[go: up one dir, main page]

CN120404030A - 基于振动环境的活门耐久性测试方法及系统 - Google Patents

基于振动环境的活门耐久性测试方法及系统

Info

Publication number
CN120404030A
CN120404030A CN202510507418.XA CN202510507418A CN120404030A CN 120404030 A CN120404030 A CN 120404030A CN 202510507418 A CN202510507418 A CN 202510507418A CN 120404030 A CN120404030 A CN 120404030A
Authority
CN
China
Prior art keywords
vibration
axis
working condition
weight
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202510507418.XA
Other languages
English (en)
Inventor
燕文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Yili Technology Co ltd
Original Assignee
Chengdu Yili Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Yili Technology Co ltd filed Critical Chengdu Yili Technology Co ltd
Priority to CN202510507418.XA priority Critical patent/CN120404030A/zh
Publication of CN120404030A publication Critical patent/CN120404030A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/06—Multidirectional test stands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/022—Vibration control arrangements, e.g. for generating random vibrations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供基于振动环境的活门耐久性测试方法及系统，涉及自动化测试技术领域，包括采用多自由度振动激励机构对活门进行振动加载，采用基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过控制多自由度振动激励机构产生多方向振动叠加，结合多目标自适应优化动态调整振动方向和振动参数；采用包含轴向注意力层、工况注意力层和时序注意力层的三层级联注意力网络结构和双流特征融合网络处理采集的振动工况下的响应数据，对活门的耐久性状态进行预测；基于耐久性预测结果，对复合振动模式生成算法进行优化调整，形成耐久性测试的闭环控制。

Description

基于振动环境的活门耐久性测试方法及系统
技术领域
本发明涉及自动化测试技术，尤其涉及基于振动环境的活门耐久性测试方法及系统。
背景技术
传统活门耐久性测试方法主要采用单轴振动激励，难以真实模拟实际工作环境中的复杂振动工况。虽然有研究开始采用多轴振动测试，但各轴振动单元之间缺乏有效的协同控制机制，导致振动加载精度不足。
现有振动模式生成算法往往采用预设的固定参数，未考虑轴间耦合效应和工况转换特性，难以准确反映活门在不同工况下的振动特征，同时，缺乏对振动方向和振动参数的自适应调整能力，降低了测试的有效性。现有活门耐久性状态评估主要依赖于简单的信号处理方法和统计分析，无法有效处理多源异构的振动响应数据。
这些问题制约了活门耐久性测试的准确性和科学性，亟需开发新的测试方法。
发明内容
本发明实施例提供基于振动环境的活门耐久性测试方法及系统，能够解决现有技术中的问题。
本发明实施例的第一方面，
提供基于振动环境的活门耐久性测试方法，包括：
采用多自由度振动激励机构对活门进行振动加载，所述多自由度振动激励机构包括协同控制的X轴振动单元、Y轴振动单元和Z轴振动单元；
基于所述多自由度振动激励机构，采用基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过控制X轴振动单元、Y轴振动单元和Z轴振动单元产生多方向振动叠加，结合多目标自适应优化动态调整振动方向和振动参数；
通过传感器阵列实时采集活门在振动过程中的响应数据，采用包含轴向注意力层、工况注意力层和时序注意力层的三层级联注意力网络结构和双流特征融合网络处理所述响应数据，对活门的耐久性状态进行预测；基于耐久性预测结果，对所述复合振动模式生成算法进行优化调整，形成耐久性测试的闭环控制。
在一种可选的实施方式中，
所述多自由度振动激励机构包括：
所述X轴振动单元、Y轴振动单元和Z轴振动单元均包含驱动器、位移传感器和加速度传感器，通过多通道数据采集模块实时获取振动状态数据；
X轴振动单元、Y轴振动单元和Z轴振动单元采用分层控制架构，包括底层执行控制、中层协同控制和上层运动规划，其中底层执行控制采用独立PID控制器，中层协同控制根据当前振动状态数据计算各轴间的相互干扰量并实时补偿，上层运动规划根据测试需求生成振动轨迹；
采用基于锁相环技术的相位同步控制和自适应幅值控制算法进行振动精度控制，其中相位同步控制通过计算目标相位与实际相位之间的误差，并根据比例积分控制策略实时调整控制量；自适应幅值控制通过比较目标幅值与实测幅值的比率来迭代更新输出幅值。
在一种可选的实施方式中，
采用基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过控制X轴振动单元、Y轴振动单元和Z轴振动单元产生多方向振动叠加，结合多目标自适应优化动态调整振动方向和振动参数包括：
建立复合振动模式生成算法，通过频域分析和主成分提取构建活门使用环境的振动工况库，计算X轴振动单元、Y轴振动单元和Z轴振动单元的振动相关性矩阵，并引入耦合修正系数对振动传递函数进行修正，所述耦合修正系数表征不同轴向振动单元间的实际振幅与理论振幅的比值关系；
将活门在实际环境中的正常运行、启停过渡、极端环境和故障模拟的振动特征参数通过工况转换矩阵映射为多自由度振动激励机构的各轴振动频率，所述工况转换矩阵包含振动类型、频率参数和持续时间；根据各轴振动频率通过空间振动合成计算合成加速度幅值和方向向量，采用振动能量分配算法确定各轴振动能量；
