一种基于时频分析结合卷积神经网络的机械故障诊断方法与流程

1.本发明属于机械故障诊断技术领域，具体地说，涉及一种基于时频分析结合卷积神经网络的机械故障诊断方法。


背景技术：

2.1980年以来，非车载诊断系统得到了很大发展，出现了固定的检测设备，能进行功率和转速检测、尾气分析、润滑油油质分析、点火正时检测等。此后，车载与非车载诊断设备开始综合起来使用，并采用先进的信号处理技术，除传统的压力、温度、转速、功率等参数外，又采用了振动分析(时域、频域)等方法，并结合信号处理技术，对发动机故障作了深入研究，取得了一定成果。
3.随着信号处理技术发展，在故障特征提取方面有了很多方法，如短时傅里叶变换、小波分析、gabor展开、希尔伯特-黄变换(hht)等，其中应用非常广泛的有小波分析方法，它是一种有效的非稳态信号分析处理方法。由于小波变换同时对时间和频率都具有较好的分辨率，在故障检测诊断中有许多应用，随着故障诊断的发展，从事后维修到预测性维修，故障诊断的方法逐渐成熟，现在机器学习算法已经逐步应用到远程设备故障诊断当中。
4.从目前情况来看，基于振动分析、信号处理、人工智能和多信息融合等多理论集成一体的综合诊断方法有较大的优势，是故障诊断技术研究的一个热点和发展趋势。但无论采取何种方法，用振动信号作分析或从振动信号中提取故障特征作为诊断参数的方法是很常见和有效的。目前针对车载设备的故障诊断方法，大多只针对其某一种故障，没有通用的智能诊断方法，现有的故障诊断识别方法大多为通过机器学习对信号进行处理呈现出时域图像、频域图像及趋势图像。由诊断专家对信号图像进行分析，或通过大量信号数据对算法进行训练，而得出结论。这种方法需要人工经验且需要大量标记好的训练样本，成本较高，同时使得故障识别速度低下，识别准确率不足，无法根据需求随时添加新的可识别故障。


技术实现要素：

5.要解决的问题
6.针对现有成本较高，同时使得故障识别速度低下，识别准确率不足，无法根据需求随时添加新的可识别故障的问题，本发明提供一种基于时频分析结合卷积神经网络的机械故障诊断方法。
7.技术方案
8.为解决上述问题，本发明采用如下的技术方案。
9.一种基于时频分析结合卷积神经网络的机械故障诊断方法，包括以下步骤：
10.步骤1、安装并设置传感器，通过传感器采集发动机凸轮轴在正常运行状态下和故障运行状态下的各种振动数据；
11.步骤2、对正常振动数据和故障振动数据进行数据预处理，生成正常样本数据集和故障样本数据集；
12.步骤3、对正常样本数据集和故障样本数据集进行时频分析，将一维时域信号映射到二维的时频平面,全面反映非平稳信号的时频联合特征，获取设备故障发生的原因；
13.步骤4、使用时频分析后的图像对卷积神经网络进行网络模型识别训练，获取设备故障分类的结果；
14.步骤5、利用训练后卷积神经网络图像识别模型对传感器采集的多维度振动信号数据进行计算，结合获取设备故障分类结果和设备故障发生原因，对发动机凸轮轴的故障诊断。
15.优选地，所述进行数据预处理是对数据进行归一化处理，归一化处理采用最大-最小标准化，对采集的凸轮轴正常运行和发送常见故障时的原始信号数据进行线性变换，公式如下：
[0016][0017]
其中，mina和maxa分别是属性a的一个原始值x通过最大-最小标准化映射到区间[0,1]的值x'。
[0018]
优选地，所述时频分析采用小波变换分析方法，通过小波变换分析得到凸轮轴故障信号的时频谱，公式如下：
[0019][0020]
其中，a为尺度，尺度与凸轮轴的频率对应，b为平移量，平移量与集凸轮轴信号的时间对应，t为时间值。
[0021]
进一步地，所述小波变换分析方法是先作內积，把小波w(t)和原函数f(t)的开始部分进行比较，计算系数c，系数c为该部分函数与小波的相似程度；再把小波向右移k单位，得到小波w(t-k)，再重复上述步骤，直至函数f结束；然后扩展小波w(t)，得到小波w(t/2)，再次重复上述步骤；之后不断扩展小波，重复上述步骤。
[0022]
更进一步地，所述参数a用于定位凸轮轴频率，所述参数b用于定位凸轮轴采集信号的时间，连续小波变换公式如下：
