專利名稱：基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明提出一種基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)故障診斷方法，用于診斷聲學(xué)故障，縮短設(shè)備的維修周期，減少維護(hù)成本。
背景技術(shù)：
隨著現(xiàn)代工業(yè)的飛速發(fā)展，機械設(shè)備故障診斷技術(shù)逐漸成熟。故障檢測和診斷技術(shù)能夠在故障初期時可以有效地預(yù)測，并且判斷其形成的原因，提出對策解決現(xiàn)存的隱患，減少事故的發(fā)生。1967年美國國家宇航局(NASA)創(chuàng)立了美國機械故障預(yù)防MFPG (Machinery FaultPrevention Group),標(biāo)志著診斷技術(shù)的開端。故障診斷的發(fā)展可以分為兩個階段,第一階段是以傳感器技術(shù)和動態(tài)測試技術(shù)為基礎(chǔ)，以信號處理技術(shù)為手段的常規(guī)診斷技術(shù)發(fā)展階段。第二階段是以常規(guī)診斷技術(shù)為基礎(chǔ)，以人工智能為核心的智能診斷技術(shù)發(fā)展階段。其中基于人工智能的故障診斷方法可以分為:基于專家系統(tǒng)的方法、基于案例的診斷方法、基于人工神經(jīng)網(wǎng)絡(luò)的方法、基于模糊數(shù)學(xué)的方法、基于故障樹的方法。中國專利公開CN202063165U、CN202183018U、CN101872165A CN102621489A、CNlO 1872165A等都是基于神經(jīng)網(wǎng)絡(luò)的機械故障診斷應(yīng)用。其中，CN202063165U提出一種基于神經(jīng)網(wǎng)絡(luò)的地鐵列車故障診斷裝置，CN202183018U提出一種基于DSP的神經(jīng)網(wǎng)絡(luò)小衛(wèi)星智能故障診斷裝置，CN101872165A提出一種基于遺傳神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法，CN102621489A提出基于小波神經(jīng)網(wǎng)絡(luò)的船舶發(fā)電機故障智能診斷系統(tǒng)，CN101872165A提出一種基于遺傳神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障診斷方法。中國專利公開CN1344127A、CN102129029A、CN202402268U等都是通過聲學(xué)檢測的技術(shù)進(jìn)行機械故障診斷的方法。其中，CN1344127A提出一種加速器噪聲故障診斷方法，CN102129029A提出一種基于低頻噪聲測量的模擬電路故障診斷，CN202402268U提出基于聲發(fā)射檢測的水泵空化故障診斷裝置?，F(xiàn)有與聲學(xué)相關(guān)的故障診斷都是利用聲學(xué)檢測技術(shù)進(jìn)行機械故障診斷的方法，有少數(shù)專利從噪聲源的角度進(jìn)行故障識別(如:中國專利公開CN1584433A涉及到空調(diào)器噪聲源識別方法)，但還沒有涉及聲學(xué)故障的定義和系統(tǒng)的聲學(xué)故障診斷的方法。聲學(xué)故障診斷的定義為:由于聲源激勵大小和方式、聲學(xué)負(fù)載、聲學(xué)路徑發(fā)生變化，引起了一個或幾個聲學(xué)性能參數(shù)不能保持住規(guī)定的界限之間，系統(tǒng)的觀測值與由系統(tǒng)的行為模型所得的預(yù)測值之間存在著矛盾，使得聲學(xué)系統(tǒng)喪失部分或者全部功能。機械故障的目標(biāo)在于判斷設(shè)備是否處于正常狀況，若出現(xiàn)異常，分析故障產(chǎn)生的原因、部位以及嚴(yán)重程度，并預(yù)測發(fā)展的趨勢；而聲學(xué)故障診斷的目標(biāo)在于判斷設(shè)備輻射噪聲是否超出閾值范圍，若出現(xiàn)異常，分析探究聲源激勵大小和方式、聲學(xué)負(fù)載、聲學(xué)路徑發(fā)生的變化，判斷其損傷程度。