[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

本發明公開了一種基于遞歸圖和深度卷積網絡的壓氣機振動故障檢測法。本發明構造壓氣機氣動失穩振動故障數據庫，選取已有的實驗數據，通過數據預處理獲取大量的故障數據庫。其次，選取二維圖像轉化方法，將一維振動信號轉化為二維圖像，最后，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，通過調節特征整合環節結構對二維圖像遞歸圖進行故障特征提取與檢測。本發明由二維圖像反映時間序列內部動力學系統中的相空間流形，揭示系統的動力學特性，適合于對非平穩非線性的時間序列進行特征分析。本發明將機器視覺中的優勢應用于非視覺領域，采用深度卷積神經網絡Inception?V3模型進行機械振動故障檢測，減少手工設計特征的巨大工作量。

技術領域

本發明涉及旋轉機械振動信號故障診斷領域，具體涉及一種基于遞歸圖和深度卷積神經網絡的壓氣機振動故障檢測法。

背景技術

壓氣機是大型民用和軍用航空發動機的動力來源，其氣動失穩屬于一類振動故障現象。該故障不但使發動機性能(推力、經濟性)大為惡化，限制發動機的工作范圍，而且更嚴重的是它們會引起發動機突然熄火，或引起壓氣機葉片劇烈振動以致葉片斷裂而造成整臺發動機的損壞。對壓氣機氣動失穩振動故障檢測方法的研究，對提高發動機的穩定性和可靠性具有重要的科學研究意義和工程應用價值。

壓氣機氣動失穩產生的機械振動故障信號具有非線性、非平穩的特性。針對非線性非平穩信號，常見的時頻分析方法有短時傅利葉變換、經驗模態分解、小波包分解等。然而，短時傅里葉變換對信號所加的窗口是固定的，無法滿足非平穩信號變化的頻率的要求；經驗模態分解具有嚴重的端點效應和模態混疊現象，會影響分析結果的正確性和精確性；小波分解在選擇小波基時對信號的先驗知識具有極強的依賴性。更重要的是，針對機械振動故障信號，傳統的信號處理方法只能通過捕捉瞬時故障頻率的方法進行故障診斷，不能可視的看出故障的類型和程度。相對傳統故障診斷方法，基于深度學習的故障診斷方法獲得廣泛關注。特別是深度學習在計算機視覺領域中的應用，深度學習在很大程度上解決了視覺對象的分類、目標檢測和識別問題。

本發明提出一種基于遞歸圖和深度卷積神經網絡的壓氣機振動故障檢測新方法，將機器視覺算法應用于非視覺領域。首先，構造壓氣機氣動失穩振動故障數據庫，選取已有的實驗數據，通過數據預處理獲取大量的故障數據庫。其次，選取二維圖像轉化方法，將一維振動信號轉化為二維圖像(遞歸圖)，該圖可以由二維圖像反映時間序列內部動力學系統中的相空間流形，揭示系統的動力學特性，適合于對非平穩非線性的時間序列進行特征分析。最后，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，通過調節特征整合(全連接層)環節結構(不同層數、不同神經元個數和dropout技術處理)對二維圖像遞歸圖進行故障特征分類，達到故障檢測目的。

發明內容

本發明的目的在于將機器視覺算法引入機械振動故障診斷領域，為機械振動信號的故障特征可視化及其故障診斷提供一套新的故障診斷法。本發明的具體技術方案通過如下步驟實現：

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。

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取；