多传感器融合卷积神经网络航空发动机轴承故障诊断方法

本发明涉及机电系统故障诊断领域，特别涉及多传感器融合卷积神经网络航空发动机轴承故障诊断方法。
背景技术：
据2018年我国民航安全信息统计报告显示，每年发生的通航一般事故中，有近40％的事故是由设备系统失效、故障，关键零部件磨损、脱落等机械类问题引起，而发动机作为航空飞机关键的动力组成，因其复杂机械结构、高温高压等恶劣运行环境，在使用一段时间后其内部组成零件更加容易产生机械损伤。航空发动机故障多发于构成其旋转机构的轴系零件(如齿轮、轴承等)，一旦产生零件表面失效、断裂损伤等，极易导致发动机产生巨大的振动和噪声、降低运行效率，严重则致使整个机组的损坏，造成巨大的经济损失。倘若未能实时、准确地检测该故障的发生，将对空中作业的安全性和效率产生巨大隐患。因此，如何对航空发动机的运行状态进行监测并及时准确的诊断其存在的故障信息并预测故障的发生，对于空中飞行的安全保障具有重大的研究意义。航空发动机机械故障一般可分为气路故障、附件故障和旋转机械故障，其中旋转机械故障由于其故障种类繁多，故障特征不明显等原因，基于传统的物理机理的动力学模型的方法进行分析求解难以准确识别，而伴随21世纪信息化技术的迅速发展所兴起的人工智能技术的应用，航空发动机故障诊断也在向智能化、自动化方向前进。振动信号分析法是旋转机械故障诊断中应用最为广泛的研究方法。传统的振动信号分析通常基于人工信号处理和统计学方法，采用诸如频谱和包络谱分析、小波分析、时频分析、阶次分析、高阶统计量分析和稀疏分解等技术，对原始信号进行分析求解，实现对噪声干扰成分的衰弱，以及增强部件健康状态相关信号，从而提出对应故障特征的频率，实现故障的有效诊断。为了提高故障诊断效率，基于数据驱动的复杂机械设备故障诊断方法油然而生。深度学习中的卷积神经网络可以对海量数据进行处理，能够有效提取数据潜在的空间特征，而航空发动机运作过程中产生的数据量庞大，很适合采用卷积神经网络进行分析。并且一维卷积神经网络(1D-CNN)能够直接对时域信号进行特征挖掘，提取信号数据的空间特征，对航空发动机轴承故障诊断准确性的提高具有重要作用，同时，多传感器信息融合输入模型能够得到更好的识别效果。技术实现要素：本发明的目的是克服现有技术中的不足，提供一种多传感器融合卷积神经网络航空发动机轴承故障诊断方法，高效利用海量航空发动机轴承故障数据资源，为航空发动机旋转零部件的故障诊断提供可行的手段。这种多传感器融合卷积神经网络航空发动机轴承故障诊断方法，包括以下步骤：S1、数据采集：在航空发动机轴承处布置若干个振动加速度传感器，采集设备不同位置和方向的加速度信号；S2、数据预处理：将采集得到的原始状态参数进行归一化、切片及标签化处理，转换为1D-CNN能够识别的数据类型；S3、将仿真模拟试验平台采集数据作为源域数据，将在线监测系统采集数据作为目标域数据；S4、搭建多传感器信息融合1D-CNN模型，在离线训练过程中，将源域数据置入源域1D-CNN模型进行训练，源域数据输入经过若干次卷积层-最大值池化层并行训练，再经过平均值池化层，最终于压平层Flatten合并为单通道一维波数据，经Softmax输出层进行误差反向传播以优化模型，当模型达到收敛时，完成训练，并保存源域模型参数；其中Softmax输出层由一个全连接层和一个Softmax激活层组成；S5、进行目标域轴承在线诊断，在线诊断过程中，源域模型参数置入目标域1D-CNN模型，当目标域数据输入目标域1D-CNN模型时，通过1D-CNN进行特征提取；S6、生成故障诊断结果，利用混淆矩阵和分类散点图直观评估模型的预测效果。作为优选：步骤S2中，所述的归一化处理采用最大最小值归一化，公式为：式中：xmax为样本数据的最大值，xmin为样本数据的最小值，x`为归一化结果，数值区间为[0,1]；所述的切片操作，将采集得到的长信号波每N个点处切分，得到多段相同长度的短信号波数据；所述的标签化处理操作，即对切片后不同的故障数据添加相应的故障标签，以0～M的形式，其中M为类别总数。作为优选：步骤S4中，所述的误差反向传播算法是指第l层的一个神经元的误差项是所有与该神经元相连的第1+1层的神经元的误差项的权重和，然后再乘以该神经元激活函数的梯度。作为优选：步骤S4中，输入层特征映射组为多通道一维数组。