[发明专利]发动机状态的诊断方法及其诊断建模方法

权利要求书

1.一种诊断发动机状态的方法，包括：

测量发动机的振动，其中，所述发动机的组装在发动机生产的自动化下线工艺中完成；以及

使用初级深度学习分类模型初步诊断在所述下线工艺期间的所述发动机的振动，在所述初级深度学习分类模型中，基于关于在所述发动机上的三个或以上的位置处测量的多个振动信号的大数据根据通过使用多种算法学习获得的特征对所述发动机的振动信号进行分类，

其中，通过对所述发动机的振动进行初步诊断而将所述下线工艺中的发动机的组装状态分类为正常状态或异常状态。

2.根据权利要求1所述的方法，其中，测量所述下线工艺中的所述发动机的振动包括在与所述初级深度学习分类模型的多个振动信号的测量位置相同的位置处测量振动。

3.根据权利要求1所述的方法，其中，关于用于构建所述初级深度学习分类模型的所述多个振动信号的大数据包括关于根据加速或恒速驱动条件的正常信号和多种类型的异常振动信号的数据。

4.根据权利要求3所述的方法，其中，所述多个振动信号中的每个振动信号均包括在整个频率范围内的数据。

5.根据权利要求1所述的方法，其中，通过使用基于递归神经网络的分类算法、卷积神经网络+注意机制算法以及DenseNet算法依次学习所述多个振动信号来构建所述初级深度学习分类模型。

6.根据权利要求1所述的方法，还包括：

当所述下线工艺中的发动机在所述初步诊断中被分类为异常时，使用二级深度学习诊断模型对所述下线工艺中的发动机的振动进行二次诊断，在所述二级深度学习诊断模型中，基于关于所述多个振动信号的大数据根据异常情况确定诊断参考设置值。

7.根据权利要求6所述的方法，其中，根据在所述二次诊断中诊断的异常情况对已修复的发动机重新进行在所述下线工艺中的发动机的振动的测量。

8.根据权利要求6所述的方法，还包括：

将在所述初步诊断和所述二次诊断中获得的诊断结果存储到中央服务器中；以及

将存储在所述中央服务器中的数据和单独测量的用于所述发动机的振动数据包含在所述大数据中。

9.根据权利要求6所述的方法，其中，通过使用帧能量、基音、过零、基于峰度信号处理的精确诊断算法、二进制分类以及集成深度神经网络/结果选择算法学习所述多个振动信号来构建所述二级深度学习诊断模型。

10.一种发动机状态的诊断建模方法，包括：

收集关于发动机的振动信号的大数据；

在发动机生产的自动化下线工艺中在发动机上的三个或以上的位置处测量多个振动信号；

基于所述大数据和所述多个振动信号分析数据并且提取有监督学习的特征；

构建初级深度学习分类模型，在所述初级深度学习分类模型中，基于所述大数据根据通过使用多种算法学习而获得的特征对所述发动机的振动信号进行分类；以及

构建二级深度学习诊断模型，在所述二级深度学习诊断模型中，基于所述大数据根据使用所述初级深度学习分类模型分类的异常情况确定诊断参考设置值。

11.根据权利要求10所述的方法，其中，所述初级深度学习分类模型的分类准确度和所述二级深度学习诊断模型的诊断准确度中的每一个为99.9％或以上。

12.根据权利要求11所述的方法，其中，当所述初级深度学习分类模型的分类准确度或所述二级深度学习诊断模型的诊断准确度小于99.9％时，重新进行分析数据并且提取所述有监督学习的特征。

13.根据权利要求10所述的方法，其中，关于用于构建所述初级深度学习分类模型的所述多个振动信号的大数据包括关于根据加速或恒速驱动条件的正常信号和多种类型的异常振动信号的数据。