CN113314142B - 发动机故障检测方法、***、存储介质及设备 - Google Patents
发动机故障检测方法、***、存储介质及设备 Download PDFInfo
- Publication number
- CN113314142B CN113314142B CN202110578476.3A CN202110578476A CN113314142B CN 113314142 B CN113314142 B CN 113314142B CN 202110578476 A CN202110578476 A CN 202110578476A CN 113314142 B CN113314142 B CN 113314142B
- Authority
- CN
- China
- Prior art keywords
- branch
- engine
- normal
- characteristic
- sample
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 230000005236 sound signal Effects 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 238000009432 framing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及发动机故障检测方法、***、存储介质和设备,包括以下步骤:获取发动机振声信号数据进行预处理,获得振声信号的频率特征,梅尔倒谱系数特征以及差分特征,构建多支特征正态子模型并获得针对已知故障类型样本的样本得分,基于样本得分构建层级判定正态子模型;分别利用多分支特征正态子模型和层级正态子模型构建针对所有故障类型的多支层级正态异常检测模型,将待测发动机振声信号样本依次输入各类型的多支层级正态异常检测模型中;当样本不在任何一个已知类型的设定范围内,则该样本对应的发动机状态被判定为未知异常状态。能够对发动机制造完毕后的检测环节下的发动机工作状态和故障类型检测,反映出异常状况同时不发生误检。
Description
技术领域
本发明涉及发动机故障检测领域,具体为发动机故障检测方法、***、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
发动机作为运输工具的主要动力来源,尤其是作为重型运输汽车、轮船等载具的驱动设备,其健康状况和运行状态关乎人身和财产安全。发动机的质量监测和故障维修过程对保证发动机正常运转至关重要。在发动机质检和维修车间中,一般通过监测发动机运转过程中转速、扭矩,同时结合人工监听发动机噪声的方法,判断发动机的健康状况和运行状态。
目前通过人工监测的方法易受工人经验限制,同时有限的参数进行发动机状态判定难以察觉微弱和早期的设备故障,当发动机发生未知异常情况时也无法准确判定运行状况,容易导致交通事故发生。因此在对发动机进行质量检测和运行状态监测过程中,通过实时且有效的检测***对发动机进行及时和精确的检测是十分必要的。
在发动机等设备状态监测方法研究中,通常利用数据在特征空间的分布特点,通过数据映射、处理结合分类器实现对发动机等设备的状态识别和故障诊断。已有的一些文献利用主成分分析法将发动机关键部件数据在特征空间中进行映射,降低无关特征维度对故障诊断的影响,提高诊断精度;或是利用高斯混合模型结合谱峭度图实现了对轴承早期故障的精确诊断。但在实际的诊断过程中,利用线性分类器难以检测到发动机的未知异常故障,而一般的高斯相关模型如高斯混合模型构建过程需要通过期望最大值方法估计模型参数,当特征维度升高时参数拟合的误差易导致诊断精度下降。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供发动机故障检测方法、***、存储介质及设备,通过构建多支层级正态模型并自主学习发动机振声信号中的状态参数,最终实现针对发动机的精确故障诊断和未知异常检测。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供发动机故障检测方法,包括以下步骤:
获取发动机振声信号数据进行预处理,获得振声信号的频率特征,梅尔倒谱系数特征以及差分特征;
根据频谱特征,梅尔倒谱系数特征及差分特征构建多支特征正态子模型;利用多支特征正态子模型中的每个分支子模型获得针对已知故障类型样本的样本得分,基于样本得分构建层级判定正态子模型;
分别利用多分支特征正态子模型和层级正态子模型构建针对所有故障类型的多支层级正态异常检测模型,将待测发动机振声信号样本依次输入各类型的多支层级正态异常检测模型中;当样本不在任何一个已知类型的设定范围内,则该样本对应的发动机状态被判定为未知异常状态。
(1)发动机振声信号预处理,利用汉宁窗(Hanning window)函数将连续的发动机振声信号有重叠的均匀截成等长的信号帧,令信号帧保留原始信号中包含的发动机运行时频特性同时避免频率泄露,有重叠的分帧保证了帧之间的信息连续性,提高了检测结果的时间精度。对已知的发动机状态数据包括正常运转和已知故障类型的数据分别预处理得到样本数据集。
