[发明专利]一种基于迁移学习的柴油机燃烧噪声检测方法及系统

说明书

本申请提供了一种基于迁移学习的柴油机燃烧噪声检测方法及系统，其中柴油机燃烧噪声检测方法包括获取柴油机的噪声信息；构建WCCL；根据噪声信息对WCCL进行预训练，得到训练模型；迁移训练模型，得到诊断模型；根据诊断模型，判定柴油机的燃烧噪声状态。本申请所提供的一种基于迁移学习的柴油机燃烧噪声检测方法及系统，通过获取柴油机的噪声信息，对所构建的WCCL进行模型训练，并对训练后的模型进行迁移得到诊断模型，从而克服了现有神经网络缺乏充足样本，无法进行充分训练的不足，保证了神经网络对柴油机状态的监测能力。

技术领域

本发明涉及发动机燃烧状态监测领域，尤其涉及一种基于迁移学习的柴油机燃烧噪声检测方法及系统。

背景技术

柴油机是工业、农业、核电及其他领域的主要动力源，由于其内部结构复杂，工作环境恶劣，工作状态繁多。因此，对柴油机工作状态的监测和调控具有极其重要的意义。

柴油机所产生的燃烧噪声对于评价柴油机的状态具有重要的参考价值，例如对燃烧噪声进行能量时频分析，计算燃烧噪声部分的声压级数值，进而能够进行燃烧特性以及燃油品质进行分析；再如利用柴油机表面振动信号和缸内压力信号在时域、频域和时频域的相关性进行分析，实现对燃烧状态的识别监测。现阶段采用深度学习建立监测模型，在训练数据充分的前提下，通过改进网络结构和增加网络深度，构建的深度神经网络能够挖掘蕴含在原始数据下的复杂信息，从而在判定柴油机状态的过程中减少对柴油机专业知识的依赖。

但是将深度学习应用于柴油机监测的过程中也存在一定程度的不足。首先监测过程需要进行信号的大量的前期处理以建立被测信号与状态之间的映射关系，而柴油机所应用的环境噪声情况复杂，加大了映射建立的难度，导致无法预测柴油机的状态，进而无法为神经网络的训练提供充足样本；其次神经网络在无法进行充分训练的情况下，极易在小样本上出现网络过拟合，泛化性变差的问题，进而降低神经网络对柴油机状态的监测能力。

发明内容

本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于迁移学习的柴油机燃烧噪声检测方法及系统。

第一方面，本发明提供了一种基于迁移学习的柴油机燃烧噪声检测方法，包括：

获取柴油机的噪声信息；

构建WCCL，WCCL为宽卷积核卷积长短期记忆网络；

根据噪声信息对WCCL进行预训练，得到训练模型；

迁移训练模型，得到诊断模型；

根据诊断模型，判定柴油机的燃烧噪声状态。

进一步地，获取柴油机的噪声信息，具体包括：

设置柴油机的状态参数；

采集状态参数下，柴油机工作状态下的噪声信息。

进一步地，构建WCCL，具体包括：

构建至少两组卷积-池化层于初始模型；

添加LSTM网络于卷积-池化层与初始模型的输出层之间，得到WCCL。

进一步地，根据噪声信息对WCCL进行预训练，具体包括：

卷积并归一化噪声信息，得到第一中间量；

最大值池化第一中间量，得到源域数据集；

利用源域数据集预训练初始模型，得到训练模型。

进一步地，迁移训练模型，具体包括：

划分训练模型为第一网络层、第二网络层、第三网络层、第四网络层及第五网络层；

冻结并迁移第一网络层、第二网络层、第三网络层及第四网络层至目标域数据集，得到冻结层；

迁移第五网络层至目标域数据集并二次训练，得到微调层；

结合冻结层及微调层，得到诊断模型。

进一步地，判定柴油机的燃烧噪声状态之后，还包括：