基于所述合成加速度幅值和方向向量构建包含工况模拟精度项、能量消耗项和系统稳定性项的多目标优化函数，采用自适应权重系数对各优化项进行动态平衡；所述工况模拟精度项通过时域信号相似度、频域误差和统计特征比对进行评估；基于所述多目标优化函数的优化结果，动态更新各振动单元的振动频率、振幅和相位参数，实现对振动方向和振动参数的自适应调整。
在一种可选的实施方式中，
所述自适应权重系数的计算包括：
计算各振动单元的振动能量占比，所述振动能量占比为各振动单元在预设时间窗口内的振动能量与振动能量总和的比值，并基于所述振动能量占比计算振动能量不平衡度，所述振动能量不平衡度为任意两个振动单元的振动能量占比差值的最大值；
根据所述振动能量不平衡度将振动工况划分为均衡段、过渡段和不均衡段；在均衡段，对工况模拟精度项权重进行正向调节，对能量消耗项权重进行反向调节，保持系统稳定性项权重不变；在过渡段，对工况模拟精度项权重进行指数衰减调节，保持能量消耗项权重不变，将系统稳定性项权重设置为权重和为一的补偿值；在不均衡段，对工况模拟精度项权重和系统稳定性权重项进行指数调节，将能量消耗项权重设置为权重和为一的补偿值；采用基于振动能量不平衡度的状态转移函数对各振动工况下的权重进行平滑过渡，得到自适应权重系数。
在一种可选的实施方式中，
通过传感器阵列实时采集活门在振动过程中的响应数据，采用包含轴向注意力层、工况注意力层和时序注意力层的三层级联注意力网络结构和双流特征融合网络处理所述响应数据，对活门的耐久性状态进行预测包括：
构建三层级联注意力网络结构，所述三层级联注意力网络结构包括轴向注意力层、工况注意力层和时序注意力层，所述轴向注意力层基于振动相关性矩阵计算X轴振动单元、Y轴振动单元和Z轴振动单元的特征权重，所述工况注意力层基于振动能量分布计算均衡段、过渡段和不均衡段的特征权重，所述时序注意力层基于历史状态信息计算时序特征权重；将所述响应数据输入所述三层级联注意力网络结构，与对应的特征权重分别加权计算，得到加权特征向量；
建立双流特征融合网络，所述双流特征融合网络包括振动特征流和耐久性评估流，将所述加权特征向量输入所述双流特征融合网络，其中振动特征流提取振动状态表征向量，耐久性评估流提取性能退化表征向量；采用特征融合矩阵将所述振动状态表征向量和性能退化表征向量进行融合，得到融合特征向量；
基于所述融合特征向量建立损失函数，所述损失函数包括耐久性状态预测损失项、故障特征损失项和性能退化趋势损失项，通过最小化所述损失函数得到活门的耐久性状态预测结果。
在一种可选的实施方式中，
所述三层级联注意力网络结构中特征权重的计算包括：
计算振动相关性矩阵的特征分解，获取主特征向量和对应特征值，基于特征值构建轴向动态权重函数，将所述轴向动态权重函数与X轴振动单元、Y轴振动单元和Z轴振动单元的原始特征进行加权，得到所述轴向注意力层的特征权重；
采用滑动时间窗口计算振动能量变化率，在工况切换时刻提取能量梯度特征，基于所述能量梯度特征构建工况转移概率矩阵，将所述工况转移概率矩阵映射为均衡段、过渡段和不均衡段的特征权重系数，得到所述工况注意力层的特征权重；
基于历史状态信息与当前时刻的时间间隔计算衰减系数，将所述衰减系数与历史状态信息进行加权累积，得到所述时序注意力层的特征权重。
在一种可选的实施方式中，
建立双流特征融合网络，将所述加权特征向量输入所述双流特征融合网络得到融合特征向量包括：
采用包含三层残差结构且卷积核尺寸随层数递增的时序卷积网络构建振动特征流，通过多层卷积运算对所述加权特征向量进行特征变换，并基于频域能量分布计算注意力权重对特征变换结果进行加权组合，得到振动状态表征向量；
采用具有双向结构和跳连机制的长短时记忆网络构建耐久性评估流，基于遗忘门状态和输入门状态对所述加权特征向量进行时序建模得到隐状态，根据所述隐状态的时序变化趋势计算时序权重对所述隐状态进行加权累积，得到性能退化表征向量；
将所述振动状态表征向量与性能退化表征向量进行拼接运算，采用注意力机制计算拼接后特征的通道间关联度得到特征融合矩阵，通过所述特征融合矩阵计算特征融合重要性得分，基于所述特征融合重要性得分构建动态融合权重，将所述动态融合权重与所述特征融合矩阵进行加权运算，并引入残差连接，得到融合特征向量。
本发明实施例的第二方面，
提供基于振动环境的活门耐久性测试系统，包括：
第一单元，用于采用多自由度振动激励机构对活门进行振动加载，所述多自由度振动激励机构包括协同控制的X轴振动单元、Y轴振动单元和Z轴振动单元；
第二单元，用于基于所述多自由度振动激励机构，采用基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过控制X轴振动单元、Y轴振动单元和Z轴振动单元产生多方向振动叠加，结合多目标自适应优化动态调整振动方向和振动参数；
第三单元，通过传感器阵列实时采集活门在振动过程中的响应数据，采用包含轴向注意力层、工况注意力层和时序注意力层的三层级联注意力网络结构和双流特征融合网络处理所述响应数据，对活门的耐久性状态进行预测；基于耐久性预测结果，对所述复合振动模式生成算法进行优化调整，形成耐久性测试的闭环控制。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明的有益效果如下：
提出的三层级联注意力网络结构，通过轴向注意力层、工况注意力层和时序注意力层的协同作用，实现了对振动响应数据的多维度特征提取。其中，轴向注意力层捕捉不同振动单元间的相关性，工况注意力层自适应调整不同工况下的特征权重，时序注意力层有效建模历史状态信息，显著提升了耐久性状态预测的准确性和可靠性。
设计的基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过引入耦合修正系数对振动传递函数进行修正，并采用工况转换矩阵实现振动特征参数的动态映射，结合多目标自适应优化方法对振动方向和振动参数进行实时调整，有效解决了多轴振动叠加过程中的耦合干扰问题，显著提升了振动加载的精确性。
构建了包含振动特征流和耐久性评估流的双流特征融合网络，通过时序卷积网络和长短时记忆网络分别提取振动状态表征向量和性能退化表征向量，并采用注意力机制实现特征的自适应融合，该网络结构充分利用了振动数据的时序相关性和多尺度特征，为活门耐久性测试提供了完整的闭环控制方案，有效提升了测试效率和可靠性。
附图说明
图1为本发明实施例基于振动环境的活门耐久性测试方法的流程示意图；
图2基于振动能量不平衡度的自适应权重调节过程图；
图3为不同方法在典型工况下的预测精度对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例基于振动环境的活门耐久性测试方法的流程示意图，如图1所示，所述方法包括：
采用多自由度振动激励机构对活门进行振动加载，所述多自由度振动激励机构包括协同控制的X轴振动单元、Y轴振动单元和Z轴振动单元；
