基于优化VMD和深度卷积神经网络的柴油发电机组故障诊断.pdf
《基于优化VMD和深度卷积神经网络的柴油发电机组故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于优化VMD和深度卷积神经网络的柴油发电机组故障诊断.pdf(6页珍藏版)》请在咨信网上搜索。
1、 第4 1卷 第8期2 0 2 3年8月MA CH I N E R Y&E L E C T R ON I C SV o l.4 1 N o.8A u g.2 0 2 3收稿日期:2 0 2 2 1 1 1 5基金项目:院校科研发展基金项目(S X KY 2 0 2 0 0 0 1)作者简介:吉 哲(1 9 8 3-),男,江苏靖江人,硕士,副教授,研究方向为舰船电气故障诊断;吕 飞(1 9 8 2-),男,安徽阜阳人,硕士,讲师,研究方向为电力设备故障诊断;王 冕(1 9 9 6-),男,安徽蚌埠人,学士,助教,研究方向为电机及其控制。基于优化VMD和深度卷积神经网络的柴油发电机组故障诊断吉
2、哲,吕 飞,王 冕(海军士官学校,安徽 蚌埠 2 3 3 0 1 2)摘 要:针对柴油发电机组故障信号非平稳非线性特征参数难以提取的问题,结合深度学习的优势,提出一种基于变分模态分解(VMD)和深度卷积神经网络(C NN)相结合的故障诊断模型。为克服VMD算法中分解模态数较难确定的问题,采用峭度准则来选取最优分解模态数,将优化的VMD算法用于不同工况下的柴油发电机组声信号进行分解,转化为灰度图像作为网络输入,通过C NN自动进行特征提取,并利用训练集样本进行网络训练。为避免背景噪声和提高故障诊断精度,使用双传感器采集发电机组声信号。通过测试集的验证,表明该模型在对柴油发电机组的故障诊断中实现了
3、不同工况下的可靠判别,进一步提升了故障判别的准确性。通过对比其他4种故障诊断方法,结果表明所提方法诊断精度更高且鲁棒性好。关键词:优化变分模态分解;深度卷积神经网络;柴油发电机组;故障诊断中图分类号:TM 3 1 4 文献标志码:A 文章编号:1 0 0 1 2 2 5 7(2 0 2 3)0 8 0 0 0 8 0 6F a u l t D i a g n o s i s o f D i e s e l G e n e r a t o r S e t B a s e d o n O p t i m i z e d VMDa n d D e e p C o n v o l u t i o n
4、N e u r a l N e t w o r kJ I Z h e,L Y U F e i,WA N G M i a n(N a v a l P e t t y O f f i c e r A c a d e m y,B e n g b u 2 3 3 0 1 2,C h i n a)A b s t r a c t:I n o r d e r t o s o l v e t h e p r o b l e m t h a t i t i s d i f f i c u l t t o e x t r a c t t h e n o n s t a t i o n a r y n o n l
5、i n e a r c h a r a c t e r i s t i c p a r a m e t e r s o f d i e s e l g e n e r a t o r s e t f a u l t s i g n a l s,a f a u l t d i a g n o s i s m o d e l b a s e d o n t h e c o m b i n a-t i o n o f v a r i a t i o n a l m o d e d e c o m p o s i t i o n(VMD)a n d d e e p c o n v o l u t i
6、o n n e u r a l n e t w o r k(C NN)i s p r o p o s e d c o m b i n e d w i t h t h e a d v a n t a g e s o f d e e p l e a r n i n g.I n o r d e r t o o v e r c o m e t h e p r o b l e m t h a t i t i s d i f f i c u l t t o d e-t e r m i n e t h e n u m b e r o f d e c o m p o s i t i o n m o d e s
7、 i n VMD a l g o r i t h m,t h e k u r t o s i s c r i t e r i o n i s u s e d t o s e l e c t t h e o p t i m a l n u m b e r o f d e c o m p o s i t i o n m o d e s.T h e o p t i m i z e d VMD a l g o r i t h m i s u s e d t o d e c o m p o s e t h e a c o u s t i c s i g n a l s o f d i e s e l g
