一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法

一种基于声谱图的cnn故障诊断模型的发动机故障诊断方法
技术领域
1.本发明涉及生物工程的技术领域，特别涉及一种基于声谱图的cnn故障诊断模型的发动机故障诊断方法。


背景技术：

2.卷积神经网络(convolutional neural networks，cnn)是一种常用的权重共享深度学习算法，已被广泛应用于图像处理、语音识别、故障检测等领域。在故障检测方面，与传统机器学习方法相比较，cnn具有强大的特征提取能力，因而表现出了良好的检测效果。传统的cnn模型由一个输入层，两组交替出现的卷积层和池化层，以及全连接层组成。
3.发动机在使用时，随着使用时间的在增加就会发生一定的故障，发动机故障通常在产生影响后才能够被人们发现，这就存在滞后性，存在一定的安全风险，因此本技术设置了一种基于声谱图的cnn故障诊断模型的发动机故障诊断方法，利用发动机产生的声音的情况来判断发动机是否发生故障。


技术实现要素：

4.本发明所要解决的技术问题是提供一种基于声谱图的cnn故障诊断模型的发动机故障诊断方法，以解决背景技术中描述的现有技术中对发动机的故障的检测存在滞后性的问题。
5.为实现上述目的，本发明提供以下的技术方案：一种基于声谱图的cnn故障诊断模型的发动机故障诊断方法，包括以下步骤：
6.第一步：利用短时傅立叶变换将发动机声信号转变为声谱图；
7.第二步：对声谱图进行预处理：首先将声谱图的非特征部分删除；再将图片压缩成合适大小的正方形；
8.第三步：建立网络并初始化网络参数：根据样本和要求，构建合适深度的cnn 模型；确定网络参数；
9.第四步：网络训练、前向传播：将样本输入到网络中，通过前向传播求得网络输出与预期目标的误差；
10.第五步：判断网络是否收敛到最优：若是，则执行第七步；若不是，则执行第六步；
11.第六步：反向传播、权值修改：将第四步求得的误差反向逐层传播到每个节点，并更新权值；重复执行第四步～第六步，直至网络收敛；
12.第七步：根据验证集的精确度判断网络是否满足实际要求：如满足执行第八步；如不满足，跳转到第三步，修改网络参数；
13.第八步：输出网络用于发动机故障诊断。
14.优选的：该cnn模型包括输入层、五个卷积层、三个池化层、两个全连接层和输出层。
15.优选的：该cnn模型的运行方式为对数据集中的每一个声音信号，进行时频变换，
获得声谱图，进而调整声谱图的尺寸为128*128以符合模型输入要求；接着是一个“卷积－池化”的堆叠运算，为了尽可能多的提取局部特征，在卷积部分均采用了小尺寸的卷积核过滤声谱图；然后是包含2048个隐藏单元的全连接层和使用softmax进行故障分类的logistic-regression层，最后的输出层则输出发动机的两种状态的识别结果；网络训练开始则随机初始化权值，在训练过程中通过计算预测值和真实值的误差，反向传播并修正网络权值，直至满足终止条件。
16.优选的：该cnn模型中每个卷积层以及全连接层采用relu激活函数并进行batch_normalization归一化。
17.优选的：该cnn模型中选择sigmoid的损失函数并使用adam算法进行优化。
18.采用以上技术方案的有益效果是：
19.本技术通过cnn模型对声谱图进行处理，通过多个卷积层和池化层的堆叠运算实现对声音信号声谱图的自适应特征提取和降维，能够有效的提高发动机故障诊断的准确率，通过第一发动机周期性声音的检测，在发动机出现故障后，周期性声音发生变化，从而判断出发动机是否发生故障，能够更加快速的获知发动机的故障，提高了发动机使用的安全性。
附图说明
20.图1是本发明声谱图读入上节构建的cnn网络模型结果。
21.图2是本发明cnn模型中conv1层特征可视图(部分)。
22.图3是本发明cnn模型中maxpool1层特征可视图(部分)。
23.图4是本发明cnn模型中conv2层特征可视图(部分)。
24.图5是本发明cnn模型中maxpool2层特征可视图(部分)。
25.图6是本发明cnn模型中conv3层特征可视图(部分)。
26.图7是本发明cnn模型中conv4层特征可视图(部分)。
27.图8是本发明cnn模型中conv5层特征可视图(部分)。
28.图9是本发明cnn模型中maxpool5层特征可视图(部分)。
29.图10是本发明cnn模型中一个卷积层。
30.图11是本发明cnn模型中两个卷积层。
具体实施方式
31.下面结合附图详细说明本发明的实施方式。
32.在本实施例一中，一种基于声谱图的cnn故障诊断模型的发动机故障诊断方法，包括以下步骤：
33.第一步：利用短时傅立叶变换将发动机声信号转变为声谱图；
34.第二步：对声谱图进行预处理：首先将声谱图的非特征部分删除；再将图片压缩成合适大小的正方形；
