【技术实现步骤摘要】
一种数据驱动的柴油机振动信号中故障信息定位识别方法
[0001]本专利技术涉及一种数据驱动的柴油机振动信号中故障信息定位识别方法，适用于柴油机振动监测与故障诊断
技术介绍
[0002]柴油机作为大型工业领域的核心动力装备之一，具有十分广泛的应用，对其进行状态监测与故障诊断能有效地对异常状态或故障状态做出诊断，提高设备运行地可靠性和安全性。由于柴油机设备振动信号属于典型的角域信号，振动信号与柴油机关键运动部件的运动过程之间有对应关系，运动部件发生故障会导致振动信号上对应角域信号段出现异常征兆。柴油机振动信号呈现多源冲击复杂耦合的特点，传统借助故障机理定位故障信息的方法受限于机理认知程度，数据驱动方法从数据自身角度寻找因故障导致的信号本征差异，结合稀疏注意力机制与深度学习构建故障定位模型，进而定位识别信号中故障信息，为柴油机故障诊断提供指导，提高故障分析效率和准确率。
[0003]根据柴油机结构和工作原理，典型故障的故障信息大多集中在一个或多个较窄的角域信号段内，即故障信息在振动信号角域上呈现片段形式。本专利技...
【技术保护点】
【技术特征摘要】
1.一种数据驱动的柴油机故障信息定位方法，其特征在于，包括以下步骤：第一步：建立样本数据集1.1按故障分布收集柴油机实验数据，整理得到总样本集D，如公式(1)，(2)，(3)所示：其中，D为总样本集，指元素数量为T
×
N
×
K，定义在实数域中的三维数组，指T,N,K均为正整数,代表正整数集合；在故障诊断中，T代表故障类别数量，N代表每一类故障下的样本数量，,K代表每个样本所包含的序列点数；F
t
指第t类故障样本集；其中，F指一类故障样本集，X为任意样本；指总样本集D中的任意一类故障样本集F，其元素数量应为N
×
K，其定义在实数域中；任意样本X，其元素数量应为K，其定义在实数域中；任意一类故障样本集F，其所包含的样本数量为N；任意样本X，其序列点数均为K；1.2将采集的信号进行归一化处理，即每一个样本X按照以下方式更新，如公式(4)所示：其中，x
new
为归一化后的样本，x
min
为样本x序列中最小值，x
max
为样本x序列中最大值，x
mean
为样本x序列中平均值；1.3将总样本集D按照样本数量划分训练集、验证集和测试集，比例为5:1:1,记作D
a
,D
b
,D
c
,并对所有样本按照故障进行标准独热编码作为该样本的标签，记X的标签记作l,由标准独热编码可知,任意标签l的元素数量均为T；则由样本总集合为D可获取标签总集合L，可知指元素数量为T
×
N
×
T，定义在实数域中的三维数组；第二步：建立基于先验机制的故障定位模型故障定位模型的目的为定位样本X中的故障信息，模型由三个模块构成，第一模块为稀疏注意力模块，实现定位故障信息能力的基本模块；第二模块为标签预测模块，是基于其作用为保证故障信息定位的准确性；第三个模块为先验分布模块，其作用为保证故障信息定位的结果符合柴油机故障冲击具有短时连续性的机理；2.1建立稀疏注意力模块如下；将样本X的序列点数为K，如公式(5)所示：建立可训练的注意力权重向量w
s
，需注意，w
s
对所有样本共享，过程如公式(6)所示：建立稀疏权重向量m，需注意，m对所有样本共享，如公式(7)所示：m＝[m1,m2,
…
,m
i
,
…
,m
K
]
T
∈{0,1}
K (7)其中，指元素数量为K，定义在实数域的一维向量；{0,1}
K
指元素数量为K，仅定义在
正整数0与1的一维向量；x
i
为样本x的第i个片段,为x
i
在注意力权重向量w
s
中对应的值，m
i
为x
i
在稀疏权重向量m中对应的值，w
s
中所有元素的初始值设置采用标准He初始化，m中所有元素的初始值设置为1；建立稀疏注意力机制中样本X更新方式，如公式(8)所示：其中，为稀疏样本；Sigmoid为Sigmoid激活函数；
⊙
为向量对应位置相乘标志；X为样本，m为稀疏权重向量，w
s
为机制中可训练的注意力权重向量；指经过上述公式(8)的运算后，中的元素数量仍为K，其定义域仍在在实数域；2.2建立标签预测模块,过程如公式(9)所示：其中,1DCNN指取任意的一维卷积神经网络的诊断模型，由于稀疏注意力机制的输出未改变样本X的元素数量与定义域，当前成熟的任意的一维卷积神经网络的诊断模型均可采用所述稀疏注意力机制作为前置；为稀疏样本；W为所述的一维卷积神经网络诊断模型中所有可训练的参数；为预测标签,指元素数量为T，定义在实数域中的数组；2.3建立先验分布模块,过程如公式(10)所示：其中...
【专利技术属性】
技术研发人员：茆志伟，李贺，智海峰，阴晋冠，张进杰，江志农，
申请(专利权)人：中国北方发动机研究所天津，
类型：发明
国别省市：
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。