基于注意力卷积胶囊网络的电液比例伺服阀故障诊断

doi:10.7527/S1000-6893.2024.30407

先进作动技术专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于注意力卷积胶囊网络的电液比例伺服阀故障诊断

胡渊豪¹, 宋艺博¹, 刘家辉¹, 赵孝礼¹^,²(), 邓文翔¹, 胡健¹, 姚建勇¹

^1.南京理工大学机械工程学院，南京 210094
^2.重庆大学高端装备机械传动全国重点实验室，重庆 400044

收稿日期:2024-03-16 修回日期:2024-04-09 接受日期:2024-05-11 出版日期:2024-08-15 发布日期:2024-06-03
通讯作者: 赵孝礼 E-mail:xlzhao@njust.edu.cn
基金资助:
国家重点研发计划(2021YFB2011300);国家自然科学基金(52205062);江苏省自然科学基金(BK20220950);中央高校基本科研业务费专项资金(30922010701);中国博士后科学基金(2022M711624);流体动力与机电系统国家重点实验室开放基金(GZKF-202218);机械传动国家重点实验室开放基金(SKLMT-MSKFKT-202220);智控实验室开放基金(ICL-2023-0305)

Fault diagnosis of electro-hydraulic proportional servo valves based on attention convolutional capsule networks

Yuanhao HU¹, Yibo SONG¹, Jiahui LIU¹, Xiaoli ZHAO¹^,²(), Wenxiang DENG¹, Jian HU¹, Jianyong YAO¹

^1.School of Mechanical Engineering，Nanjing University of Science and Technology，Nanjing 　210094，China
^2.State Key Laboratory of Mechanical Transmission for Advanced Equipment，Chongqing University，Chongqing 　400044，China

Received:2024-03-16 Revised:2024-04-09 Accepted:2024-05-11 Online:2024-08-15 Published:2024-06-03
Contact: Xiaoli ZHAO E-mail:xlzhao@njust.edu.cn
Supported by:
National Key R&D Program of China(2021YFB2011300);National Natural Science Foundation of China(52205062);Natural Science Foundation of Jiangsu Province(BK20220950);Fundamental Research Funds for the Central Universities(30922010701);China Postdoctoral Science Foundation(2022M711624);Open Foundation of the State Key Laboratory of Fluid Power and Mechatronic Systems(GZKF-202218);the State Key Laboratory of Mechanical Transmissions(SKLMT-MSKFKT-202220);the Open Fund of Intelligent Control Laboratory(ICL-2023-0305)

摘要/Abstract

摘要：

针对目前基于模型的比例伺服阀故障诊断方法存在参数未知、不易建模的问题，首次提出了注意力卷积胶囊网络（ACCN）算法，并设计了基于注意力卷积胶囊网络的比例伺服阀故障诊断新方法。该算法首先使用卷积神经网络和高效通道注意力机制，对原始的多通道一维时域信号进行特征提取与融合，然后将融合结果输入到后续的胶囊网络中进行特征再提取和故障分类，输出对应的诊断结果。比例伺服阀故障模拟试验台验证了所提算法与诊断方法的有效性，提出的方法在测试集上取得了100%的准确率，且通道注意力机制和胶囊网络的加入使模型的诊断效果得到了不同程度的提升。

关键词: 注意力机制, 卷积神经网络, 胶囊网络, 比例伺服阀, 故障诊断

Abstract:

To address the issues of unknown parameters and difficult modeling in current model-based proportional servo valve fault diagnosis methods， we propose the Attention Convolution Capsule Network （ACCN） algorithm for the first time and design a new proportional servo valve fault diagnosis method based on this network. This algorithm first uses convolutional neural networks and an efficient channel attention mechanism to extract and fuse features from the original multi-channel one-dimensional time-domain signals. The fused results are then input into the subsequent capsule network for further feature extraction and fault classification， yielding the corresponding diagnosis results. The effectiveness of the proposed algorithm and diagnostic method was validated on a proportional servo valve fault simulation test bench. The proposed method achieved 100% accuracy on the test set， and the inclusion of the channel attention mechanism and capsule network enhanced the diagnostic performance of the model to varying degrees.

