本发明涉及液压系统故障诊断，特别涉及一种基于数字孪生的航天发射塔摆杆液压系统故障诊断方法。
背景技术：
1、液压系统以其传动平稳、响应迅速、易于实现无级调速和高功率体积比等优点，被广泛应用于航空航天、工程机械和军事装备等领域。然而，这些设备经常工作在恶劣的环境下，导致液压系统容易发生故障，且故障表现出隐蔽性、随机性和交叉性等特点，严重影响装备可靠性。摆杆机构是航天发射场重要的地面支持设施，由液压系统、机械结构、控制系统组成，主要功能是实现运载器、航天器连接结构、插头、管路等设备的悬挂与支撑固定，其中液压系统的可靠、平稳运行直接关系发射能否顺利实施。近年来，随着人工智能的发展，深度学习已成为故障诊断领域的重要工具。然而，在面对故障样本稀缺的挑战时，深度学习模型还存在明显的局限性。数字孪生作为新一代信息数字化技术，实现了物理世界与数字世界之间的相互映射，为装备维护方式提供了新的思路。因此，通过建立摆杆液压系统的数字孪生模型，获得符合物理系统实际工作特性的孪生数据，有效地弥补液压系统实际故障样本不足和数据标签缺失的挑战，为智能故障诊断模型提供更多、更高质量的数据支持，从而提高智能故障诊断模型的诊断精度，对于摆杆机构的可靠运行具有重要的意义。
技术实现思路
1、本发明的目的在于提供一种基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，以解决航天发射塔摆杆液压系统故障诊断时，实际故障样本稀缺导致智能故障诊断模型诊断精度低的问题。
2、为了解决上述技术问题，本发明的技术方案是：提供一种基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，基于摆杆液压系统的工作原理和历史运行数据分别构建机理仿真模型和数据驱动模型，通过元学习器将所述机理仿真模型与数据驱动模型并联式混合构成数字孪生模型；
3、根据液压元件故障机理在所述数字孪生模型中注入故障，生成相应孪生故障信号；使用一维卷积神经网络和卷积注意力机制构建多传感器信息融合深度学习故障诊断模型；在所述深度学习故障诊断模型的基础上，构建基于数字孪生的深度迁移学习故障诊断模型。
4、进一步的，包括如下步骤：
5、步骤1、机理仿真模型构建：
6、基于多领域建模仿真平台建立摆杆液压系统机理仿真模型；
7、步骤2、数据驱动模型构建：
8、采用实际液压系统历史运行数据，基于随机森林算法构建摆杆液压系统回归模型；
9、步骤3、孪生模型构建：
10、采用集成学习的思想，利用元学习模型将机理仿真模型与数据驱动模型融合构成液压系统数字孪生模型；
11、步骤4、孪生模型更新；
12、步骤5、孪生数据采集：
13、结合液压系统的工作环境与特点，分析常见的故障，在数字孪生模型中注入，生成相应孪生信号；
14、步骤6、实验数据采集：
15、搭建液压系统实验样机，采集实际故障信号；
16、步骤7、基于数字孪生的深度学习故障诊断模型构建：
17、首先使用一维卷积神经网络提取不同传感器信息的故障特征，利用多传感器信息融合技术将不同的故障特征融合，接着添加卷积注意力机制提高网络性能，最后使用softmax进行分类识别；
18、步骤8、孪生数据故障诊断：
19、采用孪生数据进行实验验证和分析，测试所构建的深度学习故障诊断模型对孪生数据的故障诊断准确率；
20、步骤9、基于数字孪生的深度迁移学习故障诊断模型构建：
21、利用所述深度学习故障诊断模型提取源域和目标域的故障特征，接着将故障特征映射至rkhs空间，利用lmmd计算领域特征的分布差异，同时优化源域分类损失和lmmd损失值，实现由孪生数据到实际数据的迁移；
22、步骤10、实验数据故障诊断：
23、采用实验数据进行实验验证和分析，测试所构建的深度迁移学习故障诊断模型对实验数据的故障诊断准确率。
24、进一步的，所述步骤1的机理仿真模型中，部件包括液压泵、先导式溢流阀、三位五通电磁换向阀、调速阀、液压缸。
25、进一步的，所述步骤4中，孪生模型更新包括：
26、采用机理仿真模型和数据驱动模型的双更新模式，首先在仿真平台自带的优化工具箱中选择遗传算法，通过对机理仿真模型进行相关参数辨识，实现机理仿真模型的迭代更新；其次通过更新样本数据集的方法更新数据驱动模型；完成机理仿真模型与数据驱动模型的更新后，重新训练元学习器，最终实现孪生模型的迭代更新。
27、进一步的，所述步骤5中，通过设置溢流阀的额定压力进行故障模拟调试；根据调速阀故障机理分析，调速阀堵塞通过设置节流口大小，调速阀泄漏通过在调速阀两端口添加泄漏回路；通过设置节流口大小控制进入调速阀的流量大小，进而模拟不同程度的堵塞故障；通过在阀口两端添加泄漏回路使部分油液直接通过泄漏回路流入油箱，泄漏程度通过泄漏回路的缝隙大小来控制。
28、进一步的，所述步骤6中，将压力传感器安装在执行机构液压缸的有杆腔端，角度传感器安装在与液压缸有杆端连接的轴系部位，传感器数据采集时间为100-400s，采集频率为1-2hz；
29、实验数据采集共设计n组实验，对应液压系统的n种健康状况，分别为正常健康状态、溢流阀堵塞、溢流阀泄漏、有杆调速阀泄漏、有杆调速阀堵塞、无杆调速阀泄漏、无杆调速阀堵塞、其他故障，每种健康状况下采集10-15组实验数据。
30、进一步的，所述步骤7中，作为特征提取的一维卷积神经网络由两个卷积层和两个池化层组成；随着网络层次的加深，深层网络能够提取到代表所训练数据的关键特征；
31、将注意力机制放在深层卷积之后，使用卷积注意力模块从特征和空间两个方面计算特征的权重，提高模型的故障诊断精度。
32、进一步的，所述步骤8中，孪生数据故障诊断包括：
33、步骤801、使用所述液压系统数字孪生模型进行故障注入，得到液压系统不同类型故障下的角度和有杆腔压力数据，对所述数据进行预处理，剔除异常数据，并将数据划分为训练集、验证集、测试集；
