基于仿真数据与深度学习驱动的液压多路阀故障诊断

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%。

多路阀由多个电液换向阀组成，是多执行器的液压系统的核心控制元件，广泛应用于移动工程机械(如挖掘机和起重机) [1]。在工程机械的实际应用中，由于负载压力大，执行机构流量大，工作条件变化剧烈频繁，可能会发生严重的液压冲击。而多路阀在这种工况下长时间的工作，很容易产生故障，从而影响控制精度和安全性[2]。多路换向阀存在多种故障，包括油液污染或阀芯频繁往复引起的磨损，以及阀门弹簧疲劳和阀芯卡死等[3]。其中，阀芯磨损与阀芯卡死是最常见的问题。因此，对多路阀进行故障诊断对于避免额外的液压功率损失和提高系统安全性至关重要。

根据故障诊断的理论和方法，液压系统领域常用的方法可分为两类：基于数据的诊断方法和基于模型的诊断方法[4]。在故障数据样本较少的情况下，基于模型的故障诊断方法是通过测量实际结果与模型预测结果的差值进行诊断决策。但是液压系统在不同的故障环境下的输出结果不同，要根据不同环境实时更新仿真模型较难，很难做到对故障的精准诊断。

深度学习是一种常用的数据驱动方法，是从信号中提取出故障的特征后进行故障分类。在液压故障诊断领域展示出强大的能力，也逐渐成为了当前的研究重点。Tang [5]通过连续小波变换得到压力信号的时频特性后构建BO-LeNet 5 模型对柱塞泵进行故障诊断。Shi [6]从液压换向阀的多维故障信息中提取多维故障特征， 在双通道CNN 中加入注意力机制实现故障诊断。

Ji [7]根据对不同故障数据的敏感度选择两种基本分类器(RF、CNN)，然后基于DS 理论对各分类器的初始结果进行融合，得到最终换向阀的故障诊断结果。Tang [8]构建了CNN-BO 模型，从声信号的时频图像中学习有用的特征，并对液压柱塞泵的健康状态进行准确的分类。上述方法虽然有较好的故障诊断结果，但依赖于统计模型来确定系统的健康状态。当历史数据不足或操作环境突然发生变化时，这些数据可能不足以实现运行状况监测任务。

基于文献调研，我们发现：1) 基于模型的方法虽然泛化能力较低，但是可以产生大量的带有标签的故障数据。数据驱动方法虽然有很好的诊断能力，但需要大量的带有标签的故障数据作为训练，实际中的液压系统的故障数据又较难获取，因此可以考虑将两种方法的优点相结合。2) 目前液压系统领域的数据驱动方法大多基于CNN 的故障诊断模型， 而液压系统的原始监测数据是时间序列信号， 循环神经网络