CN113409213B - 柱塞泵故障信号时频图降噪增强方法和*** - Google Patents
柱塞泵故障信号时频图降噪增强方法和*** Download PDFInfo
- Publication number
- CN113409213B CN113409213B CN202110692924.2A CN202110692924A CN113409213B CN 113409213 B CN113409213 B CN 113409213B CN 202110692924 A CN202110692924 A CN 202110692924A CN 113409213 B CN113409213 B CN 113409213B
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- model
- layer
- fault
- 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
- 238000010586 diagram Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000009467 reduction Effects 0.000 title claims abstract description 17
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 31
- 230000004913 activation Effects 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 238000012958 reprocessing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (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)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种柱塞泵故障信号时频图降噪增强方法和***,包括:首先采集柱塞泵的故障振动信号,然后将原始数据转换成时频图,再利用本发明的方法对时频图进行降噪增强处理,最后利用训练好的CNN模型提取时频图中的特征,进行故障诊断,利用卷积神经网络特定网络层特征图的梯度大小寻找时频图中的重点区域,将非重点区域进行清除,从而增强原始信号的时频图。本发明所采用的方法,将振动数据特征转化为时频图的特征,将时间序列信号转为图片分类信号,实现了高准确率的故障诊断;同时本方面提出的时频图降噪增强方法,提高了模型诊断的抗噪性能和鲁棒性。
Description
技术领域
本发明涉及柱塞泵故障诊断技术领域,具体地,涉及一种柱塞泵故障信号时频图降噪增强方法和***。
背景技术
航空液压泵是飞机液压***的关键元件,同时因为柱塞泵结构紧凑、转动惯量小、流量大、易于控制等特点,飞机液压***广泛采用柱塞泵。为了进一步提高柱塞泵的功率密度,提高转速是一个有效的方法。高速柱塞泵常见的故障类型包括气蚀、磨损等,这些故障容易导致壳体损坏、异常振动等不良后果甚至引发安全事故。因此,对航空柱塞泵进行故障诊断具有重要的意义。
传统的故障诊断主要是对比健康状态和发生故障时泵的运行状态,包括数据采集,特征提取和故障分类识别。主要利用频谱分析提取相关特征,再结合相关的分类算法如SVM,随机森林等模型进行故障识别。目前存在以下缺点:1)诊断的准确性严重依赖于特征的提取,特征提取需要手动设计,比较耗时和依赖经验;2)手动提取的特征不能保证充分表示故障发生时的特征;3)目前不少诊断方法在采集信号有噪声的情况下表现不佳。
深度学习技术有着强大的特征表示能力,并且可以自动提取特征,在语音识别,图像处理上有着广泛的应用。目前,已经有部分学者将深度学习的方法应用到各种机械设备的故障诊断上。但是传统的故障分析方法也能提供一定的参考,尤其在时频分析方面有不少成熟的方法和技术。本发明提出一种结合时频图和卷积神经网络结合的在故障诊断中进行信号降噪增强的方法,从而提高诊断的可靠性和准确率。
