CN115510926A - 跨机型的柴油机燃烧室故障诊断方法及*** - Google Patents
跨机型的柴油机燃烧室故障诊断方法及*** Download PDFInfo
- Publication number
- CN115510926A CN115510926A CN202211471504.2A CN202211471504A CN115510926A CN 115510926 A CN115510926 A CN 115510926A CN 202211471504 A CN202211471504 A CN 202211471504A CN 115510926 A CN115510926 A CN 115510926A
- Authority
- CN
- China
- Prior art keywords
- model
- diesel engine
- fault diagnosis
- combustion chamber
- cross
- 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.)
- Granted
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
- G01M15/04—Testing internal-combustion 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种跨机型的柴油机燃烧室故障诊断方法,包括以下步骤:采集参考机型与待诊断机型柴油机与故障激励源相关的信号,比较机型间信号的相似性,若相似,则将参考机型的有标签源域数据样本和待诊断机型采集的无标签数据样本作为训练样本集;构建故障诊断网络模型,该模型通过对样本集中的样本训练得到,其包括特征提取模块、分类模块和域自适应模块,其中特征提取模块包括多个卷积层和自适应平均池化层;将待诊断机型的柴油机实时采集的与故障激励源相关的信号段输入故障诊断网络模型进行跨机型的柴油机燃烧室故障诊断,得到故障诊断结果。本发明可实现跨机型的柴油机燃烧室故障诊断。
Description
技术领域
本发明涉及柴油机智能故障诊断领域,尤其涉及一种基于域自适应的跨机型的柴油机燃烧室故障诊断方法及***。
背景技术
经济、高效、长寿命、智能化是现代柴油机的主要要求。近年来,柴油机关键部件的监测与诊断越来越受到重视。柴油机燃烧室如活塞环、气阀、喷油器等部件的工作环境恶劣,故障率高,如果出现严重故障,不仅会降低柴油机的经济性,还可能引发恶性安全事故。因此,对柴油机燃烧室的关键部件进行监测诊断具有重要的意义。
振动/声发射监测作为无损检测技术,常被用来识别柴油机燃烧室部件的运行状态。柴油机机型不同,缸盖振动/声发射信号的特征有一定的相似性,但又存在差异,如何从不同机型的振动/声发射信号中挖掘特征的共同表达,缩小特征分布差异,是柴油机燃烧室振动/声发射故障诊断模型通用性的关键。
随着监测数据的积累,数据驱动的故障诊断方法得到越来越多的关注和应用,数据驱动主要有机器学习和深度学习两类方法。机器学习方法依赖于人工特征工程,通过统计分析从原始信号中提取时域和频域特征,需要丰富的先验知识和专家经验,这些模型的故障诊断精度容易受到主观因素的干扰,泛化能力差,难以在不同的诊断任务中找寻共同的特征表达。
深度学习方法通过一组非线性卷积层从复杂原始数据中自适应地学习深度特征空间中的表达,深度学习模型通过训练,可以从原始数据中智能地提取与设备状态相关的特征。机器学习和深度学习均要求训练集和测试集独立同分布,这意味着在实际工程应用中,当诊断的样本对应的机型与训练样本不同时,诊断精度就会下降,甚至误诊。
柴油机故障信号特征会因柴油机结构与运行机理的改变而略有差异,现有的故障诊断技术如信号处理、机器学习、深度学习等方法难以挖掘不同机型间信号的共同特征表达。
发明内容
本发明主要目的在于提供一种可以实现柴油机跨机型的燃烧室故障诊断。
本发明所采用的技术方案是:
提供一种跨机型的柴油机燃烧室故障诊断方法,包括以下步骤:
采集参考机型与待诊断机型柴油机的激励信号中与故障激励源相关的信号,比较机型间信号的相似性,若相似,则将参考机型的有标签数据样本作为源域,待诊断机型的采集的无标签数据样本作为目标域,建立训练样本集;
构建故障诊断网络模型,该模型通过对训练样本集中的样本训练得到,其包括特征提取模块、分类模块和域自适应模块,其中特征提取模块包括多个卷积层和自适应平均池化层,具体通过多个卷积层进行特征提取,再通过自适应平均池化层进行平均池化计算,形成维度一致的特征;提取的维度一致的特征分别输入分类模块和域自适应模块,计算分类损失和不同机型的特征分布差异损失,最后通过Adam优化算法自动更新网络参数以缩小特征分布差异并提高分类准确度;
