本發明涉及液壓缸內泄露監測領域，具體涉及一種基于聲發射信號特征的液壓缸內泄露監測裝置及監測方法。
背景技術：
1、液壓缸作為液壓系統的核心執行元件，其密封完整性是保障設備高效穩定工作的基礎條件，其性能優劣直接影響工程機械、航空航天等關鍵領域的運行可靠性。液壓缸內泄漏作為典型的漸進式故障，在初期階段往往無明顯外在表現，然而，在長期高負荷、變工況運行過程中，液壓缸內泄漏問題隨之嚴重，主要表現為活塞密封副因磨損、劃傷或變形導致高壓腔與低壓腔間油液異常滲漏。內泄漏不僅造成液壓缸工作效率下降、油溫升高及系統壓力波動，更可能引發執行機構定位漂移、突發性停機甚至安全事故。
2、目前，已有相關的針對液壓缸油液泄漏故障進行檢測的相關方案，其主要是通過各種傳感器信號特征實現。其中壓力、振動、流量信號被認為能夠對泄漏故障發生時的信號特征進行分析，從而有效反映液壓缸的運行狀態。但是目前相關的監測裝置和監測方法還存在如下缺陷。
3、1.傳統監測裝置，而其安裝方式需要嵌入至液壓缸內部，這不僅破壞了液壓缸本身結構的完整性，也增加了生產工序的復雜度。
4、2.通過數據驅動的方式實現監測，需要依賴于龐大的數據樣本和復雜的參數優化，冗余的計算成本限制了其在實時監測中的應用潛力。
5、3.對于不同泄露程度的信號特征缺乏系統性和定量化的分析，難以精準分級，同時未考慮處理大量信號數據的時間成本，計算復雜度高，難以滿足實時性要求，且整個狀態識別機制不夠明晰。
技術實現思路
1、本發明的首要目的是提供一種基于聲發射信號特征的液壓缸內泄漏監測裝置，其解決傳統監測裝置需侵入式安裝的問題。
2、為實現上述目的，本發明依照下述記載的技術方案進行具體實施。
3、一種基于聲發射信號特征的液壓缸內泄漏監測裝置，其特征在于：包括用于對缸體內泄漏產生的周向聲發射信號進行采集的各a傳感器，對活塞桿傳導的軸向聲發射信號進行采集的b傳感器，各a傳感器沿缸體的周向間隔安裝在缸體外壁面上，b傳感器安裝在活塞桿的外端部，a傳感器和b傳感器將采集的信號通過前置放大器輸送至聲發射儀，聲發射儀對輸入的信號進行處理分析缸體內泄漏情況。
4、具體的方案為：a傳感器的中心線與缸體的徑向相匹配，a傳感器設置4個，各a傳感器均對應活塞行程的中部設置且安裝在同一平面，相鄰a傳感器之間的夾角為90°±5°，b傳感器設置2個，b傳感器的中心線與活塞桿的身長方向相匹配，b傳感器安裝在活塞桿端部設置的沉孔內。
5、a傳感器通過磁吸式夾具固定安裝，磁吸式夾具和缸體外壁面之間設置有由耦合劑構成接觸層，b傳感器通過螺紋連接方式固定，沉孔深度大于b傳感器高度。
6、聲發射儀包括依序設置的對信號進行放大的主放大模塊，將a/d數據轉換為數字信號的a/d數據轉換模塊，對數字信號進行分析處理的數字信號處理模塊，聲發射儀與顯示終端相連接。
7、本發明還提供了一種基于聲發射信號特征的液壓缸內泄漏監測方法，具體操作如下。
8、s10：啟動裝配好的監測裝置，采集液壓缸運行時聲發射傳感器數據，記錄非平穩性聲波信號并分割聲波信號為時序信號數據；
9、s20：將時序信號數據輸入至訓練好的特征差分運算器，提取當前狀態數據的特征向量，計算與基準特征庫之間的特征偏差；
10、s30：將特征偏差的絕對值大小作為液壓缸是否發生內泄漏的判斷標準以特征偏差閾值作為泄漏程度評估，并輸出預測置信度分布；
11、s40：基于預測置信度分布自適應選擇訓練好的二分類模型進行二次識別，確定液壓缸泄漏狀態；
12、s50：根據特征偏差判斷結果和分類模型識別結果的評估決定是否觸發特征偏差閾值參數更新機制。
13、具體的操作為：步驟s10中：時序信號數據為每個聲發射信號形成的振幅隨時間變換的波形流v(t)。
14、步驟s20特征偏差的計算包括：
15、s11：對時序信號數據采用滑動窗口標準化預處理，通過固定長度的滑動時間窗截取連續歷史區段，并將若干個連續歷史區段的窗口數據中的幅值參數輸入至訓練好的特征差分運算器的前置全連接層，通過前置全連接層對窗口數據進行特征表征，構建多維特征向量；
