基于ProNet模型的无级变速拖拉机动力系统的故障诊断方法与流程

本发明涉及无级变速动力换段系统故障诊断，尤其涉及到一种基于pronet模型的液压机械无级变速拖拉机动力换段系统的故障诊断方法。

背景技术：

1、无级变速箱离合器液压系统由于其内部密封性好、工况作业复杂以及载荷复杂多变复杂性，受到油液的长时间腐蚀，导致其容易发生故障。某些初始故障如果不及时定位和消除，可能会对液压机械无级变速箱的平稳运行造成不良干扰，甚至出现危险隐患。为了确保其运行状态的可靠性，必须对其运行状态进行监测并对故障模式进行识别，及时诊断和排除故障，确保系统稳定和人身安全。在hmcvt的传动系统中，多种元件和液压油均在密闭油路内运作，这与机械设备或电气设备的直观性有所不同。由于无法通过各类测试仪器直接方便地测量相关参数，只能依赖压力、流量以及功率等传感器来捕捉系统某些部分的工作参数。

2、机械系统故障诊断技术已取得较为深入的进展，而液压系统故障诊断技术尚处于持续发展中。传统hmcvt的故障诊断主要依赖于丰富的实践经验和简易的诊断设备。随着人工智能技术的迅猛发展，已经融入到液压系统故障诊断中，而传统的深度学习网络往往会因为缺少足够的样本量出现过拟合问题，影响模型的准确性。

3、在实际的工程应用中，收集大量的液压机械无级变速箱离合器的故障数据样本所需的成本高，导致可用的有标签故障样本数量相对较少。而传统的深度学习网络往往会因为样本量不足出现过拟合问题，影响模型的准确性。

技术实现思路

1、本发明要解决的技术问题是针对以上不足，提供基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，解决了目前对液压机械无级变速箱(hmcvt)故障诊断多是依赖人工、缺乏智能故障诊断的技术问题。

2、为解决以上技术问题，本发明采用以下技术方案：

3、基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，包括以下步骤：

4、步骤s1：使用传感器采集液压机械无级变速箱动力换段系统不同类型的故障数据；

5、步骤s2：分析数据样本所属的故障类型以及特征，并对特征差异大的数据样本段进行提取，对提取后的数据样本贴上相应的标签；

6、步骤s3：通过交叉验证将数据分成训练集和测试集；

7、步骤s4：构建以小样本学习为基础的pronet模型，用训练数据对pronet模型进行训练，用测试数据样本对模型进行测试，最终获取pronet模型；

8、步骤s5：利用步骤s4中训练模型对所述变速箱进行故障检测，并评估其检测精确度。

9、进一步的，所述pronet模型中定义了一个提取数据特征的protonet网络以及两个不同的函数，euclidean_distance函数和compute_accuracy函数。

10、进一步的，所述pronet模型中定义的protonet网络定义了一个全连接层，将输入数据从原始的输入尺寸维度映射到一个64维的空间，用于提取数据特征。

11、进一步的，所述pronet模型中定义的euclidean_distance函数用于计算输入数据inputs中的每个点与原型数据prototypes中的每个点之间的欧氏距离的平方，并返回一个距离矩阵；

12、所述欧氏距离用于衡量m维空间中任意两个点之间的真实距离，在n维欧氏空间中，点x(x1，x2，…，xn)与y(y1，y2，…，yn)之间的欧氏距离d可以用下面的公式表示：

13、；

14、得到了一个n*m的矩阵，其中每个元素表示一个输入数据点与一个原型之间的欧氏距离的平方。

15、进一步的，所述pronet模型中定义的compute_accuracy函数用于计算预测标签与真实标签之间的准确率。

16、进一步的，所述pronet模型输出层的个数等于液压机械无级变速拖拉机动力换段系统采集的工况类别总数。

17、进一步的，所述交叉验证确保数据集中的每个数据点都有均等的机会分别作为训练数据和验证数据使用，是一种广泛应用的模型评估手段。

18、进一步的，所述步骤s3中具体步骤如下：

19、采用分层k-fold交叉验证将数据样本分为训练集ｄtrain和测试集ｄtest两部分，d中的每一组数据由特征提取器提取的特征x和对应的类别标签ｙ组成；训练集ｄtrain包含5种不同状态下总共n个有标签样本的数据集s={(x1，y1)，(x2，y2)，…，(xn，yn)}，其中xj∈rd是一个d维的特征向量，yj∈{0，1，…，4}为样本标签，j=1,2,3…n，sk代表标签为k的样本数量；测试集ｄtest的每个类别只包含少量的训练数据。

