本发明专利技术公开了一种发动机故障辨识方法、装置、电子设备及存储介质，方法包括：获取发动机待诊断振动信号的原始数据，进行分段处理和短时傅里叶变换，得到待诊断的时频信号数据；基于训练好的分级监督网络模型对待诊断的时频信号数据进行故障诊断，得到发动机的故障类别信息；其中，分级监督网络模型由时频优化网络和故障辨识网络串联组成；时频优化网络作为第一级网络，用于提取同步信号特征与瞬时信号特征，输出组合信号数据；故障识别网络作为第二级网络，用于对组合信号数据进行分析，输出发动机的故障类别信息。本发明专利技术通过采用时频分析与深度学习结合的方式，可提升故障诊断的效率和精度。和精度。和精度。
【技术实现步骤摘要】
发动机故障辨识方法、装置、电子设备及存储介质
[0001]本专利技术涉及故障诊断
，更具体的说是涉及一种发动机故障辨识方法、装置、电子设备及存储介质。
技术介绍
[0002]发动机是汽车等运转行驶的动力来源，发动机状况的良好与否将对机器的正常运转以及操作人员的生命健康产生影响。作为一种将旋转性运动和往复性运动相互结合的机械设备，发动机的构成通常包含了成百上千个零件，其复杂的组成结构和其较差的日常工作运行环境条件导致其具有相对较高的故障率与故障类别。因此发动机的故障诊断与辨识具有重大的研究价值。
[0003]发动机运转时产生的声音振动信号通常能够反映其健康状况，不同的故障问题会导致发动机产生不同类型的异常声响，因此基于发动机振动信号的故障诊断技术是发动机故障诊断的重要手段之一。传统的依靠人工判别和专家系统判别的故障信号诊断面临着成本高、效率低的问题，且难以应对较为庞大的故障诊断需求；而简单运用深度学习的方法应对特征不明显的复杂信号数据会导致准确率较低。
[0004]因此，如何提供一种采用时频分析与深度学习结合的方式，以提升故障诊断的效率和精度的方法是本领域技术人员亟需解决的问题。
技术实现思路
[0005]有鉴于此，本专利技术提供了一种发动机故障辨识方法、装置、电子设备及存储介质，通过采用时频分析与深度学习结合的方式，可提升故障诊断的效率和精度。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]第一方面，本专利技术提供一种基于振动信号的发动机故障辨识方法，包括：
[0008]获取发动机待诊断振动信号的原始数据，进行分段处理和短时傅里叶变换，得到待诊断的时频信号数据；
[0009]基于训练好的分级监督网络模型对待诊断的时频信号数据进行故障诊断，得到发动机的故障类别信息；
[0010]其中，所述分级监督网络模型由时频优化网络和故障辨识网络串联组成；所述时频优化网络作为第一级网络，其用于从待诊断的时频信号数据提取同步信号特征和瞬时信号特征，输出组合信号数据；所述故障识别网络作为第二级网络，用于对所述组合信号数据进行分析，输出发动机的故障类别信息。
[0011]进一步的，所述分级监督网络模型的训练过程包括：
[0012]获取发动机历史振动信号的原始数据及对应的故障类别信息，确定下采样频率后，对历史振动信号的原始数据进行下采样和分段处理；
[0013]对分段处理后的数据做短时傅里叶变换，得到时频信号训练数据，作为训练数据集的输入变量；
[0014]对时频信号训练数据进行同步提取变换SET和瞬时提取变换TET，作为训练数据集的第一级输出变量；将故障类别信息作为训练数据集的第二级输出变量；
[0015]利用训练数据集对所述分级监督网络模型进行训练。
[0016]进一步的，所述分级监督网络模型的损失函数由两级网络的单级损失函数加权组成。
[0017]进一步的，所述时频优化网络的输入输出均为时频图；所述故障识别网络的输入为经所述时频优化网络优化后的时频图，输出为故障类别信息。
[0018]进一步的，所述故障识别网络对优化后的时频图进行两次卷积
‑
池化操作提取特征后，输入全连接层，再通过Softmax完成故障分类。
[0019]进一步的，采用重叠式分段法对振动信号的原始数据进行基于时域的划分，划分后的数据每段时长0.5s。
[0020]第二方面，本专利技术提供一种基于振动信号的发动机故障辨识装置，其特征在于，包括：
[0021]获取模块，用于获取发动机待诊断振动信号的原始数据，进行分段处理和短时傅里叶变换，得到待诊断的时频信号数据；
[0022]诊断模块，用于基于训练好的分级监督网络模型对待诊断的时频信号数据进行故障诊断，得到发动机的故障类别信息；
[0023]其中，所述分级监督网络模型由时频优化网络和故障辨识网络串联组成；所述时频优化网络作为第一级网络，其用于对待诊断的时频信号数据进行同步提取变换和瞬时提取变换，输出组合信号数据；所述故障识别网络作为第二级网络，用于对所述组合信号数据进行分析，输出发动机的故障类别信息。
[0024]第三方面，本专利技术提供一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序所述处理器执行所述计算机程序时，实现上述基于振动信号的发动机故障辨识方法的步骤。
[0025]第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述基于振动信号的发动机故障辨识方法的步骤。
[0026]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种发动机故障辨识方法、装置、电子设备及存储介质，其有益效果为：本专利技术通过时频优化网络可实现对信号故障特征提取能力的提升，进而提升该模型对不同类故障的分辨能力，实现诊断精度的提高；本专利技术提出的网络模型采用分级监督结构，该结构利用故障信号的先验知识，一定程度上取代了人工处理信号进行特征提取的繁琐任务，提升了信号的故障诊断效率。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0028]图1为本专利技术提供的基于振动信号的发动机故障辨识方法的流程图；
[0029]图2为本专利技术提供的对振动信号进行分段处理的示意图；
[0030]图3为本专利技术提供的对振动信号进行短时傅里叶变换、同步提取变换和瞬时提取变换的示意图；
[0031]图4为本专利技术提供的分级监督网络模型的结构示意图；
[0032]图5为本专利技术提供的故障识别网络的结构示意图；
[0033]图6为本专利技术提供的分级监督损失函数组成的示意图。
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]如图1
‑
4所示，本专利技术实施例公开了一种基于振动信号的发动机故障辨识方法，包括：
[0036]获取发动机待诊断振动信号的原始数据，进行分段处理和短时傅里叶变换，得到待诊断的时频信号数据；
[0037]基于训练好的分级监督网络模型对待诊断的时频信号数据进行故障诊断，得到发动机的故障类别信息；
[0038]其中，分级监督网络模型由时频优化网络和故障辨识网络串联组成；时频优化网络作为第一级网络，其用于从待诊断的时频信号数据中提取同步信号特征和瞬时信号特征，输出组合信号数据；故障本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于振动信号的发动机故障辨识方法，其特征在于，包括：获取发动机待诊断振动信号的原始数据，进行分段处理和短时傅里叶变换，得到待诊断的时频信号数据；基于训练好的分级监督网络模型对待诊断的时频信号数据进行故障诊断，得到发动机的故障类别信息；其中，所述分级监督网络模型由时频优化网络和故障辨识网络串联组成；所述时频优化网络作为第一级网络，其用于从待诊断的时频信号数据提取同步信号特征和瞬时信号特征，输出组合信号数据；所述故障识别网络作为第二级网络，用于对所述组合信号数据进行分析，输出发动机的故障类别信息。2.根据权利要求1所述的一种基于振动信号的发动机故障辨识方法，其特征在于，所述分级监督网络模型的训练过程包括：获取发动机历史振动信号的原始数据及对应的故障类别信息，确定下采样频率后，对历史振动信号的原始数据进行下采样和分段处理；对分段处理后的数据做短时傅里叶变换，得到时频信号训练数据，作为训练数据集的输入变量；对时频信号训练数据进行同步提取变换SET和瞬时提取变换TET，作为训练数据集的第一级输出变量；将故障类别信息作为训练数据集的第二级输出变量；利用训练数据集对所述分级监督网络模型进行训练。3.根据权利要求1所述的一种基于振动信号的发动机故障辨识方法，其特征在于，所述分级监督网络模型的损失函数由两级网络的单级损失函数加权组成。4.根据权利要求1所述的一种基于振动信号的发动机故障辨识方法，其特征在于，所述时频优化网络的输入输出均为时频图；所述故障识别网络的输入为经所述时频优化网络优化后的时频图，输出为故障类别信息。5.根据权利要求4所述的一种基于振动信号的发动机故障辨识方法，其特...
【专利技术属性】
技术研发人员：王殊晨，刘贺滨，徐其志，
申请(专利权)人：南遥科技广东有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。