[0023][0024]
连续小波变换后可以得到标度图，两个坐标轴分别为time和scales，time为b，scales为a，scales的lower scales对应高频成分，scales的high scales对应低频成分。
[0025]
优选地，所述卷积神经网络是采用googlenet神经网络进行识别凸轮轴故障信号小波变换后的图像。
[0026]
进一步地，所述卷积神经网络是在运算的过程中将其中的一组权重与输入的数值相乘，生成一个二维权重数组，将其视为一种滤波器，将凸轮轴故障时频分析后的图像反复应用同一滤波器，生成为特征图，表示检测到特征的位置和强度，若是调整滤波器需要检测输入中的特定特征类型，则在整个输入凸轮轴故障时频分析图像中重复使用该滤波器，以此发现图像中任意位置的特征。
[0027]
更进一步地，所述googlenet神经网络中使用了inception模块和辅助分类器，同
时在inception模块之后使用average pool和dropout方法，在dropout层之前，添加了一个7
×
7的average pool，在起到降维作用的同时，也对低层特征的进行组合，防止过度拟合。
[0028]
再进一步地，所述googlenet在输出层，采用3个连续不同的全连接层，googlenet采用的是全局平均池化层，得到尺寸数值均为1的卷积层，然后添加丢弃概率为40％的dropout，输出层激活函数采softmax，在池化过程中，googlenet网络的高层增加卷积核的大小和增加池化区域的大小，而前面inception模块中卷积核较小且固定。
[0029]
进一步地，所述采用googlenet神经网络识别图像是先利用发动机凸轮轴异常故障以及正常运行状态下的时频分析图像建立凸轮轴诊断数据集，并将数据集按比例分为训练集和测试集，然后编写程序，导入googlenet预训练模型和凸轮轴诊断数据集的训练集，再调整图片大小，使其适应模型并导入、训练，保存网络训练结果，用凸轮轴诊断的测试集对模型结果进行验证，依据验证效果进行更改调整，调整到合适的数值。
[0030]
一种基于时频分析结合卷积神经网络的机械故障诊断方法，通过安装并设置传感器，通过传感器采集发动机凸轮轴在正常运行状态下和故障运行状态下的各种振动数据，对正常振动数据和故障振动数据进行数据预处理，生成正常样本数据集和故障样本数据集，对正常样本数据集和故障样本数据集进行时频分析，将一维时域信号映射到二维的时频平面,全面反映非平稳信号的时频联合特征，获取设备故障发生的原因，使用时频分析后的图像对卷积神经网络进行网络模型识别训练，获取设备故障分类的结果，利用训练后卷积神经网络图像识别模型对传感器采集的多维度振动信号数据进行计算，结合获取设备故障分类结果和设备故障发生原因，对发动机凸轮轴的故障诊断。
[0031]
有益效果
[0032]
相比于现有技术，本发明的有益效果为：
[0033]
(1)本发明将传统的故障诊断方法与卷积神经网络图像识别技术相结合，训练完成后识别速度快，加快了故障识别速度，提高识别准确率，通过新故障数据对网络进行训练，减少在学习上所消耗的时间，加快学习新故障的速度，适合在线及通过在线数据训练后的点检，可有效应用于发动机凸轮轴故障诊断，随时添加可识别的故障；
[0034]
(2)本发明采用时频分析将采集到的多维度振动时域频域信号信息转移到一张图像上，利用卷积神经网络图像识别技术，对车载设备不同状态、不同故障下的时频分析图像进行识别，将多种卷积神经网络进行对比，找出适合的、准确率高的车载设备故障识别方法，实现对发动机凸轮轴的故障诊断，节约诊断成本。
附图说明
[0035]
为了更清楚地说明本技术实施例或示例性中的技术方案，下面将对实施例或示例性描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以按照这些附图示出的获得其他的附图。
[0036]
图1为本发明的步骤示意图；
[0037]
图2为本发明的流程示意图。
具体实施方式
