机床与液压

作者：李贝利，张达

单位：青岛科技大学自动化与电子工程学院；青岛科技大学自动化与电子工程学院

关键词：液压系统;多传感器信息融合;故障诊断;深度学习;减法平均优化器(SABO)

基金：国家自然科学基金项目（61803219）

在多物理参数监测的工作场景下，液压系统的信号采集通常具有多时间尺度的特性，导致诊断过程中出现故障信息的损失和精度下降。为此提出一种基于深度学习与多传感器信息融合的故障诊断方法，采用多头1DCNN网络对温度、压力、流量等多传感器信号进行并行差异化的特征提取，通过减法平均优化器为不同采样率的信号输入确定合适的卷积核尺寸及滑动步长超参数，实现时间尺度上的进一步适配，同时提高网络的收敛速度。在特征融合阶段，引入注意力机制对权重进行动态分配，降低多传感器融合数据的过拟合风险。采用公开液压数据集进行分析和验证，并与多种方法进行对比。结果表明：所提方法能够有效提取和利用多传感器信号中的多方位故障信息进行诊断，且无需依赖专家知识，具有较高的准确性和稳定性。

来源：2025年第14期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第14期