【技術實現步驟摘要】
本專利技術涉及故障預測及診斷，尤其涉及一種基于短記憶灰色模型的液壓缸故障預測及診斷方法。
技術介紹
1、液壓缸結構簡單、工作可靠，實現往復運動時，可免去減速裝置，并且沒有傳動間隙，運動平穩。液壓缸基本上由缸筒和缸蓋、活塞和活塞桿、密封裝置、緩沖裝置與排氣裝置等組成。液壓缸載荷大，廣泛應用于重型機械領域。但隨著負載變化，也常伴隨動作不到位或不準確、油液泄漏、損壞、推力不足或動作不穩、爬行問題、泄漏問題、進入異物、沖擊與緩沖、異常響動和振動等問題。
2、但液壓缸產品常見故障如動作不準確、推力不足或動作不穩、爬行問題、泄漏問題、進入異物、往往在工況下出現，離線條件下很難再現液壓缸實際工況故障。這就需要對液壓缸故障進行在線預測及診斷，當故障未出現或即將出現時作應急處理，避免故障發生，釀成事故。
3、通常建立數學模型，利用輸入輸出數據對系統進行故障預測及診斷。然而，液壓缸結構復雜，很難從物理機理建立模型。任何系統輸入其輸出響應都有一個過程，系統輸出不僅受當前輸入影響，也受歷史輸入影響。但工程中很難根據所有歷史輸入研究輸出，利用輸入輸出進行故障預測及診斷。物理系統沖激響應往往是隨時間衰減，歷史輸入對輸出影響隨時間衰減，超過一定歷史時間的輸入對輸出的影響可以忽略。
技術實現思路
1、本專利技術的目的在于提供一種基于短記憶灰色模型的液壓缸故障預測及診斷方法，是針對液壓缸安全關鍵問題，本專利技術從液壓缸輸入輸出響應特性出發，建立系統響應模型，對響應模型截斷，得到短記憶灰色模型
2、為了實現上述專利技術目的，本專利技術采用技術方案具體為：一種基于短記憶灰色模型的液壓缸故障預測及診斷方法，包括以下步驟：
3、步驟1：構建液壓缸故障預測及診斷短記憶灰色模型；
4、步驟2：將液壓缸短記憶灰色模型轉化為代數模型；
5、步驟3：實時采集液壓缸輸入輸出數據，結合深度學習算法實時辨識模型參數；
6、步驟4：建立模型參數故障隸屬度函數，根據參數隸屬度對液壓缸故障進行模糊預測及診斷。
7、進一步地，所述步驟1：構建液壓缸故障預測及診斷短記憶灰色模型，具體包括如下步驟：
8、步驟1.1采樣間隔為t，采集液壓缸壓力及位移，分別記為:p和s，p(0),p(1),p(2),…,p(n)和s(0),s(1),s(2),…,s(n)分別表示初始時刻，1t,2t,…,nt時液壓缸的壓力及位移，建立液壓缸輸入輸出標定灰色模型：
9、
10、其中，(nt)α表示tα在nt時刻的抽樣，k1,n、k2,n和αn是時變的待辨識參數，符號*表示卷積運算，是液壓缸沖激響應模型的離散化處理。
11、步驟1.2將卷積模型轉化為累加表達式：
12、
13、上述反應了液壓缸輸出是當前時刻以前所有壓力信號輸入的共同作用，而不僅僅是當前壓力信號作用。
14、步驟1.3根據記憶衰減特性，設置記憶長度l，獲得液壓缸故障預測及診斷短記憶灰色模型。
15、任何液壓缸系統，當輸入有界變化時，其輸出必然快速收斂。也即當液壓缸壓力瞬時變化時將引起液壓缸位移變化，但該位移必將隨時間收斂，超過一定時間的位移變化必將很小，可以忽略不計。基于此，截取固定長度為l的歷史信息進行研究，得到液壓缸短記憶灰色模型
16、
17、其中sm表示記憶的起點，當n-l≥0時，sm＝n-l；當n-l<0時，sm＝0。
18、進一步地，所述步驟2：將液壓缸短記憶灰色模型轉化為代數模型，具體包括如下步驟：
19、步驟2.1：將公式(2)中模型利用矩陣表示。
20、
21、步驟2.2：將模型進一步簡化：
22、
23、其中向量s＝[s(0)?s(1)?…?s(n)]t，kn＝[k1,n?k2,n]t，
24、
25、符號t表示向量的轉置。
26、步驟2.3：利用最小二乘法得到當前參數αn條件下的kn，利用公式(4)可以獲得k1,n、k2,n辨識算法：
27、
28、其中表示矩陣的逆矩陣。
29、作為本專利技術提供的一種基于短記憶灰色模型的液壓缸故障預測及診斷方法，所述步驟3：實時采集液壓缸輸入輸出數據，結合深度學習算法實時辨識模型參數，具體包括如下步驟：