将待诊断机型柴油机实时采集的与故障激励源相关的信号段输入故障诊断网络模型进行跨机型的柴油机燃烧室故障诊断,得到故障诊断结果。
接上述技术方案,特征提取模块具体包括5个卷积层,每个卷积层具体对输入信号进行1维卷积、线性整流、最大池化及1维批量归一化。
接上述技术方案,自适应平均池化层嵌入在特征提取模块的最后一层,其将维度不一致的特征转换为维度一致的特征。
接上述技术方案,具体通过计算信号衰减系数、相关系数判别机型间信号的相似性。
接上述技术方案,样本集包括源域数据样本集和目标域数据样本集,通过对某一柴油机机型的故障模拟试验及实机数据积累构建参考的标签数据集,基于柴油机发火顺序和正时图确定与本缸激励源相关的振动/声发射时域信号段,形成供模型训练的源域数据样本集;对于待诊断的另一柴油机机型采集的未知状态的无标签数据集,采用同样方法形成供模型训练和诊断的目标域数据样本集。
本发明还提供了一种跨机型的柴油机燃烧室故障诊断***,包括:
样本采集模块,用于采集参考机型与待诊断机型柴油机的激励信号中与故障激励源相关的信号,比较机型间信号的相似性,若相似,则将参考机型的有标签数据样本作为源域,待诊断机型的实时采集的无标签数据样本作为目标域,建立训练样本集;
故障诊断网络模型构建模块,用于构建故障诊断网络模型,该模型通过对样本集中的样本训练得到,其包括特征提取模块、分类模块和域自适应模块,其中特征提取模块包括多个卷积层和自适应平均池化层,具体通过多个卷积层进行特征提取,再通过自适应平均池化层进行平均池化计算,形成维度一致的特征;提取的维度一致的特征分别输入分类模块和域自适应模块,计算分类损失和不同机型的特征分布差异损失,最后通过Adam优化算法自动更新网络参数以缩小特征分布差异并提高分类准确度;
诊断模块,用于将待诊断机型柴油机实时采集的与故障激励源相关的信号段输入故障诊断网络模型进行跨机型的柴油机燃烧室故障诊断,得到故障诊断结果。
接上述技术方案,特征提取模块具体包括5个卷积层,每个卷积层具体对输入信号进行1维卷积、线性整流、最大池化及1维批量归一化。
接上述技术方案,自适应平均池化层嵌入在特征提取模块的最后一层,其将维度不一致的特征转换为维度一致的特征。
本发明还提供一种终端设备,包括存储器和处理器,存储器内存储有可被处理器执行的计算机程序,处理器执行计算机程序时实现上述技术方案所述跨机型的柴油机燃烧室故障诊断方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述技术方案所述跨机型的柴油机燃烧室故障诊断方法的步骤。
本发明产生的有益效果是:本发明基于域自适应理论发明了一种端到端的柴油机燃烧室机型自适应故障诊断方法,实现了从数据端-诊断端的直接衔接,该方法通过卷积网络层自动提取振动/声发射信号的深层次特征,特征提取模块中的自适应平均池化层自适应数据的输入维度,可以充分利用多种不同数据维度的数据源来进行训练;域自适应模块缩小了有标签源域数据(参考机型)与无标签目标域数据(待诊断机型)之间的特征分布差异,并挖掘共同的特征表达。实验验证表明该发明方法对柴油机燃烧室故障诊断的准确率更高,泛化性更好,能有效的基于参考机型标签数据样本,自适应的诊断其他机型的无标签数据样本。
附图说明
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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例跨机型的柴油机燃烧室故障诊断方法的流程图;
图2是本发明另一实施例基于域自适应的跨机型的柴油机燃烧室故障诊断方法的总体架构;
图3(a)是本发明实施例跨机型故障诊断可行性分析及6DK20型柴油机相邻缸干扰分析示意图;
图3(b)是本发明实施例跨机型故障诊断可行性分析及Z6170型柴油机相邻缸干扰分析示意图;
图4是本发明实施例域自适应网络结构图;
图5是本发明实施例不同柴油机类型之间迁移的可视化结果示意图,其中(a)为经过PCA_SVM提取后的可视化结果示意图;(b)为经过1D_CNN提取后的可视化结果示意图;(c)为经过本发明方法的可视化结果示意图;
图6是本发明实施例的终端设备示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例跨机型的柴油机燃烧室故障诊断方法,包括以下步骤:
S1、采集参考机型与待诊断机型柴油机的激励信号中与故障激励源相关的信号,比较机型间信号的相似性,若相似,则将参考机型的有标签数据样本作为源域,待诊断机型的采集的无标签数据样本作为目标域,建立训练样本集;