其中,为保证每个信号帧中保留原始信号中发动机运行状态信息,分帧的时间长度选为0.1秒,以此保证10Hz以上的频率成分可以被帧保留。分帧时的截取步长选为0.1倍帧长,即相邻帧之间重叠90%以保证帧能够保留原始信号的连续性。
(2)对每类样本提取特征并对特征进行处理以提高特征表达的有效性,考虑到发动机的主要状态可以通过频率特性的变化反应,因此本实施例中提取发动机振声信号的频率特征并进行标准化处理,排除声强影响,同时提取声学信号处理中常用的梅尔倒谱系数特征(M el frequency cepstral coefficients,MFCCs)以及其差分特征作为辅助特征,对发动机振声信号进行表达。频谱特征标准化处理主要作用为保留频谱特征的波形,排除音量对频谱波形的影响,从而提高方法在实际诊断场景中的实用性和泛化能力。MFCC特征及差分特征分别表征了振声信号的声学静态特性和动态特性,作为补充特征可以有效提高特征表达的准确度。
其中,为精确表达发动机信号中的故障特性,本实施例中采用频谱特征结合梅尔倒谱系数特征的方法,频谱特征、梅尔倒谱系数特征及差分特征维度选取为50维,此时特征向量维度为150维。
(3)根据样本特征学习其各个特征分支的统计参数并构建多支特征正态子模型,用以评定样本从属于该类的得分。首先以一类数据的单个特征分支所有特征值为对象,假定其分布规律接近于正态分布,学习其均值和标准差值,并根据该参数构建单个分支特征正态子模型,对剩余的特征分值重复此过程,直至为所有特征分支构建正态子模型。为保证多支特征正态子模型在各个分支上对故障检测的影响相同,分别对每个分支的子模型进行标准化,即当样本代入每个分支子模型的概率密度函数(Probability density function,PDF)后得到对应的概率密度值,称为特征分支得分,将该特征分值得分除以该分支子模型PDF的最大值,得到归一化的特征分支得分。将已知的该类样本带入到标准化的多分支特征正态子模型中得到归一化特征分支得分,求取每个样本所有特征分支得分的均值即得到样本得分,该得分刻画了样本隶属于该类的可能性,值越大表明越可能属于该类,反之则越不可能属于该类。即样本得分的值反映每个发动机振声信号样本的故障类型属于已知故障类型的可能性,值越大表明越可能属于该类故障类型,反之则越不可能属于该类故障类型。
(4)分别学习每一类样本的样本得分的统计参数并构建层级判定正态子模型,用以判定是否接受待测样本属于某一已知类别的假设。首先学习某类样本得分的均值和标准差值,根据该参数构建层级正态子模型的累积概率密度函数(Cumulative probabilitydensity fun ction,CDF),根据层级正态子模型CDF设定接受假设范围,当待测样本掉入接受范围则接受样本属于该类的假设,否则拒绝该假设,以此完成待测样本类别的判定。
(5)分别对所有类别分别构建多分支特征正态子模型和层级正态子模型构成多支层级正态异常检测模型,在检测过程中将待测样本依次输入各个类别的多支层级正态异常检测模型中,样本被判定为掉入接受假设范围对应的类别,当样本掉入多个类别的接受假设范围时,其被判定归属于层级正态子模型累积概率密度值最接近0.5的类别,若样本不在任何一个已知类的接受假设范围,则该样本对应的发动机状态被判定为未知异常状态。
本发明的第二个方面提供基于上述发动机故障检测方法的***,包括:
数据获取模块:获取发动机振声信号数据进行预处理,获得振声信号的频率特征,梅尔倒谱系数特征以及差分特征;
模型构建模块:根据频谱特征,梅尔倒谱系数特征及差分特征构建多支特征正态子模型;利用多支特征正态子模型中的每个分支子模型获得针对已知故障类型样本的样本得分,基于样本得分构建层级判定正态子模型;
判断模块:分别利用多分支特征正态子模型和层级正态子模型构建针对所有故障类型的多支层级正态异常检测模型,将待测发动机振声信号样本依次输入各类型的多支层级正态异常检测模型中;当样本不在任何一个已知类型的设定范围内,则该样本对应的发动机状态被判定为未知异常状态。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的发动机故障检测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的发动机故障检测方法中的步骤。
与现有技术相比,以上一个或多个技术方案存在以下有益效果:
1、能够精确识别不同的发动机故障类型数据,不发生漏检故障状态且少发生误检正常状态。
2、能够对发动机制造完毕后的检测环节下的发动机工作状态和故障类型精确检测,及时反映出异常状况同时几乎不发生误检状况。
3、不但可以检测未知的异常故障类型,且有良好的故障诊断能力和较强的鲁棒性,还针对不同类型的数据,如实验中的轴承振动数据和重型汽车发动机声信号数据,都具有较强的适应性,能够在不同的数据集中精确的完成故障诊断和异常检测。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的风力发电参与的单区域电力***动态模型示意图;
