一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法技术

本发明专利技术公开了一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法,涉及发动机故障检测的技术领域，将发动机声信号转变为声谱图；首先将声谱图的非特征部分删除；再将图片压缩成合适大小的正方形；构建合适深度的CNN模型；确定网络参数；通过前向传播求得网络输出与预期目标的误差；判断网络是否收敛到最优：若是，则执行第七步；若不是，则执行第六步；将第四步求得的误差反向逐层传播到每个节点，并更新权值；重复执行第四步～第六步，直至网络收敛；根据验证集的精确度判断网络是否满足实际要求：如满足执行第八步；如不满足，跳转到第三步，修改网络参数；输出网络用于发动机故障诊断；本发明专利技术具有使用方便、对发动机检测精度高等优点。度高等优点。度高等优点。

【技术实现步骤摘要】
一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法


[0001]本专利技术涉及生物工程的
，特别涉及一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法。

技术介绍

[0002]卷积神经网络(Convolutional Neural Networks，CNN)是一种常用的权重共享深度学习算法，已被广泛应用于图像处理、语音识别、故障检测等领域。在故障检测方面，与传统机器学习方法相比较，CNN具有强大的特征提取能力，因而表现出了良好的检测效果。传统的CNN模型由一个输入层，两组交替出现的卷积层和池化层，以及全连接层组成。
[0003]发动机在使用时，随着使用时间的在增加就会发生一定的故障，发动机故障通常在产生影响后才能够被人们发现，这就存在滞后性，存在一定的安全风险，因此本申请设置了一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，利用发动机产生的声音的情况来判断发动机是否发生故障。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，以解决背本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，其特征在于：包括以下步骤：第一步：利用短时傅立叶变换将发动机声信号转变为声谱图；第二步：对声谱图进行预处理：首先将声谱图的非特征部分删除；再将图片压缩成合适大小的正方形；第三步：建立网络并初始化网络参数：根据样本和要求，构建合适深度的CNN模型；确定网络参数；第四步：网络训练、前向传播：将样本输入到网络中，通过前向传播求得网络输出与预期目标的误差；第五步：判断网络是否收敛到最优：若是，则执行第七步；若不是，则执行第六步；第六步：反向传播、权值修改：将第四步求得的误差反向逐层传播到每个节点，并更新权值；重复执行第四步～第六步，直至网络收敛；第七步：根据验证集的精确度判断网络是否满足实际要求：如满足执行第八步；如不满足，跳转到第三步，修改网络参数；第八步：输出网络用于发动机故障诊断。2.根据权利要求1一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，其特征在于，该CNN模型包括输入层、五个卷积层、三个池化层、两个全连接层和输出层。3.根据权利要求2一种基于声谱图的CNN故障...

【专利技术属性】
技术研发人员：陈栋，钱立志，陈凯，石胜斌，孙姗姗，蒋滨安，凌冲，田宗浩，王珺，郭佳晖，
申请(专利权)人：中国人民解放军陆军炮兵防空兵学院，
类型：发明
国别省市：