CN109001557A - 一种基于随机卷积神经网络的飞机机电系统故障识别方法 - Google Patents
一种基于随机卷积神经网络的飞机机电系统故障识别方法 Download PDFInfo
- Publication number
- CN109001557A CN109001557A CN201810592166.5A CN201810592166A CN109001557A CN 109001557 A CN109001557 A CN 109001557A CN 201810592166 A CN201810592166 A CN 201810592166A CN 109001557 A CN109001557 A CN 109001557A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- dimentional
- indicate
- convolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明提供了一种基于随机卷积神经网络的飞机机电系统故障识别方法,首先使用短时傅里叶变换将振动加速度信号构建为空间相关性良好的二维时频图,解决了一维信号的二维转化问题;然后将转化后的二维时频图输入随机卷积神经网络,该网络采用随机辍学机制,抑制模型过拟合并提升泛化能力,通过动量随机梯度下降算法更新网络参数,完成识别模型的构造;最后使用随机卷积神经网络完成对飞机机电系统故障的识别。本发明的识别效果良好,实用性强,简单易行,适用于飞机系统的故障识别。
Description
技术领域
本发明属于飞机机电系统健康监测领域,具体涉及飞机机电系统的故障识别方法。
背景技术
飞机机电系统作为飞机的重要组成部分,它的使命是为飞机传递能量,以实现飞机的基本功能。飞机机电系统包括飞机环境控制系统、飞机燃油系统、飞机液压系统、飞机电源系统、飞机辅助动力系统等,每一个系统都由大量彼此关联的组件组合而成。滚动轴承和转子是飞机机电系统中具有表征性的两个组件,针对这些组件进行振动检测,分析和处理获取的振动信号,可以实现对飞机机电系统故障的识别。在飞机运行过程中,飞机机电系统常处于高速、重载和强冲击等状态,这导致振动信号呈现出强噪声和非平稳特性,给飞机机电系统的故障识别带来极大挑战。同时准确识别飞机机电系统故障也具有非常重大的意义和经济价值。
目前,飞机机电系统故障识别方法主要有三类:基于模型的识别方法,基于知识的识别方法和基于数据驱动的识别方法。但实际工况中的环境非常复杂,未知因素较多,导致建立完善的动力学模型来描述飞机机电系统的故障演化规律存在很大的难度,因此基于模型的识别方法在飞机机电系统健康监测领域的实际应用范围和效果非常受限。基于知识的识别方法非常依赖知识库的完备程度,可以说知识库的不完备将直接导致方法失效,而飞机的运行环境非常复杂,使得知识库的建立和完善非常困难,因此基于知识的识别方法不适合飞机机电系统故障。基于数据驱动的故障识别方法以收集到的数据为研究对象,不需要大量的专家经验和先验知识,而是通过对数据的分析,挖掘隐含的有用信息对故障状态进行评估,是目前被广泛应用的识别方法。常用的数据驱动识别方法有:浅层神经网络和支持向量机。但浅层神经网络容易陷入局部极小值,且收敛速度非常慢。支持向量机存在核函数选拔和多分类的冲突问题。更加严重的是,浅层模型只拥有少量的非线性变换,面对有限数量的网络规模和计算成本的情况下,难以提取出具有良好代表性的特征。特别是当数据中包含大量噪声干扰和非线性因素时,浅层模型容易将非信号信息提取作为故障特征,进而产生错误。
近年来,深度学习作为智能方法的代表,已经展现出从原始数据捕获代表性特征的强大能力。深层网络结构之间的多重线性和非线性变换可以得到数据更有力的非线性表达。深度神经网络已经被广泛应用于模式识别领域。卷积神经网络是一种由多级非线性训练模块组成的有监督深度模型。每个训练模块包含卷积层和池化层两种结构,通过感受野、共享权值、下采样三个有效机制,模拟人脑对二维数据逐层提取高度抽象特征。但在实际工况的噪声和异常振动影响下,传统卷积神经网络提取故障的能力不足以提取出足够质量的特征完成故障识别。同时,因为传统卷积神经网络采用最大池化,只筛选最大的特征作为故障特征,从而导致模型过拟合,削弱了模型的泛化能力。
发明内容
为了克服现有技术的不足,本发明提供一种基于随机卷积神经网络的飞机机电系统故障识别方法,首先根据振动加速度信号构建空间相关性良好的二维时频图,解决一维信号的二维转化问题;然后用转化后的二维时频图训练随机卷积神经网络,网络采用随机池化和辍学策略抑制模型过拟合并提升泛化能力,通过动量随机梯度下降算法更新网络参数,完成识别模型的构造;最后使用随机卷积神经网络完成对飞机机电系统故障的识别。本发明的识别效果良好,实用性强,简单易行,适用于飞机机电系统的故障识别。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤一,提取飞机机电系统内指定轴承和转子的振动加速度信号划分为训练样本和测试样本两部分,分别对训练样本和测试样本进行短时傅里叶变换和分贝转化归一化,得到训练二维时频图和测试二维时频图;