图2是本发明一个或多个实施例提供的轴承故障异常检测结果示意图;
图3(a)是本发明一个或多个实施例提供的发动机正常运转音频波形示意图;
图3(b)是本发明一个或多个实施例提供的发动机异常检测结果示意图;
图4(a)是本发明一个或多个实施例提供的发动机单缸不工作故障音频波形示意图;
图4(b)是本发明一个或多个实施例提供的发动机单缸不工作异常检测结果示意图;
图5是本发明一个或多个实施例提供的发动机状态检测结果混淆矩阵示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所描述的,在发动机等设备状态监测方法研究中,通常利用数据在特征空间的分布特点,通过数据映射、处理结合分类器实现对发动机等设备的状态识别和故障诊断。如王骥等人在《内燃机与配件》2019年第15期中发表的论文《基于PCA的航空发动机关键部件异常状态检测》中利用主成分分析法将发动机关键部件数据在特征空间中进行映射,降低无关特征维度对故障诊断的影响,提高诊断精度;Hong等人在《IEEETransactions on Instrumentation a nd Measurement》2019年68卷第12期中发表的论文《Early Fault Dia gnosis and Classification of Ball Bearing Using EnhancedKurtogra m and Gaussian Mixture Model》利用高斯混合模型结合谱峭度图实现了对轴承早期故障的精确诊断。
但在实际的诊断过程中,利用线性分类器难以检测到设备未知异常故障,而一般的高斯相关模型如高斯混合模型构建过程需要通过期望最大值方法估计模型参数,当特征维度升高时参数拟合的误差易导致诊断精度下降。
因此以下实施例给出了发动机故障检测方法、***、存储介质及设备,以解决现有技术在发动机质检和状态监测中无法检测未知异常故障和识别精度低的问题,同时提高发动机故障检测方法在实际生产场景下的鲁棒性。
实施例一:
如图1-5所示,发动机故障检测方法,包括以下步骤:
获取发动机振声信号数据,将连续的振声信号截取为等长且有重叠的信号帧;
基于信号帧获取振声信号的频率特征,梅尔倒谱系数特征以及差分特征;
根据频谱特征,梅尔倒谱系数特征及差分特征构建多支特征正态子模型;对多支特征正态子模型中的每个分支子模型进行标准化处理,获得针对已知故障类型样本的样本得分,样本得分的值越大表明越可能属于该类故障类型,反之则越不可能属于该类故障类型;
基于样本得分构建层级判定正态子模型;
针对所有故障类型,分别利用多分支特征正态子模型和层级正态子模型构建多支层级正态异常检测模型,将待测发动机振声信号样本依次输入各类型的多支层级正态异常检测模型中;当样本不在任何一个已知类型的设定范围内,则该样本对应的发动机状态被判定为未知异常状态。
具体过程如下:
(1)对发动机振声信号进行预处理,分帧加窗得到一系列的信号帧。分帧步长为0.1倍的窗口宽度,保证两个相邻帧之间重叠90%的部分以维持信号帧之间的连续性。分帧窗口函数汉宁窗的具体计算公式为:
其中T为汉宁窗口的长度,决定了信号帧的长度,w(t)为窗口的第t个幅值。对训练数据进行预处理后得到训练样本集,在针对发动机的实际检测场景中,按时序将采集到的发动机振声信号进行预处理后进行后续的检测步骤。
(2)对信号帧提取频谱特征、MFCC以及差分特征,本实施例中提取的频谱特征为信号经过傅里叶变换后得到频谱,并利用三角带通滤波器组进行降维,得到低维度且保留突出峰值的频谱特征向量,计算频谱特征的离散傅里叶变换具体公式为:
其中x(i)为信号帧x的第i个元素,w为分析窗口函数,T为帧长。对频谱向量构建三角带通滤波器组进行滤波,带通滤波器组可以表示为:
其中Bs(j,n)表示滤波器组中第j个滤波器的第n个值,fs为对应的频率,fsc表示单个滤波器的中心频率,则频谱部分的特征向量最终可以表示为:
提取梅尔倒谱系数MFCC特征及差分特征的具体计算步骤包括:
对信号频谱X(n)取绝对值得到信号的幅度谱:
M(n)=|X(n)|,0≤n≤T-1 (5)
对幅度谱做梅尔频率变换,线性频率与梅尔频率的映射关系可以表示为:
其中mel(f)为线性频率f对应的梅尔频率。通过梅尔滤波器组,对梅尔频率上的幅度谱滤波。梅尔滤波器组的表达式为:
其中B(j,n)是梅尔滤波器组中第j个梅尔滤波器的第n个点的幅值,fj(n)是n对应的梅尔频率,fc(j)为第j个梅尔滤波器的中心频率。通过梅尔滤波器组对信号的幅度谱滤波,得到梅尔幅度谱:
对梅尔幅度谱取以e为底的对数得到对数幅度谱:
s(j)=ln M S(j) (9)
对对数幅度谱取M维离散余弦变换,得到M维的梅尔倒谱系数特征C(n):
其中M为MFCCs特征的维度,在本实施例中针对发动机的故障特征提取过程,M与频率特征维度保持一致选为50。根据梅尔倒谱系数特征,可以推得其表征动态特性的差分特征,差分特征可以表示为:
将频谱特征,MFCC及差分特征结合成为融合的发动机特征表达向量。