作为优选：步骤S4中，卷积层中，卷积核对上一层的输出进行卷积，提取局部区域的空间特征，得到宽度为N×深度为D×高度为1的特征映射；该过程采用非线性激活函数构造输出特征，其数学模型描述为：式中：表示第i个滤波核在l层的权重，表示第i个滤波核在l层的偏置，xl(j)表示第l层的第j个神经元的输入，表示第j个神经元在l+1层的输入，符号·表示内核与该局部区域的点积，f表示非线性激活函数，为非线性激活后的输出。作为优选：卷积运算后，非线性激活函数ReLU对每次卷积的逻辑值输出进行非线性变换，将原本线性不可分的多维特征变换到另一个空间，计算式如下：作为优选：步骤S4中，池化层通过下采样缩小数据长度，以减少计算量，采用最大值池化或平均值池化，取感知域的最大值或平均值作为输出特征映射。作为优选：步骤S4中，全连接层将压平层的输出展开为一维向量，作为其输入，随后在输入和输出间建立全连接网络，整合卷积层或池化层已区分的局部信息。作为优选：步骤S4中，Softmax输出层采用Softmax分类器来分辨标签，其输出结果为各类别的概率值，取最大的概率值对应的标签为识别结果。作为优选：识别结果评价标准为准确率、精确率和召回率；准确率是指对于给定的测试数据集，分类器正确分类的样本数与总样本数之比；精确率P是指样本中正确被分类为A标签的数量与总的被分类为A标签的数量之比；召回率R是指样本中正确被分类为A标签的数量与样本实际A类别的数量之比；相关计算式如下：式中：TP为正确被分类为A的数量，FP为分类为A但真实标签不为A的数量，FN为真实标签为A但分类错误的数量。本发明的有益效果是：本发明通过采集不同故障状态下航空发动机轴承不同位置的振动信号，采用多通道输入1D-CNN模型，将不同位置的振动加速度传感器采集数据融合并置入模型进行训练，并进行目标域轴承在线诊断，对航空发动机旋转机械部分的轴承进行故障诊断和分析，准确地完成故障类型的识别，免去了传统方法中人工挖掘特征的过程，实现了端到端的信息处理。附图说明图1是多传感器信息融合原理图。图2是多传感器融合卷积神经网络航空发动机轴承故障诊断方流程图。图3是本发明轴承故障诊断模型结构示意图。图4是模型准确率和损失值曲线图。图5是传感器布置数量从1至4采集数据进行分析后的准确率和损失函数对比图。图6是在线故障诊断结果混淆矩阵示意图。具体实施方式下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。实施例一本申请实施例一提供一种多传感器融合卷积神经网络航空发动机轴承故障诊断方法，包括：数据采集，数据预处理，数据存储，源域1D-CNN模型离线训练，目标域轴承在线诊断，其中：数据采集部分：根据实际需求布置振动加速度传感器，采集设备不同位置和方向的加速度信号。数据预处理部分：需将采集得到的原始状态参数进行归一化、切片及标签化处理，转换为1D-CNN能够识别的数据类型。进一步地，所述的归一化处理采用最大最小值归一化，公式为：式中：xmax为样本数据的最大值，xmin为样本数据的最小值，x`为归一化结果，数值区间为[0，1]。所述的切片操作，将采集得到的长信号波每N个点处切分，得到多段相同长度的短信号波数据。所述的标签化处理操作，即对切片后不同的故障数据添加相应的故障标签，一般以0～M的形式，其中M为类别总数。数据存储部分：利用SQLServer数据库技术，建立航空发动机故障数据库管理系统，实现数据的交互和有效存储。源域1D-CNN模型离线训练部分：采用Python语言搭建神经网络模型，在离线训练过程中，将处理好的源域数据置入搭建好的1D-CNN模型进行训练。源域数据(离线实验数据)输入经过4次卷积层-最大值池化层并行训练，再经过平均池化，最终于压平层(Flatten)合并为单通道一维波数据，经Softmax输出层(该层由一个全连接层和一个Softmax激活层组成)进行误差反向传播以优化模型，当模型达到收敛时，保存源域模型参数。进一步地，所述的误差反向传播算法是指第1层的一个神经元的误差项是所有与该神经元相连的第1+1层的神经元的误差项的权重和，然后再乘以该神经元激活函数的梯度。进一步地，输入层特征映射组为多通道一维数组(通道即为传感器个数)。进一步地，卷积层中，卷积核对上一层的输出进行卷积，提取局部区域的空间特征，得到宽度为N×深度为D×高度为1的特征映射。