本发明涉及液压系统，尤其是指一种针对于液压系统多速率数据的故障诊断方法。
背景技术：
1、工业互联网，利用其强大的深度感知、智能分析、高效数据处理和系统集成能力，将数据分析作为决策中枢，打造了一系列适应不同工业场合的智能化制造、网络化协作、定制化生产以及服务拓展的智能解决方案。伴随着人工智能、大数据和5g技术的深入应用与迅猛进步，工业互联网正逐渐显现出其在推动制造业高品质经济增长、促进先进制造业与现代服务业协同发展、加速实现制造强国战略中的重要作用，成为实现这些目标的关键路径和有力推动器。
2、在工业互联网及其平台上，工业设备构成了其核心要素。这些关键设备在工业生产中扮演着至关重要的角色，它们不仅关系到生产流程的顺畅、工业系统的稳定、产品质量的高低，还直接影响着生产企业的竞争力。随着时间的推移，设备的不间断运行，恶劣的工作环境，最终可能发生故障。由于工业生产是一个复杂的相互作用过程，关键设备的故障可能引发产品质量下滑、次品率上升，进而影响生产系统的正常运行和甚至可能造成严重的安全事故。因此，运用先进的故障检测技术，获取设备故障状态，及时进行科学合理的检修，是降低时间成本、预防事故发生、增强企业盈利能力的关键举措。
3、目前，基于数据驱动的智能故障诊断方法得到了广泛的研究，这些研究是基于数据具有相同的采样速率。但在实际工程中，绝大部分液压系统是复杂的组合，涉及各种液压、机械和电气元件，需要多种类型的传感器来监测系统中的物理变量，使得液压系统监测的数据出现周期性、信息分布不对称性等多速率特点。周期性是指在各个采样速率下的变量连续且完整的；信息分布不对称性是指不同采样速率的变量包含的信息存在差异。在工业系统中，高速率变量多为过程变量，通常包含有限的过程信息，而低速率变量多为质量相关变量，其中的信息可能更有价值。
4、多速率数据样本进行故障检测的方法主要为上采样法和下采样法。上采样方法是在低速率的变量中用插值或其他方法将其转换为高速率的信号。下采样方法是用较低的采样速率对高速率变量进行抽样，使所有变量服从相同的采样率。然而，这两种方法都有不可避免的缺点。在上采样方法中，插值后的数据可能不能很好反映原始的数据分布。在下采样方法中，由于采样率的降低而造成的信息丢失可能会带来不利影响，特别是当采样间隔较大时。因此，需要开发新的框架来处理多速率数据样本。
技术实现思路
1、为此，本发明提供一种针对于液压系统多速率数据的故障诊断方法，能够对液压系统故障部件进行准确故障识别，解决了多速率信号难以输入单一神经网络中进行推理训练的问题。
2、为解决上述技术问题，本发明提供一种针对于液压系统多速率数据的故障诊断方法，应用于液压系统，包括：
3、获取液压系统中多传感器信号，所述多传感器信号包括由不同类型传感器采集到的压力、温度和/或振动信号；
4、对所述多传感器信号进行预处理；
5、基于预处理后的所述多传感器信号，获取所述多传感器信号中对应高采样速率信号的第一故障特征和对应低采样速率信号的第二故障特征；
6、对所述第一故障特征和所述第二故障特征进行融合，得到多速率融合特征；
7、基于所述多速率融合特征，进行故障分类。
8、在本发明的一种实施方式中，所述对所述多传感器信号进行预处理的方法，包括：
9、对所述多传感器信号中的数据缺失值进行填补，以确保数据的完整性；
10、用奇异值分解方法对填补后的数据进行去噪处理；
11、基于去噪处理后的所述多传感器信号中的低采样速率数据，多个相同类型传感器在不同位置监测的同一物理量，利用方差贡献率进行信息融合。
12、在本发明的一种实施方式中，所述基于预处理后的所述多传感器信号，获取所述多传感器信号中对应高采样速率信号的第一故障特征和对应低采样速率信号的第二故障特征的方法，包括：
13、利用残差收缩可分离卷积网络对高采样速率信号进行处理，得到所述第一故障特征；
14、对所述低采样速率信号进行时域和频域的特征提取，得到所述第二故障特征。
15、在本发明的一种实施方式中，利用残差收缩可分离卷积网络对高采样速率信号进行处理，得到所述第一故障特征，包括：
16、利用残差收缩可分离卷积网络中的深度可分离卷积层对高采样速率信号进行处理；其中，
17、进行深度可分离卷积的表达如下：
18、
