[发明专利]基于STFT与改进DenseNet的航空发动机故障诊断方法

权利要求书

1.基于STFT与改进DenseNet的航空发动机故障诊断方法，其特征在于该方法使用STFT对原始信号进行频谱分析，生成故障时频图像，然后利用故障图像训练DenseNet网络实现对故障图像的分类；改进的DenseNet网络为SEDenseNet(SENet-DenseNet)，SEDenseNet是利用SENet与DenseNet相融合的方法，在DenseNet-BC的基础上嵌入SE模块，不仅有效增强了特征重用与深层信息传递，而且实现了特征通道的重标定，通过学习来确定每个特征通道的重要程度，按照每个通道的权值来增强有用的通道特征并抑制对当前任务用处不大的通道特征，旨在更好的实现对时频图像的特征提取；所述方法包含以下步骤：

S1、采集发动机在变转速运转状况下各类故障的振动信号；

S2、搭建基于SeNet与DenseNet相融合的图像分类网络，在DenseNet-BC的基础上嵌入SE模块，主要由四个Block模块和四个SENet模块组成，四个Block模块分别有3，3，6，4个DenseLayer；每个Block模块后面又有一个1x1的Translation layer结构进行特征降维，不仅有效增强了特征重用与深层信息传递，而且还实现了特征通道的重标定，通过模型自主学习来确定每个特征通道的重要程度，根据每个通道的权值来增强有用的通道特征并抑制对当前任务用处不大的通道特征，旨在更好的实现对时频图像的特征提取；最后使用softmax函数实现分类；

S3、对原始信号进行分帧加窗，做STFT和归一化，生成单通道灰度图像；

S4、制作训练集和测试集；

S5、训练模型，实现对故障图像的分类。

2.如权利要求1所述的基于STFT与改进DenseNet的航空发动机故障诊断方法，其特征在于，步骤S1中所述的采集发动机在变转速运转状况下振动信号的原理如下：

数据采集过程中，将振动加速度传感器通过磁铁吸附在发动机的表面，并通过连接线与信号采集仪相连接，使用自主开发的振动采集客户端软件采集发动机表面的振动信号，采集过程中，工人通过手工控制发动机的转速和负载，使发动机完成变转速的过程，同时软件会实时记录该过程中产生的振动信号。

3.如权利要求1所述的基于STFT与改进DenseNet的航空发动机故障诊断方法，其特征在于，步骤S2中所述的基于SENet与DenseNet相融合的图像分类网络的原理如下：

利用SENet与DenseNet相融合的方法，在DenseNet-BC的基础上嵌入SE模块，主要由四个Block模块和四个SENet模块组成，四个Block模块分别有3，3，6，4个DenseLayer；每个Block模块后面又有一个1x1的Translation layer结构进行特征降维，不仅有效增强了特征重用与深层信息传递，而且还实现了特征通道的重标定，通过模型自主学习来确定每个特征通道的重要程度，根据每个通道的权值来增强有用的通道特征并抑制对当前任务用处不大的通道特征，旨在更好的实现对时频图像的特征提取；最后使用softmax函数实现分类。

4.如权利要求1所述的基于STFT与改进DenseNet的航空发动机故障诊断方法，其特征在于，步骤S3中所述的短时傅里叶变换生成时频图像的原理如下：

短时傅里叶变换(STFT，short-time Fourier transform)是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位；它的思想是假定分析窗函数g(t)在一个短时间间隔内是近似平稳的，在是原始时域振动信号f(t)上移动窗函数g(t)，使f(t)g(t)在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱；在短时傅里叶变换过程中，窗的长度决定频谱图的时间分辨率和频率分辨率，窗长越长，截取的信号越长，信号越长，傅里叶变换后频率分辨率越高，时间分辨率越差；相反，窗长越短，截取的信号就越短，频率分辨率越差，时间分辨率越好，也就是说短时傅里叶变换中，时间分辨率和频率分辨率之间不能兼得，应该根据具体需求进行取舍；信号经过分帧加窗，每帧分别做快速傅立叶变换并映射到单通道图像的像素表示域，将各帧信号叠加起来生成时频图像。

5.如权利要求1所述的基于STFT与改进DenseNet的航空发动机故障诊断方法，其特征在于，步骤S4中所述的制作训练集和测试集的方法如下：

按照7-3分的原则将采集到的东安航空发动机变转速下的6个故障类别，其中含一类正常数据，选取每种故障70％个样本作为训练集，选取30％作为测试集，然后将训练集和测试集随机打散，增加样本的随机性。