[發明專利]一種基于聲譜圖的LSTM故障診斷模型的發動機故障診斷方法

在審

• 申請號: 202111324922.4
• 申請日: 2021-11-10
• 公開（公告）號: CN114112401A
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 陳棟;錢立志;殷希梅;陳凱;張曉龍;田宗浩;石勝斌;王珺;連細南;郭佳暉
• 申請（專利權）人: 中國人民解放軍陸軍炮兵防空兵學院
• 主分類號: G01M15/00
• 分類號: G01M15/00;G06N3/04;G06N3/08
• 代理公司: 合肥律通專利代理事務所(普通合伙) 34140
• 代理人: 吳奇

本發明公開了一種基于聲譜圖的LSTM故障診斷模型的發動機故障診斷方法,涉及發動機故障檢測的技術領域，讀入聲譜圖后，先將3 channels合并為1 channel，將該模型的輸入層的n_steps設為128，n_inputs設為128；然后經過128 time_steps，即可完整地讀入一張聲譜圖；然后通過輸入層，1 time_step的數據被送入LSTM網絡，直至得到最后一個time_step的輸出，然后送入全連接層進行分類，輸出最終的診斷；本發明具有使用方便、故障件檢測效率高、精度高等優點。

技術領域

本發明涉及生物工程的技術領域，特別涉及一種基于聲譜圖的LSTM故障診斷模型的發動機故障診斷方法。

背景技術

長短期記憶網絡(LSTM，Long Short-Term Memory)是一種時間循環神經網絡，是為了解決一般的RNN(循環神經網絡)存在的長期依賴問題而專門設計出來的，所有的RNN都具有一種重復神經網絡模塊的鏈式形式。在標準RNN中，這個重復的結構模塊只有一個非常簡單的結構，例如一個tanh層。

發動機在使用的過程中，隨著使用時間的增加，發動機會發生一些故障，對于故障的檢測，主要是通過發動機發出的物理信號進行檢測，但是這種現有的檢測方式中，發動機發生故障時，只有在較大的物理信號產生時才能夠檢測到，這就具有一定的滯后性，因此本申請設置了一種基于聲譜圖的LSTM故障診斷模型的發動機故障診斷方法，通過對發動機產生的聲音的聲譜進行檢測，能夠判斷出發動機是否發生故障。

發明內容

本發明所要解決的技術問題是提供一種基于聲譜圖的LSTM故障診斷模型的發動機故障診斷方法，以解決背景技術中描述的現有技術中發動機故障檢測效率低、精度低的問題。

為實現上述目的，本發明提供以下的技術方案：一種基于聲譜圖的LSTM故障診斷模型的發動機故障診斷方法，包括以下步驟：

讀入尺寸為128height*128width*3channels的聲譜圖后，先將3 channels合并為1 channel，將該模型的輸入層的n_steps設為128，n_inputs設為128；

然后經過128 time_steps，即可完整地讀入一張128height*128width*3channels的聲譜圖；

然后通過輸入層，1 time_step的數據被送入LSTM網絡，直至得到最后一個time_step的輸出，然后送入全連接層進行分類，輸出最終的診斷。

優選的：該LSTM故障診斷模型的層數為1層。

優選的：該LSTM故障診斷模型每層的cell數量為384。

優選的：讀聲譜圖的方向為：按先縱向后橫向的方式讀圖，即n_steps＝inputs，n_hidden_units＝time_steps。

采用以上技術方案的有益效果是：

本申請通過LSTM故障診斷模型能夠對發動機的聲譜圖進行檢測，通過對聲譜圖的檢測判斷發動機是否發生故障，并且選擇cell數量n_hidden_units定為384能夠在較少的時間獲得最高的診斷精確率；采用先橫向后縱向的讀圖方向，診斷準確率得到提升。

附圖說明

圖1是本發明中LSTM故障診斷模型的詳細結構。

圖2是本發明num_layers＝1時，對比實驗的訓練集及驗證集accuracy曲線。

圖3是本發明num_layers＝2時，對比實驗的訓練集及驗證集accuracy曲線。

圖4是本發明num_layers＝3時，對比實驗的訓練集及驗證集accuracy曲線。