专利文献CN106404386A(申请号:CN201610757230.1)公开了一种用于采集、提取及诊断齿轮箱早期故障特征信号的方法,将声发射传感器安装在齿轮箱设备需要监测的部位,一般选择齿轮箱轴承座处,用以采集齿轮箱工作状态下的声发射信号。选取不同信噪比的含噪信号进行不同分解层数下奇异谱斜率计算,随着分解层数的增加奇异谱斜率也逐渐增大,利用采集的声发射信号根据分解层数最优化实现过程选定最优化分解层数。根据选定最优化分解层数,对采集到的声发射信号利用冗余提升小波分析处理得到信号的时域图和频域图。通过对时域图和频域图的分析判定设备故障情况。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种柱塞泵故障信号时频图降噪增强方法和***。
根据本发明提供的柱塞泵故障信号时频图降噪增强方法,包括:
步骤1:通过安装在柱塞泵壳体的三轴振动加速度传感器采集不同故障等级情况下柱塞泵的振动信号;
步骤2:将采集的振动信号按照预设大小切片分段;
步骤3:对切片后的样本进行时频变换,得到样本的时频图,将所有时频图按照预设比例分为训练集和测试集;
步骤4:利用训练集数据训练卷积神经网络分类模型,并在测试集上进行故障分类;
步骤5:通过训练后的卷积神经网络分类模型获取训练集时频图的类激活视图,对类激活视图进行整合处理得到重点区域识别矩阵;
步骤6:根据重点区域识别矩阵对所有时频图进行增强处理;
步骤7:利用增强处理后的训练集重新训练卷积神经网络分类模型,得到故障诊断模型,预测样本的故障程度。
优选的,所述卷积神经网络分类模型的网络结构由三层卷积层构成:
第一层卷积核大小设置为3*3,数量设为32,设置卷积后的输出尺寸和输入尺寸相同;第二层和第三层的卷积核数量设为16;
利用两个全连接层输出分类结果,最后一层全连接层采用SoftMax激活函数,将卷积神经网络分类模型前向传播的结果转为分类标签的概率分布值。
优选的,使用交叉熵损失函数评估预测结果和真实标签之间误差,采用RMSProp优化算法,进行迭代训练优化卷积神经网络分类模型,损失函数的公式为:
Loss(p,q)=-∑xp(x)q(x)
其中,p为样本真实值,q为预测标签值,x为序列号,p(x)是样本真实值的概率分布,q(x)是模型预测标签值的概率分布。
优选的,将训练集样本的时频图依次输入预处理模型,得到模型中第二层卷积层的输出特征图,用类别相对于通道的梯度对特征图中的每个通道进行加权,得到输入图像对类别的激活强度的空间图;
依次累加激活强度的空间图,且只保留空间图中大于八十分位的数据,每个类别采用同样的方法,得到不同类别的重点识别区域,再将不同类别的重点识别区域进行叠加,得到重点区域识别矩阵。
优选的,所述增强处理包括:对样本信号进行时频变换,得到时频变换的二维数组,将二维数组和重点区域识别矩阵进行点乘,得到处理后的二维数组,再将处理后的二维数组转换成图片。
根据本发明提供的柱塞泵故障信号时频图降噪增强***,包括:
模块M1:通过安装在柱塞泵壳体的三轴振动加速度传感器采集不同故障等级情况下柱塞泵的振动信号;
模块M2:将采集的振动信号按照预设大小切片分段;
模块M3:对切片后的样本进行时频变换,得到样本的时频图,将所有时频图按照预设比例分为训练集和测试集;
模块M4:利用训练集数据训练卷积神经网络分类模型,并在测试集上进行故障分类;
模块M5:通过训练后的卷积神经网络分类模型获取训练集时频图的类激活视图,对类激活视图进行整合处理得到重点区域识别矩阵;
模块M6:根据重点区域识别矩阵对所有时频图进行增强处理;
模块M7:利用增强处理后的训练集重新训练卷积神经网络分类模型,得到故障诊断模型,预测样本的故障程度。
优选的,所述卷积神经网络分类模型的网络结构由三层卷积层构成:
第一层卷积核大小设置为3*3,数量设为32,设置卷积后的输出尺寸和输入尺寸相同;第二层和第三层的卷积核数量设为16;
利用两个全连接层输出分类结果,最后一层全连接层采用SoftMax激活函数,将卷积神经网络分类模型前向传播的结果转为分类标签的概率分布值。
优选的,使用交叉熵损失函数评估预测结果和真实标签之间误差,采用RMSProp优化算法,进行迭代训练优化卷积神经网络分类模型,损失函数的公式为:
Loss(p,q)=-∑xp(x)q(x)
其中,p为样本真实值,q为预测标签值,x为序列号,p(x)是样本真实值的概率分布,q(x)是模型预测标签值的概率分布。
优选的,将训练集样本的时频图依次输入预处理模型,得到模型中第二层卷积层的输出特征图,用类别相对于通道的梯度对特征图中的每个通道进行加权,得到输入图像对类别的激活强度的空间图;
依次累加激活强度的空间图,且只保留空间图中大于八十分位的数据,每个类别采用同样的方法,得到不同类别的重点识别区域,再将不同类别的重点识别区域进行叠加,得到重点区域识别矩阵。
