基于动态集成框架共轨船用燃油系统故障诊断方法及介质

本发明涉及的是一种共轨船用燃油系统诊断方法，具体地说是一种基于动态集成框架共轨船用燃油系统故障诊断方法及介质。

背景技术：

1、共轨船用燃油系统是现代船舶的关键组成部分，它直接影响着船舶日常安全航行。通过有效的故障诊断，可以及时发现共轨船用燃油系统内设备存在的问题，避免因故障而导致的共轨船用燃油系统内关键设备失效，进而影响船舶的正常航行。正确的诊断和维修能够提高发动机的效率，延长共轨船用燃油系统的使用寿命，减少维修成本从而保障船舶的安全性、可靠性和环保性。因此，对共轨船用燃油系统的故障类型进行准确快速地诊断，对保障船舶的正常运行至关重要。

2、传统的共轨船用燃油系统故障诊断方法大多以实验室理想条件下模拟得到的故障数据作为支撑，然而由于设备工作过程受到航行区域、负载等因素的影响，共轨船用燃油系统处于非稳定工作过程，非稳定工作过程导致模型从训练集学习得到的特征信息在处理其他工作条件下的相同故障类型时由于样本非独立同分布存在过拟合问题。基于此，提出了基于不确定驱动的多尺度动态集成框架用于共轨船用燃油系统故障诊断，该方法既能保证集成多尺度特征信息，又能保证当前特征信息与待诊断信号的工作状态对应，与均值集成、投票集成等集成方法相比具有更高的诊断精度。

技术实现思路

1、本发明的目的在于提供解决非稳定工作场景以及背景噪声干扰条件下共轨船用燃油系统故障诊断精度难以满足要求等问题的一种基于动态集成框架共轨船用燃油系统故障诊断方法。

2、本发明的目的是这样实现的：

3、一种基于动态集成框架共轨船用燃油系统故障诊断方法，包括：

4、（1）获取共轨船用燃油系统在正常状态和不同故障状态下的振动信号；

5、（2）对获得的振动信号进行预处理后，通过cq-nsgt变换获得振动信号的时频图像，进一步地划分训练集、验证集、测试集；

6、（3）基于贝叶斯深度学习理论通过网络参数建模代替传统卷积神经网络模型的固定参数，寻找网络参数的最佳分布区间。

7、（4）将不同卷积核尺寸的贝叶斯卷积神经网络进行动态集成处理，集成策略根据单个模型对于当前输入数据的不确定性衡量，通过从多尺度角度得到的共轨船用燃油系统工作状态下特征信息判断当前故障类型。

8、（5）获取共轨船用燃油系统当前状态下的振动信号进行预处理、cq-nsgt变换后输入至故障诊断模型中，判断出所述共轨船用燃油系统当前故障类别。

9、本发明还可以包括：

10、1、步骤（1）中的共轨船用燃油系统包括共轨管、喷油器等关键设备。

11、2、步骤（2）中的共轨船用燃油系统振动信号cq-nsgt变换过程如下：

12、a.输入信号通常表示为一系列原子的组合：

13、（1）

14、其中为原子相应的系数。假设，其中为有限和离散信号的向量空间，且对于有限索引集和。然后，被定义为对输入振动信号进行操作的框架算子，由下式给出：

15、（2）

16、其中是和的内积。如果函数集表示正交基，则表示恒等算子。若在有限和离散信号的向量空间上可逆，则集合是一个框架，则对偶标架可表示为：

17、（3）

18、式中为框架算子的逆，为原子。

19、b.利用变化，原始信号可以转化为：

20、（4）

21、式中和分别为框架算子以及其对应的逆过程，是原始信号和原子的内积，为原子的对偶框架。

22、3、步骤（3）中最佳分布区间的优化过程为：

23、创建称为近似分布的变分分布用于最大程度地逼近真实的参数后验分布。变分分布于真实后验分布的差异通过kullback-leibler（kl）散度来衡量，kl定义为：

24、（5）

25、式中：和分别为变分分布和参数后验分布，表示相对于的期望。

26、因此，变分分布与真实后验之间的kl散度为：

27、（6）

28、式中：为创建的变分分布，为真实后验分布，表示相对于的期望，为参数的先验分布。是数据的边际可能性。其中描述创建的变分分布与真实后验分布的相似性。称为似然成本，它表达了数据在模型中的适应性。前两项和的相反数称为证据下限（elob），