[0038]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例，通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
[0039]
因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例，基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0040]
实施例1
[0041]
如图1和图2所示，一种基于时频分析结合卷积神经网络的机械故障诊断方法，主要流程如下：
[0042]
安装并设置传感器，通过传感器采集发动机凸轮轴在正常运行状态下和故障运行状态下的各种振动数据。
[0043]
对正常振动数据和故障振动数据进行数据预处理，生成正常样本数据集和故障样本数据集，预处理是对数据进行归一化处理，归一化处理采用最大-最小标准化，对采集的凸轮轴正常运行和发送常见故障时的原始信号数据进行线性变换，公式如下：
[0044][0045]
其中，mina和maxa分别是属性a的一个原始值x通过最大-最小标准化映射到区间[0,1]的值x'。
[0046]
对正常样本数据集和故障样本数据集进行时频分析，将一维时域信号映射到二维的时频平面,全面反映非平稳信号的时频联合特征，获取设备故障发生的原因，时频分析采用小波变换分析方法，通过小波变换分析得到凸轮轴故障信号的时频谱，公式如下：
[0047][0048]
其中，a为尺度，尺度与凸轮轴的频率对应，b为平移量，平移量与集凸轮轴信号的时间对应，t为时间值。
[0049]
小波变换分析方法是先作內积，把小波w(t)和原函数f(t)的开始部分进行比较，计算系数c，系数c为该部分函数与小波的相似程度；再把小波向右移k单位，得到小波w(t-k)，再重复上述步骤，直至函数f结束；然后扩展小波w(t)，得到小波w(t/2)，再次重复上述步骤；之后不断扩展小波，重复上述步骤。
[0050]
参数a用于定位凸轮轴频率，所述参数b用于定位凸轮轴采集信号的时间，连续小波变换公式如下：
[0051][0052]
连续小波变换后可以得到标度图，两个坐标轴分别为time和scales，time为b，scales为a，scales的lower scales对应高频成分，scales的high scales对应低频成分。
[0053]
使用时频分析后的图像对卷积神经网络进行网络模型识别训练，获取设备故障分类的结果，卷积神经网络是采用googlenet神经网络进行识别凸轮轴故障信号小波变换后的图像，卷积神经网络是在运算的过程中将其中的一组权重与输入的数值相乘，生成一个二维权重数组，将其视为一种滤波器，将凸轮轴故障时频分析后的图像反复应用同一滤波器，生成为特征图，表示检测到特征的位置和强度，若是调整滤波器需要检测输入中的特定特征类型，则在整个输入凸轮轴故障时频分析图像中重复使用该滤波器，以此发现图像中任意位置的特征。
[0054]
googlenet神经网络中使用了inception模块和辅助分类器，同时在inception模块之后使用average pool和dropout方法，在dropout层之前，添加了一个7
×
7的average pool，在起到降维作用的同时，也对低层特征的进行组合，防止过度拟合。
[0055]
googlenet在输出层，采用3个连续不同的全连接层，googlenet采用的是全局平均池化层，得到尺寸数值均为1的卷积层，然后添加丢弃概率为40％的dropout，输出层激活函数采softmax，在池化过程中，googlenet网络的高层增加卷积核的大小和增加池化区域的大小，而前面inception模块中卷积核较小且固定。
[0056]
采用googlenet神经网络识别图像是先利用发动机凸轮轴异常故障以及正常运行状态下的时频分析图像建立凸轮轴诊断数据集，并将数据集按比例分为训练集和测试集，然后编写程序，导入googlenet预训练模型和凸轮轴诊断数据集的训练集，再调整图片大小，使其适应模型并导入、训练，保存网络训练结果，用凸轮轴诊断的测试集对模型结果进行验证，依据验证效果进行更改调整，调整到合适的数值。
[0057]
