The invention discloses an internal combustion engine health monitoring method based on the structure of random convolution neural network, which first collects the vibration time-domain signal of the internal combustion engine in the working state, labels and standardizes the collected time-domain signal data, then divides the data into training sets and test sets, constructs a new random convolution neural network and trains, inputs the test set to complete the training After the new random convolution neural network, the probability of the test results is obtained; finally, the probability of the classification results of each single convolution neural network is fused by the demspter synthesis rule, and the final probability value of the sample is output to get the final classification results of the collected data. The invention adopts adabound optimizer and dropout technology in random convolution neural network to reduce the training amount of model parameters and prevent the model from falling into local optimal solution. The invention adopts the idea of integrated learning, solves the problem of unstable diagnosis accuracy of single convolution network structure, and improves the accuracy rate and generalization ability of convolution neural network diagnosis.
【技术实现步骤摘要】
基于随机卷积神经网络结构的内燃机健康监测方法及系统
本专利技术属于人工智能
,涉及一种内燃机健康监测方法及系统,具体涉及一种基于新型随机卷积神经网络结构的内燃机智能健康监测方法及系统。
技术介绍
内燃机作为一种重要的动力机械,广泛应用于各个领域,对其系统健康状况的监测不仅能够保证设备平稳高效的运行,而且能够及时发现出现的故障状况,有效防止重大事故的发生。基于振动信号的分析是对内燃机健康状态监测的重要途径。这是由于振动信号采集方便,并且采集的振动信号包含了往复运动,旋转运动、机械冲击和气体的高速流动等丰富的信息。但是,内燃机系统的振动激励源多,其振动信号具有强耦合、弱故障特征的特点,因此如何准确地提取振动信号中的有效特征是健康监测中的难点所在。考虑到深度学习具有处理大规模数据的能力,通过多尺度和多层次的学习,对振动信号进行分析,因此深度学习可以成为机械健康监测系统中强大有效的解决方案。文章[雷亚国等,基于深度学习理论的机械装备大数据健康监测方法[J].机械工程学报,2015,51(21):49-56.]利用自动编码器(Autoencoder)对频域信号进行除噪,然后通过深度学习网络挖掘信号中的故障特征;文章[RuonanLiu等人,DislocatedTimeSeriesConvolutionalNeuralArchitecture:AnIntelligentFaultDiagnosisApproachforElectricMachine[J].IEEETransactionsonIndustrialInform ...
【技术保护点】
1.一种基于随机随机卷积神经网络结构的内燃机健康监测方法,其特征在于,包括以下步骤:/n步骤1:实时采集内燃机在工作状态下的振动时域信号;/n步骤2:对采集的原始振动时域信号数据进行标签化和标准化处理,然后将数据划分训练集与测试集;/n步骤3:构建新型随机卷积神经网络结构;/n所述新型随机卷积神经网络,由若干个单一的卷积神经网络结构组成,原始卷积神经网络结构通过Adabound优化器和Dropout技术进行优化;新型随机卷积神经网络每次从训练集中随机抽取部分数据,对每个单一的卷积神经网络进行训练;获得完成训练后的新型随机卷积神经网络参数;/n步骤4:将完成训练后的新型随机卷积神经网络参数输入测试集,获得测试结果概率;/n步骤5:通过Demspter合成规则将各个单一卷积神经网络的分类结果概率进行融合,输出最终的所属样本的概率值,得到所采集数据的最终分类结果。/n
【技术特征摘要】
1.一种基于随机随机卷积神经网络结构的内燃机健康监测方法,其特征在于,包括以下步骤:
步骤1:实时采集内燃机在工作状态下的振动时域信号;
步骤2:对采集的原始振动时域信号数据进行标签化和标准化处理,然后将数据划分训练集与测试集;
步骤3:构建新型随机卷积神经网络结构;
所述新型随机卷积神经网络,由若干个单一的卷积神经网络结构组成,原始卷积神经网络结构通过Adabound优化器和Dropout技术进行优化;新型随机卷积神经网络每次从训练集中随机抽取部分数据,对每个单一的卷积神经网络进行训练;获得完成训练后的新型随机卷积神经网络参数;
步骤4:将完成训练后的新型随机卷积神经网络参数输入测试集,获得测试结果概率;
步骤5:通过Demspter合成规则将各个单一卷积神经网络的分类结果概率进行融合,输出最终的所属样本的概率值,得到所采集数据的最终分类结果。
2.根据权利要求1所述的基于随机卷积神经网络结构的内燃机健康监测方法,其特征在于,步骤2的具体实现包括以下子步骤:
步骤2.1:将内燃机运行一个周期所监测到的振动时域信号作为一个样本,将最终采集的数据集进行标签分类;
根据运行工况的不同可分为以下五种不同的工况:[1,0,0,0,0]代表正常工况,[0,1,0,0,0]代表故障工况1,[0,0,1,0,0]代表故障工况2,[0,0,0,1,0]代表故障工况3,[0,0,0,0,1]代表故障工况4;
步骤2.2:对数据进行标准化处理;
振动时域信号数据标准化的操作如下:
其中,xraw(n)为原始振动信号,xmean为每列数据的平均值,xstd为每列数据的方差;
步骤2.3:将数据划分训练集与测试集。
3.根据权利要求1或2所述的基于随机卷积神经网络结构的内燃机健康监测方法,其特征在于:步骤2中,设原始振动时域信号数据的总量为N,m为一个周期的数据个数;将总数据以m个数据点为一个数据周期进行划分,设共划分了n组数据,故N=n*m;从n组数据中,随机抽取80%的数据对单个卷积神经网络进行训练;设共有i个卷积神经网络,故总共抽取了i次数据,分别对不同的卷积神经网络进行训练;每个卷积神经网络中都用了若干个卷积层、池化层、和全连接层;池化层中的操作为最大池化,卷积层中的激活函数为Relu;
卷积层通过滤波器对局部区域进行特征提取,并通过激活函数生成输出特征;卷积层通过滤波器对输入数据矩阵I进行扫描,这里的数据矩阵I为原始的振动信号;滤波器的超参数为大小F,步幅S,填充为P;经过卷积计算,输入的结果为特征映射;特征映射的尺寸大小O为:
滤波器将原始信号划分为若干区域,其卷积计算为:
ci=f(w·xi:i+F-1+b);
式中,b表示偏量,w表示模型参数;函数f表示非线性激活函数;xi表示由滤波器截取的部分原始信号;表示两个向量的并置运算;由滤波器对输入信号进行卷积,最后得到特征映射表示为:
cj=[c1,c2,...cl-F+1];
式中,指标j表示第j个滤波器;
在卷积层进行特征提取后,池化层将对提取的特征映射进行特性选择和信息过滤,从而进一步减少模型参数的数量;设池化长度为f,则最大池化操作是在原特征映射c中的连续f个值中取最大值,以表示原特征映射的部分区域;经过池化层后...
【专利技术属性】
技术研发人员:陈辉,王瑞涵,管聪,
申请(专利权)人:武汉理工大学,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。