[发明专利]一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法

权利要求书

1.一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，其特征在于：包括以下步骤：

第一步：利用短时傅立叶变换将发动机声信号转变为声谱图；

第二步：对声谱图进行预处理：首先将声谱图的非特征部分删除；再将图片压缩成合适大小的正方形；

第三步：建立网络并初始化网络参数：根据样本和要求，构建合适深度的CNN模型；确定网络参数；

第四步：网络训练、前向传播：将样本输入到网络中，通过前向传播求得网络输出与预期目标的误差；

第五步：判断网络是否收敛到最优：若是，则执行第七步；若不是，则执行第六步；

第六步：反向传播、权值修改：将第四步求得的误差反向逐层传播到每个节点，并更新权值；重复执行第四步～第六步，直至网络收敛；

第七步：根据验证集的精确度判断网络是否满足实际要求：如满足执行第八步；如不满足，跳转到第三步，修改网络参数；

第八步：输出网络用于发动机故障诊断。

2.根据权利要求1一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，其特征在于，该CNN模型包括输入层、五个卷积层、三个池化层、两个全连接层和输出层。

3.根据权利要求2一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，其特征在于，该CNN模型的运行方式为对数据集中的每一个声音信号，进行时频变换，获得声谱图，进而调整声谱图的尺寸为128*128以符合模型输入要求；接着是一个“卷积－池化”的堆叠运算，为了尽可能多的提取局部特征，在卷积部分均采用了小尺寸的卷积核过滤声谱图；然后是包含2048个隐藏单元的全连接层和使用Softmax进行故障分类的Logistic-regression层，最后的输出层则输出发动机的两种状态的识别结果；网络训练开始则随机初始化权值，在训练过程中通过计算预测值和真实值的误差，反向传播并修正网络权值，直至满足终止条件。

4.根据权利要求3一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，其特征在于，该CNN模型中每个卷积层以及全连接层采用Relu激活函数并进行Batch_normalization归一化。

5.根据权利要求3一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，其特征在于，该CNN模型中选择Sigmoid的损失函数并使用Adam算法进行优化。