(3)根据特征表达向量的每一个分支分别学习其统计参数,用以构建分支特征正态子模型。首先统计一类数据下所有样本每一个特征分支的均值及标准差,根据这两项参数建立对应该特征分支的特征正态子模型。正态子模型的概率密度函数为:
其中μ和σ分别表示该类样本在第i个特征分支上的均值和标准差。对应的累积概率密度函数为:
将所有该类样本代入到概率密度函数中得到样本对应的概率密度值,将均值μ代入到概率密度函数中得到该概率密度函数的最大值,将所有样本的概率密度值除以该最大值得到标准化的概率密度值,称为特征分支得分,再对一个样本的所有特征分支得分求均值得到样本得分,样本得分可以表示为:
其中L为特征分支的个数。得到样本得分够构建层级判定正态子模型完成对发动机状态的判定。
(4)层级判定正态子模型构建过程首先需要对样本得分的统计参数进行学习,之后根据统计参数构建其分布模型,判定样本的归属假设是否接受。层级判定正态子模型的概率密度函数可以表示为:
其中μs和σs为该类样本的样本得分均值和标准差。其累积分布函数可以表示为:
设定累积分布值接受样本归属假设的范围为0.03-0.97,当样本在层级判定正态子模型的累计分布值落入该接受范围,则接受样本属于该类的假设,否则拒绝该假设。当样本被所有已知类别都拒绝,则判定该样本为异常样本。
下面通过以下实验案例,进一步说明本实施例的有益效果:
本实施例中分别对美国凯斯西储大学(CWRU)轴承数据集和某重型汽车集团公司发动机检测车间的发动机声音数据集进行异常检测试验。
(1)CWRU电机轴承数据集:
该数据集包含的轴承数据分为电机驱动端和风扇端轴承故障数据两大类,数据采集的位置分为基座(BA)、驱动端(DE)和风扇端(FE)三个位置,电机所带的负载有0,1,2,3马力。轴承的故障为在内圈、外圈和滚动体三个位置上的半径为0.007、0.014和0.021英寸的擦伤故障。以2马力下驱动端DE正常数据作为训练数据,多种程度的内圈、外圈和滚动体故障数据作为未知异常数据,接受假设范围为0.03-0.97,每类数据每次随机抽取50个样本用作测试,循环测试10次的检测结果如图2所示。图中不同类的数据灰度不同,最左侧横坐标1-50的样本点代表正常数据,右侧为不同种类的异常故障数据,纵轴为样本得分,水平实线为设定的接受假设范围下限,得分大于该值的样本判定为正常样本,由此得出测试中所有的正常样本被正确判定,所有故障样本判定为未知异常样本。
在整个数据集中,分别对驱动端、风扇端轴承数据在0hp、1hp、2hp、3hp负载情况下,以正常数据为训练数据,其余不同位置不同故障半径的共12类故障类型数据作为异常故障状态对本实施例中公开的故障检测方法进行测试,诊断精度如表1所示。结果表明本实施例中公开的故障检测方法能够对轴承振动数据状态精确诊断。
表1异常检测方法在数据集中样本测试的实验结果
(2)重型汽车发动机声信号检测:
在本实验中采用的数据为某重型汽车集团公司发动机检测车间的发动机声音数据,通过音频传感器采集检测车间待测发动机的运行状态声音数据,数据类型包括发动机正常工作、单缸不工作、齿轮损伤、皮带损伤、增压器故障等。
发动机正常运转音频波形及异常检测结果如图3所示,发动机单杠不工作故障音频波形及异常检测结果如图4所示。实验中为精确刻画发动机的正常运转状态,将正常状态区分为多种状态如怠速运转、高速运转、增速、减速等分别用不同的编号表示。在检测结果中,纵坐标表示设备状态编号,横坐标表示时间,虚线表示设备当前状态,实线表示检测结果,高于实线的表示发动机的多种正常状态,低于实线表示故障状态,0表示检测出设备发生异常故障。
图5展示了本实施例中公开的发动机状态检测方法对所有发动机已知状态数据的检测结果混淆矩阵,其中编号1到10表示10种不同的发动机故障状态,编号11到23表示发动机的多种正常工作状态,0表示未知异常状态,横坐标表示数据的真实标签,纵坐标表示检测结果标签。左上框线中集中展示了本实施例中的检测方法对不同故障类别数据的识别能力,右下框线内为对多种正常类型数据的区分结果,左上框线内表示检测方法错分正常和故障状态数据的情况。由于发动机正常运转状态变化较多且多种正常状态之间有较多相同和相似之处。
因此,上述检测方法可以在发动机制造完毕的检测阶段精确识别不同的故障类型数据,不发生漏检故障状态且少发生误检正常状态则可以认为方法有效,按照此规则,本实施例中公开的发动机故障检测算法针对重型汽车发动机音频数据中故障类型数据的检测精度高于96.94%,对正常和故障类型数据的误检率低于0.0157%,整体检测精度为98.67%。
由检测结果可以看出,本实施例中公开的异常检测方法可以对实际发动机检测车间环境下的发动机工作状态和故障类型精确检测,可以及时反映出异常状况同时几乎不发生误检状况。
通过上述实验结果,可以证明本实施例中的发动机故障检测方法不但可以检测未知异常故障,且在实际工作条件下有良好的故障诊断能力和较强的鲁棒性。而且针对不同类型的数据,如实验中的轴承振动数据和重型汽车发动机声信号数据,都具有较强的适应性,能够在不同的数据集中精确的完成故障诊断和异常检测。
实施例二:
本实施例提供了实现上述检测方法的***,包括:
数据获取模块,被配置为:获取发动机振声信号数据,将连续的振声信号截取为等长且有重叠的信号帧;基于信号帧获取振声信号的频率特征,梅尔倒谱系数特征以及差分特征;