优选的,所述增强处理包括:对样本信号进行时频变换,得到时频变换的二维数组,将二维数组和重点区域识别矩阵进行点乘,得到处理后的二维数组,再将处理后的二维数组转换成图片。
与现有技术相比,本发明具有如下的有益效果:
本发明结合时频分析和卷积神经网络,利用时频分析进行特征提取,利用卷积神经网络对图像进行分类,同时利用类激活强度图对时频图进行增强处理,使得在噪声情况下模型诊断性能表现良好且准确率高。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明流程图;
图2为样本时频变换效果图;
图3为时频图增强处理流程图;
图4为模型网络结构图;
图5为原始时频变换图;
图6为时频变换并增强处理图;
图7为训练过程中的准确率和损失曲线图;
图8为在不同噪声下测试集的准确率和损失曲线图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1:
本发明要解决的问题是提供一种高速航空柱塞泵的故障诊断方法,并且能够实现信号降噪增强,从而实现信号的特征提取和故障诊断,并且提高对含噪声信号的诊断准确率。
为实现上述目标,本发明提供了一种基于Grad-CAM的柱塞泵故障信号时频图降噪增强方法,其特征在于包括以下步骤:
S1:采集柱塞泵发生故障时的壳体的振动信号
以采样频率fs,采集柱塞泵在不同进口压力下的振动信号
S2:数据样本分割
本发明采用的方法需要对原始信号进行时频变换得到样本的时频图,时频图是后续模型训练和测试的输入。原始信号分割成N段,每类样本数量为:li=ni/s总共的样本数量:根据上述关系,振动信号变成N分段信号,每个分段都有一个标签。记为其中s是每段样本的长度,最外层下标表示类别。
m表示样本类别数;i表示某一样本类别的下标;表示分割后的第一段原始信号。
S3:分割后的样本时频变换
采用短时傅里叶变换,得到时频图;数据划分成训练和测试集,在每一组样本数据时频转换后的图片中,按照一定比例,把样本分成训练集Xtrain和测试集Xtest;
S4:预处理模型训练
搭建用于对时频图进行分类诊断的CNN分类模型,主要通过三个卷积层和两个全连接层来学习时频图中的故障特征。网络结构的构造细节如下:
卷积层conv2d_1是提取图片特征的第一层,需要能充分提取特征,为后续的层提供包含足够有用信息的输出。卷积核数量(filters)设为32,大小设置为(3,3),同时设置卷积之后的平面尺寸和原来的一样(padding=same),便于后续特征图维度和输入一致。Conv2d_1层权重初始化采用RandomNormal;激活函数采用relu激活函数,可以加快收敛速度,避免发生梯度消失的情况。卷积层之后设置批量标准化层(batch_normalization_1)、随机丢弃层(dropout_1)。
卷积层conv2d_2的参数设置除filters数不一样以外,其他参数和conv_1保持一致,卷积核数量设置为16。在卷积层之后设置批量标准化层(batch_normalization_2)和随机丢弃层(dropout_2)
卷积层conv2d_3的参数设置和conv2d_1一致,后续同样设置批标准化层batch_normalization_3和随机丢弃层(dropout_3)
网络最终要输出预测的分类结果,利用两个全连接层输出分类结果,为获取多分类的预测结果,最后一层全连接层的激活函数采用SoftMax,将模型前向传播的结果转为分类标签的概率分布值。
使用交叉熵损失函数评估预测结果和真实标签之间误差。优化目标是最小化损失函数,模型训练优化方法采用RMSROP优化算法,迭代足够的轮次,得到训练好的模型。损失函数的公式为:
其中,p(x)是样本真实值的概率分布,q(x)是模型预测标签值得概率分布。
S5:重点区域识别
在得到预处理模型之后,已经能够对采集到的信号进行有效的诊断。但是带噪声信号的时频图与无噪声情况下有明显区别,导致含噪声信号故障诊断准确率下降明显。未解决上述问题,本发明提出利用模型的类激活强度图对时频图进行降噪增强处理,具体的方法如下:
时频图输入模型,获得模型中conv2d_2层的特征图输出;
利用Keras提供的函数,计算模型类别输出对应与特征图的梯度;
对特征图通道的梯度求均值,并把梯度均值作为特征图的权重;
特征图和梯度均值进行相乘得到梯度加权特征图,然后对加权特征图逐通道求均值得到一个样本的类激活强度图;
所有样本的类激活强度图进行叠加,并且只保留大于八十分位的数据,得到某一类别的重点识别区域;
不同的类别重复上述步骤,最后得到不同故障等级的重点识别区域,多个区域进行叠加,得到信号增强处理矩阵。
