，然后用原理分析数据、历史故障数据或者类似设备得到训练数据，并用该数据进行训练模型，当故障发生时候，系统采用自学习方法，用实际得到的数据修正“似然模型”，逐步完善故障模型库。训练完成的模型就可以进行故障诊断。对于任意测试数据O，分别计算不同状态的似然概率

设λ为正常状态下训练HSMM的模型，则待测数据O在该模型上得到一个概率P(O|λ),用该概率的大小来衡量偏离程度。为了防止数据溢出，对数据进行数据压缩，可以得到似然概率LL，LL=log P(O|λ)。令

表示设备在性能等级为i时，转换到性能等级为j的概率，且满足

，设备处于退化过程中、在两次观测点的时间间隔△t上时会出现满足下式的情况，

，令退化因子为，则有

，在退化因子的影响下，某时刻t的转换概率为，其中j=i+1，i+2，…，i+n，为开始时刻的概率。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。