[發明專利]基于遞歸圖和深度卷積網絡的壓氣機振動故障檢測法

有效

• 申請號: 202010419501.9
• 申請日: 2020-05-18
• 公開（公告）號: CN111709292B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 韋吉祥;林鵬;曹九穩
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/24;G06F18/2411;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于遞歸圖和深度卷積網絡的壓氣機振動故障檢測法，其特征在于，包含如下步驟：

步驟1，建立數據庫：收集壓氣機氣動失穩數據，通過添加不同信噪比的高斯白噪聲和滑動窗口方法截取足夠的氣動失穩不同模式的失穩數據：包括失穩前的正常數據和失穩發生時的故障數據；

步驟2、一維振動故障數據轉化二維遞歸圖：

針對數據庫中的每組數據，運用相空間重構及可視化方法將一維振動故障數據轉換成二維遞歸圖，構造二維遞歸圖數據庫；

步驟3、圖像數據預處理：

對二維遞歸圖數據庫中的二維遞歸圖進行尺寸縮放、歸一化處理和標準化處理；并將所有處理后的二維遞歸圖劃分正常信號和故障信號兩類，每類按4：1劃分訓練集和測試集；

步驟4、基于深度卷積神經網絡的故障特征提??；

選取深度卷積神經網絡Inception?V3模型，采用遷移學習保持模型特征提取環節不變，直接對數據庫中二維遞歸圖訓練集進行學習來提取故障特征；一維化的故障特征向量可表示為：X＝[X₁,X₂,···,X_i]，其中i是特征向量個數，X是全局特征向量，并作為全連接層的輸入；

步驟5、構造三層全連接神經網絡進行故障檢測；

將提取的故障特征，輸入神經網絡結構對故障特征進行分類，然后通過數據庫中的測試集數據進行測試，獲取分類準確度較高的神經網絡模型并保存；最后利用保存的神經網絡模型，對新的試驗數據進行故障檢測；

步驟2所述的相空間重構及其可視化方法實現包括：

(1)相空間重構：通過使用關聯積分同時估計延遲時間和嵌入維數的C-C方法，重構一個與時序序列u_k,k＝1,2,…,N所表示的動態系統在拓撲意義下一樣的相空間：

x_i＝(u_i,u_i+τ,···,u_i+(m-1)τ)，i＝1,2,···,N-(m-1)τ

其中，m是嵌入維數，τ是延遲時間；

(2)可視化：構造以i為橫坐標和j為縱坐標的直角坐標系，分別計算兩組向量之間和的距離R(i,j)＝||x_i-x_j||,i＝1,2,···,N-(m-1)τ，j＝1,2,···,N-(m-1)τ；并在直角坐標系上以對應的能量顯示來獲取遞歸圖；

由R(i,j)＝R(j,i)和R(i,j)＝1,i＝j可知，該遞歸圖是關于主對角線對稱的；且直接采用兩個向量的距離進行可視化。

2.根據權利要求1所述的基于遞歸圖和深度卷積網絡的壓氣機振動故障檢測法，其特征在于步驟4所述的遷移學習具體是指：將Inception?V3模型全連接網絡層之前的網絡層視作為瓶頸層，凍結其在大規模源域訓練過的全部權重參數，遷移到小規模目標域中，利用凍結的模型提取故障特征。

3.根據權利要求1所述的基于遞歸圖和深度卷積網絡的壓氣機振動故障檢測法，其特征在于步驟5所述的構造三層全連接神經網絡，具體步驟如下：

(1)構建輸入層，并采用relu激活，以設定的概率Dropout丟棄部分網絡節點，防止過擬合；

(2)構建隱含層，并采用relu激活；

(3)構建輸出層，并采用softmax分類；

(4)選取適當的學習參數和優化算法進行全連接神經網絡模型訓練。

4.根據權利要求3所述的基于遞歸圖和深度卷積網絡的壓氣機振動故障檢測法，其特征在于步驟5所述的故障檢測策略為：將一組時序失穩數據通過滑動窗口不斷進行截取并分別生成相應的按照時間序列排列的二維遞歸圖，通過已訓練好的深度卷積神經網絡模型進行特征提取和故障分類；具體為：當隨時間排列的某一個二維遞歸圖分類為故障類別時，則認為此階段故障發生；通過該二維遞歸圖與之前的二維遞歸圖的平均間隔時間作為故障發生時刻。