與機械故障相比，聲學(xué)故障包含的內(nèi)容更全面(機械故障只關(guān)注設(shè)備自身的工作狀態(tài)，而聲學(xué)故障不僅僅考慮設(shè)備的工作情況，同時還考慮聲傳播媒質(zhì)的特性變化以及設(shè)備聲負(fù)載產(chǎn) 生的影響)；聲學(xué)故障的目標(biāo)更具體(機械故障關(guān)注設(shè)備的溫度變化、振動狀況、濕度變化等因素是否異常，而聲學(xué)故障只專注于噪聲的狀況)。聲學(xué)故障診斷在軍事工程、民用設(shè)備、交通運輸、音樂廳設(shè)計、城市規(guī)劃等有很廣泛的應(yīng)用前景。如:飛機火車汽車等交通工具、變壓器等工業(yè)設(shè)施、空調(diào)等家電產(chǎn)品的主觀感知和聲學(xué)指標(biāo)的客觀測量，包括后續(xù)的故障分析和治理；特別地對潛艇、戰(zhàn)斗機、坦克等國防設(shè)施的輻射噪聲進(jìn)行狀態(tài)監(jiān)測、維護(hù)以及作戰(zhàn)部署。針對上述聲學(xué)故障的特點以及應(yīng)用需求，因此需要在特定場合與機械故障區(qū)分開來，提出有效的診斷方法，以利于系統(tǒng)地分析聲源激勵大小和方式、聲學(xué)負(fù)載、聲學(xué)路徑發(fā)生的變化。

發(fā)明內(nèi)容
1、發(fā)明目的:本發(fā)明提出一種基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)故障診斷方法，用于診斷聲學(xué)故障，縮短維修周期，減少維護(hù)成本。2、技術(shù)方案:
基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)故障診斷方法，其特征在于它包括以下步驟:⑴樣本訓(xùn)練樣本產(chǎn)生方式:實驗測試獲得樣本；基于Matlab數(shù)值計算生成虛擬樣本；基于有限元或邊界元生成虛擬樣本。在頻域獲得某一點的振動信號或聲學(xué)信號的頻譜曲線，提取特征參量:對于振動信號，提取前10個峰值(峰值定義為:±3Hz的頻率波動范圍內(nèi)為極大值)及對應(yīng)的頻率，均值，以正常狀況下振動信號頻譜曲線為基準(zhǔn)的幅度方差，生成樣本；對于聲學(xué)信號，提取前6個峰值(峰值定義為:±3Hz的頻率波動范圍內(nèi)為極大值)，以及以此頻率為中心頻率的1/3倍頻程的60%頻譜寬度的聲強，聲壓曲線的均值，以正常狀況下聲信號頻譜曲線為基準(zhǔn)的幅度方差，生成樣本。也可以使用時域方法(提取的特征參數(shù)如:均方根、方差、峰態(tài)、偏態(tài)等)；時域-頻域方法(如:小波變換、HILBERT-Huang(HHT)變換等)；時域-頻域-能量綜合分析技術(shù)；其他技術(shù)(如:趨勢波動分析法、重標(biāo)極差分析技術(shù)等)，提取特征參量。樣本分類:大量的訓(xùn)練樣本；一部分的測試樣本(一般是訓(xùn)練樣本數(shù)量的1/10左右)。需要考慮一定的測試樣本，是因為在一定程度下，增加隱含層數(shù)、隱含層節(jié)點數(shù)、迭代次數(shù)，可以提高識別正確率、測試樣本識別正確率；但超過一定程度，會出現(xiàn)“過擬合”的現(xiàn)象，即隨著訓(xùn)練能力的提高，預(yù)測能力反而降低，這是因為網(wǎng)絡(luò)學(xué)習(xí)了過多的樣本細(xì)節(jié)導(dǎo)致，已不能反映樣本包含的規(guī)律，所以需要參考一定的測試樣本，把握好學(xué)習(xí)的程度。樣本訓(xùn)練與測試:初始設(shè)定迭代次數(shù)為1500、學(xué)習(xí)率為0.1、目標(biāo)為0.00001、隱含層節(jié)點數(shù)為30、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法為Levenberg_Marquardt訓(xùn)練算法,對上述樣本進(jìn)行訓(xùn)練和測試。