System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及航空,具体涉及一种基于卷积神经网络的振动信号故障诊断方法和装置。
技术介绍
1、航空发动机是为航空器提供飞行所需动力的装置,是航空器的“心脏”。由于长期在高温、高压、高转速、变工况等复杂条件下工作,航空发动机在使用过程中不可避免地会产生故障,严重时甚至会导致重大事故。航空发动机振动信号分析是航空发动机状态监测和故障诊断的主要方法,振动信号能够及时地反映发动机的健康与否。
2、在已有技术中,振动信号故障诊断方法需要先对振动信号提取特征,然后利用机器学习算法进行分类,该方法的难点在于需要提取用于表征不同故障类型的特征,特征提取的结果将直接影响故障诊断的效果,特征提取过程繁琐,故障诊断的准确率较低。
3、因此,提供一种基于卷积神经网络的振动信号故障诊断方法和装置,以解决现有技术中振动信号故障诊断中特征提取过程复杂,故障诊断的准确率较低的技术问题。
技术实现思路
1、为此,本专利技术实施例提供一种基于卷积神经网络的振动信号故障诊断方法和装置,用以解决现有技术中振动信号故障诊断中特征提取过程复杂,故障诊断的准确率较低的技术问题;从而实现高效、准确地进行振动信号故障诊断。
2、为了实现上述目的,本专利技术实施例提供如下技术方案:
3、本专利技术提供了一种基于卷积神经网络的振动信号故障诊断方法,所述方法包括:
4、获取待测试的振动信号,并在待测试的振动信号中截取预设长度作为输入信号;
5、将所述输入信号输入预先
6、其中,所述故障诊断模型是利用振动信号样本和对应的故障标签,基于预先构建的卷积神经网络进行训练得到的。
7、在一些实施例中,利用振动信号样本和对应的故障标签,基于预先构建的卷积神经网络进行训练,得到所述故障诊断模型,具体包括:
8、对获取的原始振动信号样本进行预处理,以得到振动信号样本和对应的故障标签,并基于振动信号样本和对应的故障标签构建样本数据集;
9、将所述样本数据集划分为训练集、验证集和测试集;
10、利用所述训练集对预先构建的卷积神经网络进行训练,并利用验证集对所述卷积神经网络进行超参数调整,以得到所述故障诊断模型。
11、在一些实施例中,利用所述训练集对预先构建的卷积神经网络进行训练,并利用验证集对所述卷积神经网络进行超参数调整,以得到所述故障诊断模型,具体包括:
12、利用损失函数对所述卷积神经网络进行训练;
13、计算损失函数后,通过反向传播更新所述卷积神经网络各层的参数;
14、在每一轮训练后,利用验证集验证得到的模型的性能,并以最优模型作为所述故障诊断模型。
15、在一些实施例中,所述损失函数l的表达式为:
16、
17、其中,m为类别的数量;yic为常数,当样本i的真实类别等于c时,yic取1,否则取0;pic为样本i属于类别c的预测概率。
18、在一些实施例中,在训练过程中,设定初始学习率和最小学习率;
19、当模型在验证集上的准确率连续预设轮数未达到预设的提高指数时,则将所述初始学习率按预设比例进行衰减,并以衰减后的学习率作为下一轮训练的初始学习率。
20、在一些实施例中,所述卷积神经网络的网络结构包括:
21、多个卷积层,所述卷积层将卷积核在输入的振动信号上滑动以生成特征图;
22、批归一化层,所述批归一化层对所述卷积层生成的特征图进行批归一化;
23、激活层,所述激活层采用relu函数进行激活;
24、最大池化层,所述最大池化层对特征图进行降采样,在最后一个最大池化层后采用自适应平均池化层将每一个特征图降采样至1×1,最后经过全连接层和log-softmax层完成故障诊断。
25、在一些实施例中,所述卷积神经网络的第一层卷积核采用64×1的大卷积核,之后的卷积层均采用3×1的小卷积核,最大池化层的池化核均采用2×1,步长为2。
26、本专利技术还提供一种基于卷积神经网络的振动信号故障诊断装置,所述装置包括:
27、信号采集单元,用于获取待测试的振动信号,并在待测试的振动信号中截取预设长度作为输入信号;
28、结果生成单元,用于将所述输入信号输入预先训练的故障诊断模型,以得到所述故障诊断模型输出的故障诊断结果;
29、其中,所述故障诊断模型是利用振动信号样本和对应的故障标签,基于预先构建的卷积神经网络进行训练得到的。
30、本专利技术还提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述方法的步骤。
31、本专利技术还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
32、本专利技术所提供的基于卷积神经网络的振动信号故障诊断方法和装置,通过获取待测试的振动信号,并在待测试的振动信号中截取预设长度作为输入信号;将所述输入信号输入预先训练的故障诊断模型,即可得到所述故障诊断模型输出的故障诊断结果;其中,所述故障诊断模型是利用振动信号样本和对应的故障标签,基于预先构建的卷积神经网络进行训练得到的。这样,本专利技术提供的基于卷积神经网络的振动信号故障诊断方法和装置,以原始振动信号数据为基础,结合深度学习算法,构建了振动信号故障诊断模型,实现了对振动信号端到端的故障诊断,解决了现有技术中振动信号故障诊断中特征提取过程复杂,故障诊断的准确率较低的技术问题;从而实现高效、准确地进行振动信号故障诊断。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的振动信号故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于卷积神经网络的振动信号故障诊断方法,其特征在于,利用振动信号样本和对应的故障标签,基于预先构建的卷积神经网络进行训练,得到所述故障诊断模型,具体包括:
3.根据权利要求2所述的基于卷积神经网络的振动信号故障诊断方法,其特征在于,利用所述训练集对预先构建的卷积神经网络进行训练,并利用验证集对所述卷积神经网络进行超参数调整,以得到所述故障诊断模型,具体包括:
4.根据权利要求3所述的基于卷积神经网络的振动信号故障诊断方法,其特征在于,所述损失函数L的表达式为:
5.根据权利要求4所述的基于卷积神经网络的振动信号故障诊断方法,其特征在于,在训练过程中,设定初始学习率和最小学习率;
6.根据权利要求1-5任一项所述的基于卷积神经网络的振动信号故障诊断方法,其特征在于,所述卷积神经网络的网络结构包括:
7.根据权利要求6所述的基于卷积神经网络的振动信号故障诊断方法,其特征在于,所述卷积神经网络的第一层卷积核采用64×
8.一种基于卷积神经网络的振动信号故障诊断装置,其特征在于,所述装置包括:
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于卷积神经网络的振动信号故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于卷积神经网络的振动信号故障诊断方法,其特征在于,利用振动信号样本和对应的故障标签,基于预先构建的卷积神经网络进行训练,得到所述故障诊断模型,具体包括:
3.根据权利要求2所述的基于卷积神经网络的振动信号故障诊断方法,其特征在于,利用所述训练集对预先构建的卷积神经网络进行训练,并利用验证集对所述卷积神经网络进行超参数调整,以得到所述故障诊断模型,具体包括:
4.根据权利要求3所述的基于卷积神经网络的振动信号故障诊断方法,其特征在于,所述损失函数l的表达式为:
5.根据权利要求4所述的基于卷积神经网络的振动信号故障诊断方法,其特征在于,在训练过程中,设定初始学习率和最小学习率;
6.根据权利...
【专利技术属性】
技术研发人员:王海辉,严圣刚,崔浩波,孙泽茹,范满意,
申请(专利权)人:北京航空航天大学,
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。