船舶管道阀门泄漏多传感器跨域故障诊断方法

本发明涉及变工况阀门泄漏诊断，特别是一种船舶管道阀门泄漏多传感器跨域故障诊断方法。

背景技术：

1、船舶动力系统中广泛采用了流动介质进行传热传质，为了控制流动相的流通、压力和流量等，船舶内布置有大量的管道阀门，构成了一个复杂的管网系统，其中弯管和支管较多，空间布局复杂。船舶管道阀门通常工作在高温、高压和强腐蚀性的复杂环境中，随着腐蚀和磨损的增加，阀门会逐渐发生泄漏现象，泄漏包括内部泄漏和外部泄漏。阀门一旦发生泄漏，轻则改变运行工况、降低设备运行效率，严重泄漏甚至会造成人员伤亡和沉没事故。对阀门进行健康状态监测，可有效维护管网安全，避免资源浪费。

2、基于深度学习（dl）的智能故障诊断方法可以有效解决管道阀门泄漏相关信息的提取和分类问题，得到了学者们的广泛关注。然而，基于深度学习的泄漏故障诊断方法通常有两个默认假设：（1）拥有大量带有标签的故障样本用于模型训练；（2）训练样本和测试样本满足独立且同分布的条件。

3、然而，在工程实际中，管道阀门的运行压力在不同工作场景下会发生变化，且处于不同运行压力下，阀门泄漏声发射信号会产生明显的分布差异。因此，传统深度学习方法在管道阀门泄漏诊断中的良好表现归功于在不变的工作条件下对大量标记数据的监督学习，而在变工况下，利用未标记数据检测泄漏故障仍然是一个挑战。

4、声发射传感器往往布置在管壁外壁来拾取泄漏声发射信号，而阀门内漏发生在管道内部，且所处环境复杂，测量得到的声发射信号一般都包含较强的背景噪声，这导致分析单一传感器测得的信号难以得到全面的故障特征，影响故障识别的准确率。融合多个不同位置的传感器信息，可以获得额外的互补信息，达到更好的诊断效果。随着船舶管道系统复杂性的不断提高，多传感器协同监测技术越来越多地被用于对复杂系统进行综合测量和检测。但目前大多数多传感器故障监测方法不能实现跨域诊断，限制智能故障诊断方法在实际工程中的应用。

技术实现思路

1、本发明的目的在于克服现有技术存在的上述缺陷，提出了一种船舶管道阀门泄漏多传感器跨域故障诊断方法，其实现了用于变工况下的多传感器协同跨域故障诊断。

2、本发明的技术方案是：一种船舶管道阀门泄漏多传感器跨域故障诊断方法，其中，包括以下步骤：

3、s1、构建数据集；

4、s2、数据预处理：通过时频多重压缩变换将声发射时域信号数据转换为时频聚集型时频图像数据；

5、s3、构建多传感器深度迁移学习模型，通过mk-mmd最小化源域和目标域之间的最大平均偏差；

6、s4、使用步骤s3中训练好的多传感器深度迁移学习模型，对管道阀门泄漏进行跨域故障诊断。

7、本发明中，步骤s1中，搭建阀门泄漏模拟实验台，获取管道阀门不同运行压力下的声发射信号数据，选定某特定压力的数据为源域，其他压力下的数据为目标域；源域数据带标签，目标域数据不带标签。

8、步骤s2中，源域数据转换得到的时频图像数据全部为训练数据；

9、目标域数据转换得到的时频图像数据划分为训练数据和测试数据。

10、步骤s2具体包括以下步骤：

11、s2.1、利用重新分配法将时频计算点  的能量定位到能量中心点；

12、s2.2、得到用于与对角斜率进行比较的信号调频率估计器。

13、上述步骤s2.1中，

14、对于给定信号,其短时傅里叶变换（stft）表示为:

15、，                      (1)

16、其中，为短时傅里叶变换结果，表示在时间t和频率处的复数值，为时域信号，是沿时间方向滑动的归一化窗口，表示积分的时间变量；

17、构建重新分配算子：

18、，                           (2)

19、，                          (3)

20、其中，为偏导数符号；

21、利用重新分配法将时频计算点  的能量重新定位到能量中心点：

22、，       (4)

23、其中，表示狄拉克三角算子，表示重新分配后的时间值，表示重新分配后的频率值；

24、设复杂谐波模式信号为，复杂脉冲模式信号为：

25、，                  (5)

26、，                 (6)

27、其中，i为虚数单位，表示时间变量，表示频率变量，和表示瞬时幅度（ia），和表示瞬时相位，；

28、选择如下高斯窗：

29、，                   (7)

30、其中，是高斯窗的标准差，用于控制窗口宽度；

31、计算时频域窗口中的二阶中心距：

32、，                  (8)

33、，           (9)

34、得到stft的时频窗的长为、时频窗的宽为，tf窗口的对角斜率为：

35、，                     (10)

