一种基于HHT的发动机小样本声音异常故障识别方法及系统技术方案

本发明专利技术提供一种基于HHT的发动机声音异常故障识别方法及系统，方法包括：声音经预处理分割为统一时间长度，使用HHT中EMD分解得到的IMF曲线，经Hilbert变换得出IMF的瞬时频率，计算Hilbert谱及能量谱；通过计算分段频率能量重心偏离度，结合发动机工作状态数据，得出频率变化量、频率抖动率、频率变化速率、状态转换速率等特征参数；将特征参数输入预置VAE网络中进行训练，得出有效网络VAEtn，待检测发动机音频经流程处理后，还原计算MSE，如大于设定故障阈值GY，则分类为异常声音，启动故障检测流程。本发明专利技术解决了发动机声音非平稳信号处理时间精度与频率精度兼顾难的问题，利用HHT变换设计差异状态特征参数提取方法，实现了无损测量条件下发动机故障状态的智能识别。量条件下发动机故障状态的智能识别。量条件下发动机故障状态的智能识别。

【技术实现步骤摘要】
一种基于HHT的发动机小样本声音异常故障识别方法及系统


[0001]本专利技术涉及故障诊断
，具体涉及一种基于HHT的发动机小样本声音异常故障识别方法及系统。

技术介绍

[0002]发动机故障检测识别目前常用方法有发动机试车系统检测、振动信号检测、声音信号检测等，其中基于发动机试车系统检测，其成本高而且需要专用场地，不适用于野外环境；振动信号检测一般利用压电加速度计对发动机振动信号进行检测，但加速度计通常有非常专业的性能和可靠性要求，需要与发动机直接接触安装，可测试性和安全性不高；发动机工作产生的声音信号包含着发动机的工作状态信息，利用声音信息进行无接触式的故障识别，对检测成本要求更低。
[0003]目前基于声音的故障诊断方法主要有：时域分析、频域分析和时频分析等，时域分析，包括直观的声音震动幅度信息，当信号出现明显的能量变化时，反应变化比较明显，可以对声音中含有异常冲击信号进行分析。频域分析中最常用的傅里叶变换，只适合平稳信号的分析，只能给出信号在整个持续期间的频域特征，对于非平稳信号，不能给出在时间中的演进过程的变化情况。
[0004]发动机发生故障时，测得的信号大部分为非线性、非平稳信号，频率是随时间变化的，且信号内包含着丰富的时频信息，因此在故障诊断中有必要采用一种适合于处理非线性非平稳信号的特征提取方法，这时就需要用时频分析的手段来分析信号。常用的时频分析方法有：小波分析、短时傅里叶变换、HHT(希尔伯特
‑
黄变换)
[0005]短时傅里叶变换通过窗函数将信号截短，将每小段信号视为平稳过程进行谱估计，从而得到谱随时间变化的大致规律，依旧是以固定函数为基础，将原始信号进行固定的基底映射、受时间窗口的影响，无法做到时间分辨力和频率分辨力同时达到最佳，且对信号突变反应不灵敏。小波变换把傅里叶变换中确定的傅里叶级数换成了可以基于应用设计的母小波函数，提高了变换的时间和频率分辨率，但基底具有可塑性、可选性，这些操作都需要人为完成。
[0006]HHT变换能够对非平稳、非线性信号进行平稳化和线性化处理，同时可以在分解的过程中保留数据本身的特性。HHT变换不使用基函数，不受海森堡测不准定理的约束，通过EMD经验模态分解技术，得到各个本征模态函数(IMF)，然后利用Hilbert变换求得相位函数，再对相位函数求导产生瞬时频率，可以较好地提取出声音信号的各个级别的瞬时频率特征，这样求出的瞬时频率是局部性的，能够更好的分析声音信号的某局部特征，可以在事故发生前进行预测，包括问题出现的部位与时间。
[0007]HHT分析得出的时频特征，可根据发动机不同状态的工作特点，设置提取特征参数，进而将特征参数输入神经网络进行模式识别，发动机作为动力系统，出现故障情况和正常工作的时长占比低，因而故障样本较少，同时也很难收集全部的故障样本，所以需要一种小样本的学习方式，可将特征值变换结果输入预置VAE网络，并处理获取损失函数MSE，训练
后的预置VAE网络标记为适用网络VAEtn，采集获取待检测发动机音频，利用适用网络VAEtn还原并计算损失函数MSE，根据预置异常故障阈值及VAE输出结果判定获取异常声音数据，据以识别故障模式。
[0008]公开号为CN111538947A的现有专利技术专利文献《风力发电机轴承故障分类模型的构建方法》该方法由如下步骤实现：步骤1、预置轴承故障类型及数量，步骤2、原始信号采集与预处理，步骤3、建立深度学习网络，步骤4、验证模型分类结果。本专利技术使用快速傅里叶变换处理序列数据。该现有专利文献采用传统的数据处理方法，如傅立叶变换只能处理线性非平稳的信号，在其他应用场景的信号处理中的适用性较差。公开号为CN107631877B的现有专利技术专利文献《一种针对机匣振动信号的滚动轴承故障协同诊断方法》包括以下步骤，在机匣上布置传感器采集振动信号；基于最小熵解卷积增强被测信号中的冲击性成分；基于小波变换提取滚动轴承共振频带；通过自相关分析抑制共振频带内的非周期性成分；基于Hilbert变换包络解调实现滚动轴承故障定位。该现有技术采用的小波变换虽然在理论上能处理非线性非平稳信号，但在实际算法实现中只能处理线性非平稳信号，前述现有技术采用的故障信号识别方式受有线性束缚以及平稳性的束缚，无法完全意义上处理非线性非平稳信号。
[0009]傅立叶变换的基是三角函数，小波变换的基是满足“可容性条件”的小波基，小波基也是预先选定的。在实际工程中，如何选择小波基不是一件容易的事，选择不同的小波基可能产生不同的处理结果。我们也没有理由认为所选的小波基能够反映被分析数据或信号的特性。
[0010]傅立叶变换、短时傅立叶变换、小波变换都受Heisenberg测不准原理制约，即时间窗口与频率窗口的乘积为一个常数。这就意味着如果要提高时间精度就得牺牲频率精度，反之亦然，故不能在时间和频率同时达到很高的精度，这就给信号分析处理带来一定的不便。
[0011]综上，现有技术存在非线性非平稳信号处理困难以及时间精度、频率精度无法兼顾的技术问题。

技术实现思路

[0012]本专利技术所要解决的技术问题在于如何解决非线性非平稳信号处理困难且时间精度与频率精度无法兼顾的技术问题。
[0013]本专利技术是采用以下技术方案解决上述技术问题的：一种基于HHT的发动机声音异常故障识别方法包括：
[0014]S1、获取并预处理声音分片数据、原始声音数据、声音片段截取长度，据以获取声音预处理数据，以将原始声音数据分割调整为统一时间长度，以得到分割时间数据；
[0015]S2、使用HHT中的经验模态分解工具EMD对分割时间数据进行经验模态分解，据以得到分割时间数据的IMF曲线；
[0016]S3、计算IMF的瞬时频率、Hilbert谱及Hilbert能量谱，提取并统计Hilbert谱和Hilbert能量谱中的声音特征值，汇总声音特征值，以得到不少于2组的特征值变换结果。
[0017]S4、将特征值变换结果输入预置VAE网络，并处理获取损失函数MSE，以校验特征值变换结果，在校验一致性超过阈值TY时，判定预置VAE网络有效；
[0018]S5、将经过步骤S4训练后的预置VAE网络标记为适用网络VAEtn，采集获取待检测发动机音频，利用适用网络VAEtn还原并计算损失函数MSE，据以获取VAE输出结果；
[0019]S6、根据预置异常故障阈值及VAE输出结果判定获取异常声音数据，据以启动故障检测流程。
[0020]本专利技术使用HHT中EMD进行经验模态分解，分解得到的IMF曲线，计算Hilbert谱和Hilbert能量谱，经提取各自的统计特征值，计入特征值，多组特征值汇总后，进入VAE网络进行计算，并通过MSE进行校验。本专利技术彻底摆脱了线性和平稳性束缚，适用于分析非线性非平稳信号。
[0021]在更具体的技术方案中，步骤S1中，采用下述逻辑处理声音分片数据、原始声音数据、声音片段截取长度，以得到分割时间数据：
[0022]V(t
...

【技术保护点】

【技术特征摘要】
1.一种基于HHT的发动机声音异常故障识别方法，其特征在于，所述方法包括：S1、获取并预处理声音分片数据、原始声音数据、声音片段截取长度，据以获取声音预处理数据，以将所述原始声音数据分割调整为统一时间长度，以得到分割时间数据；S2、使用HHT中的经验模态分解工具EMD对所述分割时间数据进行经验模态分解，据以得到所述分割时间数据的IMF曲线；S3、提取并统计所述IMF曲线中的声音特征值，计算Hilbert谱，并提取声音特征值，以得到不少于2组的特征值变换结果；S4、将所述特征值变换结果输入预置VAE网络，并处理获取损失函数MSE，以校验所述特征值变换结果，在校验一致性超过阈值TY时，判定所述预置VAE网络有效；S5、将经过所述步骤S4训练后的所述预置VAE网络标记为适用网络VAEtn，采集获取待检测发动机音频，利用所述适用网络VAEtn还原并计算所述损失函数MSE，据以获取VAE输出结果；S6、根据预置异常故障阈值及VAE输出结果所述判定获取异常声音数据，据以启动故障检测流程。2.根据权利要求1所述的一种基于HHT的发动机声音异常故障识别方法，其特征在于，所述步骤S1中，采用下述逻辑处理所述声音分片数据、所述原始声音数据、所述声音片段截取长度，以得到所述分割时间数据：V(t
m
)＝S(t)[v
len
*m，v
len
*(m+1)]其中，V(t
m
)为声音分片后结果，S(t)为原始声音，V
len
为需要截取的声音片断长度，m为声音片断下标。3.根据权利要求1所述的一种基于HHT的发动机声音异常故障识别方法，其特征在于，所述步骤S2中，以下述逻辑对所述分割时间数据进行经验模态分解，据以得到所述IMF曲线：4.根据权利要求1所述的一种基于HHT的发动机声音异常故障识别方法，其特征在于，所述步骤S3包括：S31、以下述逻辑获取所述声音特征值的分量表示：C
j
(t)＝IM
j
F(t)；S32、对所述分量表示C
j
(t)做Hilbert变换，以得到得分量希尔伯特变换数据，以下述逻辑处理所述分类表示，据以获取特征值变换结果：S33、构建解析信号，利用所述分量表示C
j
(t)和所述特征值变换结果H[C
j
(t)]构建解析信号Z
j
(t)，其中，解析信号包括：信号瞬时幅度和瞬时相位信息；其中：
A
j
(t)和分别代表第j阶IMF的瞬时振幅和瞬时相位；S34、根据所述信号瞬时幅度和所述瞬时相位信息，利用下述逻辑求得第j阶IMF的瞬时角频率和瞬时频率：S35、利用下述逻辑，根据所述瞬时角频率进行信号重组，以表示原始信号：利用下述逻辑展开上式，以表示Hilbert谱：S36、根据所述Hilbert谱，利用下述逻辑定义Hilbert边际谱：S37、基于所述Hilbert边际谱，定义Hilbe...

【专利技术属性】
技术研发人员：沈延安，戴文瑞，李俊，许蒙恩，阚欢迎，杨克泉，
申请(专利权)人：中国人民解放军陆军炮兵防空兵学院，
类型：发明
国别省市：