专利名称：基于神经网络的声学故障诊断方法
技术领域：
本发明提出一种基于神经网络的声学故障诊断方法，用于诊断声学故障，缩短设备的维修周期，减少维护成本。
背景技术：
随着现代工业的飞速发展，机械设备故障诊断技术逐渐成熟。故障检测和诊断技术能够在故障初期时可以有效地预测，并且判断其形成的原因，提出对策解决现存的隐患，减少事故的发生。1967年美国国家宇航局(NASA)创立了美国机械故障预防MFPG (Machinery FaultPrevention Group),标志着诊断技术的开端。故障诊断的发展可以分为两个阶段,第一阶段是以传感器技术和动态测试技术为基础，以信号处理技术为手段的常规诊断技术发展阶段。第二阶段是以常规诊断技术为基础，以人工智能为核心的智能诊断技术发展阶段。其中基于人工智能的故障诊断方法可以分为:基于专家系统的方法、基于案例的诊断方法、基于人工神经网络的方法、基于模糊数学的方法、基于故障树的方法。中国专利公开CN202063165U、CN202183018U、CN101872165A CN102621489A、CNlO 1872165A等都是基于神经网络的机械故障诊断应用。其中，CN202063165U提出一种基于神经网络的地铁列车故障诊断装置，CN202183018U提出一种基于DSP的神经网络小卫星智能故障诊断装置，CN101872165A提出一种基于遗传神经网络的风电机组故障诊断方法，CN102621489A提出基于小波神经网络的船舶发电机故障智能诊断系统，CN101872165A提出一种基于遗传神经网络的风电机组故障诊断方法。中国专利公开CN1344127A、CN102129029A、CN202402268U等都是通过声学检测的技术进行机械故障诊断的方法。其中，CN1344127A提出一种加速器噪声故障诊断方法，CN102129029A提出一种基于低频噪声测量的模拟电路故障诊断，CN202402268U提出基于声发射检测的水泵空化故障诊断装置。现有与声学相关的故障诊断都是利用声学检测技术进行机械故障诊断的方法，有少数专利从噪声源的角度进行故障识别(如:中国专利公开CN1584433A涉及到空调器噪声源识别方法)，但还没有涉及声学故障的定义和系统的声学故障诊断的方法。声学故障诊断的定义为:由于声源激励大小和方式、声学负载、声学路径发生变化，引起了一个或几个声学性能参数不能保持住规定的界限之间，系统的观测值与由系统的行为模型所得的预测值之间存在着矛盾，使得声学系统丧失部分或者全部功能。机械故障的目标在于判断设备是否处于正常状况，若出现异常，分析故障产生的原因、部位以及严重程度，并预测发展的趋势；而声学故障诊断的目标在于判断设备辐射噪声是否超出阈值范围，若出现异常，分析探究声源激励大小和方式、声学负载、声学路径发生的变化，判断其损伤程度。与机械故障相比，声学故障包含的内容更全面(机械故障只关注设备自身的工作状态，而声学故障不仅仅考虑设备的工作情况，同时还考虑声传播媒质的特性变化以及设备声负载产 生的影响)；声学故障的目标更具体(机械故障关注设备的温度变化、振动状况、湿度变化等因素是否异常，而声学故障只专注于噪声的状况)。声学故障诊断在军事工程、民用设备、交通运输、音乐厅设计、城市规划等有很广泛的应用前景。如:飞机火车汽车等交通工具、变压器等工业设施、空调等家电产品的主观感知和声学指标的客观测量，包括后续的故障分析和治理；特别地对潜艇、战斗机、坦克等国防设施的辐射噪声进行状态监测、维护以及作战部署。针对上述声学故障的特点以及应用需求，因此需要在特定场合与机械故障区分开来，提出有效的诊断方法，以利于系统地分析声源激励大小和方式、声学负载、声学路径发生的变化。
发明内容
1、发明目的:本发明提出一种基于神经网络的声学故障诊断方法，用于诊断声学故障，缩短维修周期，减少维护成本。2、技术方案:
基于神经网络的声学故障诊断方法，其特征在于它包括以下步骤:⑴样本训练样本产生方式:实验测试获得样本；基于Matlab数值计算生成虚拟样本；基于有限元或边界元生成虚拟样本。在频域获得某一点的振动信号或声学信号的频谱曲线，提取特征参量:对于振动信号，提取前10个峰值(峰值定义为:±3Hz的频率波动范围内为极大值)及对应的频率，均值，以正常状况下振动信号频谱曲线为基准的幅度方差，生成样本；对于声学信号，提取前6个峰值(峰值定义为:±3Hz的频率波动范围内为极大值)，以及以此频率为中心频率的1/3倍频程的60%频谱宽度的声强，声压曲线的均值，以正常状况下声信号频谱曲线为基准的幅度方差，生成样本。也可以使用时域方法(提取的特征参数如:均方根、方差、峰态、偏态等)；时域-频域方法(如:小波变换、HILBERT-Huang(HHT)变换等)；时域-频域-能量综合分析技术；其他技术(如:趋势波动分析法、重标极差分析技术等)，提取特征参量。样本分类:大量的训练样本；一部分的测试样本(一般是训练样本数量的1/10左右)。需要考虑一定的测试样本，是因为在一定程度下，增加隐含层数、隐含层节点数、迭代次数，可以提高识别正确率、测试样本识别正确率；但超过一定程度，会出现“过拟合”的现象，即随着训练能力的提高，预测能力反而降低，这是因为网络学习了过多的样本细节导致，已不能反映样本包含的规律，所以需要参考一定的测试样本，把握好学习的程度。样本训练与测试:初始设定迭代次数为1500、学习率为0.1、目标为0.00001、隐含层节点数为30、BP神经网络训练算法为Levenberg_Marquardt训练算法,对上述样本进行训练和测试。(2)网络参数优化基于MatIab神经网络工具箱,通过比较不同的BP神经网络训练算法(Levenberg_Marquardt训练算法(相应的算法函数为:trainlm),梯度下降训练算法(相应的算法函数为:traingd),动量反转的梯度下降训练算法(相应的算法函数为:traingdm),动态自适应学习率的梯度下降训练算法(相应的算法函数为:traingda)，动量反传和动态自适应学习率的梯度下降训练算法(相应的算法函数为:traingdX))下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的训练算法即为最优的BP神经网络训练算法；采用最优的BP神经网络训练算法，比较不同的隐含层数(1-5范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层数即为最优的隐含层数；采用最优的BP神经网络训练算法和最优的隐含层数，比较不同的隐含层节点数(5-30范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层节点数即为最优的隐含层节点数；采用最优的BP神经网络训练算法、最优的隐含层数和最优的隐含层节点数，比较不同的迭代次数(100-1500范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的迭代次数即为最优的迭代次数。(3)声学故障检测以最优的神经网络参数配置，对设备进行声学故障检测。3、有益效果:本发明与现有技术相比，其显著优点是在于:提出了声学故障诊断特征参量提取技术和获得最优的BP神经网络配置的流程。
四
图1是单层圆柱壳模型。图2是训练算法对基于振动信号的声学单故障诊断的影响。
图3是隐含层数对基于振动信号的声学单故障诊断的影响。图4是隐含层节点数对基于振动信号的声学单故障诊断的影响。图5是迭代次数对基于振动信号的声学单故障诊断的影响。图6是训练算法对基于声学信号的声学多故障诊断的影响。图7是隐含层数对基于声学信号的声学多故障诊断的影响。图8是隐含层节点数对基于声学信号的声学多故障诊断的影响。图9是迭代次数对基于声学信号的声学多故障诊断的影响。
五具体实施例方式下面以有限长单层弹性圆柱薄壳为例，说明基于神经网络的系统的声学故障诊断方法。参数:半径为0.3m，长度为lm，壳体厚度为0.003m，杨氏模量为2.1 X 10nN/m2，密度为7800Kg/m3，泊松比为0.3，钢性材料。使用柱坐标系(如图1所示)，以圆柱壳底部中心为圆心，轴向方向为z轴，u、v和w分别表示轴向、周向和径向的位移,柱坐标系中圆柱壳上任意一点的坐标为(兄Ψ> ζ)。实施例1:设定正常状况为:在(0.3,0,0.5)m处受到幅值为IN的简谐力；4类单故障状态分别为:(I)激励幅度变化，激励力幅度取值为
U [1.5: 0.5: 26](单位为N)，一共51个样本；(2)激励方式变化，激励力的幅度为IN，其位置在(0.3，0，0.5)m处，ζ 方向偏移在
U
U
(单位为m)，一共50个样本；(3)质量块大小变化引起的声学路径故障，采用质量块处于(0.3，0，0.3)m 处、质量块重量为
U [1.5: 0.5: 5) U (5: 0.5: 26](单位为 kg)，一共50个样本；(4)质量块ζ方向偏移引起的声学路径故障，采用质量块重量为5kg、质量块沿 ζ 方向偏移位于