8、 e n e r a t o r s e t s u n d e r d i f f e r e n t w o r k i n g c o n d i t i o n s,a n d i s c o n v e r t e d i n t o g r a y i m a g e s a s n e t-w o r k i n p u t.T h e f e a t u r e i s a u t o m a t i c a l l y e x t r a c t e d t h r o u g h C NN,a n d n e t w o r k t r a i n i n g i s c
9、o n d u c t e d u s i n g t r a i n i n g s e t s a m p l e s.I n o r d e r t o a v o i d b a c k g r o u n d n o i s e a n d i m p r o v e t h e a c c u r a c y o f f a u l t d i a g n o s i s,d u a l s e n s o r s a r e u s e d t o c o l l e c t t h e a c o u s t i c s i g n a l s o f t h e g e n
10、e r a t o r s e t.T h e v e r i f i c a t i o n o f t h e t e s t s e t s h o w s t h a t t h e m o d e l c a n r e a l i z e r e l i a b l e d i s c r i m i n a t i o n u n d e r d i f f e r e n t w o r k i n g c o n d i t i o n s i n t h e f a u l t d i a g n o s i s o f d i e s e l g e n e r a t
11、o r s e t s,a n d f u r t h e r i m p r o v e t h e a c c u r a c y o f f a u l t d i s c r i m i n a t i o n.C o m p a r e d w i t h o t h e r f o u r f a u l t d i a g n o s i s m e t h o d s,t h e r e s u l t s s h o w t h a t t h e p r o p o s e d m e t h o d h a s h i g h e r d i a g n o s i s
12、a c c u r a c y a n d b e t t e r r o b u s t n e s s.K e y w o r d s:o p t i m a l v a r i a t i o n a l m o d a l d e c o m p o s i t i o n;d e e p c o n v o l u t i o n n e u r a l n e t w o r k;d i e s e l g e n e r a t o r s e t;f a u l t d i a g n o s i s8吉 哲等:基于优化VMD和深度卷积神经网络的柴油发电机组故障诊断研究与设计0
13、 引言柴油发电机组内部复杂、部件众多,且易受恶劣环境影响。柴油发电机组长期运行难免会发生故障,尤其是燃油系统、进排气系统和冷却系统等核心部件,一旦出现故障,将大大影响整机的稳定性,甚至会造成更为严重的后果。因此,研究柴油发电机组的状态监测和故障诊断是机械故障诊断领域研究的热点问题之一,振动噪声信号分析是高效且实用的方法之一12。但以神经网络、支持向量机和K近邻法为代表的机器学习算法均为浅层学习模型,泛化能力不足,且依赖于信号分析技术。目前,深度学习方法已经超越了机器学习模型中关于神经科学的观点,在图像处理、智能识别和预测分类中体现出较大的优势。近年来,深度学习理论在机械故障诊断中也有着较好的应
14、用34。卷积神经网络(c o n v o l u t i o n a l n e u r a l n e t w o r k,C NN)是一种最经典、最具代表性的监督深度学习模型算法,在应用时无需进行人工特征选取,可以自动提取图像特征,并通过调整网络参数实现分类及预测。C NN在故障诊断方面也有较好的应用57。?6?5?5?2?2?16?5?5?2?2?16?28?28?32?32?26?14?14?316?10?10?416?5?5?5120?10图1 L e N e t 5网络结构利用振动噪声信号进行故障诊断虽然可以取得较好的效果,但在很多实际应用中,尤其是在舰船上振动传感器安装不便,并且
15、在机舱内高温、高湿、高盐的环境下,振动信号不易获取,因此振动信号诊断法受到了限制8。声信号故障诊断法具有设备简单、非接触和不停机检测的特点,在舰船发电机组故障诊断中具有一定的优势。然而传统的单通道声信号容易受到测量位置的影响,可能只采集到部分信息,降低了诊断的准确性。因此本文采用双声道采集发电机组的声信号,利用变分模态分解进行信号分解,并将一维数据转换为二维灰度图像,通过C NN自动提取声信号的特征参数,对发电机组常见故障进行诊断识别,较其他方法提高了精度。1 VMD算法及其优化1.1 V M D算法故障诊断中的信号处理多采用时频分析方法,较以傅里叶变换为核心的传统频域信号处理方法有着较大优势
