[发明专利]柴油机故障诊断方法、装置及电子设备

说明书

本申请提供一种柴油机故障诊断方法、装置及电子设备，该方法包括：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。通过采用三阶累积量方法按照转速将柴油机的时域振动信号转化为灰度图像，利用三阶累积量具有对高斯有色噪声恒为零的特点消除了振动信号中的高斯有色噪声，提高了对柴油机振动信号的噪声抑制能力，通过采用卷积神经网络对灰度图像进行特征提取并进行故障诊断分类，同时，利用学习率退火方法和遗传算法改进优化卷积神经网络，提高了应用卷积神经网络对柴油机进行故障诊断的准确率。

技术领域

本申请涉及故障诊断技术领域，尤其涉及一种柴油机故障诊断方法、装置及电子设备。

背景技术

柴油机作为重要的动力源，快速、准确诊断其故障具有重要意义。振动信号中蕴含了丰富的故障信息，以其不解体、易采集等优点，越来越广泛的被应用于故障诊断。

柴油机机构复杂，振源多样，并且振动信号大多是非平稳和非高斯信号，淹没在各种高斯噪声和干扰中，利用传统的二阶统计量(功率谱、自相关等)分析方法，很难达到理想的效果。

发明内容

有鉴于此，本申请的目的在于提出一种柴油机故障诊断方法、装置及电子设备，用以解决或部分解决上述技术问题。

基于上述目的，本申请提供了一种柴油机故障诊断方法，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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；