S2、构建故障诊断网络模型,该模型通过对样本集中的样本训练得到,其包括特征提取模块、分类模块和域自适应模块,其中特征提取模块包括多个卷积层和自适应平均池化层,具体通过多个卷积层进行特征提取,再通过自适应平均池化层进行平均池化计算,形成维度一致的特征;提取的维度一致的特征分别输入分类模块和域自适应模块,计算分类损失和不同机型的特征分布差异损失,最后通过Adam优化算法自动更新网络参数以缩小特征分布差异并提高分类准确度;
S3、将待诊断机型柴油机实时采集的与故障激励源相关的信号段输入故障诊断网络模型进行跨机型的柴油机燃烧室故障诊断,得到故障诊断结果。
由于机型不同,柴油机结构和振动/声发射传感器安装位置可能不同,不同机型的单缸整周期振动/声发射信号特征可能存在较大差异,无法有效挖掘源域和目标域的共同特征表达,因此首先需要对比分析机型间振动/声发射信号的相似性,判断跨机型诊断的可行性。因此在收集数据样本之前需要先进行跨机型诊断可行性分析。在跨机型诊断可行性分析阶段,提取振动/声发射整周期时域信号,识别单缸整周期气阀启闭和缸内爆压等各主要激励源激励信号,依据衰减系数、相关系数等指标判断不同机型的故障激励源信号的相似性,以判断是否可进行跨机型诊断。
在收集数据样本阶段,通过对某一柴油机机型的故障模拟试验及实机数据积累构建参考的标签数据集,即源域,基于柴油机发火顺序和正时图确定与本缸激励源相关的振动/声发射时域信号段,形成供算法训练的源域数据样本集;对于待诊断的另一柴油机机型采集的未知状态的无标签数据集,即目标域,采用同样方法形成供算法训练和诊断的目标域数据样本集。
在模型训练阶段,源域的标签样本和目标域的无标签样本共同输入算法进行训练,自动提取样本的特征,将域自适应模块嵌入1D_CNN中,在训练过程中有效地学习如何减少源域与目标域的特征分布差异。
在故障诊断阶段,利用训练好的故障诊断模型对实时采集的目标域无标签样本进行诊断,提高跨域诊断的泛化性。
本发明的另一实施例中,以两型柴油机Z6170型、6DK20型为例,如图2所示,基于域自适应的柴油机燃烧室跨机型故障诊断方法具体如下:
步骤1:数据样本的形成
源域中的振动/声发射数据样本可以通过模拟试验,也可以通过实机运行过程积累,待诊断目标域中为另一机型采集的未知状态数据样本。本实例通过两型柴油机(Z6170型、6DK20型)的声发射故障模拟试验获取数据样本,分别采集了缸盖声发射信号以及柴油机上止点信号,声发射信号采样率设置为800kHz。本实例模拟的柴油机燃烧室故障包括:排气阀轻微磨损和排气阀严重磨损,如表1所示。如图3(a)、3(b)所示,通过柴油机正时图和整周期声发射信号,可以分析其他缸的气阀落座、燃烧等激励源对监测缸的影响,从而选取与监测缸故障激励源相关的曲柄转角区间段的信号形成数据样本,以6DK20型柴油机为例,在排气阀发生漏气故障时,可选取燃烧段发火上止点前(BTDC)20°CA~发火上止点后(ATDC)40°CA作为信号样本。通过Z6170型和6DK20型柴油机故障数据来模拟跨机型故障诊断场景,定义源域D S 为有标签的参考机型数据样本集,而目标域D T 为无标签的待诊断机型的数据样本集。
表1 柴油机模拟故障
故障代码 | 严重等级 | 状态描述 |
Normal | \ | 正常 |
F1 | 1 | 排气阀轻微磨损 |
F2 | 2 | 排气阀严重磨损 |
步骤2:跨机型诊断的可行性分析
本实例通过Z6170型和6DK20型柴油机实机采集的数据进行分析;参考图3(a)和3(b),Z6170型和6DK20型柴油机均为6缸四冲程柴油机,分别提取了两种机型的监测缸的缸盖整周期声发射信号,依据正时图识别单缸气阀落座激励、缸内爆压激励等激励源,可以看出,两机型的整周期信号中各激励信号明显且分布规律相似,本实例主要对气阀漏气故障进行诊断,气阀漏气激励主要发生在燃烧段,通过与正时图进行对比,可以看到两机型在燃烧段均不易受其他缸激励源的干扰,基于式(1)和(2)计算Z6170型和6DK20型柴油机的衰减声发射信号的衰减系数分别为7.93×10-3和7.67×10-3;取其包络通过式(3)计算相关系数值,为0.87,激励信号相似,因此可以推断,使用所提出的方法可以缩小两种机型之间的排气阀漏气故障特征分布差异,进行跨机型故障诊断。
其中取缸内爆压开始时相邻的波峰x 1 和波谷x 2 ,结束时相邻的x n+1波峰和x n+2波谷,n 1和n 2分别为参考机型和待诊断机型在缸内爆压激励期间检测到的波峰个数;δ 1为参考机型的衰减系数,δ 2为待诊断机型的衰减系数,rpm 1和rpm 2分别为参考机型和待诊断机型的转速,基于此消除由于采样率固定而转速变化带来的n的差异。
其中Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差。其中X与Y分别为参考机型和待诊断机型的燃烧段声发射时域信号。
步骤3:算法训练