16、s12：建立基于高斯混合模型的正常運行基準特征庫，采用馬氏距離度量實時特征向量與正常基準之間的偏離程度，通過特征權重空間映射得到特征偏差；
17、步驟s11中特征表征過程包括：對窗口內數據進行時頻域聯合分析，將時域統計量與頻域特征拼接后輸入偏差計算層；同時對b傳感器采集的時序信號進行互相關處理，得到泄漏源沿活塞桿軸向的定位坐標，對a傳感器采集的時序信號進行互相關時延分析，得到泄漏源沿缸筒周向的定位角度。
18、特征差分運算器包括輸入板塊、前置全連接層、偏差計算層、多頭注意力層和輸出板塊；
19、輸入板塊：其用于將實時信號數據v(t)去噪預處理，并通過固定長度的滑動時間窗截取連續歷史區段v(ti)(i＝1、2…n)；
20、前置全連接層：其用于對輸入的連續歷史區段信號v(ti)進行特征表征，構建多維特征矩陣x＝[x1，…x8]；
21、偏差計算層：用于計算實時信號特征值與標準特征值之間的馬氏距離；馬氏距離可以視為協方差矩陣為∑且服從同一分布的隨機變量μ與v的差異程度：
22、
23、馬氏距離能夠很好地排除變量之間的相關性干擾，因此，將訓練樣本的特征值記為pj，監測樣本的特征值記為計算所有訓練樣本的特征值pj的平均值和方差σ2(pj)，通過下式計算和標準特征值之間的馬氏距離:
24、
25、這里特征值pj的平均值即為標準特征值，其計算公式如下：
26、
27、xref是基準庫中存儲的正常狀態下的特征值；
28、多頭注意力層：其用于差異特征聚集，通過注意力權重自動學習時頻域特征的重要性比例，加權得到最終特征偏差w；
29、輸出板塊：用于輸出特征偏差w＝[w1,…w8]。
30、多頭注意力層是基于注意力機制自動學習時頻域特征的重要性比例，注意力機制是通過端到端訓練自動捕捉特征間的非線性關系，為不同工況下的時域和頻域特征賦予動態權重，權重計算包括：
31、計算每個特征變量的注意力分數ei：
32、ei＝leakyrelu(w·xj+b)
33、用softmax歸一化為權重αj：
34、
35、加權求和dm(xi)得到最終特征偏差w：
36、w＝∑αjdm(xj)?(j＝1…8)。
37、步驟s40中：
38、若|w|<m?control?limit，則輸入由正常狀態和輕度泄漏樣本訓練得到的二分類模型進行識別，確定液壓缸的內泄漏狀態；
39、若|w|>m?control?limit且|w|<s?control?limit，則輸入由輕度泄漏和中度泄漏樣本訓練得到的二分類模型進行識別，確定液壓缸的內泄漏狀態；
40、若|w|>m?control?limit且|w|>s?control?limit，則輸入由中度泄漏和重度泄漏樣本訓練得到的二分類模型進行識別，最終確定液壓缸的內泄漏狀態。
41、步驟s50中：
42、根據兩次診斷結果評估來決定是否觸發雙閾值模型參數的更新機制；
43、若所述液壓缸內泄漏狀態識別結果不滿足信號特征偏差比較結果，則更新診斷模型參數m和s，再次執行分級診斷；
44、若所述液壓缸內泄漏狀態識別結果滿足信號特征偏差比較結果，則輸出結果。
45、聲發射技術作為一種靈敏度極高的無損檢測技術，能夠檢測微弱的內部泄露信號且不影響機器運行，與振動技術等其他無損檢測技術相比，聲發射技術具有信噪比高、對高頻機械異常敏感、適用性廣等優勢。
46、本發明提供的監測裝置，利用聲發射技術實現液壓缸內泄漏狀態監測的同時保證了液壓缸結構的完整性，根據液壓缸的結構特征布設聲發射傳感器，精準捕捉泄漏信號變化。
47、本發明提供的檢測方法，基于聲發射信號的時頻域特征分析，建立了泄漏狀態與信號特征的映射關系，實現了泄漏程度的量化評估。通過構建實時特征偏差分析算法并結合精細化分類模型顯著提高了液壓缸針對內泄漏的感知能力，使得能夠更精準地、更快速地實現對液壓缸運行狀態的識別。能夠提升在泄露初期的診斷精度，實現泄露的精準分級，以及滿足實時監測的需求。并且能夠有效減少噪聲干擾，降低模型計算的復雜度，并通過多級判別提高識別精度，實現內泄漏的實時監測，動態調整閾值以適應不同工況及泄漏狀態變化，適用于多種液壓缸應用場景。