模型构建模块,被配置为:根据频谱特征,梅尔倒谱系数特征及差分特征构建多支特征正态子模型;对多支特征正态子模型中的每个分支子模型进行标准化处理,获得针对已知故障类型样本的样本得分;基于样本得分构建层级判定正态子模型;
判断模块,被配置为:针对所有故障类型,分别利用多分支特征正态子模型和层级正态子模型构建多支层级正态异常检测模型,将待测发动机振声信号样本依次输入各类型的多支层级正态异常检测模型中;当样本不在任何一个已知类型的设定范围内,则该样本对应的发动机状态被判定为未知异常状态。
本实施例提出的发动机故障检测方法中,可以对实际发动机检测车间环境下的发动机工作状态和故障类型精确检测,可以及时反映出异常状况同时几乎不发生误检状况。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一中提出的发动机故障检测方法中的步骤。
本实施例执行的发动机故障检测方法中,可以对实际发动机检测车间环境下的发动机工作状态和故障类型精确检测,可以及时反映出异常状况同时几乎不发生误检状况。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述程序时实现如上述实施例一提出的发动机故障检测方法中的步骤。
本实施例处理器执行的发动机故障检测方法中,可以对实际发动机检测车间环境下的发动机工作状态和故障类型精确检测,可以及时反映出异常状况同时几乎不发生误检状况。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.发动机故障检测方法,其特征在于:包括以下步骤:
获取发动机振声信号数据进行预处理,获得振声信号的频率特征,梅尔倒谱系数特征以及差分特征;
根据频谱特征,梅尔倒谱系数特征及差分特征构建多支特征正态子模型;利用多支特征正态子模型中的每个分支子模型获得针对已知故障类型样本的样本得分,基于样本得分构建层级判定正态子模型;
分别利用多支特征正态子模型和层级判定正态子模型构建针对所有故障类型的多支层级正态异常检测模型,将待测发动机振声信号样本依次输入各类型的多支层级正态异常检测模型中;当样本不在任何一个已知类型的设定范围内,则该样本对应的发动机状态被判定为未知异常状态;
构建多支特征正态子模型的过程包括:以一类发动机振声信号数据的单个特征分支所有特征值为对象,假定其分布规律接近于正态分布,学习其均值和标准差值,并根据均值和标准差值构建单个分支特征正态子模型,对剩余的特征分支重复此过程,直至为所有特征分支构建正态子模型;
利用多支特征正态子模型中的每个分支子模型获得针对已知故障类型样本的样本得分的过程包括:已知故障类型的发动机振声信号样本代入每个分支特征正态子模型的概率密度函数后得到对应的概率密度值,称为特征分支得分,将该特征分支得分除以该分支特征正态子模型概率密度函数的最大值,得到归一化的特征分支得分;利用归一化的特征分支得分获得每个发动机振声信号样本所有特征分支得分的均值,获得样本得分。
2.如权利要求1所述的发动机故障检测方法,其特征在于:对发动机振声信号数据预处理的过程包括:将连续的振声信号截取为等长且有重叠的信号帧。
3.如权利要求2所述的发动机故障检测方法,其特征在于:每个信号帧中保留原始信号中发动机运行状态信息,分帧的时间长度为0.1秒,分帧时的截取步长为0.1倍的帧长。
4.如权利要求1所述的发动机故障检测方法,其特征在于:所述样本得分的值反映每个发动机振声信号样本的故障类型属于已知故障类型的可能性,值越大表明越可能属于该类故障类型,反之则越不可能属于该类故障类型。
5.发动机故障检测***,其特征在于:包括:
数据获取模块:获取发动机振声信号数据进行预处理,获得振声信号的频率特征,梅尔倒谱系数特征以及差分特征;
模型构建模块:根据频谱特征,梅尔倒谱系数特征及差分特征构建多支特征正态子模型;利用多支特征正态子模型中的每个分支子模型获得针对已知故障类型样本的样本得分,基于样本得分构建层级判定正态子模型;
判断模块:分别利用多支特征正态子模型和层级判定正态子模型构建针对所有故障类型的多支层级正态异常检测模型,将待测发动机振声信号样本依次输入各类型的多支层级正态异常检测模型中;当样本不在任何一个已知类型的设定范围内,则该样本对应的发动机状态被判定为未知异常状态;
构建多支特征正态子模型的过程包括:以一类发动机振声信号数据的单个特征分支所有特征值为对象,假定其分布规律接近于正态分布,学习其均值和标准差值,并根据均值和标准差值构建单个分支特征正态子模型,对剩余的特征分支重复此过程,直至为所有特征分支构建正态子模型;
