具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

请参考图1，本发明实施例一种液压马达检测系统，包括传感器10、判断装置20、人机交互装置30、数据储存装置40、计算装置50和管理装置60。生产下线之后的液压马达(未画出)进入检测环节，并模拟正常工况，传感器10获取被测液压马达的测试过程参数数据。在本实施例中，传感器10包括压力传感器、噪音传感器、油温传感器、流量传感器、振动传感器。在其他实施例中，传感器10可包括上述各参数传感器中的一种或多种，根据实际需求，还可增加采集其他参数信号的传感器。

针对采集液压马达的振动信号，优选非接触式的激光振动传感器，其次选择接触式振动传感器或速度传感器。非接触式传感器可降低传感器损耗，以及减少传感器拆装工时，提高检测工作效率。针对采集液压马达的噪声信号，优选声阵列传感器，其次采用指向性声传感器。

请参考图1，判断装置20与人机交互装置30均属于边缘端(图中左虚线框)，数据储存装置40、计算装置50和管理装置60属于云端(图中右虚线框)，判断装置20和人机交互装置30可以集成于固定终端或移动终端中。判断装置20与传感器10相连，用以接收传感器10采集的参数数据，并将参数数据上传至云端中的数据储存装置40中存储。计算装置50从数据储存装置40中抽取参数数据并构建无监督学习模型和分类模型，并将模型下发给判断装置20。

无监督学习模型可以是One Class SVM(support vector machines,支持向量机)、Isolation Forest(孤立森林)、Local Outlier Facto(局部异常因子)等异常点检测算法中的一种。One Class SVM是通过寻找一个超平面将样本中的正例圈出来，之后用这个超平面做决策，在圈内的样本就认为是正样本。

Isolation Forest在进行检测时，会随机选取一个特征，然后在所选特征的最大值和最小值随机选择一个分切面。该算法下整个训练集的训练就像一棵树一样，递归的划分。划分的次数等于根节点到叶子节点的路径距离d。所有随机树的d的平均值，就是我们检测函数的最终结果。

Local Outlier Facto通过计算一个数值score来反映一个样本的异常程度。这个数值的大致意思是：一个样本点周围的样本点所处位置的平均密度比上该样本点所在位置的密度。比值越大于1，则该点所在位置的密度越小于其周围样本所在位置的密度，这个点就越有可能是异常点。

分类模型可以是Random Forest(随机森林)、SVM、XGBoost(eXtreme GradientBoosting，极端梯度提升)、协同过滤等分类算法中的一种。Random Forest由很多决策树组成，每一棵决策树之间没有关联。建立完森林后，当有新样本进入时，每棵决策树都会分别进行判断，然后基于投票法给出分类结果。

SVM是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机。SVM学习的基本想法是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。对于线性可分的数据集来说，这样的超平面有无穷多个(即感知机)，但是几何间隔最大的分离超平面却是唯一的。

XGBoost的核心算法是不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数f(x)，去拟合上次预测的残差。当我们训练完成得到k棵树，我们要预测一个样本的分数，其实就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数。最后只需要将每棵树对应的分数加起来就是该样本的预测值。

判断装置20中的无监督学习模型经过计算装置50大量的迭代优化，已确定每个参数的正常参数区间。当传感器10向判断装置20传输参数数据时，判断装置20首先将持续的数据流分割为重叠率0.5％至0.75％的时间区间构建特征，建议取1至5秒，这是通过最终模型的网格优化得到的超参数。分段后的特征数据通过无监督学习模型与正常参数区间作比对，筛选出不在正常参数区间中的异常参数数据，没有被筛选出的正常参数数据所对应的液压马达即认定为检测合格。

异常参数数据继续通过分类模型比对是否符合故障特征，以及具体故障特征，故障包括但不限于变量机构阀芯卡滞、心脏部分柱塞环漏装或异常磨损、配油盘与转子间磨损、柱塞或旋转副气蚀。最终诊断结果通过与判断装置20相连接的人机交互装置30实时显示，同时，人机交互装置30还用于控制判断装置20从异常参数数据中抽选需要参与总效率试验、冲击试验、超载试验等抽检项目的液压马达。在分类模型中不符合故障特征及未被选中抽检的异常参数数据所对应的液压马达，同样被认定为检测合格。

在分类模型中符合故障特征及被选中参加抽检的液压马达下线人工拆解，并将拆解数据作为训练样本输入计算装置50，作为训练样本迭代优化无监督学习模型和分类模型。管理装置60用于监督传感器10、判断装置20、人机交互装置30、数据储存装置40和计算装置50，并提供OTA升级功能。