19、其中，x为深度卷积层的输入；wd表示卷积核；m和n表示卷积核的空间维数；(i,j)为输入特征上的位置坐标；⊙代表元素相乘；
20、在逐点卷积层中使用多个大小为1的卷积核，将深度卷积层输出的特征图沿其通道维度卷积为新的特征图，如下式所示：
21、
22、其中，xp表示逐点卷积层的输入；表示逐点卷积的卷积核；c和c分别给出了输入特征和输出特征中的通道数；表示输入特征图在位置(i,j)第c个通道上的像素值；
23、因此，深度可分卷积层对输入数据的计算过程表示为：
24、separconv(x,wd,wp)＝pointwiseconv(i,j)(wp,depthwiseconv(i,j)(wd,x))。
25、在本发明的一种实施方式中，所述对所述第一故障特征和所述第二故障特征进行融合，得到多速率融合特征的方法，包括：
26、对所述第一故障特征和所述第二故障特征进行特征向量的求和，得到求和向量；
27、基于所述求和向量、卷积层和全局平均池化层的组合来构建多分支模块；
28、通过sigmoid激活函数对所述多分支模块进行激活，并与所述求和向量相乘，得到融合权值；
29、基于所述融合权值、所述第一故障特征和所述第二故障特征，得到所述多速率融合特征。
30、在本发明的一种实施方式中，所述求和向量计算如下：
31、
32、其中，h(x)为第一故障，l(x)为第二故障特征，xout为求和向量。
33、在本发明的一种实施方式中，所述融合权值的计算过程如下：
34、
35、
36、其中，m(l(x)，h(x))为融合权值，mb为多分支模块，gap为全局平均池化层，conv为卷积层，xout为求和向量。
37、在本发明的一种实施方式中，所述多速率融合特征计算如下：
38、
39、其中，m(l(x)，h(x))为融合权值，虚线为1-m(l(x)，h(x))。
40、在本发明的一种实施方式中，所述sigmoid激活函数的表达式如下：
41、
42、在本发明的一种实施方式中，基于所述多速率融合特征，进行故障分类，包括：
43、将所述多速率融合特征输入到多层感知器中进行故障分类；
44、以多分类交叉熵作为损失函数，评估真实类别和预测类别的差异。
45、本发明的上述技术方案相比现有技术具有以下优点：
46、本发明所述的一种针对于液压系统多速率数据的故障诊断方法，对液压系统故障部件进行准确故障识别，解决了多速率信号难以输入单一神经网络中进行推理训练的问题。在特征融合方面，针对不同层次上的故障特征信息，提供了一种基于门控注意机制多速率特征融合模块，并通过自适应分配权重机制聚合不同层次上的故障语义信息，提供模型对故障诊断精度。
1.一种针对于液压系统多速率数据的故障诊断方法，应用于液压系统，其特征在于，包括：
2.根据权利要求1所述的一种针对于液压系统多速率数据的故障诊断方法，其特征在于，所述对所述多传感器信号进行预处理的方法，包括：
3.根据权利要求1所述的一种针对于液压系统多速率数据的故障诊断方法，其特征在于，所述基于预处理后的所述多传感器信号，获取所述多传感器信号中对应高采样速率信号的第一故障特征和对应低采样速率信号的第二故障特征的方法，包括：
4.根据权利要求3所述的一种针对于液压系统多速率数据的故障诊断方法，其特征在于，利用残差收缩可分离卷积网络对高采样速率信号进行处理，得到所述第一故障特征，包括：
5.根据权利要求1所述的一种针对于液压系统多速率数据的故障诊断方法，其特征在于，所述对所述第一故障特征和所述第二故障特征进行融合，得到多速率融合特征的方法，包括：
6.根据权利要求5所述的一种针对于液压系统多速率数据的故障诊断方法，其特征在于，所述求和向量计算如下：
7.根据权利要求5所述的一种针对于液压系统多速率数据的故障诊断方法，其特征在于，所述融合权值的计算过程如下：
8.根据权利要求5所述的一种针对于液压系统多速率数据的故障诊断方法，其特征在于，所述多速率融合特征计算如下：
9.根据权利要求5所述的一种针对于液压系统多速率数据的故障诊断方法，其特征在于，所述sigmoid激活函数的表达式如下：
10.根据权利要求1所述的一种针对于液压系统多速率数据的故障诊断方法，其特征在于，基于所述多速率融合特征，进行故障分类，包括：
