一种基于CBAM—CNN的船舶柴油机热工故障诊断方法及系统技术方案

本发明专利技术公开了一种基于CBAM—CNN的船舶柴油机热工故障诊断方法及系统，通过获取船舶柴油机故障状态下的故障特征样本；对故障特征样本进行预处理获取故障样本数据集；将故障样本数据集随机化划分为故障样本训练集与故障样本测试集；构建CBAM

【技术实现步骤摘要】
一种基于CBAM
—
CNN的船舶柴油机热工故障诊断方法及系统


[0001]本专利技术涉及船舶柴油机故障诊断方法
，尤其涉及一种基于CBAM—CNN的船舶柴油机热工故障诊断方法及系统。

技术介绍

[0002]船舶柴油机作为一种往复式内燃机，因为其被广泛应用于船舶动力装置上，是船舶动力的重要输出来源。然而由于在复杂的工作环境和长期使用，船舶柴油机常常发生故障，又由于其结构紧凑复杂、部分运动部件通常伴随较大的机械负荷和热负荷以及变工况等固有特性，易导致产生的故障征兆因果关系错综复杂。目前对船舶柴油机进行故障诊断的方法主要有以下几种：
[0003]1，基于机理模型的故障诊断。
[0004]基于机理模型的故障诊断需要对监测的机械设备建立机理模型，以便能够对设备进行实时的诊断。该方法重点在于要对柴油机进行完整准确的系统建模，然而建立的模型与实际系统之间会存在一定的差距，建模过程复杂，且难度大，同时随着柴油机设备性能退化，机理模型将会失效。
[0005]2，基于专家定性经验知识的故障诊断方法。
[0006]基于经验模型的故障诊断方法在对设备做故障状态的诊断时需要以专家的知识和经验为基础，主要包括基于故障树和基于专家系统的诊断方法。该方法需要在船舶故障诊断领域拥有多年丰富经验的专家对船舶柴油机故障精准分析来进行诊断，严重依赖专家经验，经验出现误差会对故障的准确性产生影响。
[0007]3，基于数据驱动的故障诊断方法
[0008]基于数据驱动的智能故障诊断方法是近几年机械设备故障诊断方面的重要研究方向。它采用机器学习等技术，通过获取、传递和处理状态监测系统探测到的数据，模仿人类专家对设备的状态进行判断和决策，在一定程度上能够避免建立复杂对象模型和过度依赖专家经验的缺点。目前采用该方法的主流算法为神经网络，支持向量机，决策树等。其中以神经网络为代表的深度学习技术，在利用大量样本进行学习和自主提取样本特征方面优势较为明显，成为主流应用的技术。
[0009]综上可知，传统的柴油机故障诊断方法大多依赖专家经验，需要维护人员依照维修经验或已有的故障参数记录来被动的发现故障，在无人机舱及智能化的航运时代的背景下，该诊断方法的及时性和准确性较差。

