CN114112401A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114112401A CN114112401A CN202111324922.4A CN202111324922A CN114112401A CN 114112401 A CN114112401 A CN 114112401A CN 202111324922 A CN202111324922 A CN 202111324922A CN 114112401 A CN114112401 A CN 114112401A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- spectrogram
- lstm
- engine
- steps
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 25
- 238000002474 experimental method Methods 0.000 description 20
- 238000012795 verification Methods 0.000 description 16
- 230000000052 comparative effect Effects 0.000 description 10
- 238000010200 validation analysis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于声谱图的LSTM故障诊断模型的发动机故障诊断方法,涉及发动机故障检测的技术领域,读入声谱图后,先将3 channels合并为1 channel,将该模型的输入层的n_steps设为128,n_inputs设为128;然后经过128 time_steps,即可完整地读入一张声谱图;然后通过输入层,1 time_step的数据被送入LSTM网络,直至得到最后一个time_step的输出,然后送入全连接层进行分类,输出最终的诊断;本发明具有使用方便、故障件检测效率高、精度高等优点。
Description
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LSTM故障诊断模型的发动机故障诊断方法。
背景技术
长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层。
发动机在使用的过程中,随着使用时间的增加,发动机会发生一些故障,对于故障的检测,主要是通过发动机发出的物理信号进行检测,但是这种现有的检测方式中,发动机发生故障时,只有在较大的物理信号产生时才能够检测到,这就具有一定的滞后性,因此本申请设置了一种基于声谱图的LSTM故障诊断模型的发动机故障诊断方法,通过对发动机产生的声音的声谱进行检测,能够判断出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LSTM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发动机故障检测效率低、精度低的问题。
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LSTM故障诊断模型的发动机故障诊断方法,包括以下步骤:
读入尺寸为128height*128width*3channels的声谱图后,先将3 channels合并为1 channel,将该模型的输入层的n_steps设为128,n_inputs设为128;
然后经过128 time_steps,即可完整地读入一张128height*128width*3channels的声谱图;
然后通过输入层,1 time_step的数据被送入LSTM网络,直至得到最后一个time_step的输出,然后送入全连接层进行分类,输出最终的诊断。
优选的:该LSTM故障诊断模型的层数为1层。
优选的:该LSTM故障诊断模型每层的cell数量为384。
优选的:读声谱图的方向为:按先纵向后横向的方式读图,即n_steps=inputs,n_hidden_units=time_steps。
采用以上技术方案的有益效果是:
本申请通过LSTM故障诊断模型能够对发动机的声谱图进行检测,通过对声谱图的检测判断发动机是否发生故障,并且选择cell数量n_hidden_units定为384能够在较少的时间获得最高的诊断精确率;采用先横向后纵向的读图方向,诊断准确率得到提升。
附图说明
图1是本发明中LSTM故障诊断模型的详细结构。
图2是本发明num_layers=1时,对比实验的训练集及验证集accuracy曲线。
图3是本发明num_layers=2时,对比实验的训练集及验证集accuracy曲线。
图4是本发明num_layers=3时,对比实验的训练集及验证集accuracy曲线。
图5是本发明num_layers=4时,对比实验的训练集及验证集accuracy曲线。
图6是本发明n_hidden_units=105时,对比实验的训练集及验证集accuracy曲线。
图7是本发明n_hidden_units=256时,对比实验的训练集及验证集accuracy曲线。
图8是本发明n_hidden_units=384时,对比实验的训练集及验证集accuracy曲线。
图9是本发明n_hidden_units=512时,对比实验的训练集及验证集accuracy曲线。
图10是本发明先纵向后横向读图时,对比实验的训练集及验证集accuracy曲线。
图11是本发明先横向后纵向读图时,对比实验的训练集及验证集accuracy曲线。
具体实施方式
下面结合附图详细说明本发明的实施方式。
在本实施例一中,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,包括以下步骤:
读入尺寸为128height*128width*3channels的声谱图后,先将3 channels合并为1 channel,将该模型的输入层的n_steps设为128,n_inputs设为128;
然后经过128 time_steps,即可完整地读入一张128height*128width*3channels的声谱图;
然后通过输入层,1 time_step的数据被送入LSTM网络,直至得到最后一个time_step的输出,然后送入全连接层进行分类,输出最终的诊断。
本申请通过LSTM故障诊断模型能够对发动机的声谱图进行检测,通过对声谱图的检测判断发动机是否发生故障。该LSTM故障诊断模型的详细结构入图1。关于隐藏层层数的分析:
本申请使用n_hidden_units=384,读图方式为先纵向后横向读图,对层数进行实验,本小节选取的实验层数是1、2、3、4层,
图2为num_layers=1
图3为num_layers=2
图4为num_layers=3
