[发明专利]基于递归图和深度卷积网络的压气机振动故障检测法

说明书

本发明公开了一种基于递归图和深度卷积网络的压气机振动故障检测法。本发明构造压气机气动失稳振动故障数据库，选取已有的实验数据，通过数据预处理获取大量的故障数据库。其次，选取二维图像转化方法，将一维振动信号转化为二维图像，最后，选取深度卷积神经网络Inception V3模型，采用迁移学习保持模型特征提取环节不变，通过调节特征整合环节结构对二维图像递归图进行故障特征提取与检测。本发明由二维图像反映时间序列内部动力学系统中的相空间流形，揭示系统的动力学特性，适合于对非平稳非线性的时间序列进行特征分析。本发明将机器视觉中的优势应用于非视觉领域，采用深度卷积神经网络Inception V3模型进行机械振动故障检测，减少手工设计特征的巨大工作量。

技术领域

本发明涉及旋转机械振动信号故障诊断领域，具体涉及一种基于递归图和深度卷积神经网络的压气机振动故障检测法。

背景技术

压气机是大型民用和军用航空发动机的动力来源，其气动失稳属于一类振动故障现象。该故障不但使发动机性能(推力、经济性)大为恶化，限制发动机的工作范围，而且更严重的是它们会引起发动机突然熄火，或引起压气机叶片剧烈振动以致叶片断裂而造成整台发动机的损坏。对压气机气动失稳振动故障检测方法的研究，对提高发动机的稳定性和可靠性具有重要的科学研究意义和工程应用价值。

压气机气动失稳产生的机械振动故障信号具有非线性、非平稳的特性。针对非线性非平稳信号，常见的时频分析方法有短时傅利叶变换、经验模态分解、小波包分解等。然而，短时傅里叶变换对信号所加的窗口是固定的，无法满足非平稳信号变化的频率的要求；经验模态分解具有严重的端点效应和模态混叠现象，会影响分析结果的正确性和精确性；小波分解在选择小波基时对信号的先验知识具有极强的依赖性。更重要的是，针对机械振动故障信号，传统的信号处理方法只能通过捕捉瞬时故障频率的方法进行故障诊断，不能可视的看出故障的类型和程度。相对传统故障诊断方法，基于深度学习的故障诊断方法获得广泛关注。特别是深度学习在计算机视觉领域中的应用，深度学习在很大程度上解决了视觉对象的分类、目标检测和识别问题。

本发明提出一种基于递归图和深度卷积神经网络的压气机振动故障检测新方法，将机器视觉算法应用于非视觉领域。首先，构造压气机气动失稳振动故障数据库，选取已有的实验数据，通过数据预处理获取大量的故障数据库。其次，选取二维图像转化方法，将一维振动信号转化为二维图像(递归图)，该图可以由二维图像反映时间序列内部动力学系统中的相空间流形，揭示系统的动力学特性，适合于对非平稳非线性的时间序列进行特征分析。最后，选取深度卷积神经网络Inception V3模型，采用迁移学习保持模型特征提取环节不变，通过调节特征整合(全连接层)环节结构(不同层数、不同神经元个数和dropout技术处理)对二维图像递归图进行故障特征分类，达到故障检测目的。

发明内容

本发明的目的在于将机器视觉算法引入机械振动故障诊断领域，为机械振动信号的故障特征可视化及其故障诊断提供一套新的故障诊断法。本发明的具体技术方案通过如下步骤实现：

步骤1、建立数据库：

收集压气机气动失稳数据，通过添加不同信噪比的高斯白噪声和滑动窗口方法，截取足够的气动失稳不同模式的失稳数据。

失稳数据包括失稳前的正常数据和失稳发生时的故障数据。

步骤2、一维振动故障数据转化二维递归图：

针对数据库中的每组数据，运用相空间重构及可视化方法将一维振动故障数据转换成二维递归图，构造二维递归图数据库；

步骤3、图像数据预处理：

对二维递归图数据库中的二维递归图进行尺寸缩放、归一化处理和标准化处理。并将所有处理后的二维递归图划分正常信号和故障信号两类，每类按4：1划分训练集和测试集。

步骤4、基于深度卷积神经网络的故障特征提取；