1.一种融合信号液压马达故障诊断方法,其特征在于,首先,通过内曲线径向柱塞式液压马达试验台模拟柱塞故障,采集在正常状态及不同磨损程度下马达的振动和声音信号;其次,利用小波软阈值算法对这些信号进行降噪处理,再基于数据相关性分析,从时域和频域中提取特征值,并进行特征融合;接着,构建基于LightGBM的马达柱塞故障诊断模型,并使用包含正常及三种故障信号标签的数据集进行模型训练和诊断;
其中,LightGBM模型融合直方图算法,对特征的原始数据划分为k个离散的特征,构造出k个箱子用于统计特征,在搜索时无需遍历数据,只需要遍历k个箱子就能找到最佳分裂点;且LightGBM模型的分裂方式采用Leaf-wise的生长策略,在当前叶子中搜索出信息增益最大的叶子;该LightGBM模型还融合梯度的单边采样算法和互斥特征捆绑算法,单边采样算法利用梯度信息对样本进行抽样,互斥特征捆绑算法从降低特征维度的角度出发,将多个互斥特征捆绑在一起;
其中,利用振动传感器和声音传感器采集柱塞正常和不同磨损时的信号,经过小波软阈值去噪后,采用数学方法分别提取每组数据的时域和频域特征值;生成振动信号和声音信号特征值数据集,并进行数据集相关性分析;选取均方根值、方根幅值、标准差、峰值指标、波形指标、谱幅值均值、谱幅值标准差、谱幅值偏斜度、谱幅值峭度、频率偏斜度10类振动信号特征值,选取均方根值、方根幅值、峰值、标准差、峰值指标、脉冲指标、谱幅值均值、谱幅值标准差、频率重心、频率标准差10类声音信号特征值;最后将每组正常和故障特征值按照对应的数据标签进行横向拼接,形成新的特征向量;
为了预先观察融合信号数据相对于振动和声音信号的分类效果,利用T-SNE算法将数据进行可视化处理。
2.一种基于权利要求1所述方法的融合信号液压马达故障诊断系统,其特征在于,包括:
故障模拟组件:包括一个内曲线径向柱塞式液压马达试验台,用于模拟柱塞的正常状态和不同程度的磨损故障,并采集相应的振动和声音信号;
信号处理组件模块:利用小波软阈值算法对采集到的信号进行降噪处理,提高信号质量以供后续分析;
特征提取与融合模块:基于数据相关性分析,从处理后的时域和频域信号中提取特征值,并进行特征融合,形成用于故障诊断的综合特征集;
故障诊断模型模块:构建一个基于LightGBM算法的马达柱塞故障诊断模型,使用包含正常及三种故障信号标签的融合特征数据集进行模型训练和诊断;
性能验证组件模块:包含用于评估和验证诊断模型性能的工具,包括混淆矩阵、PR曲线和ROC曲线,以及进行不同算法和信号类型的对比分析,验证所提方法的有效性和优越性。
3.一种基于权利要求1所述方法的融合信号液压马达故障诊断系统,其特征在于,包括:
一个内曲线径向柱塞式液压马达试验台,用于模拟柱塞的正常和不同程度的磨损故障,同时配备振动和声音信号采集装置,用于采集马达在各种状态下的相应信号;
一个信号处理模块,利用小波软阈值算法对采集的振动和声音信号进行降噪处理,提高信号质量以便于更准确地进行故障诊断;
一个特征提取和融合模块,用于基于数据相关性分析,从降噪后的振动和声音信号中提取时域和频域特征值,并进行特征融合,形成用于故障诊断的综合特征集;
一个基于LightGBM算法的马达柱塞故障诊断模型构建模块,用于训练和诊断包含正常和三种故障信号标签的融合特征数据集,从而实现对液压马达柱塞故障的精确诊断;
一个模型评估与验证模块,利用混淆矩阵、PR曲线和ROC曲线评估工具,对诊断模型的性能进行评估和验证,包括准确性、精确度、召回率和f-score指标的计算,以及通过不同算法和信号类型的对比分析,验证诊断方法的优越性。