步骤二,将训练二维时频图输入初始化的随机卷积神经网络,前向计算均方误差;根据均方误差和代价函数反向逐层训练随机卷积神经网络的权值参数,直到均方误差小于设定的最小均方误差值或达到最大循环数,随机卷积神经网络的训练完成;
步骤三、使用训练好的随机卷积神经网络对测试二维时频图进行飞机机电系统故障的识别。
所述的步骤一包括以下步骤:
1.1)采集飞机机电系统内部指定轴承和转子的振动加速度信号,分成训练和测试两个样本,每个样本包含1024个信号值;
1.2)对训练样本和测试样本分别进行短时傅里叶变换,生成32×32尺寸的训练能量谱密度矩阵和测试能量谱密度矩阵;
1.3)将每个矩阵中的能量谱密度值化为分贝值dB=10*log10P(t,f),其中P(t,f)表示时间为t频率为f时的功率谱密度;同时进行归一化,将分贝值转化为时频值其中i1、j1、p、q表示能量谱密度矩阵中元素(i1,j1)、(p,q)的横纵坐标,表示该二维时频图中所有分贝的均值;最终得到32×32的训练二维时频图和测试二维时频图。
所述的步骤二包括以下步骤:
2.1)初始化随机卷积神经网络,随机卷积神经网络结构包括输入层、卷积1层、SP&D1层、卷积2层、SP&D2层、全连接层、Softmax分类器;随机卷积神经网络的结构和参数设置为:网络的层数为2-32-32-32-32-800-C,其中,2表示第一次输入特征图的数量,四个32分别表示卷积1层、SP&D1层、卷积2层、SP&D2层的二维时频图数量,800表示全连接层神经元数量,C表示故障类型数,卷积核尺寸为5×5,卷积步长为1,每一层的权值服从均值为0,方差为的高斯分布,N表示上一层的二维时频图的数量,池化尺寸为2×2,辍学率为0.5,动量系数μ为0.95,学习率η为0.01,第0次参数更新量V0为0,最小均方误差为0.001,最大循环数为200;
2.2)将训练二维特征图输入卷积1层与该层卷积核进行卷积求和,根据卷积步长遍历整个训练二维时频图;卷积1层的输出二维时频图其中,i2,j2,r,s表示二维时频图中(i2,j2)、(r,s)的横纵坐标,n表示上一层的第n张二维时频图,l1表示该层第l1张二维时频图,表示时频图中对应位置的时频值,表示第l1个卷积核(r,s)位置的权值,表示第l1个卷积核的偏置,表示第l1个二维时频图(i2,j2)位置的时频值,f表示ReLu激活函数,f(x)=max(0,x);将该层的二维时频图输入SP&D1层;
2.3)SP&D1层中采用随机池化和辍学策略,根据池化尺寸将二维时频图划分为多个2×2的激活区域,建立每个激活区域的多项分布,多项分布的概率 表示(i3,j3)处时频值的概率,为激活区域内(i3,j3)处的时频值;
2.4)根据多项分布的概率随机抽取时频值,再根据辍学比例随机将抽取的时频值归零,最后将每个激活区域筛选的时频值按区域的相对位置组成新的二维时频图,输入卷积2层;
2.5)在卷积2层中,将输入二维时频图按步骤2.2)的操作计算输出二维时频图,然后输入SP&D2层。
2.6)在SP&D2层中将输入二维时频图按步骤2.3)和2.4)的操作计算输出二维时频图,然后输入全连接层;
2.7)将输入的二维时频图中每一个时频值与全连接层中每个神经元的权值相乘累加,然后将全连接层神经元结果输入Softmax分类器;
2.8)根据输入Softmax分类器的参数,Softmax分类器得到诊断故障类型,故障类型的概率Fxu表示第u个样本的全连接层神经元输出,表示第u个样本属于v类故障的概率,表示l2类故障的分类器权值,wv表示v类故障的分类器权值,C表示故障类型数;Softmax分类器的代价函数I{yu=v}表示当事件yu=v为真时返回1,事件yu=v为假返回0,m表示全连接层神经元的数量;根据代价函数和动量随机梯度下降算法反向修正模型内所有权值参数;动量随机梯度下降算法计算θt+1=θt-μVt-η▽J(θt),其中θt表示训练第t次时的权值参数,Vt为训练第t次时权值参数更新量,μ为动量系数,η为学习率,▽J(θt)表示对代价函数求权值参数θt的偏导;
2.9)均方误差其中表示权值参数θt的均值;当均方误差收敛则训练结束,否则返回步骤2.2)。
所述的步骤三包括以下步骤:
3.1)将测试二维时频图输入卷积1层,根据卷积步长遍历二维时频图,计算输出二维时频图,并输入SP&D1层;
3.2)根据输入的二维时频图,SP&D1层对区域内每一个时频值按概率进行加权,SP&D1层输出二维时频图上(i3,j3)的数值
其中S1表示输入二维时频图的尺寸;将输出二维时频图输入卷积2层;
3.3)在卷积2层中,将输入的特征图按步骤3.1)的操作计算输出二维时频图,输入SP&D2层;
3.4)在SP&D2层中,将输入的特征图按步骤3.2)的操作计算输出二维时频图并输入全连接层;
3.5)将输入的二维时频图中每一个时频值与全连接层中每个神经元的权值相乘累加,然后将全连接层神经元结果输入Softmax分类器;
3.6)Softmax分类器得到识别结果,识别概率
