[发明专利]柱塞泵故障信号时频图降噪增强方法和系统

说明书

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系统，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。

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系统。

背景技术

航空液压泵是飞机液压系统的关键元件，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，飞机液压系统广泛采用柱塞泵。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系统。

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：