20、9.根据权利要求1所述的基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：所述pronet模型训练的方法包括以下方面：

21、在训练pronet模型的过程中初始化模型并将其设置为评估模式，使用训练数据计算每个类的原型，使用计算出的原型对基于最近原型的测试数据进行分类，计算并存储每个迭代的准确率。

22、进一步的，所述pronet模型训练的方法具体包括以下步骤：

23、在训练pronet模型的过程中初始化模型并将其设置为评估模式，在训练阶段，利用训练数据集s，其中包含多个样本对(xi,yi)，其中xi为输入数据，yi为对应的类别标签，对于每个类别k，计算其原型ck，其中fϕ(xi)表示通过模型f（参数为ϕ）对输入xi进行变换后的输出，sk为类别k中所有样本的集合，∣p∣为集合sk中样本的数量。这些原型代表了各自类别在特征空间中的中心位置，在测试阶段，对于每个测试样本x，计算其属于各个类别k的概率，其中d(fϕ(x),ck)表示测试样本经过模型变换后的输出与类别k原型之间的距离，选择概率最高的类别作为测试样本的预测类别，在每次迭代后，计算并存储分类的准确率，即正确预测的样本数占总测试样本数的比例:

24、;

25、;

26、。

27、本发明采用以上技术方案，与现有技术相比，具有如下技术效果：

28、适用于对液压机械无级变速拖拉机动力换段系统的故障诊断方法，能够实时、准确、自动地识别当前动力换段系统的状态，从而有效维护变速箱正常运转，解决了现有技术中依赖人工、自动化程度低的技术问题。

29、在随机样本测试中，正常及四种典型故障模式下的算法平均识别率在5次运行分别高达96.80%、97.13%、96.60%、96.20%、96.60%，显示出非常高的准确性，从而有效维护变速箱正常运转。

技术特征：

1.基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：所述pronet模型中定义了一个提取数据特征的protonet网络以及两个不同的函数，euclidean_distance函数和compute_accuracy函数。

3.根据权利要求1所述的基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：所述pronet模型中定义的protonet网络定义了一个全连接层，将输入数据从原始的输入尺寸维度映射到一个64维的空间，用于提取数据特征。

4.根据权利要求2所述的基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：所述pronet模型中定义的euclidean_distance函数用于计算输入数据inputs中的每个点与原型数据prototypes中的每个点之间的欧氏距离的平方，并返回一个距离矩阵；

5.根据权利要求2所述的基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：所述pronet模型中定义的compute_accuracy函数用于计算预测标签与真实标签之间的准确率。

6.根据权利要求2所述的基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：所述pronet模型输出层的个数等于液压机械无级变速拖拉机动力换段系统采集的工况类别总数。

7.根据权利要求2所述的基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：所述交叉验证确保数据集中的每个数据点都有均等的机会分别作为训练数据和验证数据使用，是一种广泛应用的模型评估手段。

8.根据权利要求1所述的基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：所述步骤s3中具体步骤如下：

9.根据权利要求1所述的基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：所述pronet模型训练的方法包括以下方面：

10.根据权利要求9所述的基于pronet模型的无级变速拖拉机动力系统的故障诊断方法，其特征在于：所述pronet模型训练的方法具体包括以下步骤：

技术总结本申请公开了基于ProNet模型的无级变速拖拉机动力系统的故障诊断方法，包括：使用传感器采集液压机械无级变速箱动力换段系统不同类型的故障数据；分析数据样本所属的故障类型以及特征，并对特征差异大的数据样本段进行提取，对提取后的数据样本贴上相应的标签；通过交叉验证将数据分成训练集和测试集；构建以小样本学习为基础的ProNet模型，用训练数据对ProNet模型进行训练，用测试数据样本对模型进行测试，最终获取ProNet模型；训练模型对变速箱进行故障检测，并评估其检测精确度。解决了目前对液压机械无级变速箱故障诊断多是依赖人工、缺乏智能故障诊断的技术问题，能够实时、准确、自动地识别当前动力换段系统的状态。技术研发人员：韩晓荣,刘风平,段卫卫,毕伟,王光明受保护的技术使用者：山东潍坊鲁中拖拉机有限公司技术研发日：技术公布日：2024/9/2