首先,参照图4,建立域自适应诊断算法,域自适应诊断算法主要包括特征提取模块、分类模块和域自适应模块,本实例拟采用MMD建立域自适应模块,各模块的详细配置参数如表2所示:
在特征提取模块中,特征通过一维卷积网络提取,输入的数据样本通过卷积核进行卷积,并通过激活函数输出特征映射。卷积层的计算公式如下:
其中M j 表示输入映射。每个输出映射都有一个偏差b,x j l 是第l层的第j个输出,k i l j 是卷积核,选取线性整流单元(ReLU)作为激活函数。
为了防止过拟合和减少计算量,使用最大池化层进行下采样以降低输入数据的维度,在一维卷积中,可定义如下:
其中L in 和L out 分别是数据输入和输出的长度,padding是数据两侧添加的填充数,dilation是滑动窗口内元素之间的距离,size kernel 是滑动窗口的大小。
为了减少内部协变量的偏移,使用批量归一化层对卷积网络层进行归一化。可以用以下等式表示,其中ε是为了防止方差为零。
当源域和目标域的输入数据维度不一致时,所提取的特征维度也不一致,这使得分类模块和域自适应模块由于全连接层网络神经元的数量固定而无法训练。自适应平均池化层可以用来解决这一难题,将其嵌入特征提取模块的最后一层,可以将维度不一致的特征转换为一致的特征。它首先假设所需的输出大小为size output 。然后通过以下公式获得自适应平均池化层中的参数以执行平均池化计算:
其中padding=0,floor是向下取舍的。
进一步的,对于分类模块和域自适应模块,其中分类模块用于识别柴油机的状态。同时,基于域自适应模块和分类模块的输出,本实例选用MDD算法来准确度量特征分布的差异。
全连接层可以表示如下:
其中w j l 是第l个完整连接层的第i个权重。然后,神经网络的输出标签可以计算如下:
其中x i last 是最后一个全连接层上的第i个输出。
分类损失选用交叉熵损失函数,其定义如下:
MDD测量的损失项用于度量域适应分布差异,定义如下:
其中y s 和y t 是分类模块分别在源域和目标域上概率输出。y s adv 和y t adv 是域自适应模块的输出。γ是超参数,h y 是当概率输出为y时的预测标签。
在算法的训练过程中,整个算法的优化由两部分组成:源域的分类损失和源域与目标域之间的特征分布差异损失。优化目标由以下公式给出:
其中,系数λ用于调整算法优化过程中这两个损失项之间的平衡,以促进正迁移。
为了优化所提出的诊断算法并更新参数,Adam优化算法用于最小化损失函数。该算法通过计算梯度的一阶矩和二阶矩估计,为不同的参数设计独立的自适应学习速率。它具有较高的计算效率和较低的内存需求。
基于上述材料,表3中总结了所提出方法的训练过程。
表3 所提方法的训练过程:
算法:所提方法的训练过程
输入:
— 权重λ, 学习率ε, 迭代次数 epochs 以及 batches大小 b
1: 输出:所提出方法的诊断结果 y
2: 权重和偏差 ← 随机初始化训练参数
3: for epoch from 1 to epochs do:
4: for batch from 1 to number of batches do:
5: #前向传播
6: G f (D train )←基于式(4)–(9)计算提取的特征
7: G y (G f )和G d (G f )←基于式(10)–(11)计算类标签和MDD标签
8: err c +λD γ (S,T)←通过式(12)–(14)计算分类损失以及特征分布差异损失
9: #反向传播
10: 通过Adam算法优化式(14)中的L来更新神经网络参数
11: end
12: end
13: 准确率G y (G f (D test ))←使用测试集D test 验证所提出方法的性能
步骤4:故障诊断
基于步骤3,以源域样本和部分目标域样本为训练集训练域自适应诊断算法;算法中的域自适应模块只用于在训练时缩小源域和目标域的特征分布差异,因此,在柴油机故障诊断时,只使用特征提取模块和分类模块组成故障诊断模块以对实时采集的目标域无标签数据样本进行诊断;另一部分目标域无标签样本为测试集,验证所提出诊断方法的准确性,例如,故障诊断模型可以通过训练来自6DK20机型的0%、25%、50%、75%和90%负荷(源域)和Z6170机型的25%负荷(目标域)工况的数据样本来获得,即从6DK20机型迁移到Z6170的25%负荷工况的任务,记为0% / 25% / 50% / 75% / 90% (6DK20) → 25% (Z6170),如表4所示;然后,可以在25%负荷(测试集)下验证诊断效果。使用PCA_SVM(机器学习)和1D_CNN(深度学习)进行对比试验,在PCA_SVM和1D_CNN中,使用一种机型多个工况的样本进行训练,并在另一机型下进行测试。例如,可以通过训练6DK20机型的0%、25%、50%、75%和90%负荷(源域)工况获得故障诊断模型,然后在Z6170机型的25%负荷工况下(目标域)验证其故障诊断效果。
