[发明专利]一种基于单传感器的航空发动机早期损伤声发射智能识别方法

权利要求书

1.一种基于单传感器的航空发动机早期损伤声发射智能识别方法，其特征在于，包括如下步骤：

步骤100：在航空发动机试验台上进行实验，利用单传感器获取航空发动机在不同早期损伤下的声发射原始信号；

步骤200：利用连续小波变换的时频分析技术将由传感器捕获的声发射原始信号转换成二维时频特征图像，形成数据样本集；

步骤300：构建训练样本集、验证样本集和测试样本集；对初始样本集中所有图像按6:2:2的比例划分为训练集、验证集和测试集，数据样本集内数据均为有标签的图像样本；

步骤401：使用1个输入层作为深度卷积神经网络的开始，用于接收预处理后的航空发动机声发射特征图像；深度卷积神经网络的输入图像大小为200×200×3，即宽度为200像素，高度为200像素，每个像素有三个值；

步骤402：深度卷积神经网络中的卷积结构用于对航空发动机声发射特征图像进行特征提取以得到不同早期损伤的图像特征；卷积结构包括6个卷积操作，每个卷积操作包括1个带有Relu激活函数的卷积层和1个池化层；在卷积结构中，第一卷积层使用5×5的内核，步长为1，以快速提取可学习的模式；其余卷积层采用3×3的核通过多层非线性映射来学习信号特征，卷积步长为1；池化层的核大小和步长分别为2×2和2；6个卷积操作可将输入图像尺寸缩小64倍；

在卷积层中，使用卷积核对输入图像进行卷积；通过添加偏差项并利用激活函数，可以生成一系列特征图；卷积运算公式为：

式中，为第l层的第m帧中的第k个神经元的值，为l-1层的第m帧特征图中的第k个卷积区域，为其中的元素；为卷积核，为偏置项；符号·表示局部区域和卷积核之间的标量积运算；f()为激活函数，Relu激活函数的数学表达式为：

f(x)＝max[0,x]

卷积层之后是一个池化层，池化方式为最大值池化，即在池化区域中选取最大值作为输出；最大池化的公式为：

式中，为第l层的第m帧中的第k个神经元的值，n为池化区域的宽度，为第l+1层的第m帧中的第j个神经元的值；

步骤403：连接结构包括平铺操作、全连接操作和丢弃操作，具体为1个平铺层、1个全连接层和1个比例为0.25的丢弃层；连接结构首先将经过卷积结构后的特征平铺开来，然后使用全连接层将每一个神经元都与前一层的神经元相连接；接着，使用比例为0.25的丢弃层以避免模型训练的过拟合问题；

步骤404：输出层选用softmax层实现早期损伤分类并输出预测结果；对于多分类任务，使用的输出模型为softmax，可表示为：

式中，h_j表示分类结果，V_j为函数的输入值，即上一层网络的输出，M表示类别的数量。Softmax输出的是输入图像最终属于某个类别的概率，概率越大，可能性越大；深度卷积神经网络模型的损失函数定义为真实值和模型预测之间的交叉熵，其常被用来评判预测值与实际值的差异程度，表示为：

式中，N表示一个批次中有N个样本，M表示类别的数量；y_ic表示指示变量，如果该类别和样本i的类别相同就是1，否则是0；p_ic是对于观测样本i属于类别c的预测概率；

步骤500：初始化深度卷积神经网络；设置初始学习率为0.001、初始动量为0.9、批量为20、权重衰减因子设置为0.000001、最大迭代次数为500、回调值为10即若模型在10轮循环内验证精度不再提高时，训练停止，并保存精度最高的模型；结合动量学习法和小批量随机梯度下降法来优化学习率；深度卷积神经网络模型的损失函数定义为真实值和模型预测之间的交叉熵；

步骤601：对航空发动机声发射特征图像训练集和验证集进行预处理；具体地，将训练集和验证集中图像的尺寸按深度卷积神经网络的输入要求进行缩放，然后对缩放后的图像进行归一化，以将缩放后的图像的所有像素值缩放到区间[0,1]；具体地，先将训练集和验证集中的图像大小缩放为200×200，然后采用公式a’＝a/255调整图像像素值，其中，a为图像中各点像素值即归一化前各点像素值，a’为处理后图像各点像素值即归一化后各点像素值；；

步骤602：将经预处理后的训练集和验证集及其中各图像所属的损伤类别标签一起作为输入，输入到初始化后的深度卷积神经网络中进行训练和验证；具体为将训练集分为多批，每批包含B₁张预处理后的航空发动机声发射特征图像，B₁为大于等于1的正整数；对初始化后的深度卷积神经网络重复执行训练步骤以遍历整个训练集；将验证集分为多批，每批包含B₂张预处理后的航空发动机声发射特征图像，B₂为大于等于1的正整数，对每次训练完的深度卷积神经网络进行验证；在每一个批次的训练中使用梯度反向传播算法，根据交叉熵损失函数来计算深度卷积神经网络中各权重变化的梯度，并使用优化方法来调整深度卷积神经网络中各权重的值；对于回调值和最大迭代次数，模型将遵循首先满足的设置；反复迭代运行完成模型训练，得到训练完成后的深度卷积神经网络模型；

步骤701：对航空发动机声发射特征图像测试集进行预处理，得到符合深度卷积神经网络输入要求的预处理图像；具体地，将测试集中图像的尺寸按深度卷积神经网络的输入要求进行缩放，然后对缩放后的图像进行归一化，以将缩放后的图像的所有像素值缩放到区间[0,1]；具体地，先将测试集中的图像大小缩放为200×200，然后采用公式a’＝a/255调整图像像素值，其中，a为图像中各点像素值，a’为处理后图像各点像素值；

步骤702：将经预处理后的测试集及其中各图像所属的损伤类别标签一起作为输入，输入到训练后的深度卷积神经网络中进行测试，得到航空发动机声发射特征图像的预测损伤类别；

步骤703：根据航空发动机声发射特征图像的真实损伤类别和预测损伤类别，计算航空发动机声发射特征图像的测试准确率、测试精度欧氏距离及Kappa系数评价指标；判断测试集中所有航空发动机声发射特征图像的评价指标是否符合预设阈值要求，即测试准确率达到90.00％以上，测试精度欧氏距离不超过1.0000，Kappa系数不低于0.9000；若判断为不符合，则执行步骤401～702，调整深度卷积神经网络结构，重新初始化深度卷积神经网络并进行训练、验证及测试；如果通过调整深度卷积神经网络模型的结构和参数仍然无法在测试集上达到预设的预测评价标准，则在原有训练集的基础上，再采集更多训练数据，即再采集多个航空发动机早期损伤声发射信号，然后再执行步骤200～702；若判断为符合,则所述训练后的深度卷积神经网络模型用于实现基于单传感器声发射的航空发动机早期损伤的智能识别。