一种飞行器故障声学线性调频识别方法和系统技术方案

本发明专利技术涉及故障检测技术领域，公开了一种飞行器故障声学线性调频识别方法和系统，系统包括：信号采集单元：设置在飞行器上，用于获取飞行器的声学信息；预处理模块：用于对信号采集单元获取的声学信息进行预处理；数据处理单元：用于对预处理后的声学信息进行特征提取得到故障特征参数；数据识别单元：用于通过卷积神经网络对数据处理单元提取得到的故障特征参数进行特征识别，确定飞行器的状态。本发明专利技术可以实时检测飞行器故障，可以应用于声学检测领域。领域。领域。

【技术实现步骤摘要】
一种飞行器故障声学线性调频识别方法和系统


[0001]本专利技术涉及故障检测
，尤其涉及一种飞行器故障声学线性调频识别方法和系统。

技术介绍

[0002]随着现代飞行器的智能化发展，对飞行器的安全性和可靠性也至关重要，目前的故障检测手段主要包括：图像检测，振动检测等，其检测故障特征准确性不足，且检测精度较低，安装难度较高，针对以上问题，声学检测理论在故障检测方面逐渐发展并得以应用，因此，声学检测成为一种新兴的故障检测方法，声学检测通过非接触测量，可以有效的表征部件的工作状态，进而实现故障检测，在飞行器故障检测方面也成为一种新的研究热点。
[0003]从飞行器声学故障检测的实际应用背景来说，目前声学故障检测方法，不论是基于时频域下，利用传统算法提取的声学特征，包括声压级、过零率、能量谱分布特征、MFCC、GFCC、PLP等特征，或者是基于深度神经网络结构，从声学特征、时频谱以及波形中学习特征参数；由于高声压、低信噪比情况下，在不同频段上，提取到的许多特征参数会被噪声所掩蔽，使得提取效果不佳，导致故障检测不够准确。因此，需要对现有技术中的声学故障检测方法进行改进。

