[發明專利]一種基于隨機卷積神經網絡的飛機機電系統故障識別方法

在審

• 申請號: 201810592166.5
• 申請日: 2018-06-11
• 公開（公告）號: CN109001557A
• 公開（公告）日: 2018-12-14
• 發明（設計）人: 梁天辰;姜洪開;王仲生;李華星;田紅波
• 申請（專利權）人: 西北工業大學
• 主分類號: G01R31/00
• 分類號: G01R31/00;G06N3/04
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 顧潮琪

本發明提供了一種基于隨機卷積神經網絡的飛機機電系統故障識別方法，首先使用短時傅里葉變換將振動加速度信號構建為空間相關性良好的二維時頻圖，解決了一維信號的二維轉化問題；然后將轉化后的二維時頻圖輸入隨機卷積神經網絡，該網絡采用隨機輟學機制，抑制模型過擬合并提升泛化能力，通過動量隨機梯度下降算法更新網絡參數，完成識別模型的構造；最后使用隨機卷積神經網絡完成對飛機機電系統故障的識別。本發明的識別效果良好，實用性強，簡單易行，適用于飛機系統的故障識別。

技術領域

本發明屬于飛機機電系統健康監測領域，具體涉及飛機機電系統的故障識別方法。

背景技術

飛機機電系統作為飛機的重要組成部分，它的使命是為飛機傳遞能量，以實現飛機的基本功能。飛機機電系統包括飛機環境控制系統、飛機燃油系統、飛機液壓系統、飛機電源系統、飛機輔助動力系統等，每一個系統都由大量彼此關聯的組件組合而成。滾動軸承和轉子是飛機機電系統中具有表征性的兩個組件，針對這些組件進行振動檢測，分析和處理獲取的振動信號，可以實現對飛機機電系統故障的識別。在飛機運行過程中，飛機機電系統常處于高速、重載和強沖擊等狀態，這導致振動信號呈現出強噪聲和非平穩特性，給飛機機電系統的故障識別帶來極大挑戰。同時準確識別飛機機電系統故障也具有非常重大的意義和經濟價值。

目前，飛機機電系統故障識別方法主要有三類：基于模型的識別方法，基于知識的識別方法和基于數據驅動的識別方法。但實際工況中的環境非常復雜，未知因素較多，導致建立完善的動力學模型來描述飛機機電系統的故障演化規律存在很大的難度，因此基于模型的識別方法在飛機機電系統健康監測領域的實際應用范圍和效果非常受限。基于知識的識別方法非常依賴知識庫的完備程度，可以說知識庫的不完備將直接導致方法失效，而飛機的運行環境非常復雜，使得知識庫的建立和完善非常困難，因此基于知識的識別方法不適合飛機機電系統故障。基于數據驅動的故障識別方法以收集到的數據為研究對象，不需要大量的專家經驗和先驗知識，而是通過對數據的分析，挖掘隱含的有用信息對故障狀態進行評估，是目前被廣泛應用的識別方法。常用的數據驅動識別方法有：淺層神經網絡和支持向量機。但淺層神經網絡容易陷入局部極小值，且收斂速度非常慢。支持向量機存在核函數選拔和多分類的沖突問題。更加嚴重的是，淺層模型只擁有少量的非線性變換，面對有限數量的網絡規模和計算成本的情況下，難以提取出具有良好代表性的特征。特別是當數據中包含大量噪聲干擾和非線性因素時，淺層模型容易將非信號信息提取作為故障特征，進而產生錯誤。

近年來，深度學習作為智能方法的代表，已經展現出從原始數據捕獲代表性特征的強大能力。深層網絡結構之間的多重線性和非線性變換可以得到數據更有力的非線性表達。深度神經網絡已經被廣泛應用于模式識別領域。卷積神經網絡是一種由多級非線性訓練模塊組成的有監督深度模型。每個訓練模塊包含卷積層和池化層兩種結構，通過感受野、共享權值、下采樣三個有效機制，模擬人腦對二維數據逐層提取高度抽象特征。但在實際工況的噪聲和異常振動影響下，傳統卷積神經網絡提取故障的能力不足以提取出足夠質量的特征完成故障識別。同時，因為傳統卷積神經網絡采用最大池化，只篩選最大的特征作為故障特征，從而導致模型過擬合，削弱了模型的泛化能力。

發明內容

為了克服現有技術的不足，本發明提供一種基于隨機卷積神經網絡的飛機機電系統故障識別方法，首先根據振動加速度信號構建空間相關性良好的二維時頻圖，解決一維信號的二維轉化問題；然后用轉化后的二維時頻圖訓練隨機卷積神經網絡，網絡采用隨機池化和輟學策略抑制模型過擬合并提升泛化能力，通過動量隨機梯度下降算法更新網絡參數，完成識別模型的構造；最后使用隨機卷積神經網絡完成對飛機機電系統故障的識別。本發明的識別效果良好，實用性強，簡單易行，適用于飛機機電系統的故障識別。

本發明解決其技術問題所采用的技術方案包括以下步驟：

步驟一，提取飛機機電系統內指定軸承和轉子的振動加速度信號劃分為訓練樣本和測試樣本兩部分，分別對訓練樣本和測試樣本進行短時傅里葉變換和分貝轉化歸一化，得到訓練二維時頻圖和測試二維時頻圖；