本发明专利技术公开了一种基于CNN‑SE‑GRU神经网络的柴油机变工况故障诊断方法，通过对柴油机变工况故障诊断模型进行变工故障类型的模拟，获取变工故障时柴油机的运行故障数据，并根据变工故障类型与对应的运行故障数据获取柴油机变工况故障数据集；对柴油机变工况故障数据集进行预处理后，划分故障样本数据训练集与故障样本数据测试集；搭建基于CNN‑SE‑GRU的柴油机故障诊断神经网络模型，并通过故障样本数据训练集进行模型训练，获取优化柴油机故障诊断神经网络模型；将故障样本数据测试集的数据输入至训练好的优化柴油机故障诊断神经网络模型，进行柴油机变工况故障诊断获取故障诊断类型。对于变工况下柴油机故障诊断具有较高的准确率，能够对柴油机不同工况下故障有效进行诊断。
【技术实现步骤摘要】
本专利技术涉及船舶柴油机故障诊断，尤其涉及一种基于cnn-se-gru神经网络的柴油机变工况故障诊断方法。
技术介绍
1、船舶柴油机是提供动力的热机，也是航行的主要动力源，其可靠性对航行安全至关重要。由于柴油机结构复杂，系统和零部件间的关联度高，运行时易受环境和人为因素影响，导致故障概率增加。在海上航行的船舶是一个复杂系统，当发生故障时，检修工作需要在不影响正常运行的情况下进行。这需要船员具备高超的技术能力，但由于知识不全面，他们往往无法及时有效地诊断和排除故障。特别是作为船舶“动力源”的柴油机，一旦出现故障未能及时排除，轻则会影响航行，重则可能导致严重经济损失甚至船毁人亡的后果。因此，能够自动准确识别柴油机运行状态，既能确保设备平稳运行，又能及时发现故障，有效预防事故发生。
2、传统的船舶主机故障诊断方法是基于专家经验来实现的，即运维人员需要根据当前和已采集的历史数据，结合自身的相关经验知识，推测设备可能存在的故障。然而，这种方法需要从业人员具备扎实的理论功底和丰富的经验，而且随着智能船舶的快速发展，船舶内部各系统、设备朝着集成化、无人化、智能化的方向发展。同时，从业人员还需要具备更专业的理论基础和经验知识。此外，由于主机所处的环境非常恶劣，故障可能存在不确定性和并发性问题；如高温、高压、高负荷、强扭矩等，这些因素都可能导致船舶主机出现故障。一旦出现故障，如部件磨损、冷却不充分等，可能会导致缸内燃烧质量下降、排放增加、热负荷增大以及效率降低等情况，严重时甚至会使动力系统瘫痪，影响船舶运营的安全性和可靠性。
<
br/>技术实现思路
1、本专利技术提供一种基于cnn-se-gru神经网络的柴油机变工况故障诊断方法，以克服上述技术问题。
2、为了实现上述目的，本专利技术的技术方案是：
3、一种基于cnn-se-gru神经网络的柴油机变工况故障诊断方法，包括以下步骤：
4、s1：建立船舶二冲程的柴油机仿真模型，并通过已有的柴油机台架试验报告对进行柴油机仿真模型进行模型仿真调试，使柴油机仿真模型的柴油机参数的仿真误差在预设精度范围内，获取柴油机变工况故障诊断模型；
5、s2：通过对所述柴油机变工况故障诊断模型进行变工故障类型的模拟，获取变工故障时柴油机的运行故障数据，并根据所述变工故障类型与对应的运行故障数据获取柴油机变工况故障初始数据集；
6、所述运行故障数据包括转速、进气量、有效扭矩、最高燃烧压力、有效功率、指示功率、指示有效压力、平均有效压力、指示燃油消耗率、有效燃油消耗率、滤器出口压力温度、增压器出口压力温度、空冷器出口压力温度、气缸进口压力温度、气缸排气温度压力以及废气涡轮进出口压力温度；
7、s3:获取已有的实船运营时的柴油机工况数据；且所述柴油机工况数据包括设定正常柴油机运行标签下的柴油机的正常工况数据与对应各故障标签下的运行故障数据；
8、并将所述正常工况数据与对应各故障标签下的运行故障数据存储至柴油机变工况故障初始数据集，获取柴油机变工况故障数据集；
9、s4：对所述柴油机变工况故障数据集进行预处理，并根据预处理后的柴油机变工况故障数据集划分故障样本数据训练集与故障样本数据测试集；且所述故障样本数据训练集与故障样本数据测试集互斥；
10、s5：搭建基于cnn-se-gru的柴油机故障诊断神经网络模型，并通过所述故障样本数据训练集进行模型训练，获取优化柴油机故障诊断神经网络模型；
11、s6：将所述故障样本数据测试集的数据输入至训练好的所述优化柴油机故障诊断神经网络模型，进行柴油机变工况故障诊断获取故障诊断类型。
12、进一步的，s5中所述搭建基于cnn-se-gru的柴油机故障诊断神经网络模型包括第一卷积单元、第二卷积单元、特征融合单元、se注意力机制单元、gru单元以及故障分类层；
13、所述第一卷积单元与第二卷积单元分别用于对故障样本数据训练集中的样本数据进行卷积操作，分别获取不同维度的第一样本特征数据与第二样本特征数据；