16、,可以对非平稳非线性信号进行分析。近些年,常用的时频分析方法有:小波分析、经验模态分解、集合经验模态分解和局部均值分解等。变 分 模 态 分 解(v a r i a t i o n a l m o d e d e c o m p o s i-t i o n,VMD)属于一种非递归模式,具有较强的理论基础,克服了经验模态分解和局部均值分解存在的频率混叠问题,采样效应也远小于上述2种方法。VMD算法通过变分问题的构造求解,将原始信号进行分解,得到一系列离散子信号,实现了各分量频率分离,并且具有更好的噪声鲁棒性。VMD算法中本征模态函数(I MF)当做一个调频调幅信号,表示为9uk(t)=Ak(t)
17、c o s(k(t)(1)1.2 V M D算法优化VMD算法中分解模态数K的数值选取对信号处理结果有着较大的影响,分解模态数K的大小对应不同的信号分解性能。统计学中的峭度指标通常用来描述信号的冲击特性,信号中含有冲击成分的比重越大,信号的特征表示将更明显,故障诊断精度也越高。因此,在信号分解时可以利用峭度准则进行参数选取,从而提高信号分解精度,如文献1 0。首先,计算不同分解模态数K下的各模态的峭度值,再选择具有最大峭度值时的分解模态数K作为VMD算法的分解层数。2 深度卷积神经网络深度卷积神经网络(C NN)是一种特殊形式的神经网络,属于典型的监督型前馈网络。以经典的L e N e t 5
18、网络为例,其网络模型结构如图1所示,后续的C NN基本是由该网络发展得来。由于C NN92 0 2 3(8)采用多个非线性特征提取阶段,每个阶段都可以从数据中分层表征且自动学习,因此具备了很强的学习能力。C NN训练目标是通过交替迭代卷积核,进行池化操作实现对抽象特征的提取和学习,结构上主要由3部分组成:卷积层(c o n v o l u t i o n l a y e r)、池化层(p o o l i n g l a y e r)和 全 连 接 层(f u l l y c o n n e c t e d l a y e r,F C l a y e r)1 1。C NN的特征提取部分由卷积操作
19、完成,分类部分由池化操作完成,全连接层和分类器对提取到的特征进行分类。2.1 卷积层卷积层是C NN的核心部分,利用卷积核对输入数据进行处理,可以学习到鲁棒性较高的特征参数。1个卷积层可以有多个卷积核,卷积核等价于1组滤波器,该滤波器作用于局部感受野,通过非线性激活函数构建新的特征图,并输入到下一层,每层的输出量为输入特征的卷积值,其数学模型为xlj=f(iMjxl-1ikli j+blj)(2)f为激活函数;Mj为输入特征矢量;l为网络层数;j为输出特征图的编号;xlj为第l层网络输出得到的第j个特征图;xl-1i为上一层网络的输出;kli j为第l层中和第i个特征图相关联的第j个卷积核;b
20、lj为第j个卷积核的网络偏置。激活函数属于非线性操作,通过弯曲或扭曲实现表征能力的提升。激活函数的核心是利用层级非线性映射的复合让整个网络的非线性表示能力得到提升1 2。在实际应用中,常用的激活函数有:修正线性单元(R e L U)、S o f t m a x、S o f t p l u s函数和S i g m o i d系,在深度学习模型中常选用修正线性单元(R e L U)1 3,本文选取其作为C NN的激活函数。2.2 池化层池化层的位置在卷积层之后,池化操作在本质上是执行空间或特征类型的聚合,降低特征图的维度,即降采样操作。通过池化层可以降低特征图的分辨率从而较少计算量,刻画平移不变特
21、性,有效约减下一层的输入维度,避免产生过拟合。池化层的输出为xlj=p o o l(xl-1i)+blj(3)xlj为第l层特征向量;p o o l为池化函数;blj为网络偏置。本文选择最大池化函数。2.3 全连接层与分类器输入特征图经过卷积、池化操作后,特征信息由全连接层进行整合分类信息,并且映射到新的特征空间,全连接层起到了分类器的作用。全连接层中的各神经元都与前一层输出特征图的每个节点进行全连接,其输出为h(x)=f(w x+b)(4)x为全连接层的输入;w为权重系数;b为网络偏置;f为激活函数。数据输出后通过S o f t m a x分类器进行识别得出分类结果。3 故障诊断模型3.1
22、输入特征图的构建在柴油发电机组工作时采集的声信号一般都会混入一定量的背景噪声,导致难以全面反映故障特征。尤其是复合故障,由于故障部位不同,单通道采集的声信号极易丢失部分故障信息,从而降低故障诊断精度。由于柴油发电机组的噪声主要集中在缸盖附近,缸内气体及其他激励源可以通过缸盖处的声信号表征其特性,因此在缸盖上方5 0 c m处左、右两侧各放置1个传声器,如图2所示。?1?2图2 柴油发电机组传声器位置结合文献1 4 的研究,可以将时域信号直接转化为灰度图像作为C NN的输入。相比原始时域信号,时频信号更能代表信号的状态特征。设原始声信号经VMD分解后得到m个I MF分量,将各组数据进行归一化处理
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 优化 VMD 深度 卷积 神经网络 柴油 发电 机组 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。