36、通过对角斜率边界将tf窗口分为适合于描述复杂谐波信号模型的区域和适合于描述复杂脉冲信号模型的区域；

37、当时频窗选择的中频斜率小于时，信号帧局部近似为；反之，所选信号帧局部近似为。

38、上述步骤s2.2中，

39、根据公式（2）、（3）和（5），计算得到的瞬时频率估计：

40、，             (11)

41、其中，是使用窗函数的stft；

42、计算的群延迟估计：

43、，                      (12)

44、定义瞬时频率的调频率估计量为：

45、，                  (14)

46、通过比较局部调频率与对角斜率，stft系数分为两部分：

47、，                (15)

48、其中，表示频率方向上的短时傅里叶变换结果， 表示时间方向上的短时傅里叶变换结果；

49、tfmst的结果为两个压缩操作的和，即：

50、 ，(16)

51、其中，和分别为对谐波分量和对脉冲分量的单向挤压技术。

52、所述多传感器深度迁移学习模型包括源域部分和目标域部分，源域部分的模型结构与目标域部分的模型结构相同，源域部分的全连接层与对应的目标域部分的全连接层之间通过mk-mmd进行特征分布差异的定量计算；

53、模型在源域数据上的训练采用监督学习模式，计算该模型对源域数据的预测类别与实际类别之间的分类损失；

54、将源域和目标域的特征分布差异值与源域分类损失相加，作为多传感器深度迁移学习模型在源域和目标域上的总损失函数，并进行优化；总的损失函数为：

55、，            (18)

56、其中，l表示分类损失；d表示特征分布差异值；b为每个批次的图片数量；y为源域样本真实标签；为模型预测标签；表示源域样本； 为神经网络中所有可学习参数的集合，包括权重和偏置； 为目标域样本；为进行特征分布匹配的起始参数层索引值；为进行特征分布匹配的终止参数层索引值；为特征分布差异占总损失函数的比例因子；

57、，                    (19)

58、其中，为迭代次数索引，inter为设置的总迭代次数，为调整变化速率的参数，。

59、源域部分的输入层有两个通道，用来处理来自不同源域部分传感器的数据，且各通道分别通过不同的源域部分支路与源域部分融合层连接，每个源域部分支路上均设有卷积神经网络特征提取器，两个源域部分支路的卷积神经网络特征提取器具有相同的卷积核参数；

60、源域部分输入的时频图像经过卷积神经网络特征提取器的三次“卷积-激活-池化”提取深度特征，特征图最终在压平层被展开为一维特征向量，来自两个源域部分传感器的一维特征向量在源域部分融合层进行连接，后依次接入三个源域部分全连接层；

61、目标域部分的输入层有两个通道，用来处理来自不同目标域部分传感器的数据，且各通道分别通过不同的目标域部分支路与目标域部分融合层连接，每个目标域部分支路上均设有卷积神经网络特征提取器，两个目标域部分支路的卷积神经网络特征提取器具有相同的卷积核参数；

62、目标域部分输入的时频图像经过卷积神经网络特征提取器的三次“卷积-激活-池化”提取深度特征，特征图最终在压平层被展开为一维特征向量，来自两个目标域部分传感器的一维特征向量在目标域部分融合层进行连接，后依次接入三个目标域部分全连接层；

63、将源域部分第一全连接层与对应的目标域第一全连接层分别学习到的深层诊断知识，使用mk-mmd进行特征分布差异的定量计算，得到第一特征分布差异值；将源域部分第二全连接层与对应的目标域第二全连接层分别学习到的深层诊断知识，使用mk-mmd进行特征分布差异的定量计算，得到第二特征分布差异值；将源域部分第三全连接层与对应的目标域第三全连接层分别学习到的深层诊断知识，使用mk-mmd进行特征分布差异的定量计算，得到第三特征分布差异值；

64、将第一特征分布差异值、第二特征分布差异值、第三特征分布差异值累加，得到该模型在源域和目标域的特征分布差异值。

65、步骤s4中，

66、诊断过程中，将两个声发射传感器置于阀门两侧，采集变工况下的阀门泄漏声发射信号，将采集到的信号通过步骤s2中的时频多重压缩变换转换为时频聚集型时频图像数据，作为待诊断数据；

67、使用步骤s3中训练得到的多传感器深度迁移学习模型，对待诊断数据进行识别，判断阀门故障。

68、本发明的有益效果是：

69、（1）针对船舶管道系统所处环境复杂多变导致单个传感器监测困难，以及大多数多传感器故障监测方法不能实现跨域诊断的问题，提出了一种面向船舶管道系统阀门泄漏监测的多传感器深度迁移学习故障诊断框架，完成了多传感器跨域阀门泄漏监测任务；

70、（2）针对管道阀门泄漏声发射信号具有强烈的非平稳性的问题，使用时频多重压缩变换(tfmst)时频分析技术为声发射信号生成能量集中的时频表示，通过精确描述信号中的谐波和脉冲成分，为深度迁移学习模型提供清晰的时频域特征；

71、（3）建立了以卷积神经网络为特征提取器的多传感器深度迁移学习模型，采用领域自适应方法来最小化源域和目标域之间的最大平均偏差，显著提高了故障诊断方法对噪声和工况变化的鲁棒性。