(2)網(wǎng)絡(luò)參數(shù)優(yōu)化基于MatIab神經(jīng)網(wǎng)絡(luò)工具箱,通過比較不同的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法(Levenberg_Marquardt訓(xùn)練算法(相應(yīng)的算法函數(shù)為:trainlm),梯度下降訓(xùn)練算法(相應(yīng)的算法函數(shù)為:traingd),動量反轉(zhuǎn)的梯度下降訓(xùn)練算法(相應(yīng)的算法函數(shù)為:traingdm),動態(tài)自適應(yīng)學(xué)習(xí)率的梯度下降訓(xùn)練算法(相應(yīng)的算法函數(shù)為:traingda)，動量反傳和動態(tài)自適應(yīng)學(xué)習(xí)率的梯度下降訓(xùn)練算法(相應(yīng)的算法函數(shù)為:traingdX))下的訓(xùn)練樣本識別正確率與測試樣本識別正確率的均值，選取最大值對應(yīng)的訓(xùn)練算法即為最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法；采用最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，比較不同的隱含層數(shù)(1-5范圍)下的訓(xùn)練樣本識別正確率與測試樣本識別正確率的均值，選取最大值對應(yīng)的隱含層數(shù)即為最優(yōu)的隱含層數(shù)；采用最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法和最優(yōu)的隱含層數(shù)，比較不同的隱含層節(jié)點數(shù)(5-30范圍)下的訓(xùn)練樣本識別正確率與測試樣本識別正確率的均值，選取最大值對應(yīng)的隱含層節(jié)點數(shù)即為最優(yōu)的隱含層節(jié)點數(shù)；采用最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法、最優(yōu)的隱含層數(shù)和最優(yōu)的隱含層節(jié)點數(shù)，比較不同的迭代次數(shù)(100-1500范圍)下的訓(xùn)練樣本識別正確率與測試樣本識別正確率的均值，選取最大值對應(yīng)的迭代次數(shù)即為最優(yōu)的迭代次數(shù)。(3)聲學(xué)故障檢測以最優(yōu)的神經(jīng)網(wǎng)絡(luò)參數(shù)配置，對設(shè)備進(jìn)行聲學(xué)故障檢測。3、有益效果:本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點是在于:提出了聲學(xué)故障診斷特征參量提取技術(shù)和獲得最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)配置的流程。
四

圖1是單層圓柱殼模型。圖2是訓(xùn)練算法對基于振動信號的聲學(xué)單故障診斷的影響。

圖3是隱含層數(shù)對基于振動信號的聲學(xué)單故障診斷的影響。圖4是隱含層節(jié)點數(shù)對基于振動信號的聲學(xué)單故障診斷的影響。圖5是迭代次數(shù)對基于振動信號的聲學(xué)單故障診斷的影響。圖6是訓(xùn)練算法對基于聲學(xué)信號的聲學(xué)多故障診斷的影響。圖7是隱含層數(shù)對基于聲學(xué)信號的聲學(xué)多故障診斷的影響。圖8是隱含層節(jié)點數(shù)對基于聲學(xué)信號的聲學(xué)多故障診斷的影響。圖9是迭代次數(shù)對基于聲學(xué)信號的聲學(xué)多故障診斷的影響。
五具體實施例方式下面以有限長單層彈性圓柱薄殼為例，說明基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)的聲學(xué)故障診斷方法。參數(shù):半徑為0.3m，長度為lm，殼體厚度為0.003m，楊氏模量為2.1 X 10nN/m2，密度為7800Kg/m3，泊松比為0.3，鋼性材料。使用柱坐標(biāo)系(如圖1所示)，以圓柱殼底部中心為圓心，軸向方向為z軸，u、v和w分別表示軸向、周向和徑向的位移,柱坐標(biāo)系中圓柱殼上任意一點的坐標(biāo)為(兄Ψ> ζ)。實施例1:設(shè)定正常狀況為:在(0.3,0,0.5)m處受到幅值為IN的簡諧力；4類單故障狀態(tài)分別為:(I)激勵幅度變化，激勵力幅度取值為
