【技术实现步骤摘要】
一种基于HHT的发动机小样本声音异常故障识别方法及系统
[0001]本专利技术涉及故障诊断
，具体涉及一种基于HHT的发动机小样本声音异常故障识别方法及系统。
技术介绍
[0002]发动机故障检测识别目前常用方法有发动机试车系统检测、振动信号检测、声音信号检测等，其中基于发动机试车系统检测，其成本高而且需要专用场地，不适用于野外环境；振动信号检测一般利用压电加速度计对发动机振动信号进行检测，但加速度计通常有非常专业的性能和可靠性要求，需要与发动机直接接触安装，可测试性和安全性不高；发动机工作产生的声音信号包含着发动机的工作状态信息，利用声音信息进行无接触式的故障识别，对检测成本要求更低。
[0003]目前基于声音的故障诊断方法主要有：时域分析、频域分析和时频分析等，时域分析，包括直观的声音震动幅度信息，当信号出现明显的能量变化时，反应变化比较明显，可以对声音中含有异常冲击信号进行分析。频域分析中最常用的傅里叶变换，只适合平稳信号的分析，只能给出信号在整个持续期间的频域特征，对于非平稳信号，不能给出在时间中的演进
【技术保护点】
【技术特征摘要】
1.一种基于HHT的发动机声音异常故障识别方法，其特征在于，所述方法包括：S1、获取并预处理声音分片数据、原始声音数据、声音片段截取长度，据以获取声音预处理数据，以将所述原始声音数据分割调整为统一时间长度，以得到分割时间数据；S2、使用HHT中的经验模态分解工具EMD对所述分割时间数据进行经验模态分解，据以得到所述分割时间数据的IMF曲线；S3、提取并统计所述IMF曲线中的声音特征值，计算Hilbert谱，并提取声音特征值，以得到不少于2组的特征值变换结果；S4、将所述特征值变换结果输入预置VAE网络，并处理获取损失函数MSE，以校验所述特征值变换结果，在校验一致性超过阈值TY时，判定所述预置VAE网络有效；S5、将经过所述步骤S4训练后的所述预置VAE网络标记为适用网络VAEtn，采集获取待检测发动机音频，利用所述适用网络VAEtn还原并计算所述损失函数MSE，据以获取VAE输出结果；S6、根据预置异常故障阈值及VAE输出结果所述判定获取异常声音数据，据以启动故障检测流程。2.根据权利要求1所述的一种基于HHT的发动机声音异常故障识别方法，其特征在于，所述步骤S1中，采用下述逻辑处理所述声音分片数据、所述原始声音数据、所述声音片段截取长度，以得到所述分割时间数据：V(t
m
)＝S(t)[v
len
*m，v
len
*(m+1)]其中，V(t
m
)为声音分片后结果，S(t)为原始声音，V
len
为需要截取的声音片断长度，m为声音片断下标。3.根据权利要求1所述的一种基于HHT的发动机声音异常故障识别方法，其特征在于，所述步骤S2中，以下述逻辑对所述分割时间数据进行经验模态分解，据以得到所述IMF曲线：4.根据权利要求1所述的一种基于HHT的发动机声音异常故障识别方法，其特征在于，所述步骤S3包括：S31、以下述逻辑获取所述声音特征值的分量表示：C
j
(t)＝IM
j
F(t)；S32、对所述分量表示C
j
(t)做Hilbert变换，以得到得分量希尔伯特变换数据，以下述逻辑处理所述分类表示，据以获取特征值变换结果：S33、构建解析信号，利用所述分量表示C
j
(t)和所述特征值变换结果H[C
j
(t)]构建解析信号Z
j
(t)，其中，解析信号包括：信号瞬时幅度和瞬时相位信息；其中：
A
j
(t)和分别代表第j阶IMF的瞬时振幅和瞬时相位；S34、根据所述信号瞬时幅度和所述瞬时相位信息，利用下述逻辑求得第j阶IMF的瞬时角频率和瞬时频率：S35、利用下述逻辑，根据所述瞬时角频率进行信号重组，以表示原始信号：利用下述逻辑展开上式，以表示Hilbert谱：S36、根据所述Hilbert谱，利用下述逻辑定义Hilbert边际谱：S37、基于所述Hilbert边际谱，定义Hilbe...
【专利技术属性】
技术研发人员：沈延安，戴文瑞，李俊，许蒙恩，阚欢迎，杨克泉，
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：
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。