U
U
(单位为m)，一共50个样本。
步骤一、样本产生方法:基于Matlab数值计算的虚拟样本。如图1所示，设定壳体在轴向两端处为简支边界，根据Donnell壳体运动方程，壳
体表面位移按级数展开，得到关于位移幅度的线性方程组，
权利要求
1.基于神经网络的声学故障诊断方法，其特征在于它包括以下步骤: (1)获取训练样本，对设备振动信号或目标区域中的声信号进行处理，提取特征参量，设定神经网络初始参数，对声学故障进行训练； (2)在设备表面布放振动传感器，在频域测量位移的幅度；或在目标区域布放传声器，在频域测量声压，预处理提取特征参量，使用相应配置的神经网络结构，获取一定的测试样本，对声学故障进行测试； (3)考虑训练样本识别正确率与测试样本识别正确率的均值，优化神经网络训练算法、隐含层数、隐含层节点数和迭代次数。使用优化后的神经网络参数配置，对设备进行声学故障检测。
2.如权利要求1所述的特征参量提取技术，对于振动信号，其特征在于在频域范围以IHz的间隔获取振动信号的频谱，提取前10个峰值(峰值定义为:±3Hz的频率波动范围内为极大值)及对应的频率、振动信号幅度的均值、以正常状况下振动信号频谱曲线为基准的幅度方差；对于声信号，其特征在于在频域范围以IHz的间隔获取声压信号的频谱，提取前6个峰值(峰值定义为:±3Hz的频率波动范围内为极大值)，以及以此频率为中心频率的1/3倍频程的60%频谱宽度的声强，声压曲线的均值，以正常状况下声信号频谱曲线为基准的幅度方差，也可以使用时域方法，时域-频域方法，时域-频域-能量综合分析技术提取特征参量。
3.如权利要求1所述方法中神经网络结构的优化方法，初始设定迭代次数为1500、学习率为0.1、目标为0.00001、隐含层节点数为30、BP神经网络训练算法为Levenberg_Marquardt训练算法。基于Matlab神经网络工具箱，比较不同的BP神经网络练算法(Levenberg_Marquardt训练算法(相应的算法函数为:trainlm),梯度下降训练算法(相应的算法函数为:traingd),动量反转的梯度下降训练算法(相应的算法函数为:traingdm),动态自适应学习率的梯度下降训练算法(相应的算法函数为:traingda),动量反传和动态自适应学习率的梯度下降训练算法(相应的算法函数为:traingdX))下的训练样本识别正确率与测试样本识别正`确率的均值，选取最大值对应的训练算法即为最优的BP神经网络训练算法；采用最优的BP神经网络训练算法，比较不同的隐含层数(1-5范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层数即为最优的隐含层数；采用最优的BP神经网络训练算法和最优的隐含层数，比较不同的隐含层节点数(5-30范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的隐含层节点数即为最优的隐含层节点数；采用最优的BP神经网络训练算法、最优的隐含层数和最优的隐含层节点数，比较不同的迭代次数(100-1500范围)下的训练样本识别正确率与测试样本识别正确率的均值，选取最大值对应的迭代次数即为最优的迭代次数。以最优的神经网络参数配置，对设备进行声学故障检测。
全文摘要
本发明提出了一种基于神经网络的声学故障诊断方法，该方法包括以下内容(1)获取训练样本，对设备振动信号或目标区域中的声信号进行处理，提取特征参量，设定神经网络初始参数，对声学故障进行训练；(2)在设备表面布放振动传感器，在频域测量位移的幅度；或在目标区域布放传声器，在频域测量声压，预处理提取特征参量，使用相应配置的神经网络结构，获取一定的测试样本，对声学故障进行测试；(3)考虑训练样本识别正确率与测试样本识别正确率的均值，优化神经网络训练算法、隐含层数、隐含层节点数和迭代次数，使用优化后的神经网络参数配置，对设备进行声学故障检测。本方法提出了声学故障诊断特征参量提取技术和获得最优的BP神经网络配置的流程，直接定位声源激励大小和方式、声学负载、声学路径发生的变化，缩短维修周期，减少维护成本。
文档编号G06N3/08GK103245524SQ20131019635
公开日2013年8月14日 申请日期2013年5月24日 优先权日2013年5月24日
发明者丛超楠, 陶建成, 邱小军 申请人:南京大学