基于所述多自由度振动激励机构，采用基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过控制X轴振动单元、Y轴振动单元和Z轴振动单元产生多方向振动叠加，结合多目标自适应优化动态调整振动方向和振动参数；
通过传感器阵列实时采集活门在振动过程中的响应数据，采用包含轴向注意力层、工况注意力层和时序注意力层的三层级联注意力网络结构和双流特征融合网络处理所述响应数据，对活门的耐久性状态进行预测；基于耐久性预测结果，对所述复合振动模式生成算法进行优化调整，形成耐久性测试的闭环控制。
在一种可选的实施方式中，
所述多自由度振动激励机构包括：
所述X轴振动单元、Y轴振动单元和Z轴振动单元均包含驱动器、位移传感器和加速度传感器，通过多通道数据采集模块实时获取振动状态数据；
X轴振动单元、Y轴振动单元和Z轴振动单元采用分层控制架构，包括底层执行控制、中层协同控制和上层运动规划，其中底层执行控制采用独立PID控制器，中层协同控制根据当前振动状态数据计算各轴间的相互干扰量并实时补偿，上层运动规划根据测试需求生成振动轨迹；
采用基于锁相环技术的相位同步控制和自适应幅值控制算法进行振动精度控制，其中相位同步控制通过计算目标相位与实际相位之间的误差，并根据比例积分控制策略实时调整控制量；自适应幅值控制通过比较目标幅值与实测幅值的比率来迭代更新输出幅值。
示例性的，多自由度振动激励机构由三个正交布置的振动单元组成，分别对应X轴、Y轴和Z轴方向。各轴振动单元均由相同的基础组件构成。以X轴振动单元为例，该单元包括直流伺服电机作为驱动器，光电编码器作为位移传感器，以及压电式加速度传感器。振动状态数据通过24位多通道数据采集模块进行实时获取。
振动单元的控制系统采用分层控制架构，分为三个层级：
底层执行控制层采用独立PID控制器，针对每个振动单元单独配置。以X轴振动单元为例，PID参数配置为：比例系数Kp＝2.5，积分系数Ki＝0.8，微分系数Kd＝0.3，控制周期为1毫秒。该控制器接收位移传感器和加速度传感器的实时反馈，将其与目标值比较后计算控制偏差，并输出PWM控制信号驱动电机，实现闭环控制。
中层协同控制主要解决各轴间的相互干扰问题。例如，当X轴振动单元工作在85赫兹，振幅为2毫米时，会对Y轴产生约0.3毫米的干扰振幅。针对这种情况，中层协同控制通过干扰矩阵进行实时补偿。干扰矩阵中的元素表示不同轴间的相互影响系数，例如X轴对Y轴的干扰系数为0.15，Y轴对Z轴的干扰系数为0.12。通过测量实际振动状态，计算出干扰量，然后对控制信号进行实时修正。
上层运动规划负责根据测试需求生成振动轨迹。上层运动规划器内置了多种典型振动工况模板，包括正弦扫频、随机振动、冲击响应等。规划器根据测试需求选择适当的模板，然后生成对应的振动参数，如频率、幅值和相位。例如，针对活门启停过程的测试，采用频率范围为20-200赫兹的对数扫频模式，扫频时间为60秒，幅值逐渐增大到1.5毫米后保持30秒，然后在20秒内逐渐减小到0。这种预设轨迹能够模拟活门在实际工作环境中的频繁启停过程。
采用基于锁相环技术的相位同步控制和自适应幅值控制算法。相位同步控制的实现过程如下：从加速度传感器采集实时振动信号，通过FFT计算得到实际相位角；与目标相位角比较，计算相位误差；通过比例积分控制策略计算频率调整量，比例系数设为0.5，积分系数设为0.2；根据频率调整量更新振动控制信号的频率。自适应幅值控制算法通过动态调整控制信号的幅值，确保实际振动幅值与目标一致。具体实现是通过计算目标幅值与实测幅值的比率，乘以一个修正系数(通常设置为0.8)作为调整因子，然后与当前输出幅值相乘，得到新的输出幅值。该过程每50毫秒迭代一次，直至实际幅值与目标幅值的误差小于预设阈值(通常为5％)。例如，当目标振幅为2毫米，而实测值为1.8毫米时，调整因子为(2/1.8)×0.8＝0.889，新输出幅值为当前输出幅值×0.889。
本发明的多自由度振动激励机构实现了三轴联动的全方位振动加载，通过分层控制架构和锁相环技术提高了振动精度，有效模拟了活门实际工作环境中的复杂振动条件，与传统单轴测试相比，能够更快速地暴露潜在耐久性问题，大幅提高了测试效率和准确性。
在一种可选的实施方式中，
采用基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过控制X轴振动单元、Y轴振动单元和Z轴振动单元产生多方向振动叠加，结合多目标自适应优化动态调整振动方向和振动参数包括：
建立复合振动模式生成算法，通过频域分析和主成分提取构建活门使用环境的振动工况库，计算X轴振动单元、Y轴振动单元和Z轴振动单元的振动相关性矩阵，并引入耦合修正系数对振动传递函数进行修正，所述耦合修正系数表征不同轴向振动单元间的实际振幅与理论振幅的比值关系；
将活门在实际环境中的正常运行、启停过渡、极端环境和故障模拟的振动特征参数通过工况转换矩阵映射为多自由度振动激励机构的各轴振动频率，所述工况转换矩阵包含振动类型、频率参数和持续时间；根据各轴振动频率通过空间振动合成计算合成加速度幅值和方向向量，采用振动能量分配算法确定各轴振动能量；
基于所述合成加速度幅值和方向向量构建包含工况模拟精度项、能量消耗项和系统稳定性项的多目标优化函数，采用自适应权重系数对各优化项进行动态平衡；所述工况模拟精度项通过时域信号相似度、频域误差和统计特征比对进行评估；基于所述多目标优化函数的优化结果，动态更新各振动单元的振动频率、振幅和相位参数，实现对振动方向和振动参数的自适应调整。
示例性的，复合振动模式生成算法通过频域分析和主成分提取构建活门使用环境的振动工况库，使用加速度传感器采集振动数据，采集的原始数据经过带通滤波器滤除噪声后，进行快速傅里叶变换得到频谱特征。通过主成分分析对频谱特征进行降维处理，提取贡献率超过85％的主成分特征，构建包含多种典型振动模式的工况库，每种模式包含频率分布、幅值范围和持续时间三类参数。
振动相关性矩阵通过测量各轴振动单元在不同激励频率下的相互影响程度得到。测试流程是：单独激励X轴振动单元，频率从10赫兹到500赫兹，步长为10赫兹，在每个频率点保持30秒，同时记录三轴加速度传感器的输出。重复上述过程，分别激励Y轴和Z轴振动单元。例如，在120赫兹频点，X轴对Y轴的影响系数为0.18，对Z轴的影响系数为0.12；Y轴对X轴的影响系数为0.22，对Z轴的影响系数为0.16；Z轴对X轴的影响系数为0.14，对Y轴的影响系数为0.19，这些数据构成了3×3的振动相关性矩阵。耦合修正系数则通过比较理论振幅与实测振幅的比值计算得出。例如，当三轴同时工作时，X轴设定振幅为2毫米，实际测得振幅为1.75毫米，修正系数为1.14；Y轴设定振幅为1.5毫米，实际测得振幅为1.35毫米，修正系数为1.11；Z轴设定振幅为1毫米，实际测得振幅为0.92毫米，修正系数为1.09。这些修正系数被应用到轴与轴之间的振动传递函数中，对控制指令进行预先修正，使得实际输出更接近理论预期。
