CN112069962B - 一种基于图像识别强噪声背景下振动频谱的方法 - Google Patents
一种基于图像识别强噪声背景下振动频谱的方法 Download PDFInfo
- Publication number
- CN112069962B CN112069962B CN202010885486.7A CN202010885486A CN112069962B CN 112069962 B CN112069962 B CN 112069962B CN 202010885486 A CN202010885486 A CN 202010885486A CN 112069962 B CN112069962 B CN 112069962B
- Authority
- CN
- China
- Prior art keywords
- vibration
- noise
- image
- spectrogram
- spectrum
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001845 vibrational spectrum Methods 0.000 title claims description 13
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于军民通用、航空发动机地面试验技术领域，可用于优化航空发动机地面整机振动试验，减少故障排除时间。通过图像分类技术方式分类噪声信号造成的振动偏大还是机械故障信号造成的振动偏大。步骤如下：1.获取振动数据的频谱图。2.将获得的频谱图变换为28*28的灰度图像。3.通过训练完成的卷积网络提取灰度图像特征。4.以提取的灰度图像特征为二分类模型的输入判别出该频谱图是否含有噪声。本发明能探索航空发动机振动测试信号的智能分类方式，减少故障排除时间。
Description
技术领域
本发明属于航空发动机整机试验技术，一种基于图像识别强噪声背景下振动频谱的方法。
背景技术
航空发动机运行时，各部件会由于复杂的运行工况而产生复杂的动态信息。这些信息中有些对设备运行状态监测是很重要的，而动态信息往往混叠在噪声信号等信号中而无法有效识别。
分类识别噪声信号与机械故障信号对故障的判断与处置十分重要。通过判别频谱图是否含有噪声判别振动数据的置信度，减少对发动机状态的误判，保障航空发动机试车的顺利进行。
当振动偏大时，如果诊断是噪声信号造成振动偏大，在停车后，试车台技术人员只需做短时间的工作如更换受损电缆，新增隔离型振动测点，将辐射干扰源移远等工作，即可确保试车时有可信的振动监测数据可用，可继续进行试车。如果诊断振动偏大是机械故障，应通知相关专业专家进行分析诊断。因此使用基于图像分类技术对振动信号进行分类，识别出是噪声信号造成的振动偏大还是机械故障信号造成的振动偏大。
发明内容
提出一种基于图像识别强噪声背景下振动频谱的方法，通过判别频谱图是否含有噪声判别振动数据的置信度，减少对发动机状态的误判，保障航空发动机试车的顺利进行。
未检索到国内外有关使用图像分类技术分类噪声信号造成的振动偏大的频谱、机械故障信号造成的振动偏大的频谱的方法的文献。
技术方案：
一种基于图像识别强噪声背景下振动频谱的方法，包括以下步骤：
步骤1测点布置
振动传感器布置在随机振动影响较小的位置；
步骤2信号处理
对采集的原始振动信号使用分段拟合去趋势项法去除趋势项，之后对信号进行积分，放大低频噪声信号幅值，使得频谱图像上噪声干扰信号的特征更为明显。使用低通滤波器滤除转频三倍频以上的振动信号，在保留前三倍频振动信号及噪声干扰的前提下简化频谱特征；将以上处理过的前三倍频振动信号及噪声干扰，加汉宁窗，避免泄漏现象与噪声干扰现象相叠加；最后对前三倍频振动信号及噪声干扰进行频谱计算。
步骤3模型的训练
特征提取训练样本的制作：根据先验数据获取频谱图，将获取的频谱图转化为灰度图像，所述先验数据具体为包含噪声数据和非噪声数据；特征提取模型的训练：灰度图像为卷积神经网络的输入，训练标签采用one-hot编码即01编码，输出为全连接层。特征提取：以训练完成的全连接层卷积神经网络为基础，将训练样本重新输入卷积神经网络，将全连接层的前一层的输出保存作为样本的特征。二分类模型：以卷积神经网络特征提取的结果为输入，训练一个二分类模型。
步骤4.模型的使用
数据采集设备采集振动数据，并在软件中计算频谱图。将频谱图转化为的灰度图像。以灰度图像为输入进行卷积神经网络特征提取。将特征提取的结果作为二分类模型的输入判别出该频谱图是否包含噪声，输出为1则代表振动测试信号噪声幅值高，0代表振动测试信号噪声幅值低。
所述低通滤波器为巴特沃兹4阶滤波器。
所述步骤2中信号处理，为了保证积分结果的精度，采样率需要大于等于5120Hz。
