CN115200881B - 一种基于mdunn的多变负荷下柴油机故障诊断方法 - Google Patents

Abstract

本申请涉及一种基于MDUNN的多变负荷下柴油机故障诊断方法，包括：S100、基于设置在柴油机缸盖上的加速度传感器，采集不同负荷下不同故障的振动信号；S200、将不同故障下的多负荷混合数据与故障类一一对应设置故障标签，建立故障数据集；S300、构建MDUNN模型，并利用故障数据集分阶段训练MDUNN；S400、将实时采集的缸盖振动信号输入MDUNN，输出柴油机故障类型。通过基于MDUNN的多变负荷下柴油机故障诊断方法，可以充分抓取柴油机震动信号特征，并可以在多域特征空间形成准确决策。

Description

一种基于MDUNN的多变负荷下柴油机故障诊断方法

技术领域

本申请涉及柴油机故障诊断技术领域，尤其涉及一种基于MDUNN的多变负荷下柴油机故障诊断方法。

背景技术

柴油机是一种热效率高、功率范围广、运行机动性好的通用动力机械，在重型商业车、工程和农用机械、船舶、电站等各个领域有着广泛应用。柴油机所服务的上述大部分领域在国民经济中都具有重要地位，如果不能实现及时故障检测与维修，故障累积引起的严重事故将造成经济损失，威胁相关人员生命安全，因此对内燃机进行及时、准确的诊断非常重要。

基于深度学习的故障诊断技术具有诊断精度高、运行速度快和自适应提取特征的优点。对于柴油机来说，缸盖振动信号对柴油机多种故障有显著表征，适宜作为深度学习诊断模型的数据基础。然而柴油机工作环境复杂，运行负荷随实际需求实时调整，深度学习的故障训练集与测试集均难以保证功率稳恒。柴油机的实际故障数据集与实时运维采集的振动信号均存在严重非独立同分布特性，使基于深度学习的柴油机故障诊断技术在真实多变负荷场景的应用中存在困难。

在故障诊断领域中，有学者开发出解决类似问题的深度学习模型，具有一定的鲁棒性和泛化性。一些经典的鲁棒性深度卷积网络在轴承、齿轮箱、风电机等相对简单的机械结构故障诊断上已经取得可观效果，然而柴油机缸盖振动信号有如下两个特点：传递路径长，涉及部件多；传递路径多样，同一故障激励从多个路径传至同一接收点。同时，由于其复杂的工作环境，柴油机振动信号与强烈背景噪声耦合。因此，柴油机需要信号分析能力更强和鲁棒性更好的模型实现多变负荷下故障诊断，构建柴油机多变负荷下的诊断模型具有重要意义。

目前，柴油机多变负荷故障诊断存在以下问题：

1.首层卷积决定了CNN的特征进入数量，常见的首位窄、中间宽的单通路“梭形”CNN网络架构无法充分提取特征。

2.多域混合使总特征集迅速扩大，而特征交集迅速减小，形成了非独立同分布场景，常见的深度学习模型基于独立同分布假设而无法适应多域环境。

3.常用的注意力机制可以使网络集中学习交集特征，在不同域特征集高度重叠的简单机械上能够起到明显作用，然而由于柴油机工作状态变化引起的信号巨大差异，迅速减小的交集特征无法满足诊断需求。

由于现有技术的上述不足，需要一种可以充分抓取信号特征，并可以在多域特征空间形成准确决策的多变负荷柴油机诊断方法。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