使用PCA_SVM和1D_CNN进行监督训练和测试,并将所提出的诊断方法用于域自适应训练和测试,获得如表5所示的诊断准确率。由于是不同柴油机机型之间的诊断,特征分布差异较大,监督学***均准确率分别为100%和97.26%。迁移任务6DK20→Z6170的诊断准确率优于迁移任务Z6170→6DK20,这可能是由于迁移任务6DK20→Z6170中源域中的样本包含更多的工况数据,这允许目标域在执行域自适应训练时可以在源域中找到更共同的特征分布。
表5 不同方法在测试集的Accuracy
图5显示了通过不同诊断方法提取的特征的二维分布,其中PCA_SVM提取的时域和频域特征在特征分布中非常分散,类间距离非常接近。1D_CNN提取的特征由于使用了源域中多个工况的样本一起训练,消除了工况之间的特征分布差异,但源域和目标域之间的特征分布差异明显。所提出的方法通过在有标签的源域(一种机型)和无标签的目标域(另一种机型)中查找共同特征表达来减少特征分布的差异。从图5可以看出,所提出的方法不仅具有明显的分类边界,而且在同一类中具有相对紧密的特征分布聚类。
如图6所示,本发明实施例的终端设备,包括存储器、处理器和通信总线,其中存储器、处理器通过通信总线完成相互间的通信。通信总线可通过一通信接口与外部通信。处理器可以调用存储器中的逻辑指令,以执行上述实施例跨机型的柴油机燃烧室故障诊断方法步骤。
本申请还提供一种非暂态计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于在被处理器执行时实现方法实施例的跨机型的柴油机燃烧室故障诊断方法。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种跨机型的柴油机燃烧室故障诊断方法,其特征在于, 包括以下步骤:
采集参考机型与待诊断机型柴油机的激励信号中与故障激励源相关的信号,比较机型间信号的相似性,若相似,则将参考机型的有标签数据样本作为源域,待诊断机型的采集的无标签数据样本作为目标域,建立训练样本集;
构建故障诊断网络模型,该模型通过对训练样本集中的样本训练得到,其包括特征提取模块、分类模块和域自适应模块,其中特征提取模块包括多个卷积层和自适应平均池化层,具体通过多个卷积层进行特征提取,再通过自适应平均池化层进行平均池化计算,形成维度一致的特征;提取的维度一致的特征分别输入分类模块和域自适应模块,计算分类损失和不同机型的特征分布差异损失,最后通过Adam优化算法自动更新网络参数以缩小特征分布差异并提高分类准确度;
将待诊断机型柴油机实时采集的与故障激励源相关的信号段输入故障诊断网络模型进行跨机型的柴油机燃烧室故障诊断,得到故障诊断结果。
2.根据权利要求1所述的跨机型的柴油机燃烧室故障诊断方法,其特征在于,特征提取模块具体包括5个卷积层,每个卷积层具体对输入信号进行1维卷积、线性整流、最大池化及1维批量归一化。
3.根据权利要求1所述的跨机型的柴油机燃烧室故障诊断方法,其特征在于,自适应平均池化层嵌入在特征提取模块的最后一层,其将维度不一致的特征转换为维度一致的特征。
4.根据权利要求1所述的跨机型的柴油机燃烧室故障诊断方法,其特征在于,具体通过计算信号衰减系数、相关系数判别机型间信号的相似性。
5.根据权利要求1所述的跨机型的柴油机燃烧室故障诊断方法,其特征在于,样本集包括源域数据样本集和目标域数据样本集,通过对某一柴油机机型的故障模拟试验及实机数据积累构建参考的标签数据集,基于柴油机发火顺序和正时图确定与本缸激励源相关的振动/声发射时域信号段,形成供模型训练的源域数据样本集;对于待诊断的另一柴油机机型采集的未知状态的无标签数据集,采用同样方法形成供模型训练和诊断的目标域数据样本集。
6.一种跨机型的柴油机燃烧室故障诊断***,其特征在于,包括:
样本采集模块,用于采集参考机型与待诊断机型柴油机的激励信号中与故障激励源相关的信号,比较机型间信号的相似性,若相似,则将参考机型的有标签数据样本作为源域,待诊断机型采集的无标签数据样本作为目标域,建立训练样本集;
故障诊断网络模型构建模块,用于构建故障诊断网络模型,该模型通过对训练样本集中的样本训练得到,其包括特征提取模块、分类模块和域自适应模块,其中特征提取模块包括多个卷积层和自适应平均池化层,具体通过多个卷积层进行特征提取,再通过自适应平均池化层进行平均池化计算,形成维度一致的特征;提取的维度一致的特征分别输入分类模块和域自适应模块,计算分类损失和不同机型的特征分布差异损失,最后通过Adam优化算法自动更新网络参数以缩小特征分布差异并提高分类准确度;
诊断模块,用于将待诊断机型柴油机实时采集的与故障激励源相关的信号段输入故障诊断网络模型进行跨机型的柴油机燃烧室故障诊断,得到故障诊断结果。