工况转换映射是将实际环境中的振动特征参数转换为多自由度振动激励机构控制参数的关键技术，实现过程是通过工况转换矩阵，将采集自现场的振动特征映射为各轴振动单元的具体参数。例如，某压力调节阀在特定工况下的振动特征为：主频率85赫兹，附加频率45赫兹和125赫兹，峰值加速度3.2g。通过工况转换矩阵，这些特征被映射为：X轴振动频率85赫兹，振幅1.2毫米；Y轴振动频率45赫兹，振幅0.8毫米；Z轴振动频率125赫兹，振幅0.6毫米；持续时间240秒。工况转换矩阵是一个包含振动类型、频率参数和持续时间的映射表。该表基于实验数据构建，涵盖了正常运行、启停过渡、极端环境和故障模拟四大类典型工况。以启停过渡工况为例，其特征是频率从低到高快速变化，振幅先增大后减小。在工况转换矩阵中，该工况被分解为：X轴执行20赫兹到150赫兹的频率扫描，持续15秒，振幅从0.5毫米增加到2毫米后再回落；Y轴执行固定频率80赫兹，振幅从0.3毫米增加到1.5毫米后保持；Z轴执行30赫兹到100赫兹的频率扫描，振幅固定为0.8毫米。
空间振动合成是将各轴振动参数合成为空间振动矢量的技术，将各轴振动看作矢量分量，通过矢量合成计算总的加速度幅值和方向。例如，当X轴加速度为2g，Y轴加速度为1.5g，Z轴加速度为1g时，合成加速度幅值为2.69g，方向向量为(0.74，0.56，0.37)。振动能量分配算法则根据目标合成振动，反向计算各轴应分配的振动能量。
多目标优化函数包含三个评价项：工况模拟精度项、能量消耗项和系统稳定性项。工况模拟精度项通过计算实际振动与目标振动的相似度评估，包括时域波形的相关系数(目标值大于0.85)、频域特征的均方根误差(目标值小于10％)和统计特征(峰值、均值、标准差)的偏差(目标值小于15％)。能量消耗项考虑各振动单元的功率消耗，通过测量驱动电机的输入功率计算。系统稳定性项则基于各轴位移和加速度的波动范围评估，稳定性指标值通常应控制在0.2以内。自适应权重系数根据当前工况动态调整各优化项的权重。
基于多目标优化函数的优化结果，系统以预设时间(如200毫秒)动态更新一次振动参数，包括各轴的频率(调整精度为0.1赫兹)、振幅(调整精度为0.05毫米)和相位(调整精度为1度)。
本发明的复合振动模式生成算法通过轴间耦合修正和工况转换映射技术，精确模拟活门实际工作环境中的复杂振动条件，能实时计算振动相关性矩阵并应用耦合修正系数，显著减小振动误差，提高模拟精度；多目标自适应优化实现了工况模拟精度、能量消耗与系统稳定性的动态平衡，在保证测试效果的同时降低能耗，提高测试效率；构建的多种典型振动模式工况库，涵盖了活门全生命周期的使用场景，显著增强测试的全面性和可靠性。
在一种可选的实施方式中，
所述自适应权重系数的计算包括：
计算各振动单元的振动能量占比，所述振动能量占比为各振动单元在预设时间窗口内的振动能量与振动能量总和的比值，并基于所述振动能量占比计算振动能量不平衡度，所述振动能量不平衡度为任意两个振动单元的振动能量占比差值的最大值；
根据所述振动能量不平衡度将振动工况划分为均衡段、过渡段和不均衡段；在均衡段，对工况模拟精度项权重进行正向调节，对能量消耗项权重进行反向调节，保持系统稳定性项权重不变；在过渡段，对工况模拟精度项权重进行指数衰减调节，保持能量消耗项权重不变，将系统稳定性项权重设置为权重和为一的补偿值；在不均衡段，对工况模拟精度项权重和系统稳定性权重项进行指数调节，将能量消耗项权重设置为权重和为一的补偿值；采用基于振动能量不平衡度的状态转移函数对各振动工况下的权重进行平滑过渡，得到自适应权重系数。
示例性的，计算各振动单元的振动能量占比，采集X轴、Y轴和Z轴振动单元的加速度数据，对采集到的加速度信号进行平方求和，得到各轴在时间窗口内的振动能量。例如在某次测试中，X轴振动能量为42焦耳，Y轴振动能量为36焦耳，Z轴振动能量为22焦耳，振动能量总和为100焦耳。据此计算各轴振动能量占比：X轴为0.42，Y轴为0.36，Z轴为0.22。基于振动能量占比计算振动能量不平衡度，振动能量不平衡度定义为任意两个振动单元的振动能量占比差值的最大值。在上述案例中，X轴与Y轴的差值为0.06，X轴与Z轴的差值为0.20，Y轴与Z轴的差值为0.14，因此振动能量不平衡度为0.20。
如图2基于振动能量不平衡度的自适应权重调节过程图所示，根据振动能量不平衡度将振动工况划分为三种类型：均衡段、过渡段和不均衡段。例如，当振动能量不平衡度小于0.15时为均衡段；当振动能量不平衡度介于0.15至0.30之间时为过渡段；当振动能量不平衡度大于0.30时为不均衡段。
在均衡段，各振动单元能量分布相对均匀，系统运行状态稳定，此时优先保证工况模拟精度，同时适当降低能耗，调整策略为：对工况模拟精度项权重进行正向调节，调节幅度为初始权重的1.2倍，但不超过0.7；对能量消耗项权重进行反向调节，调节幅度为初始权重的0.8倍，但不低于0.1；保持系统稳定性项权重不变。例如，初始权重配置为工况模拟精度项0.5、能量消耗项0.3、系统稳定性项0.2，则调整后的权重为0.6、0.24、0.2，调整后总和超过1，需要归一化处理，最终权重为0.58、0.23、0.19。
在过渡段，振动工况正在发生变化，需要增强系统稳定性控制，调整策略为：对工况模拟精度项权重进行指数衰减调节，衰减因子设为0.85；保持能量消耗项权重不变；将系统稳定性项权重设置为权重和为一的补偿值。以初始权重配置为工况模拟精度项0.5、能量消耗项0.3、系统稳定性项0.2为例，调整后工况模拟精度项权重为0.5×0.85＝0.425，能量消耗项权重保持为0.3，系统稳定性项权重为1-0.425-0.3＝0.275。
在不均衡段，振动能量分布极不均匀，需要优先保证系统稳定性，同时降低能耗，调整策略为：对工况模拟精度项权重和系统稳定性权重项进行指数调节，工况模拟精度项采用衰减因子0.7，系统稳定性项采用增长因子1.6；将能量消耗项权重设置为权重和为一的补偿值。以初始权重配置为工况模拟精度项0.5、能量消耗项0.3、系统稳定性项0.2为例，调整后工况模拟精度项权重为0.5×0.7＝0.35，系统稳定性项权重为0.2×1.6＝0.32，能量消耗项权重为1-0.35-0.32＝0.33。
另外，还采用了基于振动能量不平衡度的状态转移函数对各振动工况下的权重进行平滑过渡，该转移函数采用Sigmoid形式，这种平滑过渡机制有效避免了权重突变导致的不稳定问题。
本发明的自适应权重系数计算方法能够根据振动工况的实时变化智能调整优化目标权重，实现测试系统的自适应控制，通过振动能量占比和不平衡度评估，将工况精确划分为均衡段、过渡段和不均衡段，并采用差异化的权重调节策略；引入状态转移函数实现权重平滑过渡，有效避免突变对系统造成的冲击；显著提高了系统在复杂工况下的稳定性，缩短了对突发振动的响应时间，提升了振动模拟精度，增强了活门耐久性测试的安全性和有效性。
在一种可选的实施方式中，
通过传感器阵列实时采集活门在振动过程中的响应数据，采用包含轴向注意力层、工况注意力层和时序注意力层的三层级联注意力网络结构和双流特征融合网络处理所述响应数据，对活门的耐久性状态进行预测包括：