利用训练后卷积神经网络图像识别模型对传感器采集的多维度振动信号数据进行计算，结合获取设备故障分类结果和设备故障发生原因，对发动机凸轮轴的故障诊断。
[0058]
通过上述描述可知，在本实例中，通过安装并设置传感器，通过传感器采集发动机凸轮轴在正常运行状态下和故障运行状态下的各种振动数据，对正常振动数据和故障振动数据进行数据预处理，生成正常样本数据集和故障样本数据集，对正常样本数据集和故障样本数据集进行时频分析，将一维时域信号映射到二维的时频平面,全面反映非平稳信号的时频联合特征，获取设备故障发生的原因，使用时频分析后的图像对卷积神经网络进行网络模型识别训练，获取设备故障分类的结果，利用训练后卷积神经网络图像识别模型对传感器采集的多维度振动信号数据进行计算，结合获取设备故障分类结果和设备故障发生原因，对发动机凸轮轴的故障诊断。
[0059]
实施例2
[0060]
利用卷积神经网络对发动机凸轮轴几种常见故障诊断分类模型，卷积神经网络分类模型的训练过程包括：数据收集、数据预处理、时频分析、和卷积神经网络图像识别分类；数据收集是采集发动机凸轮轴多种故障类型和正常运行的样本数据集；数据预处理包含归一化、标准化、缺失值；通过时频分析将一维时域信号映射到二维的时频平面,全面反映非平稳信号的时频联合特征；获取设备故障发生的原因。
[0061]
设备故障如下：
[0062]
凸轮轴常见故障：发动机凸轮轴通过轴承固定在缸盖上，控制进、排气门的开闭，其技术状况非常关键。由于长时间运行或者润滑不良、调试不当等原因，会出现凸轮轴轴承磨损、松脱和轴瓦脱落等现象，导致凸轮轴与缸盖之间的相互作用力异常，甚至产生较明显
的冲击力，使缸盖位置的振动噪声加剧，影响发动机的正常运行。
[0063]
凸轮轴断裂失效：凸轮轴是发动机的重要零件，凸轮轴工作条件恶劣，受力情况复杂，承受的载荷、阻力、冲击力很多。这些载荷均要求凸轮轴具备较好的韧性、较高的强度，加工工艺良好。否则，在复杂的工作环境下，凸轮轴极易产生断裂失效圳。凸轮轴断裂的原因很多，比如：曲轴减震器失效；凸轮轴上键槽口缺陷引起应力集中导致疲劳断裂；原材料存在组织缺陷和调质处理不完善及淬火加热温度偏高导致断裂。锥面贴合率不满足要求，造成凸轮轴与齿轮间存在微动磨损导致早期断裂失效；凸轮轴颈与凸轮过渡圆角处存在加工缺陷，在交变应力作用下导致凸轮轴断裂失效。
[0064]
凸轮轴轴承松脱：面对凸轮轴轴承松脱故障，通过试验提取缸盖振动加速度信号进行时域、频谱分析以及小波包分解与解调分析，综合提取出显著的故障特征，可用于发动机不拆卸情况下对凸轮轴轴承故障的诊断。
[0065]
凸轮轴异常磨损：凸轮轴的磨损问题比较复杂,影响其磨损的原因较多,如凸轮轴与挺柱之间的材料硬度匹配、凸轮型线、挺柱结构，气门弹簧力、机油润滑等。
[0066]
凸轮轴正时齿轮螺母严重松旷：当凸轮轴转动时，需克服气门弹簧预加的负荷，此时凸轮轴承受着断续的冲击力。若正时齿轮螺母松动，凸轮轮轴转动时就会发生颤抖，并发出响声，且正时齿轮在凸轴上会产生前后游动的现象。由于该型发动机凸轮轴正时齿轮具有螺旋角，且向后旋；所以，当该齿轮前移时，配气相位角就会提前，当该齿轮后移时，配气相位角就会滞后，这样，配气相位就会失准。这就是发动机有时动力不足与找不出工作不好气缸的原因。
[0067]
通过卷积神经网络对时频分析后的图像进行识别训练，获取设备故障分类的结果，设备故障诊断分类结果和关联设备的运行参数信息，根据振动加速度传感器采集设置的采样点数和采样频率，数据采集的数据，去训练网络模型。通过多维度振动信号数据，利用卷积神经网络图像识别技术，实现对发动机凸轮轴的故障诊断，节约诊断成本，整体流程大致如下：
[0068]
数据预处理，归一化处理，归一化采用最大-最小标准化。最大-最小标准化是对采集的凸轮轴发生常见故障及正常运行时的原始信号数据进行线性变换，mina和maxa分别是属性a的一个原始值x通过最大-最小标准化映射到区间[0,1]的值x'，那么公式如下：
[0069][0070]