本发明的有益效果是:采用联合时频分析方法,设计出空间相关性良好的二维时频图,解决了一维数据向二维的合理转化问题。同时,削减了外部噪声对准确识别的影响;随机卷积神经网络中的随机池化结合辍学机制的优化,抑制了模型在小样本学习中的过拟合问题,能够更加有效地学习输入数据中的故障信息,使网络捕获的特征更具代表性,从而实现更准确的故障识别。本发明提高了飞机机电系统故障识别的准确性,可靠性强,便于工程实践中使用。下面结合附图和实施例对本发明进一步说明。
附图说明
图1为本发明飞机机电系统故障识别方法流程图。
图2为原始轴承数据振动信号时域图。
图3为本发明对轴承信号分类的结果混淆矩阵。
图4为原始转子数据振动信号时域图。
图5为本发明对转子信号分类的结果混淆矩阵。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
参照图1所示,本发明实施例的内容可主要分为三部分。第一部分是提取飞机机电系统关键组件的振动加速度信号作为研究对象,通过短时傅里叶变换和分贝转化归一化,将一维信号转化为分辨率和空间关系良好的二维时频图。第二部分是将转化后的二维时频图输入随机卷积神经网络,前向计算均方误差,再根据均方误差和代价函数反向逐层训练随机卷积神经网络,完成识别模型的构造。第三部分是使用训练好的随机卷积神经网络完成对飞机机电系统故障的识别。
参照图2所示,展示了16种故障状态的轴承时域信号,图中横坐标表示数据点数,纵坐标表示幅值,单位为m/s2。
参照图3所示,采用本方法对轴承故障状态进行识别,识别结果采用混淆矩阵进行展示,纵坐标为实际故障类别,横坐标为诊断故障类别,矩阵主对角线上的元素表示正确识别的样本数,由图可知,本方法主要误差来源于第14种故障状态。
参照图4所示,展示了5种故障状态下转子的时域信号,图中横坐标表示数据点数,纵坐标表示幅值,单位为m/s2。
参照图5所示,采用本方法对转子故障状态进行识别,识别结果采用混淆矩阵进行展示,纵坐标为实际故障类别,横坐标为诊断故障类别,矩阵主对角线上的元素表示正确识别的样本数,由图可知,本方法对故障状态识别有着极高的准确率。
本发明按以下步骤实施:
步骤1:提取飞机机电系统关键组件的振动加速度信号作为研究对象。将振动加速度信号划分为训练样本和测试样本两部分,分别对训练样本和测试样本进行短时傅里叶变换和分贝转化归一化,得到分辨率和空间关系良好的训练二维时频图和测试二维时频图。
步骤1的具体过程为:
步骤1.1:采集飞机机电系统内部关键组件(轴承和转子)的振动加速度信号,分成训练和测试两个样本集。每个样本包含1024个信号值。
步骤1.2:对训练样本和测试样本分别进行短时傅里叶变换,生成32×32尺寸的训练能量谱密度矩阵和测试能量谱密度矩阵。
步骤1.3:将每个矩阵中的能量谱密度值化为分贝值dB,转化公式如(1),其中P(t,f)表示时间为t频率为f时的功率谱密度。同时进行归一化,将分贝值转化为时频值TF。计算公式如(2),公式中i1,j1,p,q表示能量谱密度矩阵中(i1,j1),(p,q)的横纵坐标,表示该二维时频图中所有分贝的均值。最终得到32×32的训练二维时频图和测试二维时频图。
dB=10*log10P(t,f) (1)
步骤2:将训练二维时频图输入初始化的随机卷积神经网络,前向计算均方误差。根据均方误差和代价函数反向逐层训练随机卷积神经网络的权值参数。直到均方误差收敛(小于设定的最小均方误差值或达到最大循环数),随机卷积神经网络的训练完成。
步骤2.1:初始化随机卷积神经网络,随机卷积神经网络主要结构包括输入层,卷积1层,SP&D1层,卷积2层,SP&D2层,全连接层,Softmax分类器。随机卷积神经网络的结构和参数设置为:网络的层数为2-32-32-32-32-800-C(2表示第一次输入特征图的数量,32依次为卷积1层,SP&D1层,卷积2层,SP&D2层的二维时频图数量,800表示全连接层神经元数量,C表示故障类型数),卷积核尺寸为5×5,卷积步长为1,每一层的权值服从均值为0,方差为的高斯分布,N表示上一层的二维时频图的数量,池化尺寸为2×2,辍学率为0.5,动量系数μ为0.95,学习率η为0.01,第0次参数更新量V0为0,最小均方误差为0.001,最大循环数为200。
步骤2.2:将训练二维特征图输入卷积1层与该层卷积核进行卷积求和,根据卷积步长遍历整个训练二维时频图。卷积1层的输出二维时频图被计算如(3)。
f(x)=max(0,x) (4)
计算公式中i2,j2,r,s表示二维时频图中(i2,j2),(r,s)的横纵坐标,n表示上一层的第n张二维时频图,l1表示该层第l1张二维时频图,表示时频图中对应位置的时频值,表示第l1个卷积核(r,s)位置的权值,表示第l1个卷积核的偏置,表示第l1个二维时频图(i2,j2)位置的时频值。f表示ReLu激活函数,计算公式如(4)。将该层的二维时频图输入SP&D1层。
步骤2.3:SP&D1层中采用随机池化和辍学策略。根据池化尺寸将二维时频图划分为多个2×2的激活区域,建立每个激活区域的多项分布,多项分布的概率如(5),为(i3,j3)处时频值的概率,为激活区域内(i3,j3)处的时频值。
