[发明专利]基于深度学习的航空发动机转子系统故障诊断方法及装置

权利要求书

1.一种基于深度学习的航空发动机转子系统故障诊断方法，其特征在于，所述方法包括：

S1、获取待诊断的航空发动机轴承的一维振动信号数据；

S2、对所述一维振动信号数据进行预处理，得到二维时频域图像；

S3、将所述二维时频域图像输入到训练好的特征提取网络；

S4、根据所述二维时频域图像以及训练好的特征提取网络，得到待诊断的航空发动机轴承的故障分类结果。

2.根据权利要求1所述的方法，其特征在于，所述S2中的对所述一维振动信号数据进行预处理，得到二维时频域图像包括：

S21、基于生成对抗网络对所述一维振动信号数据进行缺失数据补全，得到完整的一维振动信号数据；

S22、基于希尔伯特黄变换对所述完整的一维振动信号数据进行时频域分析，得到完整的一维振动信号数据的二维时频域图像。

3.根据权利要求2所述的方法，其特征在于，所述S22中的基于希尔伯特黄变换对所述完整的一维振动信号数据进行时频域分析，得到完整的一维振动信号数据的二维时频域图像包括：

S221、基于经验模态分解将所述完整的一维振动信号数据分解为多个固有模态分量；

S222、对所述多个固有模态分量进行希尔伯特变换，得到多个固有模态分量中每个固有模态分量的瞬时频率、瞬时相位和瞬时幅值，进而得到完整的一维振动信号数据的二维时频域图像。

4.根据权利要求1所述的方法，其特征在于，所述S3中的特征提取网络的训练过程包括：

S31、获取航空发动轴承的真实样本数据集；其中，所述真实样本数据集包括多个存在缺失数据的原始一维振动信号数据；

S32、基于生成对抗网络对所述真实样本数据集进行缺失数据补全，得到完整的样本数据集；

S33、通过希尔伯特黄变换对所述完整的样本数据集进行时频域分析，得到二维时频域图像样本数据集；

S34、获取预训练的特征提取网络；

S35、根据所述二维时频域图像样本数据集以及预训练的特征提取网络，得到训练好的特征提取网络。

5.根据权利要求4所述的方法，其特征在于，所述S31中的获取航空发动轴承的真实样本数据集包括：

通过安装在航空发动机轴承上的传感器，获取存在缺失数据的原始一维振动信号数据，得到航空发动轴承的真实样本数据集。

6.根据权利要求4所述的方法，其特征在于，所述S34中的获取预训练的特征提取网络包括：

S341、构造基于视觉多层感知机的特征提取网络；

S342、基于ImageNet数据集对所述基于视觉多层感知机的特征提取网络进行预训练，得到预训练的特征提取网络。

7.根据权利要求6所述的方法，其特征在于，所述S342中的基于ImageNet数据集对所述基于视觉多层感知机的特征提取网络进行预训练，得到预训练的特征提取网络包括：

S3421、获取ImageNet数据集中的二维时频域图像；

S3422、将所述二维时频域图像输入到二维卷积层，得到通道数升高后的特征图；

S3423、将所述特征图输入到全连接层，得到重构的2D图像块；

S3424、将所述2D图像块输入到图像块混合层，得到图像块混合层输出；

S3425、将所述图像块混合层输出输入到通道混合层，得到具有全局依赖关系的高维故障特征，进而得到预训练的特征提取网络。

8.根据权利要求4所述的方法，其特征在于，所述S35中的根据所述二维时频域图像样本数据集以及预训练的特征提取网络，得到训练好的特征提取网络包括：

将所述二维时频域图像样本数据集输入到预训练的特征提取网络进行迁移学习，并对所述预训练的特征提取网络进行调整，得到训练好的特征提取网络。