29、（7）。

30、因此，最小化变分分布与真实后验的kl的任务转化为最大化elob过程。通过权重的变分学习找到的分布参数的目标函数定义如下：

31、（8）

32、式中描述变分分布与真实后验之间的差距，为似然成本，描述模型与数据的拟合程度。表示在最小时的值。

33、假设参数相互独立，可以使用蒙特卡洛采样近似得到网络的损失函数如下：

34、（11）

35、式中表示来自的样本数，表示通过蒙特卡洛采样得到的第个网络的参数，表示数据在特定权重集合下的可能性，为针对第个网络参数所创建的变分分布，为第个网络参数真实后验分布。

36、4、步骤（4）中动态集成策略的计算是通过贝叶斯原理对网络结构进行参数建模代替传统网络固定参数然后通过蒙特卡洛采样得到输入样本在网络中得到结果的不确定程度，不确定程度的倒数作为当前模型在集成模型中的权重，不确定程度的计算公式如下：

37、a.对于参数为分布区间的bcnn模型而言，样本在参数分布区间中抽样个网络中得到的结果决定了最终的不确定性。从权重分布中获取个样本，可以得到每个权重集合的多项分布。其次，使用多项分布生成个单编码样本，表示为，最终预测结果由采样的多个网络的输出结果的平均值决定，其均值最大的代表当前bcnn模型预测的结果。

38、（9）

39、式中：为训练数据，为数据集中第个数据，为模型预测结果，为使用蒙特卡洛采样从参数分布中获取的样本数，为每个权重集合的多项分布，为使用多项分布生成个单编码样本。

40、b.当模型对预测结果具有很好的自信时，对应预测标签的具有很高的概率值而其他标签的概率值很低；当模型难以对样本做出判断时，在多个标签之间存在挣扎。此时，前者预测概率之间熵值很低而后者熵值很高。因此，诊断结果的不确定性可以从抽样的个网络的总体熵值来衡量：

41、（10）

42、式中：为网络在数据集中输入输出得到的熵值，为待诊断设备故障种类数，为训练数据，为数据集中第个数据，为模型预测结果，为使用蒙特卡洛采样从参数分布中获取的样本数，为每个权重集合的多项分布，为使用多项分布生成个单编码样本。为数据集中输入后输出预测标签为故障类型的概率。

43、本发明的优势在于：本发明有效地利用cq-nsgt提取非稳态信号特征能力以及贝叶斯深度学习原理在评估结果不确定性的优势，适用于在非稳态条件下完成共轨船用燃油系统故障诊断，能够对诊断结果提供对应的不确定性参考。

技术特征：

1.一种基于动态集成框架共轨船用燃油系统故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于动态集成框架共轨船用燃油系统故障诊断方法，其特征在于：所述步骤s1中共轨船用燃油系统包括共轨管或喷油器。

3.根据权利要求1所述的一种基于动态集成框架共轨船用燃油系统故障诊断方法，其特征在于：所述步骤2中cq-nsgt变换过程包括：

4.根据权利要求1所述的一种基于动态集成框架共轨船用燃油系统故障诊断方法，其特征在于：所述步骤3中寻找网络参数的最佳分布区间，具体步骤如下：建立变分分布、用于最大程度逼近真实参数的后验分布；变分分布与后验分布的差异通过kullback-leibler(kl）散度来衡量，kl定义为：

5.根据权利要求1所述的一种基于动态集成框架共轨船用燃油系统故障诊断方法，其特征在于：所述步骤s4中集成策略根据单个模型对于当前输入数据的不确定性衡量，包括不确定程度的确定，所述不确定程度的计算方式如下：

6.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行，实现如上述权利要求1至5任一项所述一种基于动态集成框架共轨船用燃油系统故障诊断方法的步骤。

技术总结
本发明涉及的是一种共轨船用燃油系统诊断方法，具体地说是一种基于动态集成框架共轨船用燃油系统故障诊断方法及介质，包括以下步骤：S1：获取共轨船用燃油系统在正常状态和不同故障状态下的振动信号；S2：对获得的正常状态下的振动信号进行预处理后，通过CQ‑NSGT变换获得振动信号的时频图像，并划分训练集、验证集、测试集；本发明有效地利用CQ‑NSGT提取非稳态信号特征能力以及贝叶斯深度学习原理在评估结果不确定性的优势，适用于在非稳态条件下完成共轨船用燃油系统故障诊断，能够对诊断结果提供对应的不确定性参考。

技术研发人员：柯赟,朱仁杰,宋恩哲
受保护的技术使用者：烟台哈尔滨工程大学研究院
技术研发日：
技术公布日：2024/4/17