所述灰度图像为28*28像素。
模型训练使用的频谱图灰度图像与模型使用的频谱图灰度图像像素一致。
二分类模型采用支持向量机算法。
所述频谱计算软件Matlab、LabVIEW。
所述步骤2中当测量飞机附件机匣振动时，取每4096个点做一次傅里叶变换。
有益技术效果：现有技术使用人工分类强噪声背景下振动频谱与低噪声的振动频，本发明实现了智能分类。通过判别频谱图是否含有噪声判别振动数据的置信度，减少对发动机状态的误判，保障航空发动机试车的顺利进行。
附图说明
图1振动噪声频谱图识别流程图。
具体实施方式
具体流程如图1所示。
本发明提出了一种基于图像的分类强噪声背景下振动频谱与低噪声的振动频谱的方法：该方法通过图像的方式识别出噪声，以卷积神经网络进行特征提取，以支持向量机进行二分类，通过图像的方式识别噪声幅值高的振动信号的方法能减少对发动机状态的误判别，保障航空发动机试车的顺利进行。
一种基于图像识别强噪声背景下振动频谱的方法，包括以下步骤：
步骤1测点布置
振动传感器布置在随机振动影响较小的位置。减少频谱的复杂程度。并且振动测点应布置在机匣上刚性较好的位置，发动机振动应在主安装节及辅助安装节附近布置振动传感器，评估发动机传递给飞机的振动。对于飞机附件机匣振动，振动传感器不能安装在振动支架超出飞机附件机匣的悬臂端。在发动机机匣或者飞机附件机匣上安装传感器支架时，应使用水平尺保证传感器支架与传感器的安装面水平。
步骤2信号处理
对采集的原始振动信号使用分段拟合去趋势项法去除趋势项，之后对信号进行积分，放大低频噪声信号幅值，使得频谱图像上噪声干扰信号的特征更为明显。使用低通滤波器滤除转频三倍频以上的振动信号，在保留前三倍频振动信号及噪声干扰的前提下简化频谱特征；设置低通滤波器截止频率比转频三倍频高25％，以保证转频三倍频振动信号不会显著衰减。将以上处理过的前三倍频振动信号及噪声干扰，加汉宁窗，以避免泄漏现象与噪声干扰现象相叠加，如果使用matlab软件计算频谱，加窗后的信号需要除以固有增益修正。最后对前三倍频振动信号及噪声干扰进行频谱计算。为了尽量多的保留噪声干扰的特征，频谱应选取幅值谱或有效值谱，不能使用功率谱密度。坐标统一使用线性坐标，不能使用对数坐标。
步骤3模型的训练
特征提取训练样本的制作：根据先验数据获取频谱图，将获取的频谱图转化为灰度图像，所述先验数据具体为包含噪声数据和非噪声数据；特征提取模型的训练：灰度图像为卷积神经网络的输入，训练标签采用one-hot编码即01编码，输出为全连接层。特征提取：以训练完成的全连接层卷积神经网络为基础，将训练样本重新输入卷积神经网络，将全连接层的前一层的输出保存作为样本的特征。二分类模型：以卷积神经网络特征提取的结果为输入，训练一个二分类模型。
步骤4模型的使用
数据采集设备采集振动数据，并在软件中计算频谱图。将频谱图转化为的灰度图像。以灰度图像为输入进行卷积神经网络特征提取。将特征提取的结果作为二分类模型的输入判别出该频谱图是否包含噪声，输出为1则代表振动测试信号噪声幅值高，0代表振动测试信号噪声幅值低。
所述低通滤波器为巴特沃兹4阶滤波器。其通带与阻带之间过渡比较平滑，且不会出现突增等不稳定现象。
所述步骤2中信号处理，为了保证积分结果的精度，采样率需要大于等于5120Hz。
所述灰度图像为28*28像素。该像素大小为工作中常规选择，也可以根据实际需求设定不同像素。
模型训练使用的频谱图灰度图像与模型使用的频谱图灰度图像像素一致。若两者像素不一致，最终分类的结果不理想。
二分类模型采用支持向量机算法。
所述频谱计算软件Matlab、LabVIEW。这两款软件信号处理功能强大、开发周期短。
所述步骤2中当测量飞机附件机匣振动时，取每4096个点做一次傅里叶变换。旋转机械的频率成分较多，为了提高频率分辨率，不至于造成频谱中相邻频率的振动信号之间相叠加无法识别。
Claims (8)
1.一种基于图像识别强噪声背景下振动频谱的方法，其特征在于，包括以下步骤：
步骤1测点布置
振动传感器布置在随机振动影响较小的位置；
步骤2信号处理
对采集的原始振动信号使用分段拟合去趋势项法去除趋势项，之后对信号进行积分，放大低频噪声信号幅值；使用低通滤波器滤除转频三倍频以上的振动信号，在保留前三倍频振动信号及噪声干扰的前提下简化频谱特征；将以上处理过的前三倍频振动信号及噪声干扰，加汉宁窗，避免泄漏现象与噪声干扰现象相叠加；最后对前三倍频振动信号及噪声干扰进行频谱计算；
步骤3模型的训练
特征提取训练样本的制作：根据先验数据获取频谱图，将获取的频谱图转化为灰度图像，所述先验数据包含噪声数据和非噪声数据；特征提取模型的训练：灰度图像为卷积神经网络的输入，训练标签采用one-hot编码即01编码，输出为全连接层；特征提取：以训练完成的全连接层卷积神经网络为基础，将训练样本重新输入卷积神经网络，将全连接层的前一层的输出保存作为样本的特征；二分类模型：以卷积神经网络特征提取的结果为输入，训练一个二分类模型；