7.根据权利要求6所述的跨机型的柴油机燃烧室故障诊断***,其特征在于,特征提取模块具体包括5个卷积层,每个卷积层具体对输入信号进行1维卷积、线性整流、最大池化及1维批量归一化。
8.根据权利要求6所述的跨机型的柴油机燃烧室故障诊断***,其特征在于,自适应平均池化层嵌入在特征提取模块的最后一层,其将维度不一致的特征转换为维度一致的特征。
9.一种终端设备,包括存储器和处理器,存储器内存储有可被处理器执行的计算机程序,其特征在于,处理器执行计算机程序时实现如权利要求1至5任一项所述的跨机型的柴油机燃烧室故障诊断方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述的跨机型的柴油机燃烧室故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211471504.2A CN115510926B (zh) | 2022-11-23 | 2022-11-23 | 跨机型的柴油机燃烧室故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211471504.2A CN115510926B (zh) | 2022-11-23 | 2022-11-23 | 跨机型的柴油机燃烧室故障诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115510926A true CN115510926A (zh) | 2022-12-23 |
CN115510926B CN115510926B (zh) | 2023-04-18 |
Family
ID=84513936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211471504.2A Active CN115510926B (zh) | 2022-11-23 | 2022-11-23 | 跨机型的柴油机燃烧室故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510926B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116699390A (zh) * | 2023-04-20 | 2023-09-05 | 上海宇佑船舶科技有限公司 | 柴油机组故障检测方法和*** |
CN117669388A (zh) * | 2024-01-30 | 2024-03-08 | 武汉理工大学 | 故障样本生成方法、装置、计算机介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104454785A (zh) * | 2014-09-25 | 2015-03-25 | 中南大学 | 一种工程机械液压缸故障诊断***及与之适用的故障样本信号采集方法 |
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控*** |
US20200193269A1 (en) * | 2018-12-18 | 2020-06-18 | Samsung Electronics Co., Ltd. | Recognizer, object recognition method, learning apparatus, and learning method for domain adaptation |
WO2020256732A1 (en) * | 2019-06-21 | 2020-12-24 | Siemens Aktiengesellschaft | Domain adaptation and fusion using task-irrelevant paired data in sequential form |
CN112308147A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
US20210201152A1 (en) * | 2019-12-26 | 2021-07-01 | Sap Se | Domain adaptation of deep neural networks |
CN113095229A (zh) * | 2021-04-14 | 2021-07-09 | 中国矿业大学 | 一种无监督域自适应行人重识别***及方法 |
US20210295208A1 (en) * | 2020-03-20 | 2021-09-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | Machine learning systems and methods with source-target adaptation |