该过程一般采用非线性激活函数构造输出特征，其数学模型描述为：式中：其中表示第i个滤波核在l层的权重；表示第i个滤波核在l层的偏置；xl(j)表示第l层的第j个神经元的输入；表示第j个神经元在l+1层的输入，即第j个神经元在l层的输出。符号·表示内核与该局部区域的点积，f表示非线性激活函数，为非线性激活后的输出。进一步地，卷积运算后，激活函数(一般为ReLU)对每次卷积的逻辑值输出进行非线性变换，将原本线性不可分的多维特征变换到另一个空间，增强这些特征的线性可分性，计算式如下：进一步地，池化层的目的是减少网络参数，通过下采样缩小数据长度，以减少计算量，一般常采用最大值池化或平均值池化，取感知域的最大值或平均值作为输出特征映射。进一步地，全连接层将压平层的输出展开为一维向量，作为其输入，随后在输入和输出间建立全连接网络，整合卷积层或池化层已区分的局部信息。进一步地，输出层常使用softmax分类器来分辨标签，其输出结果为各类别的概率值，取最大的概率值对应的标签为识别结果。进一步地，本发明采用的模型识别评价标准为准确率、精确率和召回率。准确率是指对于给定的测试数据集，分类器正确分类的样本数与总样本数之比，用模型自带的可视化工具呈现；精确率(P)是指样本中正确被分类为A标签的数量与总的被分类为A标签的数量的比值；召回率(R)是指样本中正确被分类为A标签的数量与样本实际A类别的数量之比。相关计算式如下：式中：TP为正确被分类为A的数量，FP为分类为A但真实标签不为A的数量，FN为真实标签为A但分类错误的数量。目标域轴承在线诊断部分：在线诊断过程中，训练保存的模型参数置入目标域1D-CNN模型，当目标域数据(在线采集数据)输入网络模型时，通过1D-CNN进行特征提取，最终输出故障诊断结果。在1D-CNN中，标签化的切片数据直接导入模型进行训练，可通过卷积-池化层交替自动提取原始数据中潜在的非线性特征，并于全连接层完成自适应特征学习，免去了传统方法中人工挖掘特征的过程，实现了端到端的信息处理。实施例二如图2所示为多传感器融合卷积神经网络航空发动机轴承故障诊断方法流程图，包括：数据采集及预处理、离线训练、在线诊断。具体包括以下步骤：S1、数据采集：采集某直升机传动系统试验台和主减试验台做试验的深沟球轴承相关数据，采样频率为10000Hz，采样时间为3分钟，即每种故障类别分别采样1800000个数据点；轴承故障类型为外圈故障、内圈故障、滚动体故障、联合故障和正常轴承；S2、数据预处理：对数据进行归一化、切片、标签化处理，将数据转换为可用于监督学习的数据类型，数据结构如表1：表1齿轮数据集的标签样本数量(训练集/测试集)样本长度故障类别分类标签2400/6001000正常轴承02400/6001000外圈故障12400/6001000内圈故障22400/6001000滚动体故障32400/6001000联合故障4S3、将第1分钟采集数据作为模型训练数据，2、3分钟数据设置为在线诊断验证数据；S4、搭建多传感器信息融合1D-CNN模型并将训练数据代入模型进行训练，训练完成后保存模型参数；S5、将在线诊断验证数据输入保存的模型中进行检验；S6、生成诊断结果，利用混淆矩阵和分类散点图直观评估模型的预测效果。实施例三根据1D-CNN神经网络模型以及多传感器信息融合的原理，本发明提出的航空发动机轴承故障诊断模型的具体结构参数如表2所示。本发明建立的用于航空发动机轴承故障诊断的1D-CNN由四个同参数的子模型构成，每个子模型包括四组卷积-最大值池化层、一个平均值池化层。各子模型的最后一层输出汇聚输入同一Flatten层压平，最终在Softmax层输出识别结果。原始轴承数据经过卷积层后，被转换为一组特征映射(多通道一维数组)，然后通过最大值池化对其进行下采样，从而减少参数数目。在这些操作重复3次后，将最后一个最大值池化层的特性连接到一个平均值池化层，最后经Flatten层将数据压平为单通道一维数组结构，通过全连接层(FC_1)传递到Softmax激活层，最终得到每个故障类别的概率值，其中概率最大的类别会被视为识别结果，模型的具体结构如图3所示。