[发明专利]发动机故障检测方法、系统、存储介质及设备

说明书

本发明涉及发动机故障检测方法、系统、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。

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、系统、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系统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、系统、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。