构建三层级联注意力网络结构，所述三层级联注意力网络结构包括轴向注意力层、工况注意力层和时序注意力层，所述轴向注意力层基于振动相关性矩阵计算X轴振动单元、Y轴振动单元和Z轴振动单元的特征权重，所述工况注意力层基于振动能量分布计算均衡段、过渡段和不均衡段的特征权重，所述时序注意力层基于历史状态信息计算时序特征权重；将所述响应数据输入所述三层级联注意力网络结构，与对应的特征权重分别加权计算，得到加权特征向量；
建立双流特征融合网络，所述双流特征融合网络包括振动特征流和耐久性评估流，将所述加权特征向量输入所述双流特征融合网络，其中振动特征流提取振动状态表征向量，耐久性评估流提取性能退化表征向量；采用特征融合矩阵将所述振动状态表征向量和性能退化表征向量进行融合，得到融合特征向量；
基于所述融合特征向量建立损失函数，所述损失函数包括耐久性状态预测损失项、故障特征损失项和性能退化趋势损失项，通过最小化所述损失函数得到活门的耐久性状态预测结果。
示例性的，传感器采集的原始数据需要进行预处理，包括滤波去噪、特征提取和数据标准化。构建三层级联注意力网络结构，分别关注不同维度的信息。
轴向注意力层基于振动相关性矩阵计算X轴、Y轴和Z轴振动单元的特征权重。工况注意力层基于振动能量分布计算均衡段、过渡段和不均衡段的特征权重。时序注意力层基于历史状态信息计算时序特征权重。
将预处理后的数据输入三层级联注意力网络后，依次执行三层加权计算：先使用轴向特征权重对各轴数据加权；然后用工况特征权重对不同工况数据加权；最后用时序特征权重(基于衰减系数)对时间序列加权。三层加权后通过全连接层降维，得到加权特征向量。
建立包括振动特征流和耐久性评估流的双流特征融合网络，将加权特征向量输入双流特征融合网络得到融合特征向量。基于融合特征向量建立损失函数，对活门的耐久性状态进行预测。损失函数包括三个组成部分：耐久性状态预测损失项，通过均方误差度量预测剩余使用寿命与实际值的差异；故障特征损失项，通过交叉熵度量故障类型预测的准确性；性能退化趋势损失项，通过平均绝对误差度量性能退化速率预测的准确性。三个损失项的权重分别为0.5、0.3和0.2，可根据实际应用调整。
通过梯度下降法最小化损失函数，使用Adam优化器进行模型参数更新，初始学习率为0.001，每50个训练周期学习率衰减为原来的0.9倍，采用批量大小为32的小批量训练，训练200个周期。最终可以输出三项预测结果：活门的剩余使用寿命估计值(以小时计)、潜在故障类型的概率分布(包括磨损、腐蚀、松动等类别)及其发生概率，以及性能退化速率(每小时性能指标下降百分比)，综合构成活门的耐久性状态预测结果。
基于耐久性预测结果调整工况转换矩阵中对应频段的能量分布；当剩余寿命预测值下降速率异常时，自动降低振动强度；根据性能退化速率调整测试周期。每完成一个标准测试循环后，自动更新振动参数，形成闭环控制机制。
现有的活门耐久性测试通过单层注意力机制和简单神经网络处理振动数据仅能关注单一维度特征，预测精度有限，且缺乏对不同工况的适应性。本发明创新性地提出三层级联注意力网络结构，分别从轴向、工况和时序三个维度计算特征权重，使系统能够自适应关注最具预测价值的信息，同时引入双流特征融合网络，分别提取振动特征和性能退化特征，通过特征融合矩阵进行加权融合，解决了传统单流网络无法同时关注振动状态和退化趋势的问题。通过引入三层级联注意力机制与双流特征融合网络，显著提高了活门耐久性预测的准确性和可靠性。这些改进为活门的预测性维护提供了更可靠的技术支持，降低了维护成本，提高了设备安全性。
在一种可选的实施方式中，
所述三层级联注意力网络结构中特征权重的计算包括：
计算振动相关性矩阵的特征分解，获取主特征向量和对应特征值，基于特征值构建轴向动态权重函数，将所述轴向动态权重函数与X轴振动单元、Y轴振动单元和Z轴振动单元的原始特征进行加权，得到所述轴向注意力层的特征权重；
采用滑动时间窗口计算振动能量变化率，在工况切换时刻提取能量梯度特征，基于所述能量梯度特征构建工况转移概率矩阵，将所述工况转移概率矩阵映射为均衡段、过渡段和不均衡段的特征权重系数，得到所述工况注意力层的特征权重；
基于历史状态信息与当前时刻的时间间隔计算衰减系数，将所述衰减系数与历史状态信息进行加权累积，得到所述时序注意力层的特征权重。
示例性的，对振动相关性矩阵进行特征分解，获取主特征向量和对应特征值。例如，使用雅可比迭代法求解，得到特征值分别为2.15、0.52和0.33，对应的特征向量分别为[0.62，0.65，0.44]、[-0.56，0.12，0.82]和[0.55，-0.75，0.37]。基于特征值构建轴向动态权重函数。首先对特征值进行归一化，得到权重系数0.72、0.17和0.11。然后将这些系数与特征向量相乘，计算各轴的权重贡献，最终得到X轴权重为0.32，Y轴权重为0.32，Z轴权重为0.36。将轴向动态权重函数与各轴原始特征进行加权。将X轴、Y轴和Z轴振动单元的原始特征分别乘以对应的权重值，得到轴向注意力层的特征权重，这些加权后的特征能够更好地反映各轴振动对活门耐久性的影响程度。
工况注意力层基于振动能量分布计算均衡段、过渡段和不均衡段的特征权重。系统采用滑动时间窗口(窗口长度为2秒，重叠率为50％)计算振动能量变化率，当变化率超过预设阈值(通常为30％)时，标记为工况切换点，在切换点提取能量梯度特征，构建3×3的工况转移概率矩阵，该矩阵表示各工况间的转换概率，例如从均衡段转向过渡段的概率为0.25，从过渡段转向不均衡段的概率为0.30。根据该矩阵，计算均衡段的特征权重为0.50，过渡段的特征权重为0.30，不均衡段的特征权重为0.20。
时序注意力层通过历史状态信息与当前状态的关系来计算特征权重。系统维护一个包含过去10个时间点状态信息的历史队列，时间点间隔为1秒，覆盖过去10秒的数据。基于当前时刻与历史时刻的时间间隔计算衰减系数。采用指数衰减函数：时间间隔为t秒时，衰减系数等于0.95的t次方。例如，时间间隔为1秒时，衰减系数为0.95；时间间隔为2秒时，衰减系数为0.9025；依此类推。将衰减系数与历史状态信息进行加权累积，得到时序注意力层的特征权重。对历史队列中的每个状态，计算其特征向量与衰减系数的乘积，然后将所有加权向量相加并归一化。这种机制使系统能够自适应地关注不同时间尺度的信息，既考虑了近期状态的即时性，又保留了远期状态的长期影响。
本发明通过三层级联注意力结构的特征权重计算，能够同时关注振动的空间分布特性、工况变化特性和时序演变特性，全面捕捉活门耐久性状态的关键信息，为精确预测提供了坚实基础。
在一种可选的实施方式中，
建立双流特征融合网络，将所述加权特征向量输入所述双流特征融合网络得到融合特征向量包括：
采用包含三层残差结构且卷积核尺寸随层数递增的时序卷积网络构建振动特征流，通过多层卷积运算对所述加权特征向量进行特征变换，并基于频域能量分布计算注意力权重对特征变换结果进行加权组合，得到振动状态表征向量；