图5为num_layers=4,展示了不同num_layers下对比实验的训练集及验证集accuracy曲线。
从图2-5中可以看出在不同的num_layers大小的实验中,训练集和验证集的accuracy曲线在几乎是重合的,说明训练集和验证集拟合良好,参数设置合适,没有发生过拟合;1层网络结构下,训练集和验证集的诊断准确率随着迭代次数的增加,其诊断准确率逐渐升高,逐步达到98.44%;而2、3、4层网络结构,诊断准确率下降,其分别在94%,90%,91%左右趋于稳定,曲线不再上升;而且,在实验中可以发现,随着num_layers从1到4的增加,训练时间随着也从1h13min增加到了2h28min,因为随着模型变得复杂,计算量增加,所以训练时间变得越来越长;
所以最好结果对应的参数应该是1层LSTM的网络结构;故本申请选择1层作为理想的结构。
关于cell数量的分析:
本申请将会对LSTM模型每层Cell内部状态大小进行实验,根据上一小节,将LSTM网络结构的层数num_layers定为1层,同时暂定读图方式为先纵向后横向读图;本申请输入到cell中的每个输入大小是1x128,LSTM网络结构的n_hidden_units从128开始往上增加;备选的n_hidden_units的大小为128,256,384,512;
图6为n_hidden_units=128
图7为n_hidden_units=256
图8为n_hidden_units=384
图9为n_hidden_units=512,展示了不同n_hidden_units对比实验的训练集及验证集accuracy曲线;
图6-9中可以看出在不同的n_hidden_units大小的实验中,随着迭代次数的增加,验证集和训练集的诊断准确率迅速地升高,并逐渐收敛;分析上图发现验证集的诊断准确率从n_hidden_units=128时的94.53%增加到n_hidden_units=384时的98.44%,随着n_hidden_units的增加,模型表现特征的能力变得越来越强,训练效果越来越好;之后随着n_hidden_units的增加,验证集的诊断准确率不再显著上升,并在n_hidden_units=512时出现略微的下降,此阶段,模型变得复杂,参数量以及计算量不断攀升,并未带来诊断准确率的增加;随着n_hidden_units从128到512的增加训练时间随着也从49min增加到了2h23min,计算量增加,所以训练时间变得越来越长;
最后综合计算所花费的时间以及最后所实现的准确率效果来看,选择n_hidden_units=384是可取的,较少的时间获得最高的诊断准确率。
关于读图方向的选择:
本申请对LSTM模型读入声谱图的方式进行实验,根据上文实验结果,将LSTM网络结构的层数num_layers定为1层,cell数量n_hidden_units定为384;本申请在图片读入的过程中,将time_steps,inputs两个维度进行调换,即为先纵向后横向读图;在图片读入过程中,不采取维度调换操作,即为先横向后纵向读图;
图10为先纵向后横向读图
图11为先横向后纵向读图,展示了不同读图方向对比实验的训练集及验证集accuracy曲线;
图10-11中可以看出在不同读图方向的实验中,验证集和训练集的诊断准确率随着迭代次数的增加而迅速地升高,并逐渐收敛;然而采用先横向后纵向的读图方向,训练集诊断准确率不断攀升,达到97.66%,然而验证集的诊断准确率稳定在92%左右不再上升;总结其原因,声谱图横向表现的是时序,纵向上表现的是某一很短的时间切片的频谱特征;采取先纵向后横向的读图方向,LSTM网络是沿着时序不断的往下读,寻找时序上的特征,然而采取先横线后纵向的读图方向,在一定程度上不同频谱范围的相邻时序特征关联不够紧密;通过本申请的比较试验,可以确定采用先纵向后横向的读图方向。
通过本申请的对比实验,可以得到基于声谱图的LSTM诊断模型的最佳参数:
(1)LSTM模型的层数num_layers=1;
(2)LSTM模型每层的cell数量n_hidden_units=384;
按先纵向后横向的方式读图,即n_steps=inputs,n_hidden_units=time_steps;
因此该LSTM故障诊断模型参数如表1
表1:基于声谱图的LSTM诊断模型
以上该的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (4)
1.一种基于声谱图的LSTM故障诊断模型的发动机故障诊断方法,其特征在于:包括以下步骤:
读入尺寸为128height*128width*3channels的声谱图后,先将3channels合并为1channel,将该模型的输入层的n_steps设为128,n_inputs设为128;
然后经过128time_steps,即可完整地读入一张128height*128width*3channels的声谱图;
然后通过输入层,1time_step的数据被送入LSTM网络,直至得到最后一个time_step的输出,然后送入全连接层进行分类,输出最终的诊断。
2.根据权利要求1一种基于声谱图的LSTM故障诊断模型的发动机故障诊断方法,其特征在于,该LSTM故障诊断模型的层数为1层。
3.根据权利要求1一种基于声谱图的LSTM故障诊断模型的发动机故障诊断方法,其特征在于,该LSTM故障诊断模型每层的cel l数量为384。
4.根据权利要求1一种基于声谱图的LSTM故障诊断模型的发动机故障诊断方法,其特征在于,读声谱图的方向为:按先纵向后横向的方式读图,即n_steps=inputs,n_hidden_units=time_steps。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324922.4A CN114112401A (zh) | 2021-11-10 | 2021-11-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324922.4A CN114112401A (zh) | 2021-11-10 | 2021-11-10 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114112401A true CN114112401A (zh) | 2022-03-01 |
Family
ID=80377808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111324922.4A Pending CN114112401A (zh) | 2021-11-10 | 2021-11-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114112401A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3112122A1 (de) * | 1981-03-27 | 1982-10-07 | Robert Bosch Gmbh, 7000 Stuttgart | Verfahren und vorrichtung zur fahrzeugdiagnose |
