(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110967663.0 (22)申请日 2021.08.23 (65)同一申请的已公布的文献号 申请公布号 CN 113688569 A (43)申请公布日 2021.11.23 (73)专利权人 水利部交通 运输部国家能源局南 京水利科 学研究院 地址 210029 江苏省南京市 鼓楼区广州路 223号 (72)发明人 杨德玮　周克发　盛金保　刘晓杰　 陈莹颖　方程　 (74)专利代理 机构 南京乐羽知行专利代理事务 所(普通合伙) 32326 专利代理师 李玉平(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 张念 (54)发明名称 一种基于传感器协同的液压泵健康状态估 计方法 (57)摘要 本发明公开一种基于传感器协同的液压泵 健康状态估计方法， 通过压力传感器和振动 传感 器协同获取液压泵泵源流量波和振动波信息， 对 液压泵泵源流量波和振动波信息进行互校核， 对 互校核后的液压泵泵源流量波和振动波信息， 采 用双流网络模 型对液压泵健康状态进行估计。 本 发明所提出的技术能够， 鲁棒准确地对液压泵健 康状态进行在线 估计， 提高生产作业 安全。 权利要求书2页 说明书4页 附图1页 CN 113688569 B 2022.05.20 CN 113688569 B 1.一种基于传感器协同的液压泵健康状态估计方法， 其特征在于， 通过数据协同获取， 数据协同校核、 数据协同分类三种数据协同方式实现液压泵健康状态估计； 在数据协同获取阶段， 协同获取 液压泵泵源流量波和振动波两种信息； 在数据协同校核阶段， 液压泵泵源流量波和振动波信息形成互校核的依据， 对数据准 确性进行判断， 并滤除错误数据； 采用时序的耦合计算， 根据耦合计算结果对液压泵泵源流 量波和振动波信息进行互校核， 滤除错 误的液压泵 泵源流量波和振动波信息； 通过压力传感器和振动传感器， 协同获取t时刻运转中液压泵泵源流量波Qt和振动波Vt 时序样本； Qt＝[qt‑L,qt‑L+1,…,qt] Vt＝[vt‑L,vt‑L+1,…,vt] 其中， qt为t时刻的液压泵 泵源流量， vt为t时刻的液压泵振动量， L 为时序样本的长度； 采用时序耦合计算， 根据耦合计算结果判断液压泵泵源流量波和振动波信息的正确 性； 具体包括以下步骤： 计算t时刻与t ‑1时刻液压泵 泵源流量波和振动波时刻时序样本的时序耦合相关性： 其中， 为t时刻液压泵泵源流量波时序样本的时序相关性， 为t时刻液压泵振动波 时序样本的时序相关性， cor r()为一维矢量时序相关性计算 函数； 对t时刻液压泵 泵源流量波和振动波时序样本的时序相关性进行阈值滤波： 依据t时刻液压泵 泵源流量波和振动波时序样本的时序相关性进行 数据校核： 若 t时刻液压泵 泵源流量波和振动波的时序样本为 错误数据， 滤除当前时 刻的时序样本， 跳转至下一时刻； 若 t时刻液压泵泵源流量波和振动波的时序样本为正确数据， 进行数据协 同分类； 在数据协同分类阶段， 建立用于液压泵健康状态估计的双流网络模型， 建立动态焦点 损失函数对双流网络模型进行训练； 对互校核后的液压泵泵源流量波和振动波信息采用训 练好的双流网络模型提取深度特 征并分类， 估计液压泵的健康状态。 2.根据权利要求1所述的基于传感器协同的液压泵健康状态估计方法， 其特征在于， 在 液压泵工作区域布设压力 传感器和振动传感器； 通过压力 传感器和振动传感器协同获取运 转中液压泵 泵源流量波和振动波。权　利　要　求　书 1/2 页 2 CN 113688569 B 23.根据权利要求1所述的基于传感器协同的液压泵健康状态估计方法， 其特征在于， 建 立双流网络模型， 分别输入协同校核后的液压泵泵源流量波和振动波时序样本数据， 对液 压泵健康状态进行估计； 双流网络模型分为三个模块： 第一个模块为深度特征提取模块， 建立双流一维卷积神 经网络并行提取数据协同校核后液压泵泵源流量波和振动波时序样本的深度特征； 第二个 模块为特征融合模块， 通过压缩 ‑拼接‑激励算法对液压泵泵源流量波和振动波的深度特征 重标定， 融合两种深度特征； 第三个模块为分类模块， 由两层全连接层和softmax函数 组成， 对融合特 征进行分类， 完成液压泵健康状态的评估。 4.根据权利要求1所述的基于传感器协同的液压泵健康状态估计方法， 其特征在于， 在 双流网络模型训练时， 非均衡样本条件致使用于液压泵健康状态估计的双流网络模型发生 偏置； 在模型应用时， 液压泵健康状态估计时产生严重误差； 针对这一问题， 设计采用动态 焦点损失函数度量模型误差， 用于训练非均衡样本条件下液压泵健康状态估计的双流网络 模型； 动态焦点损失函数为： 其中： 为平衡因子， y为样本标签， py为样本属于第y类 状态的概 率， γ*为衰减因子； 平衡因子 其中， N为样本总量， ny为第y类状态样本的数量； 衰减因子γ*： 其中， γ为γ*的初始值， 设置值 为2； η为双流网络模型完全训练一次的迭代次数； 采用动态焦点损失函数训练用于液压泵健康状态估计的双流网络模型； 采用训练后的双流网络模型， 并行输入数据协同校核后的液压泵泵源流量波和振动波 时序样本， 进行 液压泵健康状态估计。 5.一种计算机设备， 其特征在于： 该计算机设备包括存储器、 处理器及存储在存储器上 并可在处理器上运行的计算机程序， 处理器执行上述计算机程序时实现如权利要求1 ‑4中 任一项所述的基于传感器协同的液压泵健康状态估计方法。 6.一种计算机可读存储介质， 其特征在于： 该计算机可读存储介质存储有执行如权利 要求1‑4中任一项所述的基于传感器协同的液压泵健康状态估计方法的计算机程序。权　利　要　求　书 2/2 页 3 CN 113688569 B 3