14、所述第一卷积单元与第二卷积单元的输出端与特征融合单元的一端连接，所述特征融合单元用于将第一样本特征数据与第二样本特征数据将进行逐点相乘实现样本特征的融合；
15、所述特征融合单元的另一端与se注意力机制单元的一端连接，所述se注意力机制单元包括数据压缩层与数据激励层；
16、所述数据压缩层的一端与特征融合单元的输出端连接，所述数据压缩层用于将特征融合单元的输出特征压缩成一个维度的通道向量；
17、所述数据压缩层的另一端与所述数据激励层的一端连接，所述数据激励层用于根据所述数据压缩层的输出数据获取一个权重矩阵数据，作为通道重要程度的兴奋度；并将所述数据压缩层与数据激励层的输出特征相乘，获取中间输出特征数据；
18、所述数据激励层的另一端与所述gru单元的一端连接，并将所述中间输出特征数据作为所述gru单元的输入数据，通过所述gru单元提取中间输出特征数据之间的时序关系，输出中间输出特征数据的优化特征数据；
19、所述gru单元的另一端与所述故障分类层的一端连接，且所述gru单元与故障分类层之间设有全连接层，用于对所述优化特征数据进行全连接运算，所述全连接层与故障分类层连接；
20、所述故障分类层用于根据全连接运算后的优化特征数据输出预测故障类型。
21、进一步的，s5中所述通过故障样本数据训练集进行模型训练，获取优化柴油机故障诊断神经网络模型，具体包括：
22、s51：将所述故障样本数据训练集中的运行故障数据作为输入数据；将所述故障样本数据训练集中的变工故障类型作为输出数据进行模型训练，获取预测故障类型；
23、s52：基于损失函数，判断所述预测故障类型与变工故障类型之间的损失值是否收敛；
24、若所述预测故障类型与变工故障类型之间的损失值收敛，则此时训练好的基于cnn-se-gru的柴油机故障诊断神经网络模型即为优化柴油机故障诊断神经网络模型；
25、否则，根据所述预测故障类型与变工故障类型之间的损失值，通过adam优化器，自适应调整基于cnn-se-gru的柴油机故障诊断神经网络模型的模型权重参数，重复执行步骤s51。
26、进一步的，判断所述预测故障类型与变工故障类型之间的损失值的损失函数的表达式为
27、
28、
29、式中：wj表示权重；m表示柴油机变工故障类型的数量；yij表示指示变量，且取值是0或1；表示第i个样本类别j的预测概率；nj表示第j类样本类型的样本数量；n表示中间参数变量。
30、进一步的，通过所述gru单元提取中间输出特征数据之间的时序关系的表达式为
31、
32、式中：wr、wz以及均表示权重矩阵；cat()表示特征向量之间是相连的关系；σ表示sigmoid激活函数；表示矩阵相乘；h表示本文档来自技高网
...
【技术保护点】
1.一种基于CNN-SE-GRU神经网络的柴油机变工况故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于CNN-SE-GRU神经网络的柴油机变工况故障诊断方法，其特征在于，S5中所述搭建基于CNN-SE-GRU的柴油机故障诊断神经网络模型包括第一卷积单元、第二卷积单元、特征融合单元、SE注意力机制单元、GRU单元以及故障分类层；
3.根据权利要求1所述的一种基于CNN-SE-GRU神经网络的柴油机变工况故障诊断方法，其特征在于，S5中所述通过故障样本数据训练集进行模型训练，获取优化柴油机故障诊断神经网络模型，具体包括：
4.根据权利要求3所述的一种基于CNN-SE-GRU神经网络的柴油机变工况故障诊断方法，其特征在于，判断所述预测故障类型与变工故障类型之间的损失值的损失函数的表达式为
5.根据权利要求2所述的一种基于CNN-SE-GRU神经网络的柴油机变工况故障诊断方法，其特征在于，通过所述GRU单元提取中间输出特征数据之间的时序关系的表达式为
【技术特征摘要】
1.一种基于cnn-se-gru神经网络的柴油机变工况故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于cnn-se-gru神经网络的柴油机变工况故障诊断方法，其特征在于，s5中所述搭建基于cnn-se-gru的柴油机故障诊断神经网络模型包括第一卷积单元、第二卷积单元、特征融合单元、se注意力机制单元、gru单元以及故障分类层；
3.根据权利要求1所述的一种基于cnn-se-gru神经网络的柴油机变工况故障诊断方...
【专利技术属性】
技术研发人员：何治斌，张琦，王曼绮，
申请(专利权)人：大连海事大学，
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。