为了解决上述背景技术提到的技术问题或者至少部分地解决上述技术问题，本申请提供一种基于MDUNN的多变负荷下柴油机故障诊断方法，包括以下步骤：

S100、基于设置在柴油机缸盖上的加速度传感器，采集不同负荷下不同故障的振动信号；

S200、将不同负荷下不同故障的振动信号按固定信号长度分割后与故障类一一对应建立故障标签，得到故障数据集，所述故障数据集包括所有故障标签；

S300、构建MDUNN模型，并利用故障数据集分阶段训练MDUNN；

S400、将实时采集的缸盖振动信号输入MDUNN，输出柴油机故障类型。

步骤S300，具体包括如下步骤：

S310、构建多深度卷积神经网络；

S320、对特征矩阵权重进行巩固训练；

S330、对深度权重矩阵进行巩固训练。

步骤S310包括如下步骤：

S311、构建卷积神经网络，将卷积第一层核数增加到128个，后续层核数保持64个，128核的首层卷积和64核的隐藏层构成特征提取器，在所述特征提取器后增加一层大小为1的卷积核，将通道数调整为预设的类别数，所述类别数根据故障数据集中的故障类选定，所述使卷积输出特征可以直接用于决策。

S312、削减上述卷积结构中含有64卷积核的卷积层，从而削减抽象程度，形成不同深度卷积通路，将这些卷积通路的结果直接取全局平均池化，所述全局平均池化简称GAP，通过SoftMax分类器分别与故障标签取交叉熵后梯度下降，完成初始训练，训练结束后丢弃GAP和SoftMax分类器。

步骤S320包括如下步骤：

S321、将不同深度卷积嵌入的输出特征与同形状的矩阵点积后行内平均，相当于添加了一层选择性连接的无偏置全连接层，使输出仍然保持着类别独立性，通过SoftMax分类器将该模块输出与故障标签取交叉熵后梯度下降，训练结束后丢弃SoftMax分类器，将输出作为下一个重复模块的特征输入。

S322、阶段训练结束后为卷积的不同输出特征分配阈值，高于阈值的特征将直接决定输出的类别优势，而低于阈值的特征则起到为其他特征构建阈值的作用，特征阈值通过如下公式计算：

其中，FWM的行数为类别数，列数n为单通道内特征数；

FWM_ab为FWM权重矩阵a行b列对应位置的权重；

FWM_ij为FWM权重矩阵除a行b列之外的i行j列对应位置的权重；

O_ij为除FWM权重矩阵a行b列之外的i行j列输出的特征或评分值；

Thresold_ab为FWM权重矩阵a行b列对应位置的特征阈值。

其中FWM权重矩阵以sigmoid函数约束，公式如下：

其中，x为额外注册的参数；

λ为取值范围约束系数；

σ(x)为sigmoid约束的权重。

步骤S330具体包括以下步骤：在特征权重层后添加一个与特征权重层同形式的深度权重矩阵，并与特征权重层的输出特征点积后行内求和，重复步骤S320，获得深度权重层，深度权重层的输出与故障标签形状相同，能够作为实际故障诊断中所采用的最终输出，完成MDUNN的训练。

所述S400具体包括：

S100、基于设置在柴油机缸盖上的加速度传感器获取缸盖振动信号；

S200、每间隔预设时间，将缸盖振动信号输入MDUNN；

S300、MDUNN将缸盖振动信号进行多深度特征提取，在两种权重层调节下降维，得到故障类型预测结果；

S400、输出柴油机故障类型。

所述加速度传感器为单向加速度传感器，所述单向加速度传感器与多通道数据采集系统电性连接，所述多通道数据采集系统电性连接能够通过单向加速度传感器获取缸盖振动信号。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的一种基于MDUNN的多变负荷下柴油机故障诊断方法，通过多深度卷积的嵌入结构和模仿潜意识机制的巩固学习方法使网络能够记忆并处理多域特征，避免了多变负荷数据集的共有特征缩减导致的网络退化。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于MDUNN的多变负荷下柴油机故障诊断方法的步骤示意图；

图2为本申请实施例提供的基于MDUNN的多变负荷下柴油机故障诊断方法的柴油机与加速度传感器的结构示意图；

图3为本申请实施例提供的基于MDUNN的多变负荷下柴油机故障诊断方法的多深度卷积网络结构示意图；

图4为本申请实施例提供的基于MDUNN的多变负荷下柴油机故障诊断方法的MDUNN结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，下面对本申请实施例提供的一种基于MDUNN的多变负荷下柴油机故障诊断方法进行详细介绍，所述MDUNN全称Multi-depth Unconscious Neural Network，指的是首层多卷积核的多深度潜意识神经网络诊断模型，如图1和图4所示，包括以下步骤：