Key words: attention mechanism, convolutional neural networks, capsule network, proportional servo valve, fault diagnosis

中图分类号:

V245.1

胡渊豪, 宋艺博, 刘家辉, 赵孝礼, 邓文翔, 胡健, 姚建勇. 基于注意力卷积胶囊网络的电液比例伺服阀故障诊断[J]. 航空学报, 2024, 45(15): 630407.

Yuanhao HU, Yibo SONG, Jiahui LIU, Xiaoli ZHAO, Wenxiang DENG, Jian HU, Jianyong YAO. Fault diagnosis of electro-hydraulic proportional servo valves based on attention convolutional capsule networks[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(15): 630407.

图/表 9

表 1

动态路由算法

步骤	操作
1	循环 $(u j \| i, T, l)$
2	对所有 $l$ 层的胶囊 $i$ 和 $l + 1$ 层的胶囊 $j$ ： $b i j ← 0$
3	For r=1 to T do
4	$c i j ← s o f t m a x (b i j)$
5	$s j ← ∑ i = 1 L 2 c i j u j \| i$ 见式（8）
6	$v j ← s q u a s h (s j)$ 见式（9）
7	$b i j ← b i j + u j \| i$ · $v j$
8	Return $v j$

表 1

图 1

图 2

表 2

图 3

表 3

表 4

图 4

图 5

参考文献 22

1	FAN Y， MU A， MA T. Study on the application of energy storage system in offshore wind turbine with hydraulic transmission［J］. Energy Conversion & Management， 2016， 110： 338-346.
2	ZHANG W， LI C， PENG G， et al. A deep convolutional neural network with new training methods for bearing fault diagnosis under noisy environment and different working load［J］. Mechanical Systems and Signal Processing， 2018， 100： 439-453.
3	MARCO M， MARK B， ISERMANN R. Fault-tolerant actuators and drives—structures， fault detection principles and applications ［J］. Reviews in Control， 2009， 33（2）： 136-148.
4	陈勇刚，刘康妮，王帅. 基于BiGRU-Attention改进的航空设备故障知识图谱构建研究［J/OL］. 航空学报［2024-05-10］. doi： 10.7527/S1000-6893.2024.29916 .
	CHEN Y G， LIU K N， WANG S. Research on building a fault knowledge graph for aviation equipment based on BiGRU-Attention improvement ［J/OL］. Acta Aeronautica et Astronautica Sinica ［2024-05-10］. doi： 10.7527/S1000-6893.2024.29916 （in Chinese）.
5	CHAO Q， XU Z， SHAO Y， et al. Hybrid model-driven and data-driven approach for the health assessment of axial piston pumps［J］. International Journal of Hydromechatronics， 2023， 6（1）： 76-92.
6	KORDESTANI M， SAIF M， ORCHARD M E， et al. Failure prognosis and applications—a survey of recent literature［J］. IEEE Transactions on Reliability， 2019， 70（2）： 728-748.
7	胡明辉，高金吉，江志农，等. 航空发动机振动监测与故障诊断技术研究进展［J］. 航空学报， 2024， 45（4）： 630194.
	HU M H， GAO J J， JIANG Z N， et al. Research progress on vibration monitoring and fault diagnosis for aero-engine［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（4）： 630194 （in Chinese）.
8	FANG X， YAO J， YIN X， et al. Physics-of-failure models of erosion wear in electrohydraulic servovalve， and erosion wear life prediction method［J］. Mechatronics， 2013， 23（8）： 1202-1214.
9	STOJANOVIC V， PRSIC D. Robust identification for fault detection in the presence of non-gaussian noises： application to hydraulic servo drives［J］. Nonlinear Dynamics， 2020， 100（3）： 2299-2313.
10	SAMADANI M， KWUIMY C A K， NATARAJ C. Fault detection and severity analysis of servo valves using recurrence quantification analysis［C］∥Annual Conference of the PHM Society， 2014.
11	LIU H， LIU D， LU C， et al. Fault diagnosis of hydraulic servo system using the unscented Kalman filter［J］. Asian Journal of Control， 2014， 16（6）： 1713-1725.
12	TAMBURRANO P， PLUMMER A R， DISTASO E， et al. A review of direct drive proportional electrohydraulic spool valves： industrial state-of-the-art and research advancements［J］. Journal of Dynamic Systems， Measurement， and Control， 2019， 141（2）： 020801.
13	ZHAO X， ZHU X， LIU J， et al. Model-assisted muti-source fusion hypergraph convolutional neural networks for intelligent few-shot fault diagnosis to electro-hydrostatic actuator［J］. Information Fusion， 2024， 104： 102186.
14	LIU C， WANG Y， PAN T， et al. Fault diagnosis of electro‐hydraulic servo valve using extreme learning machine［J］. International Transactions on Electrical Energy Systems， 2020， 30（7）： e12419.
15	SHARIFI S， TIVAY A， REZAEI S M， et al. Leakage fault detection in electro-hydraulic servo systems using a nonlinear representation learning approach［J］. ISA Transactions， 2018， 73： 154-164.
16	WEI G， PENGFEI S， CHAO A， et al. Multisource electrohydraulic servo valve fault status diagnostic algorithm based on a message propagation mechanism［J］. Measurement Science and Technology， 2023， 34（5）： 055302.
17	FU Y， CAI L， ZHENG G. Failure diagnosis of electro-hydraulic servo valve based on SA-PSO-SVM［J］. Journal of Mechanical Science and Technology， 2022， 36（12）： 5971-5976.
18	权凌霄，郭海鑫，盛世伟，等. 采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断［J］. 中国机械工程，2018， 29（5）： 505-510.
	QUAN L X， GUO H X， SHENG S W， et al. Fault diagnosis of electro hydraulic servo valves based on GA+LM algorithm optimized BP neural networks［J］. China Mechanical Engineering， 2018， 29（5）： 505-510 （in Chinese）.
19	贾春玉，康凯旋，高伟，等. 基于CNN+LSTM神经网络的电液伺服阀故障预测［J］. 液压与气动， 2020（12）： 173-181.
	JIA C Y， KANG K X， GAO W， et al. Fault prediction of electro-hydraulic servo valve based on CNN +LSTM neural network［J］. Chinese Hydraulics & Pneumatics， 2020（12）： 173-181 （in Chinese）.
20	LIU S， JI Z， WANG Y， et al. Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network［J］. Computer Communications， 2021， 173： 160-169.
21	SHI Y， WANG Z， DU X， et al. Research on the membrane fouling diagnosis of MBR membrane module based on ECA-CNN［J］. Journal of Environmental Chemical Engineering， 2022， 10（3）： 107649.
22	TANG X， GU X， WANG J， et al. A bearing fault diagnosis method based on feature selection feedback network and improved DS evidence fusion［J］. IEEE Access， 2020， 8： 20523-20536.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

标签	故障类型	故障位置
0	比例电磁铁轻度退化	比例电磁铁
1	比例电磁铁中度退化	比例电磁铁
2	比例电磁铁严重退化	比例电磁铁
3	阀芯轻度卡滞故障	阀芯
4	阀芯中度卡滞故障	阀芯
5	阀芯严重卡滞故障	阀芯
6	正常	无

层类型	核尺寸	步长	核个数	输出尺寸
输入				（6，1 000）
卷积层（bn+LeakyReLU）	100	4	16	（16，226）
卷积层（bn+LeakyReLU）	20	2	32	（32，104）
卷积层（bn+LeakyReLU）	10	2	64	（64，48）
卷积层（bn+LeakyReLU）	5	2	64	（64，22）
ECA层				（64，22）
初级胶囊层	4	2	20	（200，16）
数字胶囊层				（7，32）