U [1.5: 0.5: 26](單位為N)，一共51個樣本；(2)激勵方式變化，激勵力的幅度為IN，其位置在(0.3，0，0.5)m處，ζ 方向偏移在
U
U
(單位為m)，一共50個樣本；(3)質(zhì)量塊大小變化引起的聲學(xué)路徑故障，采用質(zhì)量塊處于(0.3，0，0.3)m 處、質(zhì)量塊重量為
U [1.5: 0.5: 5) U (5: 0.5: 26](單位為 kg)，一共50個樣本；(4)質(zhì)量塊ζ方向偏移引起的聲學(xué)路徑故障，采用質(zhì)量塊重量為5kg、質(zhì)量塊沿 ζ 方向偏移位于
U
U
(單位為m)，一共50個樣本。
步驟一、樣本產(chǎn)生方法:基于Matlab數(shù)值計算的虛擬樣本。如圖1所示，設(shè)定殼體在軸向兩端處為簡支邊界，根據(jù)Donnell殼體運動方程，殼
體表面位移按級數(shù)展開，得到關(guān)于位移幅度的線性方程組，
權(quán)利要求
1.基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)故障診斷方法，其特征在于它包括以下步驟: (1)獲取訓(xùn)練樣本，對設(shè)備振動信號或目標(biāo)區(qū)域中的聲信號進(jìn)行處理，提取特征參量，設(shè)定神經(jīng)網(wǎng)絡(luò)初始參數(shù)，對聲學(xué)故障進(jìn)行訓(xùn)練； (2)在設(shè)備表面布放振動傳感器，在頻域測量位移的幅度；或在目標(biāo)區(qū)域布放傳聲器，在頻域測量聲壓，預(yù)處理提取特征參量，使用相應(yīng)配置的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，獲取一定的測試樣本，對聲學(xué)故障進(jìn)行測試； (3)考慮訓(xùn)練樣本識別正確率與測試樣本識別正確率的均值，優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法、隱含層數(shù)、隱含層節(jié)點數(shù)和迭代次數(shù)。使用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)參數(shù)配置，對設(shè)備進(jìn)行聲學(xué)故障檢測。
2.如權(quán)利要求1所述的特征參量提取技術(shù)，對于振動信號，其特征在于在頻域范圍以IHz的間隔獲取振動信號的頻譜，提取前10個峰值(峰值定義為:±3Hz的頻率波動范圍內(nèi)為極大值)及對應(yīng)的頻率、振動信號幅度的均值、以正常狀況下振動信號頻譜曲線為基準(zhǔn)的幅度方差；對于聲信號，其特征在于在頻域范圍以IHz的間隔獲取聲壓信號的頻譜，提取前6個峰值(峰值定義為:±3Hz的頻率波動范圍內(nèi)為極大值)，以及以此頻率為中心頻率的1/3倍頻程的60%頻譜寬度的聲強，聲壓曲線的均值，以正常狀況下聲信號頻譜曲線為基準(zhǔn)的幅度方差，也可以使用時域方法，時域-頻域方法，時域-頻域-能量綜合分析技術(shù)提取特征參量。
3.如權(quán)利要求1所述方法中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化方法，初始設(shè)定迭代次數(shù)為1500、學(xué)習(xí)率為0.1、目標(biāo)為0.00001、隱含層節(jié)點數(shù)為30、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法為Levenberg_Marquardt訓(xùn)練算法。