S6:数据重处理
样本信号进行时频变换后和由S5得到信号增强处理矩阵进行元素对应相乘,然后再把处理后的时频变换数组转换成时频图。过程参见附图
S7:模型重训练
利用重处理之后的训练集重新训练模型,这样得到的模型将会对重点区域的识别更加准确。
S8:故障诊断
将测试集Xtest输入训练好的CNN模型,预测出样本的故障程度。
实施例2:
实施例2为实施例1的优选例。
如图1,是本发明基于Grad-CAM的柱塞泵故障信号时频图降噪增强方法的流程图,对一个高速航空柱塞泵的空化故障进行诊断,包括以下步骤:
S1:在柱塞泵的壳体安装一个振动传感器器,连接好采集设备,采集泵在不同入口压力下发生不同程度空化时的振动信号,采样频率10240Hz。
S2:将原始振动信号分成N段,每一段作为一个样本。按照流量损失给每段样本记上空化等级。本实施案例共分为四个等级,分别是严重空化、中等空化、轻微空化和无空化,实施案例中每段样本长度采用256个数据点。
空化的严重性用流量损失进行衡量,表达式为:
其中:qt是理论流量,qin是实际进口流量。
划分训练集和测试集,将转换后的图片按照测试集比例0.2划分为训练集和测试集,即80%的样本作为训练集Xtrain,其余作为测试集Xtest。
S3:样本时频变换
本实施案例的运行工况的单一转速工况,采集的振动信号具有较多的周期成分,因此采用短时傅里叶变换进行时频分析较为适合。选择合适的短时傅里叶变换参数即可,效果如图2所示。
S4:建立预处理模型
模型结构如图4所示,输入是样本时频变换之后的时频图,第一层是卷积层conv2d_1,卷积核大小设置(3,3),数量是32。之后经过批量标准化层和随机丢弃层。之后连接到下一卷积层conv2d_2。第二卷积层的卷积核大小设置为(3,3),卷积核数目设为16,之后经过批量标准化层和随机丢弃层连接到第三卷积层conv2d_3,第三卷积层设置和第二卷积层一致。经过批量标准化层和随机丢弃层进行展开。展开之后设置一个神经元数目为32的全连接层,最后经过批量标准化和随机丢弃层连接到输出层。输出层输出空化故障的类别。
建立损失函数,选择优化算法进行模型的训练。损失函数采用交叉熵(CrossEntropy Loss)作为损失函数。对于本例的四类故障等级,假设样本的真实值是q(x)=(0,1,0,0),模型的预测值是p(x)=(a,b,c,d),则:
Loss(p,q)=-0·loga-1·logb-0·logc-0·logd
其中,a,b,c,d表示模型分别对四类故障等级所估计的概率的倒数。
对预处理模型进行训练和测试,得到在测试集上表现良好的预处理模型。
S5:重点区域识别
利用预处理模型,得到模型中conv2d_2层的特征图以及模型输出类别对特征图之间的梯度。利用特征图和梯度按照说明书S5所述得到预处理模型的重点识别区域。
S6:数据重处理
样本时频变换之后的数据和重点识别区域矩阵进行点乘,再转为时频图,参见图3,对训练集和测试集都进行重处理。
S7:诊断模型训练
模型结构和训练方法同预处理模型的建立和训练。
S8:将测试集数据输入到诊断模型中,预测测试集的空话程度。
更为具体地,本发明利用柱塞泵故障模拟实验台,通过安装在柱塞泵壳体上三轴振动加速度传感器采集不同入口压力下的振动信号。实验台可以测量进口出口流量,通过流量损失程度对空化程度进行划分,如下表所示:
进口压力(Mpa) | 0.25 | 0.15 | 0.10 | 0 |
流量损失 | 1.0% | 2.0% | 8.0% | 76.0% |
空化严重程度 | 无空腹 | 轻微空化 | 中等空话 | 严重空化 |
振动信号的采集频率是10240Hz,采集到的原始信号分为四类。对每类数据进行分段并转成时频图,按比例划分训练集和测试集,数据集情况如下:
类别 | 训练集 | 测试集 |
严重空化 | 192@(128,128,3) | 48@(128,128,3) |
中等空化 | 192@(128,128,3) | 48@(128,128,3)) |
轻微空化 | 192@(128,128,3) | 48@(128,128,3) |
无空化 | 192@(128,128,3) | 48@(128,128,3) |
总计 | 768 | 192 |
实验结果
(1)样本时频图转换结果以及增强处理
根据上述的方法,对样本进行时频变换并保存成图片,同时利用本发明提出的降噪增强方法进行处理,处理结果对比如图5和图6。
(2)模型预测准确率
利用python和TensorFlow搭建模型并训练,在测试集上验证模型性能,训练好的模型在验证集准确率能够到达99.5%,训练过程中的准确率和损失曲线如图7。