表21D-CNN模型的详细参数层号层类别核的大小/步长/个数备注1卷积层18×1/2/16Relu2池化层12×1/1/16最大池化3卷积层24×1/2/64Relu4池化层22×1/1/64最大池化5卷积层34×1/2/256Relu6池化层32×1/1/256最大池化7卷积层42×1/1/512Relu8池化层42×1/1/512最大池化9池化层52×1/1/512平均池化10Flatten256/11全连接层256Relu12激活层5Softmax本发明采用Relu函数作为激活函数，减少过拟合现象；为了控制网络的学习率，使用SGD(随机梯度下降)优化算法更新网络参数，学习率设置为0.01；在全连接层引入Dropout正则化方法，避免过度拟合训练数据，速率为0.2。神经网络训练参数设置为：最大迭代次数epoch＝30，小批量大小Batchsize＝32，训练方式：GPU，并且样本集按照4：1的比例分为训练样本和测试样本。模型训练结果如图4所示，由图可知，在模型迭代30次的过程中，训练集的准确率呈迅速上升并逐渐收敛于100％，训练集的损失函数呈迅速下降趋势并收敛于0，而测试集的准确率上升速度更快，测试集的损失函数则在测试一开始就处于较低水平，且下降速度更快，表明该模型对于多传感器信息融合的航空发动机故障数据的特征挖掘和学习方面的成效显著。进一步验证本发明采用的神经网络算法(多传感器1D-CNN)的性能，与前馈神经网络和SVM的训练效果对比，具体准确率和模型训练速度对比见表3。表3准确率和模型训练速度模型名称准确率训练速度SVM63.08％2s12ms/step前馈神经网络81.10％2s74ms/step多传感器1D-CNN100.00％1s12ms/step从量化来看，本发明提出的航空发动机故障诊断方法准确率可达100％，相较于支持向量机(SVM)来说提高了36.92％，相较于前馈神经网络提升了18.9％，训练速度也更快，能够根据轴承振动信号精准地识别其存在的故障特征。本发明建立的多传感器信息融合1D-CNN模型是在单传感器数据的基础上进行的改进优化，以提高其识别准确性。为体现多传感器信息融合的优势，分别以1至4个传感器采集数据去构建4个1D-CNN：1D-CNN-1S、1D-CNN-2S、1D-CNN-3S、1D-CNN-4S。如图5是传感器布置数量从1至4采集数据进行分析后的模型性能变化趋势，具体准确率数值如表4所示。表4准确率传感器数量准确率收敛回合数186.29％38294.58％27399.96％124100.00％14由上述可知，当仅布置1个加速度传感器采集发动机单方向振动加速度时，1D-CNN模型的故障识别准确率仅86.29％，且其收敛速度相对较慢，在模型初始训练时准确率存在一定的波动。当在设备不同位置安装2个加速度传感器时，模型识别准确率逐渐上升，且准确率收敛速度也迅速加快，表明不同位置捕捉的振动信号综合分析对故障类别的区分效果具有一定的提升。当传感器数量达到3个时，其准确率迅速上升至99.96％，几乎能够识别所有的类别。当在设备不同位置和方向安装传感器数量达到4个时，模型便达到100％的识别准确率，表明本发明安装4个加速度传感器测得数据与轴承故障类别有着极高的关联性。综合考虑经济因素，控制设备安装传感器数目为3-4个，均可保证要求的诊断效果。为进一步检验本发明提出的方法的有效性，本发明分别将第2分钟和第3分钟的数据作为两份验证集(每份验证集共2995条未知标签数据)，将数据随机打乱，作为未知数据置入模型中，得到每个数据的识别结果，并将结果与真实标签进行对比，绘制诊断结果混淆矩阵，如图6。由图6可知，在输入两份未知标签的新数据进行验证时，两份数据的预测标签和真实标签完全对应，没有分类错误，识别准确率均达到100％，进一步计算其精确率和召回率同为1，表明本发明提出的方法在航空发动机轴承故障诊断方面的效果符合要求。本发明通过采集不同故障状态下航空发动机轴承不同位置的振动信号，采用多通道输入1D-CNN模型，在1D-CNN模型中，标签化的切片数据直接导入模型进行训练，可通过卷积-池化层交替自动提取原始数据中潜在的非线性特征，并于全连接层完成自适应特征学习，并进行目标域轴承在线诊断，对航空发动机旋转机械部分的轴承进行故障诊断和分析，准确地完成故障类型的识别，免去了传统方法中人工挖掘特征的过程，实现了端到端的信息处理。综上，在实际应用场景中，工作人员可将加速度传感器安装在航空发动机的指定位置，采集其运行过程中的振动信号，将不同位置的传感器采集数据融合并置入本发明提出的1D-CNN模型中，即可诊断出当前设备是否存在故障，以及存在故障的类别，为维修工作人员提供准确可靠的依据。当前第1页12