CN114398992A (zh) * | 2022-01-18 | 2022-04-26 | 安徽大学 | 一种基于无监督域适应的智能故障诊断方法 |
CN114580288A (zh) * | 2022-03-09 | 2022-06-03 | 杭州电子科技大学 | 一种基于dsecjan的智能故障诊断方法 |
CN114755017A (zh) * | 2022-04-13 | 2022-07-15 | 湖南大学 | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 |
-
2022
- 2022-11-23 CN CN202211471504.2A patent/CN115510926B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104454785A (zh) * | 2014-09-25 | 2015-03-25 | 中南大学 | 一种工程机械液压缸故障诊断***及与之适用的故障样本信号采集方法 |
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控*** |
US20200193269A1 (en) * | 2018-12-18 | 2020-06-18 | Samsung Electronics Co., Ltd. | Recognizer, object recognition method, learning apparatus, and learning method for domain adaptation |
WO2020256732A1 (en) * | 2019-06-21 | 2020-12-24 | Siemens Aktiengesellschaft | Domain adaptation and fusion using task-irrelevant paired data in sequential form |
US20210201152A1 (en) * | 2019-12-26 | 2021-07-01 | Sap Se | Domain adaptation of deep neural networks |
US20210295208A1 (en) * | 2020-03-20 | 2021-09-23 | Beijing Didi Infinity Technology And Development Co., Ltd. | Machine learning systems and methods with source-target adaptation |
CN112308147A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于多源域锚适配器集成迁移的旋转机械故障诊断方法 |
CN113095229A (zh) * | 2021-04-14 | 2021-07-09 | 中国矿业大学 | 一种无监督域自适应行人重识别***及方法 |
CN114398992A (zh) * | 2022-01-18 | 2022-04-26 | 安徽大学 | 一种基于无监督域适应的智能故障诊断方法 |
CN114580288A (zh) * | 2022-03-09 | 2022-06-03 | 杭州电子科技大学 | 一种基于dsecjan的智能故障诊断方法 |
CN114755017A (zh) * | 2022-04-13 | 2022-07-15 | 湖南大学 | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
SIYU ZHANG.ET AL: ""Rotating machinery fault detection and diagnosis based on deep domain adaptation: A survey"", 《CHINESE SOCIETY OF AERONAUTICS AND ASTRONAUTICS》 * |
张永超等: ""基于域适应与分类器差异的滚动轴承跨域故障诊断"", 《东北大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116699390A (zh) * | 2023-04-20 | 2023-09-05 | 上海宇佑船舶科技有限公司 | 柴油机组故障检测方法和*** |
