[发明专利]一种基于随机卷积神经网络的飞机机电系统故障识别方法

说明书

本发明提供了一种基于随机卷积神经网络的飞机机电系统故障识别方法，首先使用短时傅里叶变换将振动加速度信号构建为空间相关性良好的二维时频图，解决了一维信号的二维转化问题；然后将转化后的二维时频图输入随机卷积神经网络，该网络采用随机辍学机制，抑制模型过拟合并提升泛化能力，通过动量随机梯度下降算法更新网络参数，完成识别模型的构造；最后使用随机卷积神经网络完成对飞机机电系统故障的识别。本发明的识别效果良好，实用性强，简单易行，适用于飞机系统的故障识别。

技术领域

本发明属于飞机机电系统健康监测领域，具体涉及飞机机电系统的故障识别方法。

背景技术

飞机机电系统作为飞机的重要组成部分，它的使命是为飞机传递能量，以实现飞机的基本功能。飞机机电系统包括飞机环境控制系统、飞机燃油系统、飞机液压系统、飞机电源系统、飞机辅助动力系统等，每一个系统都由大量彼此关联的组件组合而成。滚动轴承和转子是飞机机电系统中具有表征性的两个组件，针对这些组件进行振动检测，分析和处理获取的振动信号，可以实现对飞机机电系统故障的识别。在飞机运行过程中，飞机机电系统常处于高速、重载和强冲击等状态，这导致振动信号呈现出强噪声和非平稳特性，给飞机机电系统的故障识别带来极大挑战。同时准确识别飞机机电系统故障也具有非常重大的意义和经济价值。

目前，飞机机电系统故障识别方法主要有三类：基于模型的识别方法，基于知识的识别方法和基于数据驱动的识别方法。但实际工况中的环境非常复杂，未知因素较多，导致建立完善的动力学模型来描述飞机机电系统的故障演化规律存在很大的难度，因此基于模型的识别方法在飞机机电系统健康监测领域的实际应用范围和效果非常受限。基于知识的识别方法非常依赖知识库的完备程度，可以说知识库的不完备将直接导致方法失效，而飞机的运行环境非常复杂，使得知识库的建立和完善非常困难，因此基于知识的识别方法不适合飞机机电系统故障。基于数据驱动的故障识别方法以收集到的数据为研究对象，不需要大量的专家经验和先验知识，而是通过对数据的分析，挖掘隐含的有用信息对故障状态进行评估，是目前被广泛应用的识别方法。常用的数据驱动识别方法有：浅层神经网络和支持向量机。但浅层神经网络容易陷入局部极小值，且收敛速度非常慢。支持向量机存在核函数选拔和多分类的冲突问题。更加严重的是，浅层模型只拥有少量的非线性变换，面对有限数量的网络规模和计算成本的情况下，难以提取出具有良好代表性的特征。特别是当数据中包含大量噪声干扰和非线性因素时，浅层模型容易将非信号信息提取作为故障特征，进而产生错误。

近年来，深度学习作为智能方法的代表，已经展现出从原始数据捕获代表性特征的强大能力。深层网络结构之间的多重线性和非线性变换可以得到数据更有力的非线性表达。深度神经网络已经被广泛应用于模式识别领域。卷积神经网络是一种由多级非线性训练模块组成的有监督深度模型。每个训练模块包含卷积层和池化层两种结构，通过感受野、共享权值、下采样三个有效机制，模拟人脑对二维数据逐层提取高度抽象特征。但在实际工况的噪声和异常振动影响下，传统卷积神经网络提取故障的能力不足以提取出足够质量的特征完成故障识别。同时，因为传统卷积神经网络采用最大池化，只筛选最大的特征作为故障特征，从而导致模型过拟合，削弱了模型的泛化能力。

发明内容

为了克服现有技术的不足，本发明提供一种基于随机卷积神经网络的飞机机电系统故障识别方法，首先根据振动加速度信号构建空间相关性良好的二维时频图，解决一维信号的二维转化问题；然后用转化后的二维时频图训练随机卷积神经网络，网络采用随机池化和辍学策略抑制模型过拟合并提升泛化能力，通过动量随机梯度下降算法更新网络参数，完成识别模型的构造；最后使用随机卷积神经网络完成对飞机机电系统故障的识别。本发明的识别效果良好，实用性强，简单易行，适用于飞机机电系统的故障识别。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤一，提取飞机机电系统内指定轴承和转子的振动加速度信号划分为训练样本和测试样本两部分，分别对训练样本和测试样本进行短时傅里叶变换和分贝转化归一化，得到训练二维时频图和测试二维时频图；