技术实现思路

[0010]本专利技术提供一种基于CBAM—CNN的船舶柴油机热工故障诊断方法及系统，以克服上述技术问题。
[0011]为了实现上述目的，本专利技术的技术方案是：
[0012]一种基于CBAM—CNN的船舶柴油机热工故障诊断方法，包括以下步骤：
[0013]步骤S1：获取船舶柴油机故障状态下的故障特征样本；
[0014]所述运行数船舶柴油机故障状态包括单缸供油量减少、增压器效率低下、喷油定时滞后、单缸供油量减少且增压器效率低下、单缸供油量减少且喷油定时滞后以及增压器效率低下且喷油定时滞后；
[0015]所述故障特征样本包括输出功率Pe、最高爆发压力Pz、燃油消耗率BSFC、增压器出口压力MP1P、增压器出口流速MP1v、空冷器出口压力MP2P、空冷器出口流速MP2v、涡轮出口处流速MP6v、进气歧管压力MP3P、进气歧管流速MP3v、排气歧管压力MP4P、排气歧管流速MP4v、涡轮入口处压力MP5P、涡轮入口处流速MP5v以及涡轮出口处压力MP6P；
[0016]步骤S2：对所述故障特征样本进行预处理获取故障样本数据集；所述预处理依次包括噪声化处理、归一化处理以及一维平铺处理；
[0017]步骤S3：将所述故障样本数据集随机化划分为故障样本训练集与故障样本测试集；
[0018]步骤S4：构建CBAM
‑
CNN神经网络诊断模型，且所述CBAM
‑
CNN神经网络诊断模型的输出为预测故障标签；
[0019]通过所述故障样本训练集对所述CBAM
‑
CNN神经网络诊断模型进行训练；使所述CBAM
‑
CNN神经网络诊断模型输出的故障标签和预测的故障标签之间的损失函数最小；
[0020]步骤S5：将所述故障样本测试集的数据输入至训练好的所述CBAM
‑
CNN神经网络诊断模型，进行故障诊断获得故障诊断结果。
[0021]进一步的，步骤S2中所述噪声化处理的计算公式为
[0022]X(i，j)＝X0(i，j)+meanX(j)*a*(2rand
‑
1)
[0023]式中：X(i，j)表示噪声处理后的数据；X0(i，j)表示噪声处理前的数据；i＝1，2
…
200为样本数；j＝1，2
…
15代表故障特征数；meanX(j)表示第j维故障特征的平均值；a表示噪声强度；(2rand
‑
1)表示幅值为
‑
1～1的随机数；
[0024]所述归一化处理的计算公式为
[0025][0026]式中：X
norm
表示线性归一化后的数据；X表示原始数据；X
max
和X
min
分别表示原始数据中某一故障特征的最大值和最小值。
[0027]进一步的，步骤S4中所述构建的CBAM
‑
CNN神经网络诊断模型，包括依次连接的输入层、第一卷积层、第一CBAM模块、第二卷积层、第二CBAM模块、第三卷积层、第三CBAM模块、第四卷积层、第四CBAM模块、随机丢失层、第一全连接层、Softmax层以及分类层；
[0028]通过所述输入层将故障样本训练集中的一维平铺的数据输入第一卷积层进行卷积操作获取初始特征图；并将所述初始特征图传输至第一CBAM模块；
[0029]所述第一CBAM模块对所述初始特征图进行特征提取获取第一优化特征图；并将所述第一优化特征图传输至第二卷积层；
[0030]所述第二卷积层对所述第一优化特征图进行卷积操作，获取第二优化特征图；
[0031]所述第二CBAM模块对所述第二优化特征图进行特征提取获取第三优化特征图；并将所述第三优化特征图传输至第三卷积层；
[0032]所述第三卷积层对所述第三优化特征图进行卷积操作，获取第四优化特征图；
[0033]所述第三CBAM模块对所述第四优化特征图进行特征提取获取第五优化特征图；并将所述第五优化特征图传输至第四卷积层；
[0034]所述第四卷积层对所述第五优化特征图进行卷积操作，获取第六优化特征图；
[0035]所述第四CBAM模块对所述第六优化特征图进行特征提取，获取第七优化特征图，并将所述第七优化特征图传输至随机丢失层；
[0036]所述随机丢失层对所述第七优化特征图进行防止过度拟合优化，并将经过随机丢失层优化后的特征图传输至第一全连接层；
[0037]通过所述第一全连接层将所述随机丢失层传输的特征图传输至Softmax层，并利用所述Softmax层中的分类器进行特征分类；并将特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CBAM—CNN的船舶柴油机热工故障诊断方法，其特征在于，包括以下步骤：步骤S1：获取船舶柴油机故障状态下的故障特征样本；所述运行数船舶柴油机故障状态包括单缸供油量减少、增压器效率低下、喷油定时滞后、单缸供油量减少且增压器效率低下、单缸供油量减少且喷油定时滞后以及增压器效率低下且喷油定时滞后；所述故障特征样本包括输出功率Pe、最高爆发压力Pz、燃油消耗率BSFC、增压器出口压力MP1P、增压器出口流速MP1v、空冷器出口压力MP2P、空冷器出口流速MP2v、涡轮出口处流速MP6v、进气歧管压力MP3P、进气歧管流速MP3v、排气歧管压力MP4P、排气歧管流速MP4v、涡轮入口处压力MP5P、涡轮入口处流速MP5v以及涡轮出口处压力MP6P；步骤S2：对所述故障特征样本进行预处理获取故障样本数据集；所述预处理依次包括噪声化处理、归一化处理以及一维平铺处理；步骤S3：将所述故障样本数据集随机化划分为故障样本训练集与故障样本测试集；步骤S4：构建CBAM
‑
CNN神经网络诊断模型，且所述CBAM
‑
CNN神经网络诊断模型的输出为预测故障标签；通过所述故障样本训练集对所述CBAM
‑
CNN神经网络诊断模型进行训练；使所述CBAM
‑
CNN神经网络诊断模型输出的故障标签和预测的故障标签之间的损失函数最小；步骤S5：将所述故障样本测试集的数据输入至训练好的所述CBAM
‑
CNN神经网络诊断模型，进行故障诊断获得故障诊断结果。2.根据权利要求1所述的一种基于CBAM—CNN的船舶柴油机热工故障诊断方法，其特征在于，步骤S2中所述噪声化处理的计算公式为X(i，j)＝X0(i，j)+meanX(j)*a*(2rand
‑
1)式中：X(i，j)表示噪声处理后的数据；X0(i，j)表示噪声处理前的数据；i＝1，2
…
200为样本数；j＝1，2
…
15代表故障特征数；meanX(j)表示第j维故障特征的平均值；a表示噪声强度；(2rand
‑
1)表示幅值为
‑
1～1的随机数；所述归一化处理的计算公式为式中：X
norm
表示线性归一化后的数据；X表示原始数据；X
max
和X
min
分别表示原始数据中某一故障特征的最大值和最小值。3.根据权利要求1所述的一种基于CBAM—CNN的船舶柴油机热工故障诊断方法，其特征在于，步骤S4中所述构建的CBAM
‑
CNN神经网络诊断模型，包括依次连接的输入层、第一卷积层、第一CBAM模块、第二卷积层、第二CBAM模块、第三卷积层、第三CBAM模块、第四卷积层、第四CBAM模块、随机丢失层、第一全连接层、Softmax层以及分类层；通过所述输入层将故障样本训练集中的一维平铺的数据输入第一卷积层进行卷积操作获取初始特征图；并将所述初始特征图传输至第一CBAM模块；所述第一CBAM模块对所述初始特征图进行特征提取获取第一优化特征图；并将所述第一优化特征图传输至第二卷积层；所述第二卷积层对所述第一优化特征图进行卷积操作，获取第二优化特征图；所述第二CBAM模块对所述第...

【专利技术属性】
技术研发人员：曾鸿，陈才，孙建平，吴泽凡，姜阔，董颂麒，
申请(专利权)人：大连海大智船科技有限责任公司，
类型：发明
国别省市：