利用多支特征正态子模型中的每个分支子模型获得针对已知故障类型样本的样本得分的过程包括:已知故障类型的发动机振声信号样本代入每个分支特征正态子模型的概率密度函数后得到对应的概率密度值,称为特征分支得分,将该特征分支得分除以该分支特征正态子模型概率密度函数的最大值,得到归一化的特征分支得分;利用归一化的特征分支得分获得每个发动机振声信号样本所有特征分支得分的均值,获得样本得分。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的发动机故障检测方法中的步骤。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4中任一项所述的发动机故障检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110578476.3A CN113314142B (zh) | 2021-05-26 | 2021-05-26 | 发动机故障检测方法、***、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110578476.3A CN113314142B (zh) | 2021-05-26 | 2021-05-26 | 发动机故障检测方法、***、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113314142A CN113314142A (zh) | 2021-08-27 |
CN113314142B true CN113314142B (zh) | 2022-04-01 |
Family
ID=77375077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110578476.3A Active CN113314142B (zh) | 2021-05-26 | 2021-05-26 | 发动机故障检测方法、***、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113314142B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838480B (zh) * | 2021-11-26 | 2022-03-11 | 青岛海尔工业智能研究院有限公司 | 一种洗衣机异音检测方法、装置及电子设备 |
CN114330599B (zh) * | 2022-03-14 | 2022-06-17 | 中汽信息科技(天津)有限公司 | 基于深度学习的发动机故障识别方法、设备和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2696344A1 (fr) * | 2012-08-10 | 2014-02-12 | Thales | Procede et systeme pour detecter des evenements sonores dans un environnement donne |
CN108593282A (zh) * | 2018-07-05 | 2018-09-28 | 国网安徽省电力有限公司培训中心 | 一种断路器在线监测和故障诊断装置及其工作方法 |
CN109491338A (zh) * | 2018-11-09 | 2019-03-19 | 南通大学 | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 |
CN110135492A (zh) * | 2019-05-13 | 2019-08-16 | 山东大学 | 基于多高斯模型的设备故障诊断与异常检测方法及*** |
CN111755025A (zh) * | 2019-03-26 | 2020-10-09 | 北京君林科技股份有限公司 | 一种基于音频特征的状态检测方法、装置及设备 |
CN112201260A (zh) * | 2020-09-07 | 2021-01-08 | 北京科技大学 | 一种基于声纹识别的变压器运行状态在线检测方法 |
-
2021
- 2021-05-26 CN CN202110578476.3A patent/CN113314142B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2696344A1 (fr) * | 2012-08-10 | 2014-02-12 | Thales | Procede et systeme pour detecter des evenements sonores dans un environnement donne |
CN108593282A (zh) * | 2018-07-05 | 2018-09-28 | 国网安徽省电力有限公司培训中心 | 一种断路器在线监测和故障诊断装置及其工作方法 |
CN109491338A (zh) * | 2018-11-09 | 2019-03-19 | 南通大学 | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 |
CN111755025A (zh) * | 2019-03-26 | 2020-10-09 | 北京君林科技股份有限公司 | 一种基于音频特征的状态检测方法、装置及设备 |
CN110135492A (zh) * | 2019-05-13 | 2019-08-16 | 山东大学 | 基于多高斯模型的设备故障诊断与异常检测方法及*** |