模型	准确率/%	平均准确率/%
DCNN	92.7，91.5，90.7，93.1，91.4	91.9
DCNN+ECA	94.0，94.8，93.0，94.4，95.5	94.3
ACCN	100.0，100.0，100.0，100.0，100.0	100.0

[1]	孟令捷, 李红光, 李新军. 基于地貌类别信息指导的SAR图像仿真方法[J]. 航空学报, 2025, 46(7): 331003-331003.
[2]	郭庆, 刘晓阳, 樊俊峰, 付宇, 左洪福. 融合先验信息的民航发动机自适应气路故障诊断方法[J]. 航空学报, 2025, 46(4): 230871-230871.
[3]	赵辰豪, 吴德伟, 何晶, 吴倩. 一种无人机视觉位姿估计的语义特征匹配算法[J]. 航空学报, 2025, 46(2): 330406-330406.
[4]	张音旋, 张起, 许镇勇, 孟琳书. 基于残差神经网络的飞机力学响应预测方法[J]. 航空学报, 2025, 46(19): 531295-531295.
[5]	曲桂娴, 刘冬阳, 杨旭, 邱天, 刘传凯, 丁水汀, 袁树峥, 郭侃. 基于传感器时序信息增强的剩余寿命预测方法[J]. 航空学报, 2025, 46(17): 231634-231634.
[6]	杨述明, 吴建军, 谢昌霖, 程玉强, 王彪. 数据驱动智能故障诊断技术在液体火箭发动机的应用与展望[J]. 航空学报, 2025, 46(15): 131427-131427.
[7]	王传云, 苏阳, 王琳霖, 王田, 王静静, 高骞. 面向反制无人机集群的多目标连续鲁棒跟踪算法[J]. 航空学报, 2024, 45(7): 329017-329017.
[8]	胡明辉, 高金吉, 江志农, 王维民, 邹利民, 周涛, 凡云峰, 王越, 冯家欣, 李晨阳. 航空发动机振动监测与故障诊断技术研究进展[J]. 航空学报, 2024, 45(4): 630194-630194.
[9]	黄湛钧, 董鑫, 卢沐宇, 张瑞涛, 闫钊阳, 张安. 基于DRSN与电压幅值分析的航空HVDC系统逆变器故障诊断[J]. 航空学报, 2024, 45(3): 328685-328685.
[10]	崔江, 周凡, 陈永凡, 于立, 张卓然. 一种基于GAMF-CNN的航空发电机整流器故障诊断技术[J]. 航空学报, 2024, 45(24): 330398-330398.
[11]	吴跃腾, 巴顿, 杜娟, 李云飞, 常军涛. 基于深度注意力网络的压气机流场重构方法[J]. 航空学报, 2024, 45(24): 630580-630580.
[12]	胡明辉, 刘少朋, 王浩, 李晨阳, 王维民, 江志农. 基于宽频振动的燃气轮机叶片断裂故障识别特征与辨识方法[J]. 航空学报, 2024, 45(20): 230098-230098.
[13]	李天晴, 王维民, 张旭龙, 王树慧, 付振宇. 基于叶尖定时的转子叶片轴向位移辨识方法[J]. 航空学报, 2024, 45(2): 228682-228682.
[14]	孔祥锡, 秦闻远, 苏飘逸, 化永朝, 董希旺, 王丽, 苏盈, 吕坤. 基于深度学习及模糊层次分析的毁伤评估算法[J]. 航空学报, 2024, 45(19): 329503-329503.
[15]	陈勇刚, 刘康妮, 王帅. 基于BiGRU⁃Attention改进的航空设备故障知识图谱构建[J]. 航空学报, 2024, 45(18): 229916-229916.

基于注意力卷积胶囊网络的电液比例伺服阀故障诊断

Fault diagnosis of electro-hydraulic proportional servo valves based on attention convolutional capsule networks

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价