基于边缘计算的轴向柱塞泵磨损状态辨识方法研究

判断轴向柱塞泵的磨损状态对维护轴向柱塞泵正常运行具有重要意义。然而,现有的轴向柱塞泵故障诊断方法大多为离线式和基于云计算的在线式,存在延时长和数据量大的问题,无法满足轴向柱塞泵磨损状态辨识的实时性需求。为了减少延迟时间和传输数据量,提出一种基于边缘计算的轴向柱塞泵磨损状态辨识方法。构造出一个集成信号采集、信号预处理、特征提取和磨损状态分类的边缘节点,用于正确和实时地辨识磨损状态。设置4种轴向柱塞泵滑靴副磨损状态作为故障源,并构建相应的磨损故障数据集。为了减少边缘节点计算量,在上位机中利用随机森林包外误差选择敏感特征值。为了实现磨损状态辨识,在上位机中训练磨损状态分类的特征选择人工神经网络模型,并将信号预处理和特征提取功能算法以及模型参数嵌入边缘节点。通过与其他方法的比较和在线磨损状态辨识试验证明所提方法的正确性和实时性。

基于对抗蒸馏的轴向柱塞泵关键摩擦副磨损状态在线辨识轻量化方法

在线辨识轴向柱塞泵磨损状态对保证液压传动与控制系统的稳定可靠运行具有重要意义,但实际工况下的辨识性能受强噪声干扰。磨损状态辨识模型能通过对抗训练增强抗噪声鲁棒性,但庞大的参数量限制了其在边缘计算设备上的应用。为了兼顾抗噪声鲁棒性和模型体量,提出了一种基于对抗蒸馏的磨损状态在线辨识轻量化方法,设计了基于一维卷积神经网络的学生模型和教师模型,学生模型生成对抗样本作为知识迁移数据集,并通过知识蒸馏学习教师模型的鲁棒特征知识。通过故障注入、对比实验和消融实验,表明所提方法能兼具抗噪声鲁棒性强和模型结构轻量的优势。通过边缘部署和在线验证实验,验证所提方法能实时准确地辨识轴向柱塞泵磨损状态。