[发明专利]一种基于振动机理与深度学习技术的整周期无键相监测方法

说明书

本发明公开了一种基于振动机理与深度学习技术的整周期无键相监测方法。本发明首先利用瞬时冲击特征提取模块IS的自适应阈值策略对有键相和无键相方法获取缸盖振动信号进行瞬时冲击特征提取，同时设计一种同步压缩变换时频方法，构建整周期预估模块CE从齿轮箱振动信号中估计整周期长度，然后利用已有的有键相采集整周期信号组成图像集，训练得到深度卷积神经网络图像识别模块IR，最终通过整周期精确模块CR将变长度滑动组合窗口在无键相缸盖振动信号上滑动并生成的图像，输入至深度卷积神经网络模型进行图像识别，确定截取窗口大小和起始相位位置。该方法简单有效、适应性强，不受负载变化的影响，不需键相信号作为参考，无需安装传感器。

技术领域

本发明属于车辆、舰船及核电站应急发电机组用往复机械在线监测领域，尤其涉及了一种基于振动机理与深度学习技术的整周期无键相监测方法，可在键相和转速传感器无法安装情况下用于对采集的原始信号进行整周期重采样，便于后续故障诊断。

背景技术

往复机械是舰船、车辆和武器装备等领域的核心动力设备。作为融合旋转和往复两种运动的复杂机械，各气缸交替点火并驱动曲轴旋转，机组转速不平稳和振动多激励耦合，导致振动信号非平稳，采集信号与振动周期之间关系具有随机性。振动信号分析是诊断与评估机组运行状态的数据驱动重要方法之一。由于柴油发动机各缸工作过程与曲轴旋转角度均有相应的特定关系，即特定曲轴旋转位置赋予了振动信号冲击特征角域空间的物理意义，有利于提高机组的状态监测和故障诊断能力。因此研究整周期角域振动信号采集技术对诊断与评估柴油发动机运行状态有重要意义。

目前旋转设备整周期角域采样可分为硬件模拟触发采样和软件重采样。硬件模拟触发采样主要以光电脉冲编码器或键相脉冲等硬件设备产生键相信号，结合锁相环电路和采样频率合成器实现对振动信号的等角度采样。软件重采样先以等时间间隔方式将键相信号和振动信号进行同步采样，然后利用插值算法进行数据处理得到整周期角域采样。硬件模拟触发采样具有处理速度快和实时性好等优点，但控制电路复杂、高硬件成本等问题限制其应用和发展。而软件重采样虽减少了硬件和复杂的电路，但实时性较差。硬件模拟触发采样和软件重采样各有优势，但均需键相脉冲装置作为参考信号，前述研究均未考虑到键相脉冲装置安装总是受到机械结构及A/D转换通道数量限制，不仅给现场施工带来不便，而且采集信号经常出现启停机跑相位问题，严重影响了信号质量和故障诊断性能。

本发明提出一种基于振动机理与深度学习技术的整周期无键相监测方法。通过充分发掘整周期振动冲击特征关联规律，利用先进时频变换分析方法和深度学习技术实现无键相整周期重采样，该方法的主要优点在于简单有效、适应性强，基本不受负载变化的影响，同时该方法不需键相信号作为参考，因此，往复机械设备上无需安装相关传感器，从而节约成本。

发明内容

针对键相传感器价格昂贵、在某些设备安装困难的问题，提供一种自学习的整周期信号采集方法即基于振动机理与深度学习技术的整周期无键相监测方法。这种方法适应性强，基本不受负荷变化的影响，采集的周期信号能够完整的保留该周期内的信号振动特征，可满足角域分析的要求。

本发明设计的一种技术方案是：基于振动机理与深度学习技术的整周期无键相监测方法，该方法基于一种同步压缩广义S变换时频方法和深度卷积神经网络图像识别，输出结果即为整周期信号，包括瞬时冲击特征提取模块IS、整周期预估模块CE、图像识别模块IR及整周期精准模块CR；所述瞬时冲击特征提取模块IS模块输入是缸盖振动信号，整周期预估模块CE输入是齿轮箱振动信号，图像识别模块IR是深度卷积神经网络模型，该模型包含4个1维卷积层和2个全连接层，方法具体步骤如下：

1)瞬时冲击特征提取模块IS：以滑动步长d₁，窗口长度W，将原始缸盖振动信号c进行分段，分段信号记为c(i)，i表示第i段信号，计算各段噪声水平阈值Ne¹和瞬时冲击阈值Ne²，满足Ne²≤c(i)条件的振动信号即为瞬时冲击发生位置，提取的瞬时冲击特征信号记为Al，公式如下：