时频分析方法有短时傅里叶变换(stft)、小波变换(wt)、wigner-ville分布(wvd)、经验模态分解(emd)、集合经验模态分解(eemd)、补充总体经验模态分解(ceemd)、变分模态分解(vmd)等，本发明时频分析采用小波变换的分析方法。
[0071]
小波变换应有限长的会衰减的小波基，它的能量有限，都集中在某一点附近，而且积分的值为零。小波变换有尺度a和平移量b，尺度对应于凸轮轴的频率，平移量对应于采集凸轮轴信号的时间，所以小波变换可以用于时频分析，得到凸轮轴故障信号的时频谱。下面是小波函数的一般形式。
[0072][0073]
小波变换的步骤：
[0074]
①
把小波w(t)和原函数f(t)的开始部分进行比较(实际上就是作內积)，计算系数c。系数c表示该部分函数与小波的相似程度；
[0075]
②
把小波向右移k单位，得到小波w(t-k)，重复步骤
①
。重复该步骤直至函数f结束；
[0076]
③
扩展小波w(t)，得到小波w(t/2)，重复步骤
①
，
②
；
[0077]
④
不断扩展小波，重复前面三步
①
，
②
，
③
。
[0078]
cwt(连续小波变换)变换公式如下，通过参数a定位凸轮轴频率，通过参数b定位凸轮轴采集信号的时间。
[0079][0080]
变换后可以得到标度图，两个坐标轴分别为time和scales(即b和a)，lower scales对应高频成分，high scales对应低频成分。
[0081]
卷积神经网络是一种深度学习网络，一般可以使用它来识别图像并将图像中的事物进行分类处理，以及识别图像中的对象，人工神经网络是一个硬件或软件系统，模仿神经元在人类大脑中的运转方式。卷积神经网络是将深度学习技术和人工神经网络相互结合，生成的一种新型的人工神经网络。
[0082]
卷积是将滤波器应用于输入内容的简单过程，会带来以数值形式表示的激活，通过对凸轮轴故障时频分析后的图像反复应用同一滤波器，生成为特征图，这表示检测到的特征的位置和强度。
[0083]
卷积是一类线性形式的运算，在运算的过程当中需要将其中的一组权重与输入的数值相乘，这样就可以生成一个二维权重数组，可以将它视为一种滤波器。如果调整滤波器以检测输入中的特定特征类型，则在整个输入凸轮轴故障时频分析图像中重复使用该滤波器可以发现图像中任意位置的特征。
[0084]
例如，一个滤波器用于检测特定形状的曲线，另一个滤波器用于检测垂直线，第三个滤波器用于检测水平线。其他滤波器可以检测颜色、边缘和光线强度。连接多个滤波器的输出，即可以表示与已知凸轮轴故障时频分析图像相匹配的复杂形状。
[0085]
卷积神经网络方法有lenet-5、alexnet、squeezenet、googlenet、vgg、squeezenet等网络。目前googlenet网络识别准确率较高，对图形的识别准确率达到96％左右。本发明将采用googlenet进行识别凸轮轴故障信号小波变换后的图像。
[0086]
googlenet提出了一个全新的深度cnn架构——inception。inception最初提出的版本主要思想是利用不同大小的卷积核实现不同尺度的感知。
[0087]
googlenet神经网络中，使用了inception模块和辅助分类器，在inception模块之后使用average pool和dropout方法，在起到降维作用的同时，还可以一定情况下防止过度拟合的出现。
[0088]
在dropout层之前，添加了一个7
×
7的average pool，一方面是降维，另一方面也是对低层特征的组合。在输出层googlenet采用3个连续不同的全连接层，googlenet采用的是全局平均池化层，得到的是尺寸数值均为1的卷积层，然后添加丢弃概率为40％的dropout，输出层激活函数采用的是softmax。在最后的池化过程，googlenet网络的高层增
加卷积核的大小或者增加池化区域的大小，前面inception模块中卷积核大小都是固定的，而且比较小，主要是为了卷积时的计算方便。
[0089]
利用发动机凸轮轴松动、断裂失效、异常磨损、齿轮螺母松动以及正常运行状态下时频分析的图像建立凸轮轴诊断数据集。并将数据集按比例分为训练集和测试集。
[0090]