采用具有双向结构和跳连机制的长短时记忆网络构建耐久性评估流，基于遗忘门状态和输入门状态对所述加权特征向量进行时序建模得到隐状态，根据所述隐状态的时序变化趋势计算时序权重对所述隐状态进行加权累积，得到性能退化表征向量；
将所述振动状态表征向量与性能退化表征向量进行拼接运算，采用注意力机制计算拼接后特征的通道间关联度得到特征融合矩阵，通过所述特征融合矩阵计算特征融合重要性得分，基于所述特征融合重要性得分构建动态融合权重，将所述动态融合权重与所述特征融合矩阵进行加权运算，并引入残差连接，得到融合特征向量。
示例性的，双流特征融合网络作为本发明的核心技术之一，旨在同时提取振动信号的短期动态特征和耐久性的长期演变趋势，并将两种特征进行自适应融合，从而实现精确的耐久性状态预测。
振动特征流采用时序卷积网络结构设计，用于提取振动信号的频域和时域特征。该网络包含三层残差结构，卷积核尺寸随层数递增，以捕获不同时间尺度的振动模式。第一层残差结构使用32个大小为3的卷积核，输入为128维的加权特征向量，经过卷积运算后得到32通道的特征图。卷积操作的步长为1，填充为1，确保输出维度与输入一致。然后通过ReLU激活函数引入非线性，同时使用Batch Normalization进行特征标准化，帮助网络加速收敛。第一层残差结构的输出作为第二层残差结构的输入，同时通过跳连方式与第一层的输出相加，形成残差连接。第二层残差结构使用64个大小为5的卷积核，步长为1，填充为2。卷积后经过ReLU激活和Batch Normalization，得到64通道的特征图。与第一层类似，第二层的输出也通过残差连接与其输入相加。第三层残差结构使用128个大小为7的卷积核，步长为1，填充为3。经过相同的激活和标准化操作后，得到128通道的特征图。三层残差结构的设计使网络能够学习不同尺度的振动特征，同时减轻梯度消失问题。
在特征变换完成后，基于频域能量分布计算注意力权重，对时序卷积网络输出的特征图进行频域变换，计算各频率成分的能量占比。对于某测试样本，检测到的主要频率成分能量分布为：5-10Hz占比15％，10-20Hz占比35％，20-50Hz占比40％，50-100Hz占比10％。根据能量分布情况，计算各通道的注意力权重，权重值与频率成分的能量占比成正比。将注意力权重与特征变换结果进行加权组合，得到振动状态表征向量。该向量维度为256，包含了振动信号的主要特征信息。在实际应用中，该向量的前32维主要表征低频振动特性，中间128维表征中频振动特性，后96维表征高频振动特性。
耐久性评估流采用具有双向结构和跳连机制的长短时记忆网络，用于捕获振动特征的长期演变趋势。网络输入为经过三层级联注意力网络处理后的128维加权特征向量，首先通过一个线性投影层映射为64维向量，作为长短时记忆网络的输入。长短时记忆网络包含两层，每层有128个隐藏单元。第一层为双向结构，前向和反向各64个隐藏单元；第二层为单向结构，128个隐藏单元。在长短时记忆单元内部，系统根据当前输入和上一时刻的隐状态，计算遗忘门状态、输入门状态和输出门状态。遗忘门决定哪些历史信息需要被遗忘，输入门决定哪些新信息需要被记住，输出门决定哪些信息需要被输出。例如，在某次测试中，当检测到振动能量突增时，输入门状态值增大到0.85以上，表示系统高度关注当前信息；而在稳定工作段，遗忘门状态值保持在0.35左右，表示系统保留大部分历史信息。长短时记忆网络的跳连机制指的是将第一层的输出直接与第二层的输出相加，这种设计有效缓解了梯度消失问题，同时保留了短期和长期的时序信息。网络最终输出一个128维的隐状态序列，每个时间步一个隐状态。根据隐状态的时序变化趋势计算时序权重。时序变化趋势通过相邻时间步隐状态的差值来衡量，差值越大表示状态变化越剧烈。在某次活门测试中，系统检测到性能正常段的平均隐状态变化率为0.08，而性能退化段的平均变化率高达0.27，基于这种变化趋势，计算各时间步的时序权重，变化剧烈的时间步获得更高的权重。将时序权重与隐状态进行加权累积，得到性能退化表征向量。该向量维度为128，包含了活门耐久性状态的长期演变信息。
特征融合过程首先将振动状态表征向量与性能退化表征向量进行拼接，得到一个384维的联合特征向量。采用注意力机制计算拼接后特征的通道间关联度，将联合特征向量通过一个多层感知机处理，得到一个384×384的特征融合矩阵。该矩阵的每个元素表示两个特征维度之间的关联强度。例如，在某次测试中，振动特征中的谐振频率与性能退化特征中的摩擦系数增长率之间的关联度高达0.78，表明两者具有很强的相关性。
通过特征融合矩阵计算特征融合重要性得分。对特征融合矩阵的每一行求和，得到384个重要性得分，这些得分反映了各维度特征在融合过程中的重要程度。基于特征融合重要性得分构建动态融合权重。将重要性得分通过Softmax处理得到权重向量，权重值介于0到1之间且总和为1。例如，某次测试得到的动态融合权重中，振动状态表征部分的平均权重为0.65，性能退化表征部分的平均权重为0.35，表明在该样本中振动特征对预测结果的贡献更大。将动态融合权重与特征融合矩阵进行加权运算，得到加权融合结果。同时引入残差连接，将原始拼接特征向量与加权融合结果相加，得到最终的融合特征向量。
现有技术通常使用单一结构的神经网络进行特征提取，未能同时关注振动信号的短期动态特性和耐久性状态的长期演变规律。图3为不同方法在典型工况下的预测精度对比图，从图中可以看出，本发明提出的双流特征融合网络在各类工况下均具有最优的预测性能：在正常运行工况下，本发明的预测精度达到95％，相比CNN+加权平均融合和LSTM+注意力融合分别提升了13％和8％；在启停过渡工况下，本发明预测精度为92％，提升幅度分别为17％和11％；在极端环境下预测精度为88％，提升幅度为20％和15％；在故障工况下预测精度为90％，提升幅度为19％和14％。结果表明，本发明通过双流架构有效提取时序和空间特征，并采用创新的特征融合策略，显著提升了系统在各类工况下的预测精度，尤其在复杂工况下表现出更强的鲁棒性。本申请提出的双流特征融合网络，通过振动特征流和耐久性评估流分别提取短期动态特征和长期演变趋势，并通过特征融合矩阵实现自适应融合，实现了多维振动数据的高效利用和多尺度特征的协同分析，克服传统方法在复杂工况下预测精度不足的局限性。
本发明实施例的第二方面，
提供基于振动环境的活门耐久性测试系统，包括：
第一单元，用于采用多自由度振动激励机构对活门进行振动加载，所述多自由度振动激励机构包括协同控制的X轴振动单元、Y轴振动单元和Z轴振动单元；
第二单元，用于基于所述多自由度振动激励机构，采用基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过控制X轴振动单元、Y轴振动单元和Z轴振动单元产生多方向振动叠加，结合多目标自适应优化动态调整振动方向和振动参数；