S100、基于设置在柴油机缸盖上的加速度传感器，采集不同负荷下不同故障的振动信号。

如图2所示，所述加速度传感器为单向加速度传感器，所述单向加速度传感器与多通道数据采集系统电性连接，所述多通道数据采集系统电性连接能够通过单向加速度传感器获取缸盖振动信号。

S200、将不同负荷下不同故障的振动信号按固定信号长度分割后与故障类一一对应建立故障标签，得到故障数据集，所述故障数据集包括所有故障标签。

S300、构建MDUNN模型，并利用故障数据集分阶段训练MDUNN。

具体的，如图3所示，步骤S300包括如下步骤：

S310、构建多深度卷积神经网络。

具体的，步骤S310包括如下步骤：

S311、构建卷积神经网络，将卷积第一层核数增加到128个，后续层核数保持64个，128核的首层卷积和64核的隐藏层构成特征提取器，在所述特征提取器后增加一层大小为1的卷积核，将通道数调整为预设的类别数，所述类别数根据故障数据集中的故障类选定，使卷积输出特征可以直接用于决策。

S312、削减上述卷积结构中含有64卷积核的卷积层，从而削减抽象程度，形成不同深度卷积通路，将这些卷积通路的结果直接取全局平均池化，所述全局平均池化简称GAP，通过SoftMax分类器分别与故障标签取交叉熵后梯度下降，完成初始训练，最大化每个卷积深度的表征能力，同时避免含参数分类器对非交集特征提取的干扰，对特征的学习效果仅取决于特征的出现频率和显著度，训练结束后丢弃GAP和SoftMax分类器。

S320、对特征矩阵权重进行巩固训练。

具体的，步骤S320包括如下步骤：

S321、将不同深度卷积嵌入的输出特征与同形状的矩阵点积后行内平均，相当于添加了一层选择性连接的无偏置全连接层，使输出仍然保持着类别独立性，通过SoftMax分类器将该模块输出与故障标签取交叉熵后梯度下降，训练结束后丢弃SoftMax分类器，将输出作为下一个重复模块的特征输入，这种结构下连接权重的学习起到了与反馈巩固相似的作用，全负荷域样本输入下生成权重，调节卷积神经元的表达强度，从而使其适应多负荷平均环境。

S322、阶段训练结束后为卷积的不同输出特征分配阈值，高于阈值的特征将直接决定输出的类别优势，而低于阈值的特征则起到为其他特征构建阈值的作用，各特征值的最终结果的阈值通过如下公式计算：

其中，FWM的行数为类别数，列数n为单通道内特征数；

FWM_ab为FWM权重矩阵a行b列对应位置的权重；

FWM_ij为FWM权重矩阵除a行b列之外的i行j列对应位置的权重；

O_ij为FWM权重矩阵除a行b列之外的i行j列输出的特征或评分值；

Thresold_ab为FWM权重矩阵a行b列对应位置的特征阈值。

具体的，通过如下公式约束FWM权重矩阵：

其中，x为额外注册的参数；

λ为取值范围约束系数；

σ(x)为sigmoid约束的权重。

S330、对深度权重矩阵进行巩固训练。

具体的，步骤S430包括如下步骤：

在特征权重层后添加一个与特征权重层同形式的深度权重矩阵，并与特征权重层的输出特征点积后行内求和，重复步骤S320，获得深度权重层，深度权重层输出与故障标签形状相同，能够作为实际故障诊断中所采用的最终输出，完成MDUNN的训练。

S400、将实时采集的缸盖振动信号输入MDUNN，输出柴油机故障类型。

具体的，所述S400具体包括：

S410、基于设置在柴油机缸盖上的加速度传感器获取缸盖振动信号。

S420、每间隔预设时间，将缸盖振动信号输入MDUNN。

S430、MDUNN将缸盖振动信号进行多深度特征提取，在两种权重层调节下降维，得到故障类型预测结果。

S440、输出柴油机故障类型。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (3)