步骤2.4:根据多项分布的概率随机抽取时频值,再根据辍学比例随机将抽取的时频值归零,最后将每个激活区域筛选的时频值按区域的相对位置组成新的二维时频图,输入卷积2层。
步骤2.5:在卷积2层中,将输入二维时频图按步骤2.2的操作计算输出二维时频图,然后输入SP&D2层。
步骤2.6:在SP&D2层中将输入二维时频图按步骤2.3和2.4的操作计算输出二维时频图,然后输入全连接层。
步骤2.7:将输入的二维时频图中每一个时频值与全连接层中每个神经元的权值相乘累加,然后将全连接层神经元结果输入Softmax分类器。
步骤2.8:根据输入Softmax分类器的参数,Softmax分类器得到诊断故障类型,故障类型的概率计算公式如下(6),Fxu表示第u个样本的全连接层神经元输出,表示第u个样本属于v类故障的概率,表示l2类故障的分类器权值,wv表示v类故障的分类器权值,C表示故障类型数。
Softmax分类器的代价函数计算公式如(7)。
I{yu=v}表示当事件yu=v(第u个样本属于v类故障)为真时返回1,事件yu=v为假返回0,m表示全连接层神经元的数量。根据代价函数和动量随机梯度下降算法反向修正模型内所有权值参数。动量随机梯度下降算法计算公式如(8)。
θt+1=θt-μVt-η▽J(θt) (8)
其中θt表示训练第t次时的权值参数,Vt为训练第t次时权值参数更新量,μ为动量系数,η为学习率,▽J(θt)表示对代价函数求权值参数θt的偏导。
步骤2.9:均方误差计算公式如(9),表示权值参数θt的均值,当均方误差收敛训练结束,否则回2)。
步骤3:使用训练好的随机卷积神经网络对测试二维时频图进行飞机机电系统故障的识别。
步骤3的具体过程为:
步骤3.1:将测试二维时频图输入卷积1层,根据卷积步长遍历二维时频图,计算输出二维时频图,并输入SP&D1层。
步骤3.2:根据输入的二维时频图,SP&D1层对区域内每一个时频值按概率进行加权,计算公式如(10)。
公式中S1表示输入二维时频图的尺寸,表示SP&D1层输出二维时频图上(i3,j3)的数值。将输出二维时频图输入卷积2层。
步骤3.3:在卷积2层中,将输入的特征图按步骤3.1的操作计算输出二维时频图,输入SP&D2层。
步骤3.4:在SP&D2层中,将输入的特征图按步骤3.2的操作计算输出二维时频图并输入全连接层。
步骤3.5:将输入的二维时频图中每一个时频值与全连接层中每个神经元的权值相乘累加,然后将全连接层神经元结果输入Softmax分类器。
步骤3.6:根据输入的参数,Softmax分类器得到识别结果。识别概率如(11)。
实施例1:
本实施例采用来自Case Western Reserve大学实验室的轴承故障数据,测试轴承采用SKF轴承和NTN等效轴。本次实验故障为单点轴承故障,故障直径分别为0.1778mm,0.3556mm,0.5334mm,0.7112mm。0.1778mm,0.3556mm,0.5334mm尺寸的损伤数据使用SKF轴承,其他采用NTN等效轴承进行测试。故障类型分为正常,内圈,外圈,滚动体四种。本实例使用驱动端加速度计采集的数据,其采样频率为12khz。
实验数据集由4组不同电机转速和负载条件下的驱动端数据(16×120000个数据点)构成,根据故障的类型,损伤程度和故障位置,故障状态可以分为16类,训练样本集为1797rpm转速和0HP负载下的1600个样本,测试样本为1772转速和1HP负载下的1600个样本,每个样本包含1024个样本点,16类训练样本如图2所示。本实施例中的参数条件为:学习率0.01,随机卷积神经网络结构2-32-32-32-32-800-16,卷积步长为1,池化尺寸为2×2。动量随机梯度下降算法的动量系数为0.95。
按照本发明的计算方法逐层训练,得到训练后的随机卷积神经网络。采用训练后的随机卷积神经网络对1600个测试样本进行特征学习,故障识别结果如图3所示,对未知运行环境下的测试样本的识别正确率为97.3%。
为了验证本发明的效果和优越性,使用目前故障识别应用广泛的支持向量机和本发明进行对比,结果如下表1。
表1识别结果对比
识别方法 | 均方根误差 | 识别正确率 |
本发明方法 | 0.0021 | 97.3% |
支持向量机 | 0.0312 | 69.2% |
由此可见,本发明提出的方法,可以有效学习原始数据的有用信息,更准确地识别不同环境下的故障。
实施例2:
本例中的测试数据来源于本实验室的WS-ZHT1型多功能转子试验台,包括北京波普公司研发的多功能转子试验系统,转子台实验采集仪,SLM-500型电涡流信号调理器,北京波普WS-ICP-6振动加速度型号调理器,YG2003型直流调速电源,转子试验台以及研华610H型工控机组成。转子状态分为5种:正常,不平衡1,不平衡2,碰磨,碰磨和不平衡。不平衡1和不平衡2处于不同的转速和负载条件,采样频率为10khz。训练样本集为500个样本,测试样本为200个样本,每个样本包含1024个样本点,5类训练样本如图4所示。
对每一个样本的1024个点进行短时傅里叶变换得到32×32的功率谱密度的时频图,再根据分贝转化公式将功率谱密度转化为分贝值,并归一化构建二维时频图。构建随机卷积神经网络结构为2-32-32-32-32-800-5,学习率为0.01。