本实施例提供的液压马达检测系统，通过传感器10采集液压马达的参数，并用参数数据构建无监督模型和分类模型，利用无监督模型筛选参数数据中与其他数据不同的异常数据，再通过分类模型最终判断是否有故障以及故障类型，利用机器学习算法代替人工，减低人力资源需求和人力成本，提高生产效率，提升检测精度。通过非接触式的传感器10可降低传感器10损耗，以及减少传感器10拆装工时，进一步提高检测工作效率。又通过大量故障液压马达的试验数据迭代模型，不断提升模型的检测精度。

请参考图2，本实施例还提供一种液压马达检测方法，应用于液压马达出厂前质检，包括步骤S1至S5。步骤S1为采集检测线上正处于模拟工况中液压马达的各项参数数据，参数可以为压力、油温、噪音、流量、振动中的一种或多种，本实施例中为上述五种参数均采集。

步骤S2为通过参数数据构建无监督学习模型和分类模型，并确定无监督学习模型的正常参数区间，以及分类模型的分类依据，即具体故障特征。无监督学习模型可以是OneClass SVM、Isolation Forest、Local Outlier Facto等异常点检测算法中的一种。分类模型可以是Random Forest、SVM、XGBoost、协同过滤等分类算法中的一种。

步骤S3包括步骤S31和步骤S32，步骤S31为将连续的参数数据分割为重叠率在0.5％至0.75％的多段特征数据。步骤S32包括步骤S321和步骤S322，步骤S321为初步判断阶段，将分段后的特征数据输入无监督学习模型中，通过无监督学习模型筛选出特征数据中不在正常参数区间内的异常参数数据。步骤S322为最终判断阶段，将异常参数数据输入分类模型，由分类模型比对异常参数数据是否符合故障特征，同时从异常参数数据所对应的液压马达中抽取部分进行总效率试验、冲击试验、超载试验等抽检项目。

步骤S4为分类模型输出相应的故障类型，与特征故障类型不匹配的异常参数数据对应的液压马达认定为合格产品。步骤S5为将步骤S322中与故障特征匹配的异常参数数据所对应的液压马达，即不合格液压马达进行人工拆解确认，并将拆解结论作为样本数据迭代优化无监督学习模型和分类模型，作为分类模型中故障特征的参照，提高无监督学习模型和分类模型的检测精度。

现有的液压马达检测方法，如图4所示，产品下线之后，100％进行排量试验、容积效率试验、变量特性试验、外渗漏试验等必检项目。必检合格后的产品随机抽样，进行总效率试验、冲击试验、超载试验等抽检项目。必检与抽检均依靠人工经验，当出现问题产品后，部分需要拆解马达确认问题，并由相关技术、生产人员追踪问题成因。

如图3所示，本方法是在产品下线之后，100％的采集参数，并通过无监督学习模型做为初步判断，将异常参数数据筛选出来进行抽检以及通过分类模型做最终判断。初步判断与最终判断的结果通过人机交互装置30显示。通过最终判断筛选出的不合格产品再经过人工拆解作为训练样本优化无监督学习模型和分类模型。

与现有检测方法相比，本实施例提供的液压马达检测系统与方法，通过传感器10采集液压马达的参数，并用参数数据构建无监督模型和分类模型，利用无监督模型筛选参数数据中与其他数据不同的异常数据，再通过分类模型最终判断是否有故障以及故障类型，利用机器学习算法代替人工，减低人力资源需求和人力成本，提高生产效率，提升检测精度。通过非接触式的传感器10可降低传感器10损耗，以及减少传感器10拆装工时，进一步提高检测工作效率。又通过大量故障液压马达的试验数据迭代模型，不断提升模型的检测精度。

在附图中，为了清晰起见，会夸大层和区域的尺寸和相对尺寸。应当理解的是，当元件例如层、区域或基板被称作“形成在”、“设置在”或“位于”另一元件上时，该元件可以直接设置在所述另一元件上，或者也可以存在中间元件。相反，当元件被称作“直接形成在”或“直接设置在”另一元件上时，不存在中间元件。

在本文中，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”、“竖直”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了表达技术方案的清楚及描述方便，因此不能理解为对本发明的限制。

在本文中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语的具体含义。

在本文中，用于描述元件的序列形容词“第一”、“第二”等仅仅是为了区别属性类似的元件，并不意味着这样描述的元件必须依照给定的顺序，或者时间、空间、等级或其它的限制。

在本文中，除非另有说明，“多个”、“若干”的含义是两个或两个以上。

在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。