第三单元，通过传感器阵列实时采集活门在振动过程中的响应数据，采用包含轴向注意力层、工况注意力层和时序注意力层的三层级联注意力网络结构和双流特征融合网络处理所述响应数据，对活门的耐久性状态进行预测；基于耐久性预测结果，对所述复合振动模式生成算法进行优化调整，形成耐久性测试的闭环控制。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.基于振动环境的活门耐久性测试方法，其特征在于，包括：
采用多自由度振动激励机构对活门进行振动加载，所述多自由度振动激励机构包括协同控制的X轴振动单元、Y轴振动单元和Z轴振动单元；
基于所述多自由度振动激励机构，采用基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过控制X轴振动单元、Y轴振动单元和Z轴振动单元产生多方向振动叠加，结合多目标自适应优化动态调整振动方向和振动参数；
通过传感器阵列实时采集活门在振动过程中的响应数据，采用包含轴向注意力层、工况注意力层和时序注意力层的三层级联注意力网络结构和双流特征融合网络处理所述响应数据，对活门的耐久性状态进行预测；基于耐久性预测结果，对所述复合振动模式生成算法进行优化调整，形成耐久性测试的闭环控制。
2.根据权利要求1所述的方法，其特征在于，所述多自由度振动激励机构包括：
所述X轴振动单元、Y轴振动单元和Z轴振动单元均包含驱动器、位移传感器和加速度传感器，通过多通道数据采集模块实时获取振动状态数据；
X轴振动单元、Y轴振动单元和Z轴振动单元采用分层控制架构，包括底层执行控制、中层协同控制和上层运动规划，其中底层执行控制采用独立PID控制器，中层协同控制根据当前振动状态数据计算各轴间的相互干扰量并实时补偿，上层运动规划根据测试需求生成振动轨迹；
采用基于锁相环技术的相位同步控制和自适应幅值控制算法进行振动精度控制，其中相位同步控制通过计算目标相位与实际相位之间的误差，并根据比例积分控制策略实时调整控制量；自适应幅值控制通过比较目标幅值与实测幅值的比率来迭代更新输出幅值。
3.根据权利要求1所述的方法，其特征在于，采用基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过控制X轴振动单元、Y轴振动单元和Z轴振动单元产生多方向振动叠加，结合多目标自适应优化动态调整振动方向和振动参数包括：
建立复合振动模式生成算法，通过频域分析和主成分提取构建活门使用环境的振动工况库，计算X轴振动单元、Y轴振动单元和Z轴振动单元的振动相关性矩阵，并引入耦合修正系数对振动传递函数进行修正，所述耦合修正系数表征不同轴向振动单元间的实际振幅与理论振幅的比值关系；
将活门在实际环境中的正常运行、启停过渡、极端环境和故障模拟的振动特征参数通过工况转换矩阵映射为多自由度振动激励机构的各轴振动频率，所述工况转换矩阵包含振动类型、频率参数和持续时间；根据各轴振动频率通过空间振动合成计算合成加速度幅值和方向向量，采用振动能量分配算法确定各轴振动能量；
基于所述合成加速度幅值和方向向量构建包含工况模拟精度项、能量消耗项和系统稳定性项的多目标优化函数，采用自适应权重系数对各优化项进行动态平衡；所述工况模拟精度项通过时域信号相似度、频域误差和统计特征比对进行评估；基于所述多目标优化函数的优化结果，动态更新各振动单元的振动频率、振幅和相位参数，实现对振动方向和振动参数的自适应调整。
4.根据权利要求3所述的方法，其特征在于，所述自适应权重系数的计算包括：
计算各振动单元的振动能量占比，所述振动能量占比为各振动单元在预设时间窗口内的振动能量与振动能量总和的比值，并基于所述振动能量占比计算振动能量不平衡度，所述振动能量不平衡度为任意两个振动单元的振动能量占比差值的最大值；
根据所述振动能量不平衡度将振动工况划分为均衡段、过渡段和不均衡段；在均衡段，对工况模拟精度项权重进行正向调节，对能量消耗项权重进行反向调节，保持系统稳定性项权重不变；在过渡段，对工况模拟精度项权重进行指数衰减调节，保持能量消耗项权重不变，将系统稳定性项权重设置为权重和为一的补偿值；在不均衡段，对工况模拟精度项权重和系统稳定性权重项进行指数调节，将能量消耗项权重设置为权重和为一的补偿值；采用基于振动能量不平衡度的状态转移函数对各振动工况下的权重进行平滑过渡，得到自适应权重系数。
5.根据权利要求4所述的方法，其特征在于，通过传感器阵列实时采集活门在振动过程中的响应数据，采用包含轴向注意力层、工况注意力层和时序注意力层的三层级联注意力网络结构和双流特征融合网络处理所述响应数据，对活门的耐久性状态进行预测包括：
构建三层级联注意力网络结构，所述三层级联注意力网络结构包括轴向注意力层、工况注意力层和时序注意力层，所述轴向注意力层基于振动相关性矩阵计算X轴振动单元、Y轴振动单元和Z轴振动单元的特征权重，所述工况注意力层基于振动能量分布计算均衡段、过渡段和不均衡段的特征权重，所述时序注意力层基于历史状态信息计算时序特征权重；将所述响应数据输入所述三层级联注意力网络结构，与对应的特征权重分别加权计算，得到加权特征向量；
建立双流特征融合网络，所述双流特征融合网络包括振动特征流和耐久性评估流，将所述加权特征向量输入所述双流特征融合网络，其中振动特征流提取振动状态表征向量，耐久性评估流提取性能退化表征向量；采用特征融合矩阵将所述振动状态表征向量和性能退化表征向量进行融合，得到融合特征向量；
基于所述融合特征向量建立损失函数，所述损失函数包括耐久性状态预测损失项、故障特征损失项和性能退化趋势损失项，通过最小化所述损失函数得到活门的耐久性状态预测结果。
6.根据权利要求5所述的方法，其特征在于，所述三层级联注意力网络结构中特征权重的计算包括：
计算振动相关性矩阵的特征分解，获取主特征向量和对应特征值，基于特征值构建轴向动态权重函数，将所述轴向动态权重函数与X轴振动单元、Y轴振动单元和Z轴振动单元的原始特征进行加权，得到所述轴向注意力层的特征权重；
采用滑动时间窗口计算振动能量变化率，在工况切换时刻提取能量梯度特征，基于所述能量梯度特征构建工况转移概率矩阵，将所述工况转移概率矩阵映射为均衡段、过渡段和不均衡段的特征权重系数，得到所述工况注意力层的特征权重；
基于历史状态信息与当前时刻的时间间隔计算衰减系数，将所述衰减系数与历史状态信息进行加权累积，得到所述时序注意力层的特征权重。
7.根据权利要求5所述的方法，其特征在于，建立双流特征融合网络，将所述加权特征向量输入所述双流特征融合网络得到融合特征向量包括：
采用包含三层残差结构且卷积核尺寸随层数递增的时序卷积网络构建振动特征流，通过多层卷积运算对所述加权特征向量进行特征变换，并基于频域能量分布计算注意力权重对特征变换结果进行加权组合，得到振动状态表征向量；
采用具有双向结构和跳连机制的长短时记忆网络构建耐久性评估流，基于遗忘门状态和输入门状态对所述加权特征向量进行时序建模得到隐状态，根据所述隐状态的时序变化趋势计算时序权重对所述隐状态进行加权累积，得到性能退化表征向量；