基于Matlab神經(jīng)網(wǎng)絡(luò)工具箱，比較不同的BP神經(jīng)網(wǎng)絡(luò)練算法(Levenberg_Marquardt訓(xùn)練算法(相應(yīng)的算法函數(shù)為:trainlm),梯度下降訓(xùn)練算法(相應(yīng)的算法函數(shù)為:traingd),動量反轉(zhuǎn)的梯度下降訓(xùn)練算法(相應(yīng)的算法函數(shù)為:traingdm),動態(tài)自適應(yīng)學(xué)習(xí)率的梯度下降訓(xùn)練算法(相應(yīng)的算法函數(shù)為:traingda),動量反傳和動態(tài)自適應(yīng)學(xué)習(xí)率的梯度下降訓(xùn)練算法(相應(yīng)的算法函數(shù)為:traingdX))下的訓(xùn)練樣本識別正確率與測試樣本識別正`確率的均值，選取最大值對應(yīng)的訓(xùn)練算法即為最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法；采用最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法，比較不同的隱含層數(shù)(1-5范圍)下的訓(xùn)練樣本識別正確率與測試樣本識別正確率的均值，選取最大值對應(yīng)的隱含層數(shù)即為最優(yōu)的隱含層數(shù)；采用最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法和最優(yōu)的隱含層數(shù)，比較不同的隱含層節(jié)點數(shù)(5-30范圍)下的訓(xùn)練樣本識別正確率與測試樣本識別正確率的均值，選取最大值對應(yīng)的隱含層節(jié)點數(shù)即為最優(yōu)的隱含層節(jié)點數(shù)；采用最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法、最優(yōu)的隱含層數(shù)和最優(yōu)的隱含層節(jié)點數(shù)，比較不同的迭代次數(shù)(100-1500范圍)下的訓(xùn)練樣本識別正確率與測試樣本識別正確率的均值，選取最大值對應(yīng)的迭代次數(shù)即為最優(yōu)的迭代次數(shù)。以最優(yōu)的神經(jīng)網(wǎng)絡(luò)參數(shù)配置，對設(shè)備進(jìn)行聲學(xué)故障檢測。
全文摘要
本發(fā)明提出了一種基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)故障診斷方法，該方法包括以下內(nèi)容(1)獲取訓(xùn)練樣本，對設(shè)備振動信號或目標(biāo)區(qū)域中的聲信號進(jìn)行處理，提取特征參量，設(shè)定神經(jīng)網(wǎng)絡(luò)初始參數(shù)，對聲學(xué)故障進(jìn)行訓(xùn)練；(2)在設(shè)備表面布放振動傳感器，在頻域測量位移的幅度；或在目標(biāo)區(qū)域布放傳聲器，在頻域測量聲壓，預(yù)處理提取特征參量，使用相應(yīng)配置的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，獲取一定的測試樣本，對聲學(xué)故障進(jìn)行測試；(3)考慮訓(xùn)練樣本識別正確率與測試樣本識別正確率的均值，優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法、隱含層數(shù)、隱含層節(jié)點數(shù)和迭代次數(shù)，使用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)參數(shù)配置，對設(shè)備進(jìn)行聲學(xué)故障檢測。本方法提出了聲學(xué)故障診斷特征參量提取技術(shù)和獲得最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)配置的流程，直接定位聲源激勵大小和方式、聲學(xué)負(fù)載、聲學(xué)路徑發(fā)生的變化，縮短維修周期，減少維護(hù)成本。
文檔編號G06N3/08GK103245524SQ20131019635
公開日2013年8月14日 申請日期2013年5月24日 優(yōu)先權(quán)日2013年5月24日
發(fā)明者叢超楠, 陶建成, 邱小軍 申請人:南京大學(xué)