按照本发明的计算方法逐层训练,得到训练后的随机卷积神经网络。采用训练后的随机卷积神经网络对200个测试样本进行特征学习,故障识别结果如图5所示,对未知运行环境下的测试样本的识别正确率为100%。为了验证本发明的效果和优越性,使用目前故障识别应用广泛的支持向量机和本发明进行对比,结果如下表2。
表2识别效果对比
识别方法 | 均方根误差 | 识别正确率 |
本发明方法 | 0.0001 | 100% |
支持向量机 | 0.0127 | 81% |
由此可见,本发明提出的方法对不同环境下的对象都能起更到精确的故障识别效果。
Claims (4)
1.一种基于随机卷积神经网络的飞机机电系统故障识别方法,其特征在于包括下述步骤:
步骤一,提取飞机机电系统内指定轴承和转子的振动加速度信号划分为训练样本和测试样本两部分,分别对训练样本和测试样本进行短时傅里叶变换和分贝转化归一化,得到训练二维时频图和测试二维时频图;
步骤二,将训练二维时频图输入初始化的随机卷积神经网络,前向计算均方误差;根据均方误差和代价函数反向逐层训练随机卷积神经网络的权值参数,直到均方误差小于设定的最小均方误差值或达到最大循环数,随机卷积神经网络的训练完成;
步骤三、使用训练好的随机卷积神经网络对测试二维时频图进行飞机机电系统故障的识别。
2.根据权利要求1所述的基于随机卷积神经网络的飞机机电系统故障识别方法,其特征在于,所述的步骤一包括以下步骤:
1.1)采集飞机机电系统内部指定轴承和转子的振动加速度信号,分成训练和测试两个样本,每个样本包含1024个信号值;
1.2)对训练样本和测试样本分别进行短时傅里叶变换,生成32×32尺寸的训练能量谱密度矩阵和测试能量谱密度矩阵;
1.3)将每个矩阵中的能量谱密度值化为分贝值dB=10*log10P(t,f),其中P(t,f)表示时间为t频率为f时的功率谱密度;同时进行归一化,将分贝值转化为时频值其中i1、j1、p、q表示能量谱密度矩阵中元素(i1,j1)、(p,q)的横纵坐标,表示该二维时频图中所有分贝的均值;最终得到32×32的训练二维时频图和测试二维时频图。
3.根据权利要求1所述的基于随机卷积神经网络的飞机机电系统故障识别方法,其特征在于,所述的步骤二包括以下步骤:
2.1)初始化随机卷积神经网络,随机卷积神经网络结构包括输入层、卷积1层、SP&D1层、卷积2层、SP&D2层、全连接层、Softmax分类器;随机卷积神经网络的结构和参数设置为:网络的层数为2-32-32-32-32-800-C,其中,2表示第一次输入特征图的数量,四个32分别表示卷积1层、SP&D1层、卷积2层、SP&D2层的二维时频图数量,800表示全连接层神经元数量,C表示故障类型数,卷积核尺寸为5×5,卷积步长为1,每一层的权值服从均值为0,方差为的高斯分布,N表示上一层的二维时频图的数量,池化尺寸为2×2,辍学率为0.5,动量系数μ为0.95,学习率η为0.01,第0次参数更新量V0为0,最小均方误差为0.001,最大循环数为200;
2.2)将训练二维特征图输入卷积1层与该层卷积核进行卷积求和,根据卷积步长遍历整个训练二维时频图;卷积1层的输出二维时频图其中,i2,j2,r,s表示二维时频图中(i2,j2)、(r,s)的横纵坐标,n表示上一层的第n张二维时频图,l1表示该层第l1张二维时频图,表示时频图中对应位置的时频值,表示第l1个卷积核(r,s)位置的权值,表示第l1个卷积核的偏置,表示第l1个二维时频图(i2,j2)位置的时频值,f表示ReLu激活函数,f(x)=max(0,x);将该层的二维时频图输入SP&D1层;
2.3)SP&D1层中采用随机池化和辍学策略,根据池化尺寸将二维时频图划分为多个2×2的激活区域,建立每个激活区域的多项分布,多项分布的概率表示(i3,j3)处时频值的概率,为激活区域内(i3,j3)处的时频值;
2.4)根据多项分布的概率随机抽取时频值,再根据辍学比例随机将抽取的时频值归零,最后将每个激活区域筛选的时频值按区域的相对位置组成新的二维时频图,输入卷积2层;
2.5)在卷积2层中,将输入二维时频图按步骤2.2)的操作计算输出二维时频图,然后输入SP&D2层。
2.6)在SP&D2层中将输入二维时频图按步骤2.3)和2.4)的操作计算输出二维时频图,然后输入全连接层;
2.7)将输入的二维时频图中每一个时频值与全连接层中每个神经元的权值相乘累加,然后将全连接层神经元结果输入Softmax分类器;
2.8)根据输入Softmax分类器的参数,Softmax分类器得到诊断故障类型,故障类型的概率Fxu表示第u个样本的全连接层神经元输出,表示第u个样本属于v类故障的概率,表示l2类故障的分类器权值,wv表示v类故障的分类器权值,C表示故障类型数;Softmax分类器的代价函数I{yu=v}表示当事件yu=v为真时返回1,事件yu=v为假返回0,m表示全连接层神经元的数量;根据代价函数和动量随机梯度下降算法反向修正模型内所有权值参数;动量随机梯度下降算法计算其中θt表示训练第t次时的权值参数,Vt为训练第t次时权值参数更新量,μ为动量系数,η为学习率,表示对代价函数求权值参数θt的偏导;
2.9)均方误差其中表示权值参数θt的均值;当均方误差收敛则训练结束,否则返回步骤2.2)。
4.根据权利要求1所述的基于随机卷积神经网络的飞机机电系统故障识别方法,其特征在于,所述的步骤三包括以下步骤:
3.1)将测试二维时频图输入卷积1层,根据卷积步长遍历二维时频图,计算输出二维时频图,并输入SP&D1层;
3.2)根据输入的二维时频图,SP&D1层对区域内每一个时频值按概率进行加权,SP&D1层输出二维时频图上(i3,j3)的数值
其中S1表示输入二维时频图的尺寸;将输出二维时频图输入卷积2层;
3.3)在卷积2层中,将输入的特征图按步骤3.1)的操作计算输出二维时频图,输入SP&D2层;
3.4)在SP&D2层中,将输入的特征图按步骤3.2)的操作计算输出二维时频图并输入全连接层;
3.5)将输入的二维时频图中每一个时频值与全连接层中每个神经元的权值相乘累加,然后将全连接层神经元结果输入Softmax分类器;
3.6)Softmax分类器得到识别结果,识别概率
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810592166.5A CN109001557A (zh) | 2018-06-11 | 2018-06-11 | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810592166.5A CN109001557A (zh) | 2018-06-11 | 2018-06-11 | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109001557A true CN109001557A (zh) | 2018-12-14 |
Family
ID=64600625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810592166.5A Pending CN109001557A (zh) | 2018-06-11 | 2018-06-11 | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109001557A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799410A (zh) * | 2019-03-19 | 2019-05-24 | 西北工业大学 | 飞行剖面控制装置、飞机电力系统综合测试系统和方法 |
CN109838696A (zh) * | 2019-01-09 | 2019-06-04 | 常州大学 | 基于卷积神经网络的管道故障诊断方法 |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN110221200A (zh) * | 2019-06-10 | 2019-09-10 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
CN110298394A (zh) * | 2019-06-18 | 2019-10-01 | 中国平安财产保险股份有限公司 | 一种图像识别方法和相关装置 |
CN110487547A (zh) * | 2019-07-31 | 2019-11-22 | 中国特种设备检测研究院 | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 |
CN110502991A (zh) * | 2019-07-18 | 2019-11-26 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN112345184A (zh) * | 2020-09-28 | 2021-02-09 | 同济大学 | 一种基于实时监测数据的结构地震损伤识别方法 |
CN112507785A (zh) * | 2020-11-02 | 2021-03-16 | 北京工商大学 | 一种基于cnn和lstm的滚动轴承故障分析 |
CN112766303A (zh) * | 2020-12-23 | 2021-05-07 | 湖南大学 | 一种基于cnn的航空发动机故障诊断方法 |
CN113553667A (zh) * | 2021-08-12 | 2021-10-26 | 东北大学 | 一种基于深度学习的飞机结构件设计方法 |
CN114757239A (zh) * | 2022-06-15 | 2022-07-15 | 浙江大学 | 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701507A (zh) * | 2016-01-13 | 2016-06-22 | 吉林大学 | 基于动态随机池化卷积神经网络的图像分类方法 |
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN106250931A (zh) * | 2016-08-03 | 2016-12-21 | 武汉大学 | 一种基于随机卷积神经网络的高分辨率图像场景分类方法 |