DE19819499A1 (de) * | 1998-04-30 | 1999-11-04 | Pompe Heinz Juergen | Fehlererkennungssystem für Kfz-Motore und angeschlossene Aggregate |
JP2000321176A (ja) * | 1999-05-17 | 2000-11-24 | Mitsui Eng & Shipbuild Co Ltd | 異常検知方法および装置 |
CN103558029A (zh) * | 2013-10-22 | 2014-02-05 | 重庆建设摩托车股份有限公司 | 一种发动机异响故障在线诊断系统和诊断方法 |
CN103575536A (zh) * | 2012-07-23 | 2014-02-12 | 上海博泰悦臻电子设备制造有限公司 | 车辆故障识别装置及方法 |
CN109086888A (zh) * | 2018-09-05 | 2018-12-25 | 北京机械设备研究所 | 基于声音识别的汽车发动机故障判定方法及其装置 |
CN110890102A (zh) * | 2019-09-07 | 2020-03-17 | 创新奇智(重庆)科技有限公司 | 一种基于rnn声纹识别的发动机缺陷检测算法 |
CN112069962A (zh) * | 2020-08-28 | 2020-12-11 | 中国航发贵阳发动机设计研究所 | 一种基于图像识别强噪声背景下振动频谱的方法 |
-
2021
- 2021-11-10 CN CN202111324922.4A patent/CN114112401A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3112122A1 (de) * | 1981-03-27 | 1982-10-07 | Robert Bosch Gmbh, 7000 Stuttgart | Verfahren und vorrichtung zur fahrzeugdiagnose |
DE19819499A1 (de) * | 1998-04-30 | 1999-11-04 | Pompe Heinz Juergen | Fehlererkennungssystem für Kfz-Motore und angeschlossene Aggregate |
JP2000321176A (ja) * | 1999-05-17 | 2000-11-24 | Mitsui Eng & Shipbuild Co Ltd | 異常検知方法および装置 |
CN103575536A (zh) * | 2012-07-23 | 2014-02-12 | 上海博泰悦臻电子设备制造有限公司 | 车辆故障识别装置及方法 |
CN103558029A (zh) * | 2013-10-22 | 2014-02-05 | 重庆建设摩托车股份有限公司 | 一种发动机异响故障在线诊断系统和诊断方法 |
CN109086888A (zh) * | 2018-09-05 | 2018-12-25 | 北京机械设备研究所 | 基于声音识别的汽车发动机故障判定方法及其装置 |
CN110890102A (zh) * | 2019-09-07 | 2020-03-17 | 创新奇智(重庆)科技有限公司 | 一种基于rnn声纹识别的发动机缺陷检测算法 |
CN112069962A (zh) * | 2020-08-28 | 2020-12-11 | 中国航发贵阳发动机设计研究所 | 一种基于图像识别强噪声背景下振动频谱的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110595775A (zh) | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN109765490B (zh) | 一种基于高维数据诊断的动力电池故障检测方法及系统 | |
CN111340046A (zh) | 基于特征金字塔网络和通道注意力的视觉显著性检测方法 | |
CN113176022B (zh) | 一种分段式神经网络压力传感器压力检测方法及系统 | |
CN114330042A (zh) | 基于sn曲线的程序载荷谱编制方法、系统和存储介质 | |
CN109696906A (zh) | 基于小波修正贝叶斯卷积能量的水下机器人推进器故障诊断方法 | |
CN106653095B (zh) | 一种快速收集阈值电压分布的方法 | |
CN114112401A (zh) | 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 | |
CN111598844B (zh) | 一种图像分割方法、装置、电子设备和可读存储介质 | |
CN101614799B (zh) | 应用于电流传感器角差在线监测系统的信号分离择优方法 | |
CN112505532A (zh) | 基于改进粒子群算法的模拟电路单故障诊断方法 | |
CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
Lu et al. | Machine learning approach for accelerating simulation-based fault injection | |
CN116979970A (zh) | 一种漏磁数据的压缩和重构方法、系统、电子设备及介质 | |
CN115753002A (zh) | 飞行器抖振气动力的预测系统及方法 | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN101813747A (zh) | 基于维纳核和神经网络的非线性模拟电路故障诊断方法 | |
CN115982566A (zh) | 一种水电机组多通道故障诊断方法 | |
CN115758222A (zh) | 信号类别识别方法、装置、电子设备及存储介质 | |
CN115311238A (zh) | 一种基于图像分析的光伏组件缺陷损伤的识别方法 | |
CN113948107A (zh) | 一种基于端到端的cnn故障诊断模型的发动机故障诊断方法 | |
CN112950638B (zh) | 图像分割方法、装置、电子设备及计算机可读存储介质 | |
CN110631827B (zh) | 一种基于改进协同表示分类的齿轮箱故障诊断方法 | |
CN107220490A (zh) | 水文序列均值跳跃变异的识别与分级方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220301 |