针对复杂液压系统中主要元件故障诊断问题,提出一种基于一维卷积神经网络(1D-CNN)和双向长短时记忆网络(BiLSTM)实现多传感器信息融合的故障诊断模型,对柱塞泵和节流阀进行故障诊断。在模型中,首先对多种传感器采集到的信号进行数据级融合,然后利用CNN提取融合信号的故障特征并进行降维,之后利用BiLSTM学习信号中正反向数据特征,最后使用Softmax进行分类,实现对柱塞泵和节流阀故障的诊断。实验结果表明,提出的方法能够自动提取信号中的故障特征并考虑信号中所包含的正反向数据特征,柱塞泵诊断精度可达96.3%,节流阀诊断精度可达94.28%,实现了对柱塞泵和节流阀故障状态的准确可靠诊断。

为了实现液压系统中冷却器的故障状态识别,本文提出一种利用粒子群算法优化的深度置信网络(PSO-DBN)实现多传感器信息融合的故障诊断模型。在所提出的模型中,对来自不同传感器的信号进行特征计算与选择并采用多传感器融合方法进行特征级融合送入深度置信网络实现冷却器故障状态的识别。同时采用粒子群算法自适应地选择深度置信网络的超参数,包括隐藏层节点数、反向迭代次数和反向学习率,以确定网络的最优结构,进而提高深度置信网络的诊断精度。本文采用加利福尼亚大学欧文分校机器学习与智能系统中心的液压系统数据集进行验证,实验结果表明,与深度置信网络、遗传算法优化的深度置信网络、粒子群算法优化的支持向量机相比,PSO-DBN能够有效地提取数据中的内在特征,冷却器的故障状态平均识别精度可达98.77%,实现了对冷却器故障状态的...