步骤4.模型的使用
数据采集设备采集振动数据，并在软件中计算频谱图；将频谱图转化为的灰度图像；以灰度图像为输入进行卷积神经网络特征提取；将特征提取的结果作为二分类模型的输入判别出该频谱图是否包含噪声，输出为1则代表振动测试信号噪声幅值高，0代表振动测试信号噪声幅值低。
2.根据权利要求1所述的一种基于图像识别强噪声背景下振动频谱的方法，其特征在于，所述低通滤波器为巴特沃兹4阶滤波器。
3.根据权利要求1所述的一种基于图像识别强噪声背景下振动频谱的方法，其特征在于，所述步骤2中信号处理，采样率大于等于5120Hz。
4.根据权利要求1所述的一种基于图像识别强噪声背景下振动频谱的方法，其特征在于，所述灰度图像为28*28像素。
5.根据权利要求1所述的一种基于图像识别强噪声背景下振动频谱的方法，其特征在于，模型训练使用的频谱图灰度图像与模型使用的频谱图灰度图像像素一致。
6.根据权利要求1所述的一种基于图像识别强噪声背景下振动频谱的方法，其特征在于，二分类模型采用支持向量机算法。
7.根据权利要求1所述的一种基于图像识别强噪声背景下振动频谱的方法，其特征在于，所述频谱计算软件Matlab、LabVIEW。
8.根据权利要求1所述的一种基于图像识别强噪声背景下振动频谱的方法，其特征在于，所述步骤2中当测量飞机附件机匣振动时，取每4096个点做一次傅里叶变换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010885486.7A CN112069962B (zh) | 2020-08-28 | 2020-08-28 | 一种基于图像识别强噪声背景下振动频谱的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010885486.7A CN112069962B (zh) | 2020-08-28 | 2020-08-28 | 一种基于图像识别强噪声背景下振动频谱的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112069962A CN112069962A (zh) | 2020-12-11 |
| CN112069962B true CN112069962B (zh) | 2023-12-22 |
Family
ID=73660569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010885486.7A Active CN112069962B (zh) | 2020-08-28 | 2020-08-28 | 一种基于图像识别强噪声背景下振动频谱的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069962B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114136648B (zh) * | 2021-10-20 | 2023-06-13 | 中国航发四川燃气涡轮研究院 | 基于声阵列的航空发动机风扇动叶的气动激励辨识方法 |
| CN114112401A (zh) * | 2021-11-10 | 2022-03-01 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于声谱图的lstm故障诊断模型的发动机故障诊断方法 |
| CN117309299B (zh) * | 2023-11-28 | 2024-02-06 | 天津信天电子科技有限公司 | 伺服驱动器振动试验方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018093444A1 (en) * | 2016-09-07 | 2018-05-24 | Massachusetts Institute Of Technology | High fidelity systems, apparatus, and methods for collecting noise exposure data |
| WO2019218725A1 (zh) * | 2018-05-16 | 2019-11-21 | 深圳大学 | 基于骨传导振动与机器学习的智能输入方法及系统 |
| CN110595780A (zh) * | 2019-09-20 | 2019-12-20 | 西安科技大学 | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 |
-
2020
- 2020-08-28 CN CN202010885486.7A patent/CN112069962B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018093444A1 (en) * | 2016-09-07 | 2018-05-24 | Massachusetts Institute Of Technology | High fidelity systems, apparatus, and methods for collecting noise exposure data |
| WO2019218725A1 (zh) * | 2018-05-16 | 2019-11-21 | 深圳大学 | 基于骨传导振动与机器学习的智能输入方法及系统 |
| CN110595780A (zh) * | 2019-09-20 | 2019-12-20 | 西安科技大学 | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法;李恒;张氢;秦仙蓉;孙远韬;;振动与冲击(19);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112069962A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112069962B (zh) | 一种基于图像识别强噪声背景下振动频谱的方法 | |
| Wang et al. | Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension | |
| CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
| CN109883706B (zh) | 一种滚动轴承局部损伤微弱故障特征提取方法 | |
| CN101936767B (zh) | 提取工程机械运行特征信号的方法 | |
| CN109827777A (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
| CN112378660A (zh) | 一种基于数据驱动的航空发动机轴承智能故障诊断方法 | |
| CN110056640B (zh) | 基于加速度信号和边缘计算的减速机无线故障诊断方法 | |
| CN111077386A (zh) | 一种电气设备早期故障信号降噪方法 | |
| CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
| CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
| CN114486263A (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
| CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
| Zhou et al. | Multi-objective sparsity maximum mode de-composition: a new method for rotating machine fault diagnosis on high-speed train axle box | |
| CN112686181B (zh) | 一种基于插值轴心轨迹的水轮机故障诊断方法 | |
| CN211478951U (zh) | 故障诊断装置和故障诊断系统 | |
| CN117348093A (zh) | 基于地面参考点的航空电磁数据处理方法及系统 | |
| CN117009870A (zh) | 一种频域改进sdp图的泵空化状态识别方法 | |
| CN117169346A (zh) | 一种基于小波包能量谱分析的高空建筑损伤识别方法 | |
| CN110287853B (zh) | 一种基于小波分解的暂态信号去噪方法 | |
| CN113820133B (zh) | 一种轴承振动信号的稀疏重构方法及其系统 | |
| CN114781466B (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 | |
| CN110459197A (zh) | 用于微弱盲信号去噪与提取的信号增强器及方法 | |
| CN109712639A (zh) | 一种基于小波阈值滤波的音频采集系统及方法 | |
| CN113340369B (zh) | 一种涡轮燃油质量流量计的信号处理方法及设备 |
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 |