本发明涉及故障诊断，特别涉及一种航天发射塔摆杆液压系统故障诊断方法。
背景技术：
1、液压系统因其体积小、响应快、运行稳定等优点，广泛应用于工程机械、军事装备等领域。然而，其复杂的结构和恶劣的工作环境导致液压系统在运行过程中发生故障的概率较高，且故障模式具有隐蔽性和随机性等特点。摆杆机构是航天发射场重要的地面支持设施，主要由液压系统、机械结构、控制系统组成，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。因此，对摆杆液压系统进行准确可靠的故障诊断对其工程应用具有重要意义。随着信息技术的不断进步，故障诊断已经进入了大数据时代。但是现大多数基于深度学习的故障诊断方法都是在训练数据的数量和质量足以建立测量信号与设备健康状态之间的有效映射的前提下提出的。在实际工业中，设备大部分运行在安全稳定的条件下，因此故障情形下的数据十分有限，导致无法有效的训练故障诊断模型。数字孪生技术通过多学科和多尺度耦合仿真将现实世界中的物理实体精准映射为虚拟世界中的数字化模型，并利用双向交互反馈和迭代运行实现物理实体在数字空间的同步呈现。因此，数字孪生技术能够利用数字模型对整个产品生命周期进行模拟和映射，给解决液压系统智能故障诊断时缺少历史经验数据的问题提供了新的思路。
技术实现思路
1、本发明的目的在于提供一种航天发射塔摆杆液压系统故障诊断方法，以解决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：提供一种航天发射塔摆杆液压系统故障诊断方法，构建液压系统数字孪生模型，并模拟液压系统故障数据，以减少对历史经验数据的依赖，根据工况变化，通过孪生模型更新故障样本；
3、使用一维卷积神经网络构建液压系统故障诊断模型，并将液压系统的压力、位移信号作为模型输入，在训练时使用学习率衰减策略动态的调整学习率，提高特征提取效率；
4、采用基于预训练-微调的迁移学习方法，将源域中训练好的诊断模型迁移到目标域中。
5、进一步的，包括如下步骤：
6、步骤1：机理仿真模型构建；
7、步骤2：数据驱动模型构建；
8、步骤3：数字孪生模型构建：
9、采用多模式动态权重分配法，将机理仿真模型与数据驱动模型耦合形成摆杆液压系统数字孪生模型；
10、步骤4：孪生模型更新：
11、分别对所述机理仿真模型和数据驱动模型更新，实现对摆杆液压系统数字孪生模型的更新；
12、步骤5：孪生数据采集；
13、步骤6：实验数据采集：
14、搭建摆杆液压系统实验样机，采集实际故障信号；
15、步骤7：深度学习故障诊断模型构建：
16、建立基于数字孪生的深度迁移学习故障诊断模型，首先用大量的源域数据对网络进行训练，接着将源域网络的结构和参数迁移至目标域，然后，固定特征提取网络不再训练，使用目标域的少量数据微调深层网络，得到最终的故障诊断模型；
17、步骤8：故障诊断。
18、进一步的，所述步骤1中，机理仿真模型构建：
19、根据摆杆液压系统工作原理，在仿真平台搭建所述液压系统的机理仿真模型，主要部件包括：液压泵、先导式溢流阀、三位四通电磁换向阀、调速阀、液压缸。
20、进一步的，所述步骤2中，数据驱动模型构建包括：
21、步骤201、现有n个训练样本，将其表示为x＝(x1，x2，l，xn)，每个训练样本表示为xi＝(xi1，xi2，l，xid，yi)，i∈n，则训练样本xi与测试样本xt＝(xt1，xt2，l，xtd，yt)之间的欧式距离d表示为：
22、
23、式中，xim和xtm为第m个辅助变量的观测值；yi和yt为监测变量的观测值；
24、步骤202、根据公式(1)计算所有训练样本与测试样本的欧式距离，并找出xt的前k个近邻样本x′j＝(x′j1，x′j2，l x′jkl，y′j)，j∈k；
25、步骤203、计算测试样本xt监测变量的估计值
26、进一步的，所述步骤多模式动态权重分配法中，确定各个单一模型输出结果的权重值，其加权求和z的计算和权重值的总和限制如下：
27、
28、
29、式中，z为预测液压缸的位移，λi为各单一模型输出结果的权重值；yi为各单一模型的液压缸位移预测值。
30、进一步的，所述步骤5中，孪生数据采集：
31、设置溢流阀的额定压力，进行故障模拟调试：通过设置节流口大小模拟调速阀堵塞，通过在调速阀两端口添加泄漏回路模拟调速阀泄漏；
32、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控制。
33、进一步的，所述步骤6中，实验数据采集：
34、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，，设计n组实验，对应了液压系统的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。
35、进一步的，所述步骤7中，深度学习故障诊断模型构建：
36、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；
37、学习率衰减策略根据验证集的性能动态调整学习率，当验证集损失停止改善时，学习率降低，避免了陷入局部最小值的风险；如果在一定的轮次内指标没有显示改善，则触发学习率的调整；
38、调整的方式是将当前学习率乘以一个因子，从而使学习率逐步减小；同时还包括一个patience参数，用于指定在检测到性能停止改善后等待的轮次数；将验证集的损失确定为监测的性能指标，衰减因子设为0.5，参数patience设为5。
39、进一步的，所述步骤8中，故障诊断：
40、首先获取源域和目标域的液压系统运行数据，然后通过源域数据训练诊断模型并保存诊断效果最好的模型；
41、冻结诊断模型的特征提取部分，通过目标域的训练集数据微调诊断模型中的分类器，以此达到迁移学习的目的；
42、最后向微调后的模型输入测试集数据，以此判断微调后模型的诊断效果。
43、本发明提供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：
44、(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。
45、(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，通过逐步减小学习率，模型在训练过程中变得更加稳定，减少了波动和震荡，提高了模型的稳定性。
46、(3)使用微调技术减小了孪生数据与实验数据之间的差距，实现了故障诊断模型的迁移。
1.一种航天发射塔摆杆液压系统故障诊断方法，其特征在于，构建液压系统数字孪生模型，并模拟液压系统故障数据，以减少对历史经验数据的依赖，根据工况变化，通过孪生模型更新故障样本；
2.如权利要求1所述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中，机理仿真模型构建：
4.如权利要求3所述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2中，数据驱动模型构建包括：
5.如权利要求3所述的航天发射塔摆杆液压系统故障诊断方法，其特征在于，所述步骤多模式动态权重分配法中，确定各个单一模型输出结果的权重值，其加权求和z的计算和权重值的总和限制如下：
6.如权利要求3所述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，孪生数据采集：
7.如权利要求6所述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，实验数据采集：
8.如权利要求7所述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，深度学习故障诊断模型构建：
9.如权利要求8所述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，故障诊断：