35.第三步：建立网络并初始化网络参数：根据样本和要求，构建合适深度的cnn 模型；确定网络参数；
36.第四步：网络训练、前向传播：将样本输入到网络中，通过前向传播求得网络输出
与预期目标的误差；
37.第五步：判断网络是否收敛到最优：若是，则执行第七步；若不是，则执行第六步；
38.第六步：反向传播、权值修改：将第四步求得的误差反向逐层传播到每个节点，并更新权值；重复执行第四步～第六步，直至网络收敛；
39.第七步：根据验证集的精确度判断网络是否满足实际要求：如满足执行第八步；如不满足，跳转到第三步，修改网络参数；
40.第八步：输出网络用于发动机故障诊断。
41.本技术通过对发动机声谱图进行处理和识别，能够更加准确的获得发动机是否发生故障，提高对发动机的监控的准确度。
42.该cnn模型包括输入层、五个卷积层、三个池化层、两个全连接层和输出层。
43.该cnn模型的运行方式为对数据集中的每一个声音信号，进行时频变换，获得声谱图，进而调整声谱图的尺寸为128*128以符合模型输入要求；接着是一个“卷积－池化”的堆叠运算，为了尽可能多的提取局部特征，在卷积部分均采用了小尺寸的卷积核过滤声谱图；然后是包含2048个隐藏单元的全连接层和使用softmax进行故障分类的logistic-regression层，最后的输出层则输出发动机的两种状态的识别结果；网络训练开始则随机初始化权值，在训练过程中通过计算预测值和真实值的误差，反向传播并修正网络权值，直至满足终止条件。
44.该cnn模型中每个卷积层以及全连接层采用relu激活函数并进行batch_normalization归一化。
45.该cnn模型中选择sigmoid的损失函数并使用adam算法进行优化。
46.表1为端到端的cnn诊断模型：
[0047][0048][0049]
表1
[0050]
本节首先将声谱图读入上节构建的cnn网络模型进行实验，从实验结果中可以看出准确率达到90％左右便趋于稳定不再上升，如图1声谱图读入上节构建的 cnn网络模型
结果。
[0051]
为了深入了解该cnn网络模型的特征提取以及分类识别能力，对各卷积及池化层进行分析，得到其特征可视图。图2：conv1层特征可视图(部分)、图 3：maxpool1层特征可视图(部分)、图4：conv2层特征可视图(部分)、图5 ：maxpool2层特征可视图(部分)、图6：conv3层特征可视图(部分)、图7 ：conv4层特征可视图(部分)、图8：conv5层特征可视图(部分)、图9maxpool5 层特征可视图(部分)
[0052]
观察以上各层特征可视图，可以发现，在第一层和第二层卷积及池化层，体现出明显的局部特征，可以看到细微的纹理和边缘特征。从第三层卷积层开始，细微的纹理和边缘特征基本消失，特诊逐渐变得抽象。
[0053]
发电机运行声音信号是一种有循环周期的的信号，在考虑到噪音等影响下，其声音信号也依然存在一定的周期特点。本文实验在怠速下录取的发动机声音信号，怠速情况下发动机转速达到数百转，一个周期信号在100ms以内，体现在本文的声谱图上，约为六七帧的长度。考虑到本文中声谱图大小为 128height*128width*3channels，一个发动机周期体现在声谱图上约为三四列像素。发动机的故障特征便体现在这每三四列像素之中，故随着卷积层的加深，局部特征逐渐消失，可能会因此导致特征提取能力的下降。所以，本节尝试采用通常情况下认为特征提取能力较差的层数较少的cnn模型。
[0054]
表2基于声谱图的cnn诊断模型(1个卷积层)
[0055][0056][0057]
表3基于声谱图的cnn诊断模型(2个卷积层)
[0058]
层名称参数说明参数inputheight,width,channels128,128,3conv1kernel,stride(5,1)32(1,1)maxpool1pool_size,stride(3,3)(2,1)conv2kernel,stride(5,1)32(1,1)maxpool2pool_size,stride(3,3)(2,1)reshape3units32*128*32dropout4retain0.7fc4units1024dropout5retain0.7fc5units64
outputunits2
[0059]
对表中两个cnn诊断模型进行实验，可以得到如下训练集及验证集accuracy曲线，如图10一个卷积层、如图11两个卷积层。
[0060]
图中可以看出在不同的卷积层数实验中，当卷积层数为2时，测试集和训练集的诊断准确率随着迭代次数的增加逐渐地升高，最终达到了95％左右的诊断准确率，所以当卷积层数为两层时，产生的效果比更深的卷积层更好，因此在发动机故障声学诊断模型中，我们不应追求通常采用的更深的网络，而是重点关注局部特征的提取能力。
[0061]
以上该的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。