CN106874956A (zh) * | 2017-02-27 | 2017-06-20 | 陕西师范大学 | 图像分类卷积神经网络结构的构建方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
CN107066759A (zh) * | 2017-05-12 | 2017-08-18 | 华北电力大学(保定) | 一种汽轮机转子振动故障诊断方法及装置 |
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
CN107545890A (zh) * | 2017-08-31 | 2018-01-05 | 桂林电子科技大学 | 一种声音事件识别方法 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
-
2018
- 2018-06-11 CN CN201810592166.5A patent/CN109001557A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701507A (zh) * | 2016-01-13 | 2016-06-22 | 吉林大学 | 基于动态随机池化卷积神经网络的图像分类方法 |
CN106250931A (zh) * | 2016-08-03 | 2016-12-21 | 武汉大学 | 一种基于随机卷积神经网络的高分辨率图像场景分类方法 |
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN106874956A (zh) * | 2017-02-27 | 2017-06-20 | 陕西师范大学 | 图像分类卷积神经网络结构的构建方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
CN107066759A (zh) * | 2017-05-12 | 2017-08-18 | 华北电力大学(保定) | 一种汽轮机转子振动故障诊断方法及装置 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
CN107545890A (zh) * | 2017-08-31 | 2018-01-05 | 桂林电子科技大学 | 一种声音事件识别方法 |
Non-Patent Citations (2)
Title |
---|
曾雪琼 等: "基于卷积神经网络的时频图像识别研究", 《机械与电子》 * |
王功鹏 等: "基于卷积神经网络的随机梯度下降算法", 《计算机工程与设计》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109838696A (zh) * | 2019-01-09 | 2019-06-04 | 常州大学 | 基于卷积神经网络的管道故障诊断方法 |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN109799410A (zh) * | 2019-03-19 | 2019-05-24 | 西北工业大学 | 飞行剖面控制装置、飞机电力系统综合测试系统和方法 |
CN110221200A (zh) * | 2019-06-10 | 2019-09-10 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
CN110221200B (zh) * | 2019-06-10 | 2021-06-29 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
CN110298394A (zh) * | 2019-06-18 | 2019-10-01 | 中国平安财产保险股份有限公司 | 一种图像识别方法和相关装置 |
CN110298394B (zh) * | 2019-06-18 | 2024-04-05 | 中国平安财产保险股份有限公司 | 一种图像识别方法和相关装置 |
CN110502991A (zh) * | 2019-07-18 | 2019-11-26 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
CN110502991B (zh) * | 2019-07-18 | 2022-12-02 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
CN110487547B (zh) * | 2019-07-31 | 2020-07-31 | 中国特种设备检测研究院 | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 |
CN110487547A (zh) * | 2019-07-31 | 2019-11-22 | 中国特种设备检测研究院 | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN112345184A (zh) * | 2020-09-28 | 2021-02-09 | 同济大学 | 一种基于实时监测数据的结构地震损伤识别方法 |
CN112507785A (zh) * | 2020-11-02 | 2021-03-16 | 北京工商大学 | 一种基于cnn和lstm的滚动轴承故障分析 |
CN112766303A (zh) * | 2020-12-23 | 2021-05-07 | 湖南大学 | 一种基于cnn的航空发动机故障诊断方法 |
CN112766303B (zh) * | 2020-12-23 | 2024-03-29 | 湖南大学 | 一种基于cnn的航空发动机故障诊断方法 |
CN113553667A (zh) * | 2021-08-12 | 2021-10-26 | 东北大学 | 一种基于深度学习的飞机结构件设计方法 |
CN113553667B (zh) * | 2021-08-12 | 2023-10-27 | 东北大学 | 一种基于深度学习的飞机结构件设计方法 |
CN114757239A (zh) * | 2022-06-15 | 2022-07-15 | 浙江大学 | 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法 |
CN114757239B (zh) * | 2022-06-15 | 2022-08-30 | 浙江大学 | 基于数据增强和胶囊神经网络的风机故障可迁移诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001557A (zh) | 一种基于随机卷积神经网络的飞机机电系统故障识别方法 | |
CN107526853B (zh) | 基于层叠卷积网络的滚动轴承故障模式识别方法及装置 | |
Shao et al. | Highly accurate machine fault diagnosis using deep transfer learning | |
CN105528504B (zh) | 基于cfoa-mkhsvm的滚动轴承健康状态评估方法 | |
CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
CN109781411A (zh) | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 | |
CN107505133A (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN109632309A (zh) | 基于改进s变换与深度学习的滚动轴承故障智能诊断方法 | |
CN108106844B (zh) | 一种自适应参数调节的自动编码机的轴承故障诊断方法 | |
CN109186973A (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN111351665B (zh) | 基于emd和残差神经网络的滚动轴承故障诊断方法 | |
Zhang et al. | Rolling bearing fault convolutional neural network diagnosis method based on casing signal | |
CN103245907A (zh) | 一种模拟电路故障诊断方法 | |
CN109190464A (zh) | 一种变工况下基于迁移学习的机械故障智能诊断方法 | |
CN108168890A (zh) | 一种滚动轴承故障诊断的方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN110243590A (zh) | 一种基于主成分分析和宽度学习的转子系统故障诊断方法 | |
CN106485209A (zh) | 基于eemd特征提取和pnn的非平稳电磁干扰信号模式识别方法 | |
CN106681305A (zh) | 一种Fast RVM污水处理在线故障诊断方法 | |
CN110110809A (zh) | 基于机器故障诊断的模糊自动机的构建方法 | |
CN107451515A (zh) | 一种旋转机械设备故障识别方法及系统 | |
CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
CN108960328A (zh) | 一种基于汉克尔矩阵的诊断汽车轮毂轴承故障的方法 | |
De Lima et al. | On fault classification in rotating machines using fourier domain features and neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181214 |