1.一种基于MDUNN的多变负荷下柴油机故障诊断方法，其特征在于，包括以下步骤：

S100、基于设置在柴油机缸盖上的加速度传感器，采集不同负荷下不同故障的振动信号；

S200、将不同负荷下不同故障的振动信号按固定信号长度分割后与故障类一一对应建立故障标签，得到故障数据集，所述故障数据集包括所有故障标签；

S300、构建MDUNN模型，并利用故障数据集分阶段训练MDUNN，具体包括如下步骤：

S310、构建多深度卷积神经网络，包括如下步骤：

S311、构建卷积神经网络，将卷积第一层核数增加到128个，后续层核数保持64个，128核的首层卷积和64核的隐藏层构成特征提取器，在所述特征提取器后增加一层大小为1的卷积核，将通道数调整为预设的类别数，所述类别数根据故障数据集中的故障类选定，所述使卷积输出特征可以直接用于决策；

S312、削减上述卷积结构中含有64卷积核的卷积层，从而削减抽象程度，形成不同深度卷积通路，将这些卷积通路的结果直接取全局平均池化，所述全局平均池化简称GAP，通过SoftMax分类器分别与故障标签取交叉熵后梯度下降，完成初始训练，训练结束后丢弃GAP和SoftMax分类器；

S320、对特征矩阵权重进行巩固训练，包括如下步骤：

S321、将不同深度卷积嵌入的输出特征与同形状的矩阵点积后行内平均，相当于添加了一层选择性连接的无偏置全连接层，使输出仍然保持着类别独立性，通过SoftMax分类器将该模块输出与故障标签取交叉熵后梯度下降，训练结束后丢弃SoftMax分类器，将输出作为下一个重复模块的特征输入；

S322、阶段训练结束后为卷积的不同输出特征分配阈值，高于阈值的特征将直接决定输出的类别优势，而低于阈值的特征则起到为其他特征构建阈值的作用，特征阈值通过如下公式计算：

其中，FWM的行数为类别数，列数n为单通道内特征数；

FWM_ab为FWM权重矩阵a行b列对应位置的权重；

FWM_ij为FWM权重矩阵除a行b列之外的i行j列对应位置的权重；

O_ij为除FWM权重矩阵a行b列之外的i行j列输出的特征或评分值；

Thresold_ab为FWM权重矩阵a行b列对应位置的特征阈值；

其中FWM权重矩阵以sigmoid函数约束，公式如下：

其中，x为额外注册的参数；

λ为取值范围约束系数；

σ(x)为sigmoid约束的权重；

S330、对深度权重矩阵进行巩固训练，包括以下步骤：在特征权重层后添加一个与特征权重层同形式的深度权重矩阵，并与特征权重层的输出特征点积后行内求和，重复步骤S320，获得深度权重层，深度权重层的输出与故障标签形状相同，能够作为实际故障诊断中所采用的最终输出，完成MDUNN的训练；

S400、将实时采集的缸盖振动信号输入MDUNN，输出柴油机故障类型。

2.根据权利要求1所述的基于MDUNN的多变负荷下柴油机故障诊断方法，其特征在于，所述S400具体包括：

S410、基于设置在柴油机缸盖上的加速度传感器获取缸盖振动信号；

S420、每间隔预设时间，将缸盖振动信号输入MDUNN；

S430、MDUNN将缸盖振动信号进行多深度特征提取，在两种权重层调节下降维，得到故障类型预测结果；

S440、输出柴油机故障类型。

3.根据权利要求1所述的基于MDUNN的多变负荷下柴油机故障诊断方法，其特征在于，所述加速度传感器为单向加速度传感器，所述单向加速度传感器与多通道数据采集系统电性连接，所述多通道数据采集系统电性连接能够通过单向加速度传感器获取缸盖振动信号。