(3)模型抗噪能力
为了更好的模拟现实故障监测的复杂工况,在测试集的原始信号中加入不同信噪比(SNR)的白噪声。模型在没有白噪声的数据上进行训练,由于本发明的数据处理增强方式,使得该方法具有良好的抗噪性能,如图8,为在不同噪声下测试集的准确率和损失曲线图。
振动信号信噪比的计算公式如下:
其中:P表示信号的功率大小,Psignal表示不包含噪声的信号功率大小,Pnosie表示噪声的功率大小。
实验验证了在SNR=-4~10dB情况下的抗噪能力,结果如下:
SNR | 0 | 2 | 4 | 6 | 8 | 10 |
准确率 | 63.54% | 78.12% | 90.10% | 95.31% | 97.91% | 98.43% |
损失 | 0.90 | 0.60 | 0.37 | 0.22 | 0.13 | 0.08 |
结果表明,本发明提出的空化故障诊断方法具有良好的抗噪能力,在信噪比高于2dB的情况,测试集准确率高于80%,并且对应的损失函数值较小,说明诊断的可靠性高,鲁棒性强。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (2)
1.一种柱塞泵故障信号时频图降噪增强方法,其特征在于,包括:
步骤1:通过安装在柱塞泵壳体的三轴振动加速度传感器采集不同故障等级情况下柱塞泵的振动信号;
步骤2:将采集的振动信号按照预设大小切片分段;
步骤3:对切片后的样本进行时频变换,得到样本的时频图,将所有时频图按照预设比例分为训练集和测试集;
步骤4:利用训练集数据训练卷积神经网络分类模型,并在测试集上进行故障分类;
步骤5:通过训练后的卷积神经网络分类模型获取训练集时频图的类激活视图,对类激活视图进行整合处理得到重点区域识别矩阵;
步骤6:根据重点区域识别矩阵对所有时频图进行增强处理;
步骤7:利用增强处理后的训练集重新训练卷积神经网络分类模型,得到故障诊断模型,预测样本的故障程度;
所述卷积神经网络分类模型的网络结构由三层卷积层构成:
第一层卷积核大小设置为3*3,数量设为32,设置卷积后的输出尺寸和输入尺寸相同;第二层和第三层的卷积核数量设为16;
利用两个全连接层输出分类结果,最后一层全连接层采用SoftMax激活函数,将卷积神经网络分类模型前向传播的结果转为分类标签的概率分布值;
使用交叉熵损失函数评估预测结果和真实标签之间误差,采用RMSProp优化算法,进行迭代训练优化卷积神经网络分类模型,损失函数的公式为:
Loss(p,q)=-Σxp(x)q(x)
其中,p为样本真实值,q为预测标签值,x为序列号,p(x)是样本真实值的概率分布,q(x)是模型预测标签值的概率分布;
将训练集样本的时频图依次输入预处理模型,得到模型中第二层卷积层的输出特征图,用类别相对于通道的梯度对特征图中的每个通道进行加权,得到输入图像对类别的激活强度的空间图;
依次累加激活强度的空间图,且只保留空间图中大于八十分位的数据,每个类别采用同样的方法,得到不同类别的重点识别区域,再将不同类别的重点识别区域进行叠加,得到重点区域识别矩阵;
所述增强处理包括:对样本信号进行时频变换,得到时频变换的二维数组,将二维数组和重点区域识别矩阵进行点乘,得到处理后的二维数组,再将处理后的二维数组转换成图片。
2.一种柱塞泵故障信号时频图降噪增强***,其特征在于,包括:
模块M1:通过安装在柱塞泵壳体的三轴振动加速度传感器采集不同故障等级情况下柱塞泵的振动信号;
模块M2:将采集的振动信号按照预设大小切片分段;
模块M3:对切片后的样本进行时频变换,得到样本的时频图,将所有时频图按照预设比例分为训练集和测试集;
模块M4:利用训练集数据训练卷积神经网络分类模型,并在测试集上进行故障分类;
模块M5:通过训练后的卷积神经网络分类模型获取训练集时频图的类激活视图,对类激活视图进行整合处理得到重点区域识别矩阵;
模块M6:根据重点区域识别矩阵对所有时频图进行增强处理;
模块M7:利用增强处理后的训练集重新训练卷积神经网络分类模型,得到故障诊断模型,预测样本的故障程度;
所述卷积神经网络分类模型的网络结构由三层卷积层构成:
第一层卷积核大小设置为3*3,数量设为32,设置卷积后的输出尺寸和输入尺寸相同;第二层和第三层的卷积核数量设为16;
利用两个全连接层输出分类结果,最后一层全连接层采用SoftMax激活函数,将卷积神经网络分类模型前向传播的结果转为分类标签的概率分布值;
使用交叉熵损失函数评估预测结果和真实标签之间误差,采用RMSProp优化算法,进行迭代训练优化卷积神经网络分类模型,损失函数的公式为:
Loss(p,q)=-∑xp(x)q(x)
其中,p为样本真实值,q为预测标签值,x为序列号,p(x)是样本真实值的概率分布,q(x)是模型预测标签值的概率分布;
将训练集样本的时频图依次输入预处理模型,得到模型中第二层卷积层的输出特征图,用类别相对于通道的梯度对特征图中的每个通道进行加权,得到输入图像对类别的激活强度的空间图;
依次累加激活强度的空间图,且只保留空间图中大于八十分位的数据,每个类别采用同样的方法,得到不同类别的重点识别区域,再将不同类别的重点识别区域进行叠加,得到重点区域识别矩阵;
所述增强处理包括:对样本信号进行时频变换,得到时频变换的二维数组,将二维数组和重点区域识别矩阵进行点乘,得到处理后的二维数组,再将处理后的二维数组转换成图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110692924.2A CN113409213B (zh) | 2021-06-22 | 2021-06-22 | 柱塞泵故障信号时频图降噪增强方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110692924.2A CN113409213B (zh) | 2021-06-22 | 2021-06-22 | 柱塞泵故障信号时频图降噪增强方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113409213A CN113409213A (zh) | 2021-09-17 |
CN113409213B true CN113409213B (zh) | 2023-11-14 |
Family
ID=77682245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110692924.2A Active CN113409213B (zh) | 2021-06-22 | 2021-06-22 | 柱塞泵故障信号时频图降噪增强方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113409213B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117270482A (zh) * | 2023-11-22 | 2023-12-22 | 博世汽车部件(苏州)有限公司 | 基于数字孪生的汽车工厂控制*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101188453A (zh) * | 2006-11-20 | 2008-05-28 | 阿尔卡特朗讯 | 用于无线蜂窝室内通信的方法和*** |
KR20120114776A (ko) * | 2011-04-08 | 2012-10-17 | (주)한세로에프에이 | 유채색의 보색관계와 무채색을 이용한 색 유사도 검사방법 및 이를 이용한 대상체 탐색방법과 탄환의 열처리 유무 판단방법 |
CN107915303A (zh) * | 2016-10-10 | 2018-04-17 | 天津有序环境科技发展有限公司 | 可连轴多泵加氨***和控制方法 |
CN108694298A (zh) * | 2018-07-04 | 2018-10-23 | 温州大学 | 一种轴向柱塞泵轴承内圈与外圈故障诊断方法 |
CN108757426A (zh) * | 2018-07-04 | 2018-11-06 | 温州大学 | 石油矿场注水柱塞泵故障诊断方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109214402A (zh) * | 2017-07-04 | 2019-01-15 | 华北电力大学(保定) | 一种结合小波模糊熵和gg模糊聚类的同调机组分群方法 |
CN110766027A (zh) * | 2019-10-22 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 图像的区域定位方法和目标区域定位模型的训练方法 |
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
CN111401136A (zh) * | 2020-02-22 | 2020-07-10 | 上海交通大学 | 一种柱塞泵空化程度检测方法、装置及终端 |