CN116699390B (zh) * | 2023-04-20 | 2024-04-26 | 上海宇佑船舶科技有限公司 | 柴油机组故障检测方法和*** |
CN117669388A (zh) * | 2024-01-30 | 2024-03-08 | 武汉理工大学 | 故障样本生成方法、装置、计算机介质 |
CN117669388B (zh) * | 2024-01-30 | 2024-05-31 | 武汉理工大学 | 故障样本生成方法、装置、计算机介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115510926B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115510926B (zh) | 跨机型的柴油机燃烧室故障诊断方法及*** | |
CN110954312B (zh) | 一种基于无键相整周期信号的往复机械故障诊断方法 | |
Qin et al. | DTCNNMI: A deep twin convolutional neural networks with multi-domain inputs for strongly noisy diesel engine misfire detection | |
Flett et al. | Fault detection and diagnosis of diesel engine valve trains | |
Qin et al. | Anti‐noise diesel engine misfire diagnosis using a multi‐scale CNN‐LSTM neural network with denoising module | |
Kumar et al. | Improved CNN for the diagnosis of engine defects of 2-wheeler vehicle using wavelet synchro-squeezed transform (WSST) | |
CN114997051A (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
Shahid et al. | Real-time abnormality detection and classification in diesel engine operations with convolutional neural network | |
Wang et al. | Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest | |
CN113591553B (zh) | 一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
CN115292834A (zh) | 一种数字孪生装备故障诊断方法、装置及*** | |
CN111597760A (zh) | 一种实现小样本条件下获取气路参数偏差值的方法 | |
CN109829514A (zh) | 一种网络入侵检测方法、装置、计算机设备和存储介质 | |
CN117009814A (zh) | 一种基于多源信息融合的发动机故障诊断方法及*** | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN112487709A (zh) | 一种基于敏感性分析的船用柴油机故障溯源方法 | |
CN112798290A (zh) | 基于频谱重构误差的燃气轮机异常状态监测方法 | |
CN115659258A (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN116304546A (zh) | 基于声音信号的供热***热力站故障诊断方法及*** | |
Ghazaly et al. | Prediction of misfire location for SI engine by unsupervised vibration algorithm | |
CN117877256A (zh) | 基于数字孪生的车辆故障预测方法及*** | |
CN112560252B (zh) | 一种航空发动机剩余寿命预测方法 | |
CN117111464A (zh) | 一种多工况下的自适应故障诊断方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、***、电子设备及存储介质 |
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 |