CN112201260A (zh) * | 2020-09-07 | 2021-01-08 | 北京科技大学 | 一种基于声纹识别的变压器运行状态在线检测方法 |
Non-Patent Citations (2)
Title |
---|
《Bearing Fault Classification Based on Convolutional Neural Network in Noise Environment》;Qinyu Jiang et al.;《IEEE Access》;20190527;第7卷;全文 * |
《基于高斯和非高斯双子空间SVM的故障检测》;郭金玉 等;《大连工业大学学报》;20210520;第40卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113314142A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及*** | |
CN110567720B (zh) | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 | |
CN113314142B (zh) | 发动机故障检测方法、***、存储介质及设备 | |
Kwan et al. | A novel approach to fault diagnostics and prognostics | |
Yang et al. | Bearing fault automatic classification based on deep learning | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
Lundgren et al. | Data-driven fault diagnosis analysis and open-set classification of time-series data | |
Guo et al. | Rolling bearing fault classification based on envelope spectrum and support vector machine | |
Fujii et al. | Defect detection with estimation of material condition using ensemble learning for hammering test | |
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
CN112766182B (zh) | 一种拉削刀具磨损状态识别方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN116304820B (zh) | 一种基于多源域迁移学习的轴承故障类型预测方法及*** | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及*** | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN115424635B (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
CN114850968B (zh) | 基于振动模型的刀具磨损监测方法、装置、终端及介质 | |
Kemalkar et al. | Engine fault diagnosis using sound analysis | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN108956142A (zh) | 一种轴承故障识别方法 | |
CN115753101A (zh) | 一种基于权重自适应特征融合的轴承故障诊断方法 | |
Saimurugan et al. | A comparative study of sound and vibration signals in detection of rotating machine faults using support vector machine and independent component analysis | |
Du et al. | Intelligent turning tool monitoring with neural network adaptive learning | |
CN115273791A (zh) | 一种基于声学特征驱动的工业装备故障检测方法及装置 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、***、装置及电子设备 |
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 |