[0088] 这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0089] 下面结合具体实施例对本发明作详细描述。
[0090] 本发明公开实施例所提供的高速动车用油压减振活塞阀系统,包括阻尼调节阀、活塞单向阀和底阀,所述阻尼调节阀、活塞单向阀和底阀各个结构初始值包括阻尼阀孔径、活塞单向阀孔径、弹簧刚度、预紧力、底阀孔径基本参数值;所述高速动车用油压减振活塞阀系统的检测方法包括:
[0091] S101,通过采集油压减振活塞阀系统的阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号;
[0092] S102,采集阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据时采样频率大于信号频率的两倍;单位时间采样所选取的采样点的数量等于采样频率;
[0093] 单位时间采样选择1024个采样点,即采样频率为1024Hz>2*137.48Hz,为有效保留原始阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号的故障特征,单个学习样本设置为32*32大小,把阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据转换为32*32大小的灰度图这种数据集形式,通过位深度为8位的灰度图灰度值的大小代表阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据的振动幅度,然后把数据集按一定比例进行分割,分为训练集和测试集;
[0094] S103,运用卷积神经网络对样本数据进行训练、测试,对卷积神经网络结构中的各层数据运用数据可视化技术,完成阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据和卷积神经网络模型结合的初步应用场景构建;
[0095] 引入宽残差网络模型,通过拓宽卷积核达到对阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据高频噪声信号和低频特征信号的过滤折中;
[0096] 卷积神经网络有L层,其中第i层(i∈1,2,...,L)的输入为xi,参数为wi,该层的输i i+1出y=x ;忽略层数和偏置,它们之间的关系表示如下:
[0097] y=F(x,wf);
[0098] 其中,F为非线性激活函数,参数wf的下标表明该操作对应于F。深度残差网络用下公式表示:
[0099] y=F(x,w)+x;
[0100] 变形,得:
[0101] F(x,w)=y‑x;
[0102] 网络需要学习的函数F为公式右侧的残差项(y‑x),称之为残差函数;残差学习模块有两个分支,包括左侧的残差函数,右侧的对输入的恒等映射;两个分支经过一个简单整合后,再经过一个非线性的变换ReLU激活函数,形成整个残差学习模块;由多个残差模块堆叠而成的网络结构称作残差网络;
[0103] S104,提取各种信号的经典的时域统计学特征、频域特征,以及基于小波包分解获得时频域特征;
[0104] S105,分别对各种信号的特征参数采用深度波尔曼兹机进行特征学习;接下来采用数据融合技术将深度波尔曼兹机学习到的各源特征进行融合;
[0105] S106,最后将融合后的特征参数作为分类器支持向量机的输入,对油压减振活塞阀系统故障进行分类识别。
[0106] 在本发明中,运用TensorFlow中的tensorboard数据可视化方法对卷积神经网络模型故障诊断准确率和目标函数损失进行统计;随着训练步数的增多,模型总体呈收敛状态;为了增加诊断准确率,采取增加网络深度的方法。
[0107] 所述宽残差网络是在原始的残差模块的基础上增加一个系数k,从而拓宽卷积核的个数;具体包括:
[0108] (1)包含L2正则化,解决阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据深度学习过程中过拟合、泛化能力差问题;在代价函数后加一个权值W平方和相关的正则化项;
[0109] (2)对源数据做数据增强,把源数据图片压缩为28*28的大小然后做位置移动起到数据扩充增强的效果,同时水平翻转;
[0110] (3)替换ReLU激活函数为ELU激活函数。
[0111] 在本发明中,所述时域统计学特征包括:
[0112] 有量纲参数,包括:平均值、均方根值、方差、方根幅值、峰值、峭度、偏度。
[0113] 无量纲参数,包括:波形指标、峰值指标、脉冲指标、裕度指标、峭度指标。
[0114] 所述频域特征提取包括:应用快速傅里叶变换到时域信号,获得频域参数;频域特征参数包括:均值、方差、标准方差、偏度、峭度、中心频率、均方根值;均方根值,指的是在指定频带的频率幅值均方根值;
[0115] 所述基于小波包分解提取时频域特征:每个小波包分解中,分解级数为6,也就是6 6
说获得2个小波系数;每个小波系数的能量被计算,每个母小波共计2能量组成一个特征向量,表征故障状态特征。
[0116] 所述特征学习过程包括:
[0117] 步骤一,将特征数据输入第一个受限玻尔曼兹机RBM1,假设其可视层为v,采用一(1)步对比散度算法,基于重构的可视层矢量中场值,学习计算得到隐藏层第一层h 、层间自(1) (1)
顶向下的连接权值W ,层间自底向上的连接权值矩阵为2W ;