34、步骤802、对搭建的网络模型设置初始参数，将训练集与验证集输入到模型中，使用一维卷积神经网络对角度数据和有杆腔压力数据进行特征提取，并将提取后的特征进行融合，再通过注意力机制计算不同特征的权重；
35、步骤803、当训练次数达到设定值后，结束训练，并保存模型参数，训练次数未达到设定值，则继续进行训练；若训练过程中，模型精度和损失未达到要求，则重新设定模型参数；
36、步骤804、在得到达到要求的模型后，将测试集输入到模型中，测试模型的诊断精度，根据分类结果和评价指标判断所提方法的可行性和有效性。
37、进一步的，所述步骤9中，基于数字孪生的深度迁移学习故障诊断模型使用所述步骤7中的深度学习故障诊断模型作为特征提取器，同时从源域和目标域提取特征；
38、在模型的训练过程中，引入领域适应层，使用局部最大均值差异来度量两个域之间的特征分布差异，并结合源域模型训练时的分类损失，共同优化模型参数。
39、进一步的，所述步骤10中，实验数据故障诊断具体为：
40、步骤1001、分别从数字孪生模型和实验样机采集压力信号与角度信号，并对数据进行预处理，剔除异常信号；将孪生数据作为源域数据，实验数据作为目标域数据，并对源域数据和目标域数据划分训练集和测试集；
41、步骤1002、构建深度迁移学习故障诊断模型，并对模型参数进行初始化，输入训练集进行训练，使用深度学习提取源域和目标域数据的特征；
42、步骤1003、将所提取的源域特征输入标签分类器中进行故障分类，并计算交叉熵损失函数lc，在域自适应层计算源域特征和目标特征之间lmmd损失llmmd，将这两部分损失相加构成总损失l，使用反向传播优化模型参数；
43、步骤1004、在训练过程中，监测模型的精度和损失情况；如果训练次数达到设定值，则结束训练并保存模型参数，否则，继续进行训练；如果在训练过程中模型的性能未达到要求，则重新设定模型参数；
44、步骤1005、在得到达到要求的模型后，将目标域测试集输入到模型中，测试模型的诊断精度，根据分类结果和评价指标判断所提方法的可行性和有效性。
45、本发明提供的基于数字孪生的航天发射塔摆杆液压系统故障诊断方法取得的有益效果是：
46、(1)采用机理仿真模型与数据驱动模型混合的方法构成液压系统数字孪生模型，将数据驱动模型与机理仿真模型的不足相互弥补，使孪生模型更加接近于实际的运行状态；
47、(2)通过一维卷积神经网络实现多传感器数据的特征层融合，全面的提取液压系统运行状态特征，并引入卷积注意力机制建立各通道和空间动态权重参数，增强故障特征、弱化无用特征；
48、(3)使用局部最大平均差异度量源域特征和目标域特征，不仅可以调整全局区域分布，还可以匹配不同领域下子领域的特征分布，进一步增强模型的泛化能力和鲁棒性。
1.基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，其特征在于，基于摆杆液压系统的工作原理和历史运行数据分别构建机理仿真模型和数据驱动模型，通过元学习器将所述机理仿真模型与数据驱动模型并联式混合构成数字孪生模型；
2.如权利要求1所述的基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，其特征在于，包括如下步骤：
3.如权利要求2所述的基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，其特征在于，所述步骤1的机理仿真模型中，部件包括液压泵、先导式溢流阀、三位五通电磁换向阀、调速阀、液压缸。
4.如权利要求2所述的基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，其特征在于，所述步骤4中，孪生模型更新包括：
5.如权利要求2所述的基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，其特征在于，所述步骤5中，通过设置溢流阀的额定压力进行故障模拟调试；根据调速阀故障机理分析，调速阀堵塞通过设置节流口大小，调速阀泄漏通过在调速阀两端口添加泄漏回路；通过设置节流口大小控制进入调速阀的流量大小，进而模拟不同程度的堵塞故障；通过在阀口两端添加泄漏回路使部分油液直接通过泄漏回路流入油箱，泄漏程度通过泄漏回路的缝隙大小来控制。
6.如权利要求5所述的基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，其特征在于，所述步骤6中，将压力传感器安装在执行机构液压缸的有杆腔端，角度传感器安装在与液压缸有杆端连接的轴系部位，传感器数据采集时间为100-400s，采集频率为1-2hz；
7.如权利要求6所述的基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，其特征在于，所述步骤7中，作为特征提取的一维卷积神经网络由两个卷积层和两个池化层组成；随着网络层次的加深，深层网络能够提取到代表所训练数据的关键特征；
8.如权利要求6所述的基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，其特征在于，所述步骤8中，孪生数据故障诊断包括：
9.如权利要求8所述的基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，其特征在于，所述步骤9中，基于数字孪生的深度迁移学习故障诊断模型使用所述步骤7中的深度学习故障诊断模型作为特征提取器，同时从源域和目标域提取特征；
10.如权利要求8所述的基于数字孪生的航天发射塔摆杆液压系统故障诊断方法，其特征在于，所述步骤10中，实验数据故障诊断具体为：
