基于仿真数据与深度学习驱动的液压多路阀故障诊断

简介

多路阀是工程机械液压系统中至关重要的控制元件,为保证工程机械的安全稳定运行,需要对多路阀进行准确的故障诊断,因此本文提出了一种基于一维卷积门控循环网络(1D-CNN GRU)的多路阀故障诊断方法。首先通过建立多路阀的AMESim仿真模型得到大量的故障样本数据,解决了深度学习需要大量数据的问题,并且在样本数据中加入随机噪声模拟实际工作环境的数据;接着用1D-CNN提取样本数据的空间特征;然后将提取后的空间特征输入GRU进一步提取时序特征;最后采用Softmax分类器输出故障诊断结果。实验结果表明,所提出方法的准确率高于其他故障诊断算法,故障诊断准确率高于98%。