[0118] 步骤二,冻结RBM1的自底向上的连接权值矩阵为2W(1),按照条件概率P(h(1)|v;2W(1) (1))抽样,提取特征h 作为第一个受限玻尔曼兹机RBM2的输入;RBM2自顶向下和自底向上两(2)
个方向的连接权值都为2W ,基于重构的可视层矢量中场值,采用一步对比散度算法,训练RBM2;
[0119] 步骤三,冻结RBM2的连接权值矩阵为2W(2),按照条件概率P(h(2)|v;2W(1),2W(2))抽(2)样提取特征h ,作为RBM3的输入,训练方式同步骤b);
[0120] 步骤四,步骤步骤三进行递归处理,直到L‑1层,L指深度波尔曼兹机的隐藏层数;
[0121] 步骤五,使用一步对比散度算法训练顶层的受限玻尔曼兹机RBM,约束条件为:自(L) (L)底向上的连接权重为W ,自顶向下的连接权重为2W ;
[0122] 步骤六,使用连接权值{W(1),W(2),…,W(L)},构建一个深度波尔曼兹机;
[0123] 步骤七,利用构建好的深度波尔曼兹机进行特征提取。
[0124] 采用多特征参数数据融合算法,对提取的各种模态特征进行特征融合。
[0125] 下面结合实验验证对本发明作进一步描述。
[0126] 本发明进行如下内容:
[0127] 1.采集阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据。由采样定理知,采样频率要大于信号频率的两倍。这里单位时间采样选择1024个采样点,即采样频率为1024Hz>2*137.48Hz,此采样频率对其他故障也是符合的。为有效保留原始阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号的故障特征,单个学习样本设置为32*32大小(1024个采样点),把阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据转换为32*32大小的灰度图这种数据集形式,通过位深度为8位的灰度图灰度值的大小代表阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据的振动幅度,然后把数据集按一定比例进行分割,分为训练集和测试集。
[0128] 2.首先运用卷积神经网络(CNN)对做了相应数据扩充的样本数据进行训练、测试,对卷积神经网络结构中的各层数据运用了数据可视化技术,并运用TensorFlow中的tensorboard数据可视化方法对卷积神经网络模型故障诊断准确率和目标函数损失(loss)做了统计,做到了阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据和CNN这一经典深度学习模型结合的初步应用场景构建。随着训练步数的增多,模型总体呈收敛状态。为了增加诊断准确率通常采取增加网络深度的做法。
[0129] 3.为了克服深度增加带来的训练困难,受LSTM中“gate”机制的启发,通过对传统的前馈神经网络加以修正以至于信息能够在多个神经网络层之间高效流动引入了宽残差网络模型(Wide Residual Networks),它是残差网络(Residual Networks)的一种变体,是在残差网络的基础上拓宽了残差块(Residual Blocks)卷积核的个数,这样做降低了网络层数,但并没有减少模型参数,既加快了计算速度又做到了通过拓宽卷积核达到对阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据高频噪声信号、低频相似的过滤折中。具体包括:
[0130] (1)包含进了L2正则化,此方法解决了阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据深度学习过程中过拟合、泛化能力差的问题。L2正则化方法是在代价函数后加一个权值W平方和相关的正则化项,在代价函数迭代过程中L2正则化项对权值W的更新是有影响的,它的效果是减小W,实现了权值的衰减,由奥卡姆剃刀法则可知更小的权值可以降低网络的复杂度,做到对数据的拟合恰到好处,特别是阻尼调节阀油压、活塞单向阀油压、弹簧刚度信号、底阀油压、预紧力信号数据在深度学习过程中。L2正则化抗扰动性强,可以获得一个很小的参数,数据适应能力强。
[0131] (2)对源数据做了数据增强,把源数据图片压缩为28*28的大小然后做位置移动起到了数据扩充增强的效果,同时也做了水平翻转。
[0132] (3)替换ReLU激活函数为ELU激活函数。由于在WRN中F不是恒等映射时将阻塞正向、反向传播,导致误差增加。ReLU的输出值没有负值,所以输出的均值会大于0,当激活值的均值非0时,就会对下一层造成一个bias,如果激活值之间不会相互抵消(即均值非0),会导致下一层的激活单元有bias shift。如此叠加,单元越多时,bias shift就会越大。相比ReLU,ELU可以取到负值,这让单元激活均值可以更接近0,类似于Batch Normalization的效果但是只需要更低的计算复杂度。
[0133] 本技术通过实验验证时的超参数中,深度为16,k=4,残差块类型为3*3,batchsize=120,达到了96.5%的准确率。通过实验验证,机械轴承的故障诊断在宽残差网络的应用可行、准确率高。
[0134] 本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
[0135] 应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。