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 PDF

Info

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
Application number
CN202111324922.4A
Other languages
English (en)
Inventor
陈栋
钱立志
殷希梅
陈凯
张晓龙
田宗浩
石胜斌
王珺
连细南
郭佳晖
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.)
PLA Army Academy of Artillery and Air Defense
Original Assignee
PLA Army Academy of Artillery and Air Defense
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 PLA Army Academy of Artillery and Air Defense filed Critical PLA Army Academy of Artillery and Air Defense
Priority to CN202111324922.4A priority Critical patent/CN114112401A/zh
Publication of CN114112401A publication Critical patent/CN114112401A/zh
Pending legal-status Critical Current

Links

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

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
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
Figure BDA0003346685960000061
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。
CN202111324922.4A 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 Pending CN114112401A (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
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