将所述振动状态表征向量与性能退化表征向量进行拼接运算，采用注意力机制计算拼接后特征的通道间关联度得到特征融合矩阵，通过所述特征融合矩阵计算特征融合重要性得分，基于所述特征融合重要性得分构建动态融合权重，将所述动态融合权重与所述特征融合矩阵进行加权运算，并引入残差连接，得到融合特征向量。
8.基于振动环境的活门耐久性测试系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：
第一单元，用于采用多自由度振动激励机构对活门进行振动加载，所述多自由度振动激励机构包括协同控制的X轴振动单元、Y轴振动单元和Z轴振动单元；
第二单元，用于基于所述多自由度振动激励机构，采用基于轴间耦合修正和工况转换映射的复合振动模式生成算法，通过控制X轴振动单元、Y轴振动单元和Z轴振动单元产生多方向振动叠加，结合多目标自适应优化动态调整振动方向和振动参数；
第三单元，通过传感器阵列实时采集活门在振动过程中的响应数据，采用包含轴向注意力层、工况注意力层和时序注意力层的三层级联注意力网络结构和双流特征融合网络处理所述响应数据，对活门的耐久性状态进行预测；基于耐久性预测结果，对所述复合振动模式生成算法进行优化调整，形成耐久性测试的闭环控制。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN202510507418.XA 2025-04-22 2025-04-22 基于振动环境的活门耐久性测试方法及系统 Pending CN120404030A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510507418.XA CN120404030A (zh) 2025-04-22 2025-04-22 基于振动环境的活门耐久性测试方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510507418.XA CN120404030A (zh) 2025-04-22 2025-04-22 基于振动环境的活门耐久性测试方法及系统

Publications (1)

Publication Number Publication Date
CN120404030A true CN120404030A (zh) 2025-08-01

Family

ID=96511075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510507418.XA Pending CN120404030A (zh) 2025-04-22 2025-04-22 基于振动环境的活门耐久性测试方法及系统

Country Status (1)

Country Link
CN (1) CN120404030A (zh)

Similar Documents

Publication Publication Date Title
Ghaboussi et al. Active control of structures using neural networks
Martínez-Martínez et al. An Artificial Neural Network based expert system fitted with Genetic Algorithms for detecting the status of several rotary components in agro-industrial machines using a single vibration signal
CN119937330B (zh) 多轴伺服系统的同步控制方法、装置及设备
Li et al. Closed-LSTM neural network based reference modification for trajectory tracking of piezoelectric actuator
CN117792190B (zh) 一种高精度电机驱动方法
CN114722923A (zh) 一种轻量型的机电设备故障诊断方法
CN104238367B (zh) 一种基于神经网络的壳体结构表面振动一致性控制方法
CN120540104B (zh) 一种水轮机喷涂过程参数实时监控调控方法及系统
CN120404030A (zh) 基于振动环境的活门耐久性测试方法及系统
CN120224498B (zh) 综合多维度的红外加热自动化控制方法及系统
JP4301491B2 (ja) 電動機制御システムの自律設計方法及び自律設計装置並びに電動機制御システム
CN120357776A (zh) 工业机器人用无刷电机多轴协同控制方法及系统
CN118915473A (zh) 应用于移动式变压器的智能控制调节系统
CN118523679A (zh) 一种基于代理模型的大惯量伺服系统pid参数即时整定方法
Mutlu et al. An Intelligent Machine Condition Monitoring Model for Servo Systems
CN120874605B (zh) 测试机相位差优化方法、系统及橡胶制品疲劳测试机
Turk et al. Linear parameter-varying system identification of an industrial ball screw setup
CN119247749B (zh) 基于adrc的音圈伺服阀阀芯位置控制方法及系统
Pado et al. Predictive neuro control of vibration in smart structures
Putov et al. Adaptive robust control of a multi-degree-of-freedom mechanical plant with resilient properties
EP1887442A1 (en) Method of automatically tuning motor controller and motor controller
CN120652827B (zh) 一种高精密数控冲床的智能冲压控制方法、系统、介质和计算机设备
CN120560051B (zh) 回滞非线性系统的输出反馈逆控制方法及计算机设备
CN120122448B (zh) 基于深度Koopman的机器人强化学习安全控制器在线更新方法
MOUSS Auto-NAHL: A Neural Network Approach for Condition-Based Maintenance of Complex Industrial Systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination