CN112052894A - 一种动力舱状态实时监控评价方法 - Google Patents

一种动力舱状态实时监控评价方法 Download PDF

Info

Publication number
CN112052894A
CN112052894A CN202010910987.6A CN202010910987A CN112052894A CN 112052894 A CN112052894 A CN 112052894A CN 202010910987 A CN202010910987 A CN 202010910987A CN 112052894 A CN112052894 A CN 112052894A
Authority
CN
China
Prior art keywords
fault
layer
neural network
circulation
parameters
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.)
Granted
Application number
CN202010910987.6A
Other languages
English (en)
Other versions
CN112052894B (zh
Inventor
马立玲
郭建
王军政
赵江波
汪首坤
沈伟
李静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010910987.6A priority Critical patent/CN112052894B/zh
Publication of CN112052894A publication Critical patent/CN112052894A/zh
Application granted granted Critical
Publication of CN112052894B publication Critical patent/CN112052894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种动力舱状态实时监控评价方法，通过多路传感器采集动力舱的多种状态数据；将状态数据按照时间维进行切片；使用带有传感器数据标定模块的卷积神经网络提取数据切片的空间特征；使用带有故障类别解析模块的门控循环神经网络在所述空间特征上进一步提取表征时间的特征序列，进而获得故障参数；依次处理各数据切片，实现故障类型和故障参数的提取；最后根据熵值法，利用当前状态数据下一段时间的故障参数计算出动力舱运行状态的总评价得分。使用本发明能够利用少量的传感器数据一次性获得故障类别和表征故障严重程度的故障参数，计算出代表动力舱运行状态的得分，完成对动力舱状态的监控和评价。

Description

一种动力舱状态实时监控评价方法
技术领域
本发明涉及自动检测技术领域，尤其涉及一种动力舱状态实时监控评价方法。
背景技术
动力舱是一辆汽车最为重要的核心部件之一，主要由发动机、变速箱、冷却系统等组成，用来为整车提供动力。如此重要的部件自然需要更多的关注和保护，因此准确的故障诊断算法是十分必要的。在装车前发现问题，可以防止制造问题车辆；在运行的车辆上发现问题，可以保护系统其他部分以及驾驶者的人身安全。
现有的成熟方法一般只对动力舱所属的故障类别进行了判断，而对故障的严重程度却没有合适的判断方法，而故障的严重程度也是影响处理措施的一个关键因素。
发明内容
有鉴于此，本发明提供了一种动力舱状态实时监控评价方法，能够利用少量的传感器数据一次性获得故障类别和表征故障严重程度的故障参数，计算出代表动力舱运行状态的得分，完成对动力舱状态的监控和评价，保障动力舱的正常运行，增强汽车安全性。
为了解决上述技术问题，本发明是这样实现的：
一种动力舱状态实时监控评价方法，包括：
步骤S1、通过多路传感器采集动力舱的多种状态数据；每种状态数据为一维时间序列；将状态数据按照时间维进行切片；
步骤S2、使用带有传感器数据标定模块的卷积神经网络提取数据切片的空间特征；所述传感器数据标定模块利用全局平均池化放大反应故障的状态数据；
步骤S3、使用带有故障类别解析模块的门控循环神经网络在所述空间特征上进一步提取表征时间的特征序列，进而获得故障参数；所述故障类别解析模块从门控循环神经网络主通道提取第一特征序列经处理获得故障类型，同时将故障类型反馈到门控循环神经网络主通道中继续处理产生第二特征序列进而确定刻画故障严重程度的故障参数；
采用步骤S1～S3的方式依次处理各数据切片，实现故障类型和故障参数的提取；
步骤S4、根据熵值法，利用当前状态数据下一段时间的故障参数计算出动力舱运行状态的总评价得分。
优选地，所述步骤S1包括：将多路状态数据拼接为二维矩阵形式，按照时间分割为多个M×N的矩阵切片；M表示矩阵切片包括M个时间序列，N为状态数据的总类别数；
所述步骤S2包括：
步骤S2-1、将矩阵切片输入第一卷积模块，得到第一特征图；
步骤S2-2、将第一特征图按照状态数据种类的维度进行全局平均池化，再经过激活函数为sigmod函数的第一全连接网络得到N个范围在[0,1]之间的权重参数，将权重参数与第一特征图相乘得到标定后的状态数据；
步骤S2-3、将标定后状态数据输入进第二卷积模块，得到第二特征图。
优选地，所述门控循环神经网络的主通道至少包括5层循环层；
将卷积神经网络得到的第二特征图输入门控循环神经网络中主通道的第一层循环层A，经过至少两层循环层的处理得到第一特征序列；产生第一特征序列的循环层即为循环层In；
所述第一特征序列分为两路分支，一路输入到作为所述故障类别解析模块的全连接网络分类器进行故障类型识别，另一路输入门控循环神经网络主通道后续的循环层；
所述全连接网络分类器确定出故障类别，进一步将故障类别反馈给门控循环神经网络主通道的循环层Fb的输入；所述循环层Fb与循环层In之间至少间隔一个循环层，且循环层Fb与门控循环神经网络主通道最后的全连接层之间至少间隔一个循环层；所述全连接网络分类器包括输入层、至少2个隐含层和输出层，其中最后一个隐含层的神经元的输出值反馈给循环层Fb，与循环层Fb输出序列按照前后顺序拼接为新的一维序列后，由循环层Fb及其之后所有的循环层依次进行处理，得到第二特征序列；循环层Fb与所述全连接层之间间隔一个循环层，使得循环层Fb尽量靠近门控循环神经网络的出口；
所述第二特征序列经过门控循环神经网络主通道最后的全连接层得到故障参数。
优选地，所述门控循环神经网络的主通道包括5层循环层，命名为循环层A、B、C、D、E；所述第一特征序列由循环层B产生；循环层D为所述循环层Fb。
优选地，所述步骤S4包括如下步骤：
步骤S4-1、获取一段时间的故障参数，组成矩阵F，F＝[C1，C2,…CG+1]T，G故障类型总数，Cg为第g种故障类型的故障参数向量，g＝1,2,…,G；CG+1对应正常状态；每个故障参数向量中有t个故障参数；当所述一段时间内相同故障出现多次，则取同一故障多次故障参数平均值填入相应故障参数位置；按照故障参数维度进行归一化，设xij为F矩阵中第i行第j列的归一化后的故障参数值，i＝1,2,…,G+1，j＝1,2,…,t；
步骤S4-2，采用熵值法计算每个故障参数的权重：首先计算每一项故障类别的每一个故障参数占该种故障参数的比重
Figure BDA0002663265150000041
其次计算每种故障参数的熵值
Figure BDA0002663265150000042
其中s＝1/ln(G+1)；然后计算每种故障参数的信息熵冗余度dj＝1-ej，并且使用信息熵冗余度占总故障参数的比值作为这种故障参数的权重
Figure BDA0002663265150000043
步骤S4-3，按照
Figure BDA0002663265150000044
计算每种类别故障的得分，最后将所有故障类别的得分求和得到动力舱的总评价得分
Figure BDA0002663265150000045
其中，G+1种故障类型包括：正常状态、发动机点不着火、发动机怠速不良、发动机无力、发动机过热、机油压力异常、漏油、燃油消耗增加、变速箱各轴之间4种故障，共12种故障类型；t个故障参数包括故障导致的平均幅值变化A、故障导致的幅值变化的变化率K、故障信号持续时间S、故障信号的周期T。
有益效果：
(1)本发明将故障类别诊断和故障参数获取融合在一起，由故障诊断网络负责，采用较少的传感器数据同时获得故障类别和表征故障严重程度的故障参数。同时对CNN-GRU网络进行改进，在CNN网络部分，加入了传感器数据标定模块，用于放大反应故障的状态数据，从而使得故障诊断更为准确。在GRU网络部分，采用GRU主通道实现故障参数的提取，在GRU主通道上增加了类别判定的旁支，且将故障类别判定结果反馈到主通道上，增加故障参数提取的准确度。
(2)本发明还采用故障类别诊断和故障参数的诊断结果，对故障的严重程度进行判断，提出使用熵权法为各种故障进行权重分配，使用分配权重计算系统整体得分，作为动力舱状态的监控和评价，能够从整体上进行诊断评价，减少了人为的主观干扰。而且故障严重程度的判断结果也对后续处理措施的选取提供了一个重要依据。
附图说明
图1为本发明动力舱状态实时监控评价方法的流程框图；
图2为本发明基于改进CNN-GRU网络的故障诊断网络的结构图；
图3为传感器数据标定模块的结构图；
图4为带有故障类别解析模块的门控循环神经网络的结构图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种动力舱状态实时监控评价方法，其包括故障类型判断、故障参数获取和故障严重程度评估三个部分。
首先，如图1所示，该方法将故障类别诊断和故障参数获取融合在一起，由故障诊断网络负责，采用较少的传感器数据同时获得故障类别和表征故障严重程度的故障参数。该故障诊断网络采用卷积神经网络-门控循环神经网络(CNN-GRU)的混合网络实现。CNN网络主要用于图像领域，可以用来图像分类，区域分隔，目标识别等。GRU网络主要用于自然语言处理领域，可以用来序列分类，数值预测，编码解码等。CNN-GRU混合网络是将二者结合，用来完成image to text任务，即“看图说话”。从图像到文字的问题也是序列到序列的问题的一种，使用CNN对输入数据进行编码得到抽象序列，使用GRU网络对抽象序列进行解码。因此CNN-GRU混合网络更加适合具有时空特点的特征。
其次，本发明对CNN-GRU网络进行改进。图像的每个像素数据的排布是存在物理依据的，而不同传感器的数据序列的排列是人为设计的。为了减少随机排列带来的影响，在CNN网络部分，加入了传感器数据标定模块，用于放大反应故障的状态数据，从而使得故障诊断更为准确。在GRU网络部分，采用GRU主通道实现故障参数的提取，在GRU主通道上增加了类别判定的旁支，且将故障类别判定结果反馈到主通道上，增加故障参数提取的准确度。
此外，本发明故障严重程度使用故障类别的概率和故障参数进行刻画。动力舱的结构复杂，部件繁多，因此故障种类也很多，此时如果仅仅使用每个故障的严重程度独立进行评价，会导致诊断评价缺乏整体性。因此本发明提出使用熵权法为各种故障进行权重分配，使用分配权重计算系统整体得分，作为动力舱状态的监控和评价。
可见，本发明的方法中使用改进CNN-GRU网络进行故障诊断，这是一种数据驱动的有监督学习方法，算法可以根据有标签的数据自行进行学习，避免了特征选择的难题。而且CNN-GRU网络加入了传感器数据标定模块和故障类别解析模块，能够提升故障类别和故障参数诊断的准确性。本发明还使用了熵值法计算状态总得分，这是一种客观赋权法，减少了人为的主观干扰。
图2示出了本发明动力舱状态实时监控评价方法的原图框图。如图所示：
步骤S1、通过多路传感器采集动力舱的多种状态数据；每种状态数据为一维时间序列；将状态数据按照时间维进行切片。
本步骤中，将多路状态数据拼接为二维矩阵形式，按照时间分割为多个M×N的矩阵切片；M表示矩阵切片包括M个时间序列，N为状态数据的总类别数。本发明优选实施例中，动力舱通过各种传感器接口与计算机测控系统相连，在计算机上，能够直接读出的参数有：柴油流量、输出转速、输出转矩、机油压力、机油温度、水温、风扇泵进口压力、风扇泵出口压力，共8个状态参数。设采样点为P个，则经过同频处理后的传感器数据为[P×8]。一般的，将一个工作周期的时间作为一个切片，方便数据的划分和网络的训练。切片长度M的选取根据实际应用背景选择，本例中取M＝60。将传感器逐个按顺序的划分为[60×8]大小的切片可以得到P-59个切片，作为训练样本中的输入切片。
此外，动力舱常见的故障有：发动机点不着火、发动机怠速不良、发动机无力、发动机过热、机油压力异常、漏油、燃油消耗增加、变速箱各轴之间故障(变速箱共7档，包括一个倒挡，共4个故障状态)。上述故障共有K＝11种故障状态，加上一种正常状态，则动力舱共12种状态。
刻画故障严重程度的故障参数分别有：故障导致的平均幅值变化A，故障导致的幅值变化的变化率K，故障信号持续时间S，故障信号的周期T。
步骤S2、使用带有传感器数据标定模块的卷积神经网络提取数据切片的空间特征；所述传感器数据标定模块利用全局平均池化放大反应故障的状态数据。
如图2所示，该卷积神经网络包括第一卷积模块、传感器数据标定模块和第二卷积模块。如图3所示，传感器数据标定模块包括直通通道和激活放大通道。直通通道将第一卷积模块的输出与第二卷积模块的输入直接相连；激活放大通道包括全局平均池化层和第一全连接网络。
本步骤S2具体包括如下子步骤：
步骤S2-1、将矩阵切片输入第一卷积模块，得到第一特征图。
步骤S2-2、将第一特征图按照状态数据种类的维度进行全局平均池化，再经过第一全连接网络得到N个权重参数，将权重参数与第一特征图相乘得到标定后的状态数据。第一全连接网络的激活函数选择sigmod函数，得到范围在[0,1]之间的数据作为权重。
步骤S2-3、将标定后状态数据输入进第二卷积模块，得到第二特征图。第一特征图和第二特征图属于空间特征。
步骤S2-4、取下一个切片，重复上述步骤。
在一优选实施例中，本步骤S2初始化2×2的卷积核3个作为第一卷积层，滑动遍历[60×8]的传感器数据(即为上述状态数据)切片，为保证传感器数据形式的一致性，采用0填充边缘。在卷积层中某一特征经常被激活的话，那么使用全局平均池化计算的值会更大。因此，将第一卷积层的卷积结果在传感器维度上进行全局平均池化处理。如果将平均池化的结果直接作为传感器的权重会造成网络参数的剧烈变化，因此将权重输入进2层全连接网络做进一步的处理，全连接网络的激活函数选择sigmod函数，得到范围在[0,1]之间的传感器权重；将权重与第一卷积层输出的结果相乘，并将结果喂入接下来的第二卷积层，第二卷积层卷积核为[2×2]，数目为3个。针对每个切片，重复上述步骤。
步骤S3、使用带有故障类别解析模块的门控循环神经网络在所述空间特征上进一步提取表征时间的特征序列，进而获得故障参数；所述故障类别解析模块从门控循环神经网络主通道提取第一特征序列经处理获得故障类型，同时将故障类型反馈到门控循环神经网络主通道中继续处理产生第二特征序列进而确定刻画故障严重程度的故障参数。
故障类别解析模块采用全连接网络分类器。如图4所示，本发明的门控循环神经网络的主通道至少包括5层循环层。
将卷积神经网络得到的第二特征图输入门控循环神经网络中主通道的第一层循环层A，经过至少两层循环层的处理得到第一特征序列；产生第一特征序列的循环池即为循环层In。
第一特征序列分为两路分支，一路输入到作为所述故障类别解析模块的全连接网络分类器进行故障类型识别，另一路输入门控循环神经网络主通道后续的循环层。
全连接网络分类器确定出故障类别，进一步将故障类别反馈给门控循环神经网络主通道的循环层Fb的输入。所述循环层Fb与循环层In之间至少间隔一个循环层，且循环层Fb与门控循环神经网络主通道最后的全连接层之间至少间隔一个循环层；所述全连接网络分类器包括输入层、至少2个隐含层和输出层，其中最后一个隐含层的神经元的输出值反馈给循环层Fb，与循环层Fb输出序列拼接后，由循环层Fb及其之后所有的循环层依次进行处理，得到第二特征序列；循环层Fb与所述全连接层之间间隔一个循环层，使得循环层Fb尽量靠近门控循环神经网络的出口。
第二特征序列经过门控循环神经网络主通道最后的全连接层得到故障参数。其中，所述拼接可以是将两个序列首尾相连的简单拼接。
在一优选实施例中，本步骤S3采用的门控循环神经网络的主通道包括5层循环层，命名为循环层A、B、C、D、E；还包括一个全连接网络分类器。将第二卷积层获得的空间特征序列修改为循环网络的输入格式。循环层A设置为含有80个循环核，循环层B设置为含有100个GRU，得到的结果记为第一特征序列。将第一特征序列输入到4层结构的全连接网络分类器中，分别为输入层、隐含层1、隐含层2和输出层，神经元个数分别为80，50，20，3，输出结果经softmax函数转化为分类概率，取概率最大的作为最终故障类别。第一特征序列还继续经过循环层C和循环层D的处理，GRU个数分别为50，40。将循环层D的输出(长度为40)与全连接网络分类器的输出(长度为20)进行拼接得到长度为60的时间序列，记为第二时间特征。将第二时间特征经1层具有20个GRU的循环层E，再经过一层全连接网络得到输出结果，即为故障参数。
采用步骤S1～S3的方式依次处理各数据切片，实现故障类型和故障参数的提取；
步骤S4、根据熵值法，利用当前状态数据下一段时间的故障参数计算出动力舱运行状态的总评价得分。
所述步骤S4包括如下步骤：
步骤S4-1、获取一段时间的故障参数，组成矩阵F，F＝[C1，C2,…C12]T，G为故障类型总数，本实施例中G＝11。Cg为第g种故障类型的故障参数向量，g＝1,2,…,12。C12对应正常状态。每个故障参数向量中有t＝4个故障参数，Cg＝[Ag,Kg,Sg,Tg]。当所述一段时间内相同故障出现多次，则取同一故障多次故障参数平均值填入Cg；按照故障参数维度进行归一化，设xij为F矩阵中第i行第j列的归一化后的故障参数值，i＝1,2,…,G+1，j＝1,2,…,t；
步骤S4-2，采用熵值法计算每个故障参数的权重：首先计算每一项故障类别的每一个故障参数占该种故障参数的比重，记作
Figure BDA0002663265150000101
其次计算每种故障参数的熵值，记作
Figure BDA0002663265150000102
其中s＝1/ln(12)；然后计算每种故障参数的信息熵冗余度dj＝1-ej，并且使用信息熵冗余度占总故障参数的比值作为这种故障参数的权重
Figure BDA0002663265150000103
步骤S4-3，按照
Figure BDA0002663265150000104
计算各个故障类别的影响程度得分，按照
Figure BDA0002663265150000105
计算当前时刻整体动力舱的总评价得分。
总得分评价的主要是各类故障带来的总的影响，因此当总得分越低的时候说明系统运行的状态越好。
上述网络的训练过程为：从试验环境下采集含有故障的传感器数据，并根据故障情况为每一个样本做好标签，将这8路传感器数据，1个故障类别标签以及4个故障参数标签喂入网络，分别计算故障类别的交叉熵损失函数，故障参数的均方差损失函数，总损失函数为二者乘以不同权重后的和。利用误差反向传播算法，使用均方根传递优化器RMSprop进行优化，初始学习率为0.001，批大小为64，训练次数为50轮，前20轮设置交叉熵损失函数与均方差损失函数的权重比值为1：3，第20轮到40轮设置为3：1，最后10轮设置为1：1。
以上的具体实施例仅描述了本发明的设计原理，该描述中的部件形状，名称可以不同，不受限制。所以，本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换；而这些修改和替换未脱离本发明创造宗旨和技术方案，均应属于本发明的保护范围。

Claims (6)

1.一种动力舱状态实时监控评价方法，其特征在于，包括：
步骤S1、通过多路传感器采集动力舱的多种状态数据；每种状态数据为一维时间序列；将状态数据按照时间维进行切片；
步骤S2、使用带有传感器数据标定模块的卷积神经网络提取数据切片的空间特征；所述传感器数据标定模块利用全局平均池化放大反应故障的状态数据；
步骤S3、使用带有故障类别解析模块的门控循环神经网络在所述空间特征上进一步提取表征时间的特征序列，进而获得故障参数；所述故障类别解析模块从门控循环神经网络主通道提取第一特征序列经处理获得故障类型，同时将故障类型反馈到门控循环神经网络主通道中继续处理产生第二特征序列进而确定刻画故障严重程度的故障参数；
采用步骤S1～S3的方式依次处理各数据切片，实现故障类型和故障参数的提取；
步骤S4、根据熵值法，利用当前状态数据下一段时间的故障参数计算出动力舱运行状态的总评价得分。
2.如权利要求1所述的方法，其特征在于，所述步骤S1包括：将多路状态数据拼接为二维矩阵形式，按照时间分割为多个M×N的矩阵切片；M表示矩阵切片包括M个时间序列，N为状态数据的总类别数；
所述步骤S2包括：
步骤S2-1、将矩阵切片输入第一卷积模块，得到第一特征图；
步骤S2-2、将第一特征图按照状态数据种类的维度进行全局平均池化，再经过激活函数为sigmod函数的第一全连接网络得到N个范围在[0,1]之间的权重参数，将权重参数与第一特征图相乘得到标定后的状态数据；
步骤S2-3、将标定后状态数据输入进第二卷积模块，得到第二特征图。
3.如权利要求1所述的方法，其特征在于，
所述门控循环神经网络的主通道至少包括5层循环层；
将卷积神经网络得到的第二特征图输入门控循环神经网络中主通道的第一层循环层A，经过至少两层循环层的处理得到第一特征序列；产生第一特征序列的循环层即为循环层In；
所述第一特征序列分为两路分支，一路输入到作为所述故障类别解析模块的全连接网络分类器进行故障类型识别，另一路输入门控循环神经网络主通道后续的循环层；
所述全连接网络分类器确定出故障类别，进一步将故障类别反馈给门控循环神经网络主通道的循环层Fb的输入；所述循环层Fb与循环层In之间至少间隔一个循环层，且循环层Fb与门控循环神经网络主通道最后的全连接层之间至少间隔一个循环层；所述全连接网络分类器包括输入层、至少2个隐含层和输出层，其中最后一个隐含层的神经元的输出值反馈给循环层Fb，与循环层Fb输出序列按照前后顺序拼接为新的一维序列后，由循环层Fb及其之后所有的循环层依次进行处理，得到第二特征序列；循环层Fb与所述全连接层之间间隔一个循环层，使得循环层Fb尽量靠近门控循环神经网络的出口；
所述第二特征序列经过门控循环神经网络主通道最后的全连接层得到故障参数。
4.如权利要求3所述的方法，其特征在于，所述门控循环神经网络的主通道包括5层循环层，命名为循环层A、B、C、D、E；所述第一特征序列由循环层B产生；循环层D为所述循环层Fb。
5.如权利要求1所述的方法，其特征在于，所述步骤S4包括如下步骤：
步骤S4-1、获取一段时间的故障参数，组成矩阵F，F＝[C1，C2,…CG+1]T，G故障类型总数，Cg为第g种故障类型的故障参数向量，g＝1,2,…,G；CG+1对应正常状态；每个故障参数向量中有t个故障参数；当所述一段时间内相同故障出现多次，则取同一故障多次故障参数平均值填入相应故障参数位置；按照故障参数维度进行归一化，设xij为F矩阵中第i行第j列的归一化后的故障参数值，i＝1,2,…,G+1，j＝1,2,…,t；
步骤S4-2，采用熵值法计算每个故障参数的权重：首先计算每一项故障类别的每一个故障参数占该种故障参数的比重
Figure FDA0002663265140000031
其次计算每种故障参数的熵值
Figure FDA0002663265140000032
其中s＝1/ln(G+1)；然后计算每种故障参数的信息熵冗余度dj＝1-ej，并且使用信息熵冗余度占总故障参数的比值作为这种故障参数的权重
Figure FDA0002663265140000033
步骤S4-3，按照
Figure FDA0002663265140000034
计算每种类别故障的得分，最后将所有故障类别的得分求和得到动力舱的总评价得分
Figure FDA0002663265140000035
6.如权利要求5所述的方法，其特征在于，G+1种故障类型包括：正常状态、发动机点不着火、发动机怠速不良、发动机无力、发动机过热、机油压力异常、漏油、燃油消耗增加、变速箱各轴之间4种故障，共12种故障类型；
t个故障参数包括故障导致的平均幅值变化A、故障导致的幅值变化的变化率K、故障信号持续时间S、故障信号的周期T。
CN202010910987.6A 2020-09-02 2020-09-02 一种动力舱状态实时监控评价方法 Active CN112052894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010910987.6A CN112052894B (zh) 2020-09-02 2020-09-02 一种动力舱状态实时监控评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010910987.6A CN112052894B (zh) 2020-09-02 2020-09-02 一种动力舱状态实时监控评价方法

Publications (2)

Publication Number Publication Date
CN112052894A true CN112052894A (zh) 2020-12-08
CN112052894B CN112052894B (zh) 2023-02-07

Family

ID=73606602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010910987.6A Active CN112052894B (zh) 2020-09-02 2020-09-02 一种动力舱状态实时监控评价方法

Country Status (1)

Country Link
CN (1) CN112052894B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883656A (zh) * 2021-04-14 2021-06-01 北京理工大学 一种基于正常运行数据的动力舱失效风险评价方法
CN113326853A (zh) * 2021-06-16 2021-08-31 西安隆基智能技术有限公司 一种基于神经网络的工艺参数分析方法、设备以及计算机存储介质
CN114067829A (zh) * 2021-10-21 2022-02-18 佳源科技股份有限公司 一种电抗器故障诊断方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170140263A1 (en) * 2015-11-12 2017-05-18 Google Inc. Convolutional gated recurrent neural networks
CN108569607A (zh) * 2018-06-22 2018-09-25 西安理工大学 基于双向门控循环神经网络的电梯故障预警方法
CN110610158A (zh) * 2019-09-16 2019-12-24 南京师范大学 一种基于卷积和门控循环神经网络的人体姿态识别方法及系统
CN111523081A (zh) * 2020-05-01 2020-08-11 西北工业大学 一种基于增强门控循环神经网络的航空发动机故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170140263A1 (en) * 2015-11-12 2017-05-18 Google Inc. Convolutional gated recurrent neural networks
CN108569607A (zh) * 2018-06-22 2018-09-25 西安理工大学 基于双向门控循环神经网络的电梯故障预警方法
CN110610158A (zh) * 2019-09-16 2019-12-24 南京师范大学 一种基于卷积和门控循环神经网络的人体姿态识别方法及系统
CN111523081A (zh) * 2020-05-01 2020-08-11 西北工业大学 一种基于增强门控循环神经网络的航空发动机故障诊断方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883656A (zh) * 2021-04-14 2021-06-01 北京理工大学 一种基于正常运行数据的动力舱失效风险评价方法
CN113326853A (zh) * 2021-06-16 2021-08-31 西安隆基智能技术有限公司 一种基于神经网络的工艺参数分析方法、设备以及计算机存储介质
CN114067829A (zh) * 2021-10-21 2022-02-18 佳源科技股份有限公司 一种电抗器故障诊断方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112052894B (zh) 2023-02-07

Similar Documents

Publication Publication Date Title
CN112052894B (zh) 一种动力舱状态实时监控评价方法
CN112131760B (zh) 基于cbam模型的航空发动机剩余寿命预测方法
CN109446187B (zh) 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN112200244B (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN113722985B (zh) 航空发动机健康状态评估和剩余寿命预测方法及系统
CN112541511A (zh) 基于卷积神经网络的多通道时间序列数据故障诊断方法
CN113743016B (zh) 基于自编码器和回声状态网络的发动机剩余寿命预测方法
CN112861071B (zh) 一种基于深度自编码的高铁牵引系统异常检测方法
CN115146842B (zh) 基于深度学习的多元时间序列趋势预测方法和系统
CN116822920B (zh) 一种基于循环神经网络的流程预测方法
CN114048688A (zh) 一种风力发电机轴承寿命预测方法
CN112699597A (zh) 一种核电启动水泵滚动轴承故障检测方法及系统
CN114357372A (zh) 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
CN116304819A (zh) 一种基于LeNet-5算法的核反应堆运行工况判断方法
CN113486698B (zh) 一种氢燃料电池工作的识别预测方法、存储介质及系统
CN115641263A (zh) 基于深度学习的单幅电力设备红外图像超分辨率重建方法
CN115526227A (zh) 一种直升机飞行数据瞬时异常检测方法
CN109034202A (zh) 一种深度信念网络的航电系统模式识别方法
CN114781427A (zh) 基于信息融合技术的风力发电机组滚动轴承故障诊断系统
CN113392773A (zh) 基于图谱信息融合的卷积神经网络的变压器故障诊断系统
CN111652867A (zh) 一种基于深度形态学置信网络的无重环境植物生长方法
CN110287594A (zh) 一种基于神经网络算法的航空发动机状态诊断方法
CN116861310A (zh) 一种基于cbam—cnn的船舶柴油机热工故障诊断方法及系统
CN117688496B (zh) 面向卫星遥测多维时序数据的异常诊断方法、系统及设备

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
GR01 Patent grant
GR01 Patent grant