30、步驟3.1：構造代價函數：
31、
32、其中是在參數k1,n、k2,n和αn條件下根據步驟1.3中模型解算得到，
33、是實驗采集得到液壓缸第i次數據。
34、步驟3.2：利用改進的二次學習粒子群搜索算法辨識αn，具體包括如下步驟：
35、b1：初始化粒子群參數
36、b2：得到粒子位置對應的輸出
37、b3：計算代價函數
38、b4：局部最優更新
39、b5：全局最優更新
40、b6：更新粒子速度
41、b7：更新粒子位置
42、b8：檢測是否滿足結束條件。
43、進一步地，所述b1中，通過先定義粒子數量為m，粒子速度及位置限制為vmax，vmin，αmax，αmin，使用αn,l,j，vl,j分別表示第l個粒子在第j代的位置和速度，所述αn,l,j的位置代表第l個粒子在第j代對應的待辨識參數αn；
44、進一步地，所述b2中，利用實驗采集數據p(i)和步驟2.3中公式(5)，得到當前粒子位置αl,j和參數kn(k1,n、k2,n)。
45、根據當前粒子位置和參數(k1,n、k2,n)利用公式(2)解算得到s(i)(i＝sm,sm+1,…,n)。
46、進一步地，所述b3中，根據步驟3.1計算代價函數，得到當前粒子位置對應的代價函數
47、進一步地，局部最優更新方法如下：逐一更新個體最佳適應度，將個體代價函數與該個體歷史最佳位置對應的最佳代價函數比較，擇優保留最佳代價函數及對應位置αn,l,best；
48、全局最優更新方法如下：將每個個體位置對應的代價函數與全局最佳位置對應的代價函數進行比較，擇優保留全局最佳位置αn,best。
49、進一步地，所述b6中粒子速度表示為：
50、vl,j+1＝vl,j+c1r1(αn,l,j-αn,best)+c2r2(αn,l,j-αn,l,best)?(7)
51、上述公式中c1，c2為調節學習速度的正常數，r1，r2為(0,1)內的隨機數，
52、所述b7的粒子位置表示為：<本文檔來自技高網...
【技術保護點】
1.一種基于短記憶灰色模型的液壓缸故障預測及診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于短記憶灰色模型的液壓缸故障預測及診斷方法，其特征在于，所述步驟1中，構建液壓缸故障預測及診斷短記憶灰色模型，包括如下步驟：
3.根據權利要求1所述的基于短記憶灰色模型的液壓缸故障預測及診斷方法，其特征在于，所述步驟2中，將液壓缸短記憶灰色模型轉化為代數模型，包括如下步驟：
4.根據權利要求1所述的基于短記憶灰色模型的液壓缸故障預測及診斷方法，其特征在于，所述步驟3中，實時采集液壓缸輸入輸出數據，結合深度學習算法實時辨識模型參數，包括如下步驟：
5.根據權利要求1所述的基于短記憶灰色模型的液壓缸故障預測及診斷方法，其特征在于，所述步驟3.2.1中，通過先定義粒子數量為M，粒子速度及位置限制為vmax，vmin，αmax，αmin，使用αn,l,j，vl,j分別表示第l個粒子在第j代的位置和速度，所述αn,l,j的位置代表第l個粒子在第j代對應的待辨識參數αn；
6.根據權利要求1所述的基于短記憶灰色模型的液壓缸故障
...【技術特征摘要】
1.一種基于短記憶灰色模型的液壓缸故障預測及診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于短記憶灰色模型的液壓缸故障預測及診斷方法，其特征在于，所述步驟1中，構建液壓缸故障預測及診斷短記憶灰色模型，包括如下步驟：
3.根據權利要求1所述的基于短記憶灰色模型的液壓缸故障預測及診斷方法，其特征在于，所述步驟2中，將液壓缸短記憶灰色模型轉化為代數模型，包括如下步驟：
4.根據權利要求1所述的基于短記憶灰色模型的液壓缸故障預測及診斷方法，其特征在于，所述步驟3中，實時采集液壓缸輸入輸出數據，結合深度學習算法實...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。