基于深度学习和改进证据融合理论的船用柴油机故障诊断方法技术

本发明专利技术公开了一种基于多信号融合的船用柴油机故障诊断方法。包括：1、建立运行信号集U＝{柴油机的转速、油箱温度、振动信号、柴油机的转速变化率、油箱温度变化率、油箱振动信号变化率}；建立运行状态集V＝{正常状态、单缸失火、排气管泄露、压气机污阻、空滤器堵塞和润滑不良}；2：根据运行信号的自身特点，确定采样频率；3：对运行信号处理，构造样本集；4、对柴油机的转速、油箱温度、振动信号、柴油机的转速变化率、油箱温度变化率、油箱振动信号变化率分别构建故障诊断模型，设置故障诊断模型参数；5、训练故障诊断模型；6、六个深度学习模型输出六条证据；7、证据融合；8、输出融合后的结果。输出融合后的结果。输出融合后的结果。

【技术实现步骤摘要】
基于深度学习和改进证据融合理论的船用柴油机故障诊断方法


[0001]本专利技术涉及柴油机故障诊断
，具体为一种基于深度学习和证据融合理论的船用柴油机故障诊断方法。

技术介绍

[0002]船用柴油机的热效率高、经济性好、起动容易、对各类船舶有很大适应性，问世以后很快就被用作船舶推进动力。目前船用柴油机在使用时，当出现故障时，往往无法及时被发现，当船用柴油机发生故障时，船用柴油机会出现停止运行、无法正常工作、运行异响和运行迟缓等现象，这些现象一旦出现会加大柴油机自身的损耗，降低自身的使用寿命。故障诊断技术指根据机械设备运行状态，判断其是否正常运行并及时发现故障的技术，是机械设备安全生产和高效运行的有力保障。在自动化生产中，对机械设备进行更准确、更智能的故障诊断对于提高工业生产效率和经济效益具有非常重要的意义。随着工业的快速发展，各种生产设备的结构越来越复杂，功能也日趋多样化，设备的故障率也不可避免地随之增加。由于这些复杂设备的故障通常具有多源性、复杂性以及隐蔽性的特点，因此，通过传统的故障诊断方法寻找故障原因变得越来越困难。机械设备发生故障时，会反应出各种征兆，诸如振动、温度、噪声等信号的变化，现有的故障诊断方法多是基于单一的振动信号做出评判，没有考虑设备其他信号对于诊断结果的影响，诊断结果缺乏准确性。

技术实现思路

[0003]本专利技术所要解决的技术问题是：提供一种使诊断结果更为科学、合理的基于多信号融合的船用柴油机故障诊断方法。
[0004]为解决上述技术问题，本专利技术所采用的技术方案为：基于证据融合理论和深度学习的船用柴油机故障诊断方法，包括以下步骤：
[0005]步骤1、建立运行信号集U和运行状态集V；
[0006]船用柴油机运行的监测数据包括柴油机的转速、油箱温度、振动信号，以监测参数以及其变化作为运行信号，建立运行信号集U＝{柴油机的转速、油箱温度、振动信号、柴油机的转速变化率、油箱温度变化率、油箱振动信号变化率}；
[0007]船用柴油机可能出现的故障包括单缸失火、排气管泄露、压气机污阻、空滤器堵塞和润滑不良，建立运行状态集V＝{正常状态、单缸失火、排气管泄露、压气机污阻、空滤器堵塞、润滑不良}；
[0008]步骤2：根据运行信号的自身特点，确定采样频率，采样频率不小于2倍的运行信号频率；
[0009]步骤3：对运行信号处理，构造样本集；
[0010]振动信号从采集起始点开始，连续若干个数据作为一个样本；
[0011]柴油机的转速采用重叠采样的方法来扩增数据样本数量，移动步长不小于单个样
本数据数的10％；
[0012]油箱温度采用重叠采样的方法来扩增数据样本数量，移动步长不大于单个样本数据数的1％；
[0013]柴油机的转速变化率、油箱温度变化率、油箱振动信号变化率分别采用相邻两个数据的差值；
[0014]步骤4、对柴油机的转速、油箱温度、振动信号、柴油机的转速变化率、油箱温度变化率、油箱振动信号变化率分别构建以下故障诊断模型，设置故障诊断模型参数：
[0015]故障诊断模型包括结构相同的6个深度学习模型，柴油机的转速、油箱温度、振动信号、柴油机的转速变化率、油箱温度变化率、油箱振动信号变化率分别作为其中一个深度学习模型的输入；6个深度学习模型的输出分别为证据1至证据6，证据1至证据6作为证据融合模块的输入，证据融合的即为故障诊断的结果；
[0016]步骤5、训练故障诊断模型；
[0017]S5
‑
1按照一定比例将数据样本划分成训练集与测试集；
[0018]S5
‑
2设置训练参数；
[0019]采用Adam优化器来更新网络参数，设定模型训练时的Epoch、批次大小以及Adam算法的学习率；
[0020]S5
‑
3模型训练；
[0021]采用随机方式，对故障诊断模型参数进行初始化，将训练集样本按批次输入故障诊断模型中进行模型训练，将测试样本输入训练好的故障诊断模型中进行测试，输出故障诊断准确率，以此来判断所提模型可行性；训练结束后保存训练好的故障诊断模型；
[0022]步骤6、构造证据；
[0023]每个深度学习模型的输出作为一条证据，针对每个诊断，六个深度学习模型产生六个输出结果，即构造出六条证据记作E
i
，其中i＝1,2,3,4,5,6，其基本概率分配函数记作m
i
，其中i＝1,2,3,4,5,6；
[0024]步骤7、证据融合；
[0025]S7.1证据权重的构建
[0026]证据E
i
和E
j
之间的数值相似度S
v
(E
i
,E
j
)定义为：
[0027][0028]其中，
[0029][0030]其中，i，j，k＝1,2，
…
，6。
[0031]证据E
i
和E
j
之间的方向相似度S
d
(E
i
,E
j
)定义为：
[0032][0033]其中，i，j，k＝1,2，
…
，6；
[0034]证据E
i
和E
j
之间的相似度S(m
i
,m
j
)为
[0035][0036]证据E
i
与其他证据的总体相似度w
i
为：
[0037][0038]将其归一化处理后，得到各证据归一化后的总体相似度为：
[0039][0040]S7
‑
2新证据的构建
[0041]根据各个证据的权重系统，将各个证据进行加权求和形成新证据；即新证据E
new
的基本概率分配函数为：
[0042][0043]S7
‑
3冲突证据的解决策略
[0044]用新证据E
new
替代基本概率分配函数中冲突最大的证据，即全局相似度最低的证据；
[0045]4)证据融合
[0046]利用D
‑
S证据理论合成规则融合替代后的证据，融合次数较证据数量少一次；
[0047][0048][0049]步骤8、输出结果
[0050]证据融合后的结果，即为故障诊断的结果。
[0051]作为一种优选的方案，所述柴油机的转速采样频率均为10Hz，油箱温度采样频率为1Hz，振动信号采样频率均为100Hz。
[0052]作为一种优选的方案，所述步骤3中对运行信号处理构造样本集时，针对船用柴油机的每种工作状态，振动信号从起始点开始取1024个数据作为一个样本，再取下1024个数据作为下一个样本，以此类推直至取到600个样本，对应船用柴油机的6种工作状态共取3600个样本；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于证据融合理论和深度学习的船用柴油机故障诊断方法，包括以下步骤：步骤1、建立运行信号集U和运行状态集V；船用柴油机运行的监测数据包括柴油机的转速、油箱温度、振动信号，以监测参数以及其变化作为运行信号，建立运行信号集U＝{柴油机的转速、油箱温度、振动信号、柴油机的转速变化率、油箱温度变化率、油箱振动信号变化率}；船用柴油机可能出现的故障包括单缸失火、排气管泄露、压气机污阻、空滤器堵塞和润滑不良，建立运行状态集V＝{正常状态、单缸失火、排气管泄露、压气机污阻、空滤器堵塞、润滑不良}；步骤2：根据运行信号的自身特点，确定采样频率，采样频率不小于2倍的运行信号频率；步骤3：对运行信号处理，构造样本集；振动信号从采集起始点开始，连续若干个数据作为一个样本；柴油机的转速采用重叠采样的方法来扩增数据样本数量，移动步长不大于单个样本数据数的10％；油箱温度采用重叠采样的方法来扩增数据样本数量，移动步长不大于单个样本数据数的1％；柴油机的转速变化率、油箱温度变化率、油箱振动信号变化率分别采用相邻两个数据的差值；步骤4、对柴油机的转速、油箱温度、振动信号、柴油机的转速变化率、油箱温度变化率、油箱振动信号变化率分别构建以下故障诊断模型，设置故障诊断模型参数：故障诊断模型包括结构相同的6个深度学习模型，柴油机的转速、油箱温度、振动信号、柴油机的转速变化率、油箱温度变化率、油箱振动信号变化率分别作为其中一个深度学习模型的输入；6个深度学习模型的输出分别为证据1至证据6，证据1至证据6作为证据融合模块的输入，证据融合的即为故障诊断的结果；步骤5、训练故障诊断模型；S5
‑
1按照一定比例将数据样本划分成训练集与测试集；S5
‑
2设置训练参数；采用Adam优化器来更新网络参数，设定模型训练时的Epoch、批次大小以及Adam算法的学习率；S5
‑
3模型训练；采用随机方式，对故障诊断模型参数进行初始化，将训练集样本按批次输入故障诊断模型中进行模型训练，将测试样本输入训练好的故障诊断模型中进行测试，输出故障诊断准确率，以此来判断所提模型可行性；训练结束后保存训练好的故障诊断模型；步骤6、构造证据；每个深度学习模型的输出作为一条证据，针对每个诊断，六个深度学习模型产生六个输出结果，即构造出六条证据记作E
i
，其中i＝1,2,3,4,5,6，其基本概率分配函数记作m
i
，其中i＝1,2,3,4,5,6；步骤7、证据融合；S7.1证据权重的构建
证据E
i
和E
j
之间的数值相似度S
v
(E
i
,E
j
)定义为：其中，其中，其中，i，j，k＝1,2，
…
，6；证据E
i
和E
j
之间的方向相似度S
d
(E
i
,E
j
)定义为：其中，i，j，k＝1,2，
…
，6；证据E
i
和E
j
之间的相似度S(m
i
,m
j
)为证据E
i
与其他证据的总体相似度w
i
为：将其归一化处理后，得到各证据归一化后的总体相似度为：S7
‑
2新证据的构建根据各个证据的权重系统，将各个证据进行加权求和形成新证据；即新证据E
new
的基本概率分配函数为：S7
‑
3冲突证据的解决策略用新证据E
new

【专利技术属性】
技术研发人员：邵诗逸，常国梅，赵红品，王亚荣，刘洋，高双建，罗静伟，
申请(专利权)人：无锡赛思亿电气科技有限公司，
类型：发明
国别省市：