一种基于孪生神经网络的航发轴承故障诊断方法技术

本发明专利技术属于轴承故障诊断相关技术领域，其公开了一种基于孪生神经网络的航发轴承故障诊断方法，包括以下步骤：(1)采集航发轴承不同运行状态下的振动信号；(2)遍历预处理后的训练数据，并将训练数据两两输入孪生神经网络模型进行训练；孪生神经网络模型包括两个结构完全相同的子网络，且两个子网络之间权重共享；单独的子网络由并行的两部分结构组成，第一部分依次包括一个卷积层、一个最大池化层、两个二层残差学习单元以及一个全局平均池化层；第二部分由两个长短期记忆模块构成；(3)将预处理后的待诊断的轴承数据与轴承各类运行状态的代表样本输入孪生神经网络模型，以进行故障类型识别。本发明专利技术提高了诊断准确率。本发明专利技术提高了诊断准确率。本发明专利技术提高了诊断准确率。

【技术实现步骤摘要】
一种基于孪生神经网络的航发轴承故障诊断方法


[0001]本专利技术属于轴承故障诊断相关
，更具体地，涉及一种基于孪生神经网络的航发轴承故障诊断方法。

技术介绍

[0002]航空发动机是一种重要的旋转机械，是飞行器的动力来源，对飞行器的平稳运行起着至关重要的作用。由于航空发动机内部结构复杂，且通常工作在高转速、高负荷、高温等恶劣的运行环境下，因此故障频发，给飞行器带来重大的安全隐患。一旦航空发动机故障不能及时检出，可能引发严重的安全事故，产生巨大的经济损失。滚动轴承是航空发动机核心的旋转部件，同时也是出现故障频率最高的零部件之一。据统计，在飞机的机械故障中有60％以上的故障是由主轴轴承故障导致的。因此，对航发轴承的运行状态进行实时的监测以及准确的故障诊断是航空发动机维护中重要的一环。
[0003]目前，在轴承故障诊断领域，基于机器学习的故障诊断方法已经成为研究的主流，其主要包含两类：一类是人工提取轴承运行状态信号的某些时域、频域或是时频域的特征，然后经过神经网络等智能算法构造故障分类模型。这类方法提取的特征指标一般对于工况变化特别敏感，因而在实际应用中鲁棒性较差，同时特征的提取严重依赖于专业技术人员的经验，随意性较大；另一类方法是采用深度学习的模型，输入人为采集的原始信号或是经过变换后的信号图谱，基于深度学习模型强大的特征自学习能力，完成轴承故障的诊断。传统的深度学习模型一般需要大量轴承不同运行状态的样本来完成网络训练，以获取较强的故障诊断能力。然而在实际工业现场，故障并不是常态，获取并标定大量轴承不同故障状态的数据几乎不可能实现。因此，航发轴承的故障诊断急需一种能够在少量带标签样本训练下实现较强鲁棒性的模型。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于孪生神经网络的航发轴承故障诊断方法，其是一种适用于小样本量训练且具备良好鲁棒性的航发轴承故障诊断方法，该方法以轴承两个相同或者不同运行状态下的原始振动信号经S变换后的时频图为输入，通过孪生神经网络模型获得特征向量，然后比较两个特征向量的相似度，从而实现轴承故障的准确分类。与现有技术相比，该方法不需要人工设计提取的特征，由孪生神经网络将特征提取与故障分类融合完成，同时该方法可以实现少样本、多工况下航发轴承故障的准确诊断。
[0005]为实现上述目的，按照本专利技术的一个方面，提供了一种基于孪生神经网络的航发轴承诊断方法，所述方法包括以下步骤：
[0006](1)采集航发轴承不同运行状态下的振动信号，并进行标记及预处理；
[0007](2)遍历预处理后的训练数据，并将训练数据两两输入孪生神经网络模型以对该孪生神经网络模型进行训练；其中，所述孪生神经网络模型包括两个结构完全相同的子网
络，且两个子网络之间权重共享；单独的子网络由并行的两部分结构组成，分别称为第一部分及第二部分，其中第一部分依次包括一个卷积层、一个最大池化层、两个二层残差学习单元以及一个全局平均池化层；第二部分由两个长短期记忆模块构成；
[0008](3)将预处理后的待诊断的轴承数据与轴承各类运行状态的代表样本一同输入训练好的孪生神经网络模型，以进行故障类型识别。
[0009]进一步地，卷积层与残差学习单元中的卷积核数均为n，步长为1；经过全局平均池化层后，子网络的第一部分输出一个n
×
1维的向量；第二部分输出一个k
×
1维的向量，第一部分与第二部分输出的向量进行拼接得到一个(n+k)
×
1维的特征向量。
[0010]进一步地，滑窗操作时在特征图四周补0，当m为奇数时，填补的长度设置为当m为偶数时，在特征图左端和上端填补长度设置为而在右端和下端填补长度设置为
[0011]进一步地，对于孪生神经网络模型得到的两个特征向量X
p
、X
q
，采用欧式距离来表征二者的相似性程度D：
[0012]D(X
p
,X
q
)＝‖X
p
‑
X
q
‖2；
[0013]孪生神经网络模型的损失函数为J(w,Y,X
p
,X
q
)：
[0014][0015]其中，w代表孪生神经网络模型各部分结构中的权重等参数；Y代表输入样本的类别因子。
[0016]进一步地，步骤(1)中对振动信号进行预处理时，首先，对采集到的原始振动信号进行等长度截取；之后，对截取的信号进行S变换处理以得到时频矩阵；最后，采用双线性插值对得到的时频矩阵进行压缩处理。
[0017]进一步地，原始信号长度为L，拟待分析信号段的长度为l，拟扩充的样本倍数为N，需要满足L≥Nl，扩充后第i个样本的起始点位置a
i
满足下式：
[0018]a
i
＝(i
‑
1)l+1，i＝1,2,
…
,N。
[0019]进一步地，对于待分析的信号h(t)，其S变换后的时频矩阵H(f,τ)按下式进行计算：
[0020][0021][0022]其中，ω(t
‑
τ,f)代表高斯窗函数；f代表频率，单位为Hz；τ代表平移因子，单位为s；t代表时间，单位为s；j代表虚数单位，j2＝
‑
1。
[0023]进一步地，信号经S变换后得到的时频矩阵中时域信息分辨率ΔT和频域信息分辨率ΔF满足Heisenberg不确定性原理，而时间窗长度A决定了ΔT和ΔF。
[0024]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，本专利技术提供的基
于孪生神经网络的航发轴承故障诊断方法主要具有以下有益效果：
[0025]1.本专利技术兼具特征自提取与小样本训练的优势，在轴承多工况故障诊断中能够保持较高的故障识别率，具备较强的鲁棒性。同时，本专利技术的孪生神经网络包含卷积与长短期记忆的复合结构，分别从空间与时间的角度保留了原始信号的关键特征，保证了信息的完整性。
[0026]2.本专利技术通过不同样本集的训练，该模型结构可以适用于其他对象的模式识别等场景，具有良好的通用性。
附图说明
[0027]图1是本专利技术的孪生神经网络模型结构的示意图；
[0028]图2是本专利技术中孪生神经网络模型子网络结构的示意图；
[0029]图3是本专利技术中航发轴承故障诊断的流程示意图。
具体实施方式
[0030]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0031]请参阅图1、图2及图3，本专利技术提供的一种基于孪生神经网络的航发轴承故障诊断方法主要包括以下步骤：
[0032]步骤一，采集航本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生神经网络的航发轴承故障诊断方法，其特征在于，该方法包括以下步骤：(1)采集航发轴承不同运行状态下的振动信号，并进行标记及预处理；(2)遍历预处理后的训练数据，并将训练数据两两输入孪生神经网络模型以对该孪生神经网络模型进行训练；其中，所述孪生神经网络模型包括两个结构完全相同的子网络，且两个子网络之间权重共享；单独的子网络由并行的两部分结构组成，分别称为第一部分及第二部分，其中第一部分依次包括一个卷积层、一个最大池化层、两个二层残差学习单元以及一个全局平均池化层；第二部分由两个长短期记忆模块构成；(3)将预处理后的待诊断的轴承数据与轴承各类运行状态的代表样本一同输入训练好的孪生神经网络模型，以进行故障类型识别。2.如权利要求1所述的基于孪生神经网络的航发轴承故障诊断方法，其特征在于：卷积层与残差学习单元中的卷积核数均为n，步长为1；经过全局平均池化层后，子网络的第一部分输出一个n
×
1维的向量；第二部分输出一个k
×
1维的向量，第一部分与第二部分输出的向量进行拼接得到一个(n+k)
×
1维的特征向量。3.如权利要求2所述的基于孪生神经网络的航发轴承故障诊断方法，其特征在于：滑窗操作时在特征图四周补0，当m为奇数时，填补的长度设置为当m为偶数时，在特征图左端和上端填补长度设置为而在右端和下端填补长度设置为4.如权利要求2所述的基于孪生神经网络的航发轴承故障诊断方法，其特征在于：对于孪生神经网络模型得到的两个特征向量X
p
、X
q
，采用欧式距离来表征二者的相似性程度D：D(X
p
,X
q...

【专利技术属性】
技术研发人员：史铁林，梁健强，段暕，胡铖，轩建平，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：