CN111428548A (zh) * | 2019-09-16 | 2020-07-17 | 中国石油大学(华东) | 一种基于Matlab时频分析的振动信号处理方法 |
CN111796342A (zh) * | 2020-06-05 | 2020-10-20 | 山东科技大学 | 一种凸轮式绝对重力仪微小故障诊断方法及装置 |
WO2020248471A1 (zh) * | 2019-06-14 | 2020-12-17 | 华南理工大学 | 一种基于集聚交叉熵损失函数的序列识别方法 |
CN112566174A (zh) * | 2020-12-02 | 2021-03-26 | 中国电子科技集团公司第五十二研究所 | 一种基于深度学习的异常i/q信号识别方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11544422B2 (en) * | 2019-09-16 | 2023-01-03 | Palo Alto Research Center Incorporated | Machine learning based systems and methods for real time, model based diagnosis |
-
2021
- 2021-06-22 CN CN202110692924.2A patent/CN113409213B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101188453A (zh) * | 2006-11-20 | 2008-05-28 | 阿尔卡特朗讯 | 用于无线蜂窝室内通信的方法和*** |
KR20120114776A (ko) * | 2011-04-08 | 2012-10-17 | (주)한세로에프에이 | 유채색의 보색관계와 무채색을 이용한 색 유사도 검사방법 및 이를 이용한 대상체 탐색방법과 탄환의 열처리 유무 판단방법 |
CN107915303A (zh) * | 2016-10-10 | 2018-04-17 | 天津有序环境科技发展有限公司 | 可连轴多泵加氨***和控制方法 |
CN109214402A (zh) * | 2017-07-04 | 2019-01-15 | 华北电力大学(保定) | 一种结合小波模糊熵和gg模糊聚类的同调机组分群方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN108694298A (zh) * | 2018-07-04 | 2018-10-23 | 温州大学 | 一种轴向柱塞泵轴承内圈与外圈故障诊断方法 |
CN108757426A (zh) * | 2018-07-04 | 2018-11-06 | 温州大学 | 石油矿场注水柱塞泵故障诊断方法 |
WO2020248471A1 (zh) * | 2019-06-14 | 2020-12-17 | 华南理工大学 | 一种基于集聚交叉熵损失函数的序列识别方法 |
CN111428548A (zh) * | 2019-09-16 | 2020-07-17 | 中国石油大学(华东) | 一种基于Matlab时频分析的振动信号处理方法 |
CN110766027A (zh) * | 2019-10-22 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 图像的区域定位方法和目标区域定位模型的训练方法 |
CN111160167A (zh) * | 2019-12-18 | 2020-05-15 | 北京信息科技大学 | 基于s变换深度卷积神经网络的主轴故障分类识别方法 |
CN111401136A (zh) * | 2020-02-22 | 2020-07-10 | 上海交通大学 | 一种柱塞泵空化程度检测方法、装置及终端 |
CN111796342A (zh) * | 2020-06-05 | 2020-10-20 | 山东科技大学 | 一种凸轮式绝对重力仪微小故障诊断方法及装置 |
CN112566174A (zh) * | 2020-12-02 | 2021-03-26 | 中国电子科技集团公司第五十二研究所 | 一种基于深度学习的异常i/q信号识别方法及*** |
Non-Patent Citations (6)
Title |
---|
