[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

说明书

本发明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，该方法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nsubgt;trees/subgt;、nsubgt;depth/subgt;和nsubgt;learning_rates/subgt;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。本发明能提高电静液作动器液压泵的故障识别准确率、鲁棒性更好、速度更快。

技术领域

本发明涉及一种基于多模态同源特征和XGBoost模型的电静液作动器早期故障状态监测、识别方法，具体涉及一种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。

背景技术

电静液作动器(Electro-Hydrostatic Actuator，EHA)是电机、液压泵、增压油箱、作动筒、控制器等高度集成的高压高速执行元件，是航空飞行器主要控制部件。主要用于尾翼、机翼、起落架、发动机、襟副翼的控制，实现航空飞行器的翻滚、爬升、偏航、起降等飞行动作。因此对EHA展开智能健康监测是降低飞行器事故、保障航空飞行器安全运行的重要手段。航空飞行器的EHA、发动机和其他运行部件的振动会相互干扰，且由于流体的压缩、泵源与液压回路的流固耦合作用，EHA的振动响应模式相比于传统回转机械设备更复杂，因此开展电静液作动器多部件早期故障的智能健康监测十分必要，可以为空乘人员提供预警，以便工作人员采取相关措施避免造成生命财产的重大损失。

国内对电静液作动器的研究主要集中在整机设计、制造和动力分析方面，相关早期故障识别与维修方面的研究较少。对电静液作动器进行智能故障识别，方法主要分为：基于信号处理的故障识别方法、基于模型的故障识别方法以及基于人工智能的故障识别方法。基于信号处理的故障识别过度依赖于专家经验，因此应用受到较大限制；而基于模型的方法需要针对系统数学模型的已有认识，对试验方案做专门的设计，较难推广应用。目前针对电静液作动器智能健康监测、识别方法主要包括：人工神经网络、支持向量机和决策树等。现有电静液作动器状态监测方法存在在大数据时代，数据量大、特征维度高时，人工神经网络、支持向量机和决策树模型会存在训练时间增长、模型过拟合、泛化能力差等问题。因此为了适应机械领域大数据时代，电静液作动器智能识别的需求，本人引入广泛应用于互联网数据挖掘领域的XGBoost模型，能有效克服上述传统机器学习模型缺陷，并结合提出的多模态同源特征，能更好的挖掘电静液作动器运行状态与多信号特征之间的关系，更好的解决大数据时代下电静液作动器的智能故障识别。

发明内容

本发明的目的在于针对现有电静液作动器早期故障状态监测、识别技术存在的问题，提供了一种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，该方法能够提取电静液作动器振动信号、压力信号和电流信号的多模态同源特征向量，建立基于网格搜索自适应调整XGBoost模型超参数的电静液作动器故障识别模型，使得电静液作动器故障识别快速、准确，更具鲁棒性。

本发明采用如下技术方案来实现的：

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，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。