技术实现思路

[0004]本专利技术克服现有技术存在的不足，所要解决的技术问题为：提供一种飞行器故障声学线性调频识别方法和系统，以提高飞行器故障检测的准确性。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：一种飞行器故障声学线性调频识别系统，包括：
[0006]信号采集单元：设置在飞行器上，用于获取飞行器的声学信息；
[0007]预处理模块：用于对信号采集单元获取的声学信息进行预处理；
[0008]数据处理单元：用于对预处理后的声学信息进行特征提取得到故障特征参数；
[0009]数据识别单元：用于通过卷积神经网络对数据处理单元提取得到的故障特征参数进行特征识别，确定飞行器的状态。
[0010]所述预处理模块用于对信号处理单元获取的声学信息进行噪声平滑及杂波抑制处理。
[0011]所述数据处理单元包括：
[0012]VMD算法模块：对预处理后的声学信息进行VMD分解，得到多个IMF信号；
[0013]故障参数获取模块：用于对VMD算法模块分解得到的IMF信号进行频谱分析得到其中心频率，还用于通过分数阶傅里叶变换确定其瞬时频率，以及通过多项式回归法确定其调频斜率。
[0014]所述的一种飞行器故障声学线性调频识别系统，还包括无线通信模块，所述无线通信模块设置在飞行器上，用于将所述信号采集单元采集的声学信号无线发送给地面。
[0015]所述卷积神经网络包括输入层、M个卷积层、N个池化层、一个全连接层和输出层，所述卷积神经网络的输入为故障特征参数矩阵，输出为各个故障特征参数的概率。
[0016]所述数据识别单元还包括二分类模块，所述二分类模块用于根据各个故障特征参数的概率，确定飞行器的状态。
[0017]此外，本专利技术提供了一种飞行器故障声学线性调频识别方法，包括以下步骤：
[0018]S1、获取飞行器正常状态和故障状态下的声学信息；
[0019]S2、对原始声学信息进行预处理和特征提取操作，得到故障特征参数，并建立故障特征参数数据集；
[0020]S3、通过故障特征参数数据集对卷积神经网络进行训练，得到训练好的卷积神经网络模型并保存；
[0021]S4、获取飞行器的实时声学信息数据，进行预处理和特征提取后，输入训练好的卷积神经网络模型，根据卷积神经网络模型的输出，利用二分类器确定飞行器的当前状态。
[0022]所述预处理包括行噪声平滑及杂波抑制处理；
[0023]所述特征提取的具体方法为：对预处理后的声学信息进行VMD分解，得到多个IMF信号；然后对VMD分解得到的IMF信号进行频谱分析得到其中心频率，还用于通过分数阶傅里叶变换确定其瞬时频率，以及通过多项式回归法确定其调频斜率。
[0024]所述步骤S4中，对实时声学信息的特征提取时，VMD分解的参数与步骤S2中相同。
[0025]本专利技术与现有技术相比具有以下有益效果：
[0026]本专利技术提供了一种飞行器故障声学线性调频识别方法和系统，通过对信号进行预处理后再进行VMD模态分解，得到多个模态分解分量，即固有模态函数IMF，通过分析固有模态函数可以得到其中心频率，然后将固有模态函数IMF近似为线性调频信号，对其进行分数阶傅里叶变换后，通过搜索不同采样点处分数阶傅里叶变换结果的最大值估计得出瞬时频率，再通过多项式回归法确定其调频斜率，通过上述技术从特征频谱上更深层次的挖掘声学信号的特征信息，并运用到深度学习中，提高了声学故障检测效果。
附图说明
[0027]图1为本专利技术实施例一提供的一种飞行器故障声学线性调频识别系统的结构示意图；
[0028]图2为本专利技术实施例二提供的一种飞行器故障声学线性调频识别方法的流程示意图。
具体实施方式
[0029]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0030]实施例一
[0031]如图1所示，本专利技术实施例一提供了一种飞行器故障声学线性调频识别系统，包括：
[0032]信号采集单元：设置在飞行器上，用于获取飞行器的声学信息；
[0033]预处理模块：用于对信号采集单元获取的声学信息进行预处理；
[0034]数据处理单元：用于对预处理后的声学信息进行特征提取得到故障特征参数；
[0035]数据识别单元：用于通过卷积神经网络对数据处理单元提取得到的故障特征参数进行特征识别，确定飞行器的状态。
[0036]具体地，本实施例中，所述预处理模块用于对信号处理单元获取的声学信息进行噪声平滑及杂波抑制处理。
[0037]具体地，如图1所示，本实施例中，所述数据处理单元包括：
[0038]VMD算法模块：对预处理后的声学信息进行VMD(Variational Modal Decomposition变分模态)分解，得到多个IMF分量信号；
[0039]故障参数获取模块：用于对VMD算法模块分解得到的各个固有模态函数(即IMF分量)信号进行频谱分析得到其中心频率，还用于通过分数阶傅里叶变换确定其瞬时频率，以及通过多项式回归法确定其调频斜率。其中，中心频率主要用于检测飞行器的连续性故障；瞬时频率和调频斜率主要用于检测飞行器的突发性故障。
[0040]具体地，所述信号采集单元包括多个声音传感器，各个声音传感器设置在飞行器的不同位置。
[0041]其中，具体地，中心频率的获取方法为：对所得到的IMF分量进行频谱分析后提取能量值较为显著的频率作为其中心频率。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种飞行器故障声学线性调频识别系统，其特征在于，包括：信号采集单元：设置在飞行器上，用于获取飞行器的声学信息；预处理模块：用于对信号采集单元获取的声学信息进行预处理；数据处理单元：用于对预处理后的声学信息进行特征提取得到故障特征参数；数据识别单元：用于通过卷积神经网络对数据处理单元提取得到的故障特征参数进行特征识别，确定飞行器的状态。2.根据权利要求1所述的一种飞行器故障声学线性调频识别系统，其特征在于，所述预处理模块用于对信号处理单元获取的声学信息进行噪声平滑及杂波抑制处理。3.根据权利要求1所述的一种飞行器故障声学线性调频识别系统，其特征在于，所述数据处理单元包括：VMD算法模块：对预处理后的声学信息进行VMD分解，得到多个IMF信号；故障参数获取模块：用于对VMD算法模块分解得到的IMF信号进行频谱分析得到其中心频率，还用于通过分数阶傅里叶变换确定其瞬时频率，以及通过多项式回归法确定其调频斜率。4.根据权利要求1所述的一种飞行器故障声学线性调频识别系统，其特征在于，还包括无线通信模块，所述无线通信模块设置在飞行器上，用于将所述信号采集单元采集的声学信号无线发送给地面。5.根据权利要求1所述的一种飞行器故障声学线性调频识别系统，其特征在于，所述卷积神经网络包括输入层、M个卷积层、N个池化层、一个全连接层和输出层，所述卷积神经网络的输...

【专利技术属性】
技术研发人员：乔铁柱，李彪，张海峰，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：