[发明专利]基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法

权利要求书

1.基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法，其特征在于，首先对大数据时代采集到的电静液作动器振动信号、压力信号与电流信号进行数据集切分构建原始样本集，并对其划分训练集和测试集；其次对样本集数据分别提取多模态同源特征，即时域模态、频域模态、小波包模态和改进希尔伯特黄模态，最终构建得到更具鲁棒性的高维特征向量，进而利用XGBoost模型结合高维多模态同源特征与XGBoost模型，在训练集上进行XGBoost模型超参数n_trees、n_depth和n_{learning_rates}的微调，最终基于最优XGBoost模型在训练集上进行XGBoost模型泛化性能评估并实现电静液作动器故障识别；该方法具体包含以下步骤：

步骤1、采集电静液作动器电机电流、电机泵壳体振动信号与液压泵出油口压力信号的正常状态与非正常状态下数据，并进行数据集切分构建原始样本集，并划分训练集和测试集；

步骤2、三种信号的训练集和测试集数据都分别进行基于时域、傅里叶变换、小波包分解和改进希尔伯特黄变换的处理，对处理结果进行统计特征参数的特征提取；小波包分解层数为3层，引入自适应白噪声的完备集合经验模态分解改进希尔伯特黄变换模态，能够克服传统希尔伯特黄变换模态使用的经验模式分解模态混叠和集合经验模态分解过程不具完整性、分解效率低的问题；

改进希尔伯特黄变换中自适应白噪声的完备集合经验模态分解具体步骤如下：

步骤2.1、令S(t)为原始振动信号序列，Nⁱ(t)为总共I次实验中第i次试验中添加的具有标准正态分布的高斯白噪声序列，ε_k表示第k个模态分量的信噪比系数,初值k＝1，则第k个模态分量源信号Xⁱ(t)为：

Xⁱ(t)＝S(t)+ε_kNⁱ(t)

步骤2.2、基于上述i个源信号Xⁱ(t)分别确定信号的所有极大值、极小值点，分别用三次样条曲线求出每个源信号Xⁱ(t)的上、下包络线，再求取上包络线与下包络线的均值序列Mⁱ(t)；

步骤2.3、每个源信号Xⁱ(t)分别减去自己的上、下包络均值序列Mⁱ(t),基本模态分量序列Hⁱ(t)：

Hⁱ(t)＝Xⁱ(t)-Mⁱ(t)

步骤2.4、检查每个Hⁱ(t)是否满足基本模态分量的两个条件，如果单个Hⁱ(t)不满足，就把单个Hⁱ(t)作为待处理信号重复上述步骤2.2、2.3直到每个Hⁱ(t)都是一个基本模态分量，则基本模态分量IMF_j(t)；

步骤2.5、此时k＝k+1，j＝j+1，余量信号序列R(t)；

步骤2.6、把R(t)作为新的“原始”信号S(t)重复上述操作，直到迭代终止；

步骤3、对电静液作动器三种信号训练数据集特征，合并构建高维特征向量，作为XGBoost模型训练的输入样本数据，并对电静液作动器多种故障进行独热编码，作为模型训练的输出样本；

步骤4、利用电静液作动器训练样本数据集对网格搜索的XGBoost模型进行训练，微调XGBoost模型超参数，最终通过十折交叉验证得到最优电静液作动器智能健康监测模型；

步骤5、利用训练完成的网格搜索优化XGBoost模型在电静液作动器测试集上进行电静液作动器智能健康监测模型的泛化性能评估与故障识别。

2.根据权利要求1所述的基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法，其特征在于，步骤1中，对振动、压力与电流信号分别进行数据集切分，切分是通过窗函数截断原始信号，窗函数长度2048，并移动窗函数多次截取信号，移动步长200，最终构建出样本集，并随机打乱原始样本集通过9：1的比例抽取出训练集和测试集。