A new bearing fault diagnosis method based on signal-to-image mapping and convolutional neural network;Jing Zhao 等;《Measurement》;20210531;第176卷;1-15 * |
Vision-Based Fault Diagnostics Using Explainable Deep Learning With Class Activation Maps;Kyung Ho Sun 等;《IEEE Access 》;第8卷;98962-98972 * |
一种具有强抗噪性的深度学习故障诊断模型;吴春志 等;《西安交通大学学报》;20210430;第55卷(第4期);摘要、第2节 * |
基于卷积神经网络和灰色模型的轴承健康评估及预测研究;闫康;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;第2021年卷(第1期);C029-288 * |
基于时频图和 CNN 的滚动轴承故障诊断;刘炳集 等;《南昌航空大学学报(自然科学版)》;20180630;第32卷(第2期);摘要、第2.1-2.2节 * |
基于机器学习的轴承机械振动信号分析方法研究;马鎏豪;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20201015;第2020年卷(第10期);C029-12 * |
Also Published As
Publication number | Publication date |
---|---|
CN113409213A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | A novel deep learning network via multiscale inner product with locally connected feature extraction for intelligent fault detection | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN110617966A (zh) | 一种基于半监督生成对抗网络的轴承故障诊断方法 | |
CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN112036513B (zh) | 基于内存增强潜在空间自回归的图像异常检测方法 | |
CN111401136B (zh) | 一种柱塞泵空化程度检测方法、装置及终端 | |
CN111751133A (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和*** | |
CN114964782A (zh) | 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、*** | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及*** | |
CN112149804B (zh) | 一种新型卷积神经网络模型及应用 | |
CN114065809A (zh) | 一种乘用车异响识别方法、装置、电子设备以及存储介质 | |
CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
CN113537382A (zh) | 一种基于残差收缩网络的设备诊断方法及*** | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN117037841A (zh) | 基于层级过渡网络的声学信号层级空化强度识别方法 | |
CN116772122A (zh) | 一种天然气管道泄漏故障诊断方法、***、设备及介质 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
CN116484176A (zh) | 一种基于超小波的轴承故障诊断方法、***和存储介质 | |
CN111047537A (zh) | 一种图像去噪中恢复细节的*** | |
CN116361723A (zh) | 一种基于多尺度特征和注意力的轴承故障诊断分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |