[发明专利]柴油机故障诊断方法、装置及电子设备

权利要求书

1.一种柴油机故障诊断方法，其特征在于，包括：

获取柴油机油缸的振动信号；

基于所述振动信号通过三阶累积量计算生成灰度图像；

将所述灰度图像输入预先训练的卷积神经网络模型，得到故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型经过以下步骤训练得到：

获取训练样本集和测试集；

基于小批量随机方法对所述训练样本集进行划分，得到多个训练集；

构建初始卷积神经网络模型；

采用遗传算法对所述初始卷积神经网络模型进行优化，得到优化卷积神经网络模型；

基于所述训练集采用具有动量的随机梯度下降优化算法SGDM和学习率退火方法对所述优化卷积神经网络模型进行训练，得到所述卷积神经网络模型。

3.根据权利要求1所述的方法，其特征在于，所述获取柴油机油缸的振动信号包括：

响应于确定所述柴油机的转速达到预设转速时，通过振动传感器对所述振动信号进行采集。

4.根据权利要求1所述的方法，其特征在于，所述基于所述信号通过三阶累积量计算生成灰度图像，包括：

将所述信号按照工作循环进行分段，得到分段数据；

采用三阶累积量估计式计算所述分段数据的三阶累积量；

基于所述三阶累积量生成所述分段数据的所述灰度图像。

5.根据权利要求2所述的方法，其特征在于，所述采用遗传算法对所述初始卷积神经网络模型进行优化包括：

步骤1、采用所述遗传算法中的字符串函数对所述初始卷积神经网络模型中的初始学习速率、学习速率退火系数和丢弃率进行编码，得到编码结果；

步骤2、基于所述编码结果采用随机函数生成染色体集；

步骤3、基于预定交叉概率和预定变异概率对所述染色体集进行交叉变异复制处理，得到新染色体集；

步骤4、计算所述新染色体集中每个新染色体对应的适应度函数，其中所述适应度函数为所述测试集和分别混有不同预定噪声的测试集的之间的验证误差平均值；

步骤5、响应于确定所述新染色体集中每个新染色体对应的所述适应度函数均大于第一预定阈值或进行所述交叉变异复制处理的次数小于第二预定阈值，返回步骤3，

响应于确定所述新染色体集中存在对应的所述适应度函数小于等于第一预定阈值的新染色体或进行所述交叉变异复制处理的次数等于所述第二预定阈值，采用所述字符串函数对该所述新染色体进行解码得到更新的所述初始学习速率、所述学习速率退火系数和所述丢弃率。

6.根据权利要求2所述的方法，其特征在于，所述训练集中的每个样本是所述柴油机进气、压缩、做功、排气一个完整工作循环对应的所述振动信号。

7.根据权利要求5所述的方法，其特征在于，所述基于训练集采用具有动量的随机梯度下降优化算法SGDM和学习率退火方法对所述优化卷积神经网络模型进行训练，包括：

步骤1、遍历全部所述训练集中的每一个训练集，选取其中一个所述训练集作为第一训练集，将其他全部所述训练集标记为未遍历；

步骤2、基于所述第一训练集采用具有动量的随机梯度下降优化算法SGDM和学习率退火方法对所述优化卷积神经网络模型进行训练；

步骤3、响应于确定全部所述训练集中存在未经遍历的所述训练集，从未经遍历的全部所述训练集中重新选取一个所述训练集作为所述第一训练集，返回步骤2，

响应于确定全部所述训练集中不存在未经遍历的所述训练集，将全部所述训练集中的数据进行打乱后重新生成多个所述训练集，响应于确定将全部所述训练集进行打乱的次数未达到第一预定次数，返回步骤1，

响应于确定将全部所述训练集进行打乱的次数达到所述第一预定次数，将所述优化卷积神经网络作为所述卷积神经网络。