[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

说明书

本发明公开了一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法,涉及发动机故障检测的技术领域，将发动机声信号转变为声谱图；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；构建合适深度的CNN模型；确定网络参数；通过前向传播求得网络输出与预期目标的误差；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；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；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；输出网络用于发动机故障诊断；本发明具有使用方便、对发动机检测精度高等优点。

技术领域

本发明涉及生物工程的技术领域，特别涉及一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法。

背景技术

卷积神经网络(Convolutional Neural Networks，CNN)是一种常用的权重共享深度学习算法，已被广泛应用于图像处理、语音识别、故障检测等领域。在故障检测方面，与传统机器学习方法相比较，CNN具有强大的特征提取能力，因而表现出了良好的检测效果。传统的CNN模型由一个输入层，两组交替出现的卷积层和池化层，以及全连接层组成。

发动机在使用时，随着使用时间的在增加就会发生一定的故障，发动机故障通常在产生影响后才能够被人们发现，这就存在滞后性，存在一定的安全风险，因此本申请设置了一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，利用发动机产生的声音的情况来判断发动机是否发生故障。

发明内容

本发明所要解决的技术问题是提供一种基于声谱图的CNN故障诊断模型的发动机故障诊断方法，以解决背景技术中描述的现有技术中对发动机的故障的检测存在滞后性的问题。

为实现上述目的，本发明提供以下的技术方案：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，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。

优选的：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。

优选的：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。

优选的：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。