1、编写程序，并导入googlenet预训练模型和凸轮轴诊断数据集的训练集。
[0091]
2、将图片大小调整，适应模型。
[0092]
3、将网络训练结果保存到文件中。
[0093]
4、用凸轮轴诊断的测试集对模型结果进行验证。
[0094]
在实验中，训练的初始学习率、每次训练所选取的样本数、迭代轮数，每轮迭代次数，最大迭代次数等参数，依据网络训练效果进行更改，调整到合适的数值。
[0095]
以上所述实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。

技术特征：
1.一种基于时频分析结合卷积神经网络的机械故障诊断方法，其特征在于，包括以下步骤：步骤1、安装并设置传感器，通过传感器采集发动机凸轮轴在正常运行状态下和故障运行状态下的各种振动数据；步骤2、对正常振动数据和故障振动数据进行数据预处理，生成正常样本数据集和故障样本数据集；步骤3、对正常样本数据集和故障样本数据集进行时频分析，将一维时域信号映射到二维的时频平面,全面反映非平稳信号的时频联合特征，获取设备故障发生的原因；步骤4、使用时频分析后的图像对卷积神经网络进行网络模型识别训练，获取设备故障分类的结果；步骤5、利用训练后卷积神经网络图像识别模型对传感器采集的多维度振动信号数据进行计算，结合获取设备故障分类结果和设备故障发生原因，对发动机凸轮轴的故障诊断。2.根据权利要求1所述的一种基于时频分析结合卷积神经网络的机械故障诊断方法，其特征在于：所述进行数据预处理是对数据进行归一化处理，归一化处理采用最大-最小标准化，对采集的凸轮轴正常运行和发送常见故障时的原始信号数据进行线性变换，公式如下：其中，mina和maxa分别是属性a的一个原始值x通过最大-最小标准化映射到区间[0,1]的值x'。3.根据权利要求1所述的一种基于时频分析结合卷积神经网络的机械故障诊断方法，其特征在于：所述时频分析采用小波变换分析方法，通过小波变换分析得到凸轮轴故障信号的时频谱，公式如下：其中，a为尺度，尺度与凸轮轴的频率对应，b为平移量，平移量与集凸轮轴信号的时间对应，t为时间值。4.根据权利要求3所述的一种基于时频分析结合卷积神经网络的机械故障诊断方法，其特征在于：所述小波变换分析方法是先作內积，把小波w(t)和原函数f(t)的开始部分进行比较，计算系数c，系数c为该部分函数与小波的相似程度；再把小波向右移k单位，得到小波w(t-k)，再重复上述步骤，直至函数f结束；然后扩展小波w(t)，得到小波w(t/2)，再次重复上述步骤；之后不断扩展小波，重复上述步骤。5.根据权利要求4所述的一种基于时频分析结合卷积神经网络的机械故障诊断方法，其特征在于：所述参数a用于定位凸轮轴频率，所述参数b用于定位凸轮轴采集信号的时间，连续小波变换公式如下：连续小波变换后可以得到标度图，两个坐标轴分别为time和scales，time为b，scales
为a，scales的lowerscales对应高频成分，scales的highscales对应低频成分。6.根据权利要求1所述的一种基于时频分析结合卷积神经网络的机械故障诊断方法，其特征在于：所述卷积神经网络是采用googlenet神经网络进行识别凸轮轴故障信号小波变换后的图像。7.根据权利要求6所述的一种基于时频分析结合卷积神经网络的机械故障诊断方法，其特征在于：所述卷积神经网络是在运算的过程中将其中的一组权重与输入的数值相乘，生成一个二维权重数组，将其视为一种滤波器，将凸轮轴故障时频分析后的图像反复应用同一滤波器，生成为特征图，表示检测到特征的位置和强度，若是调整滤波器需要检测输入中的特定特征类型，则在整个输入凸轮轴故障时频分析图像中重复使用该滤波器，以此发现图像中任意位置的特征。8.根据权利要求7所述的一种基于时频分析结合卷积神经网络的机械故障诊断方法，其特征在于：所述googlenet神经网络中使用了inception模块和辅助分类器，同时在inception模块之后使用average pool和dropout方法，在dropout层之前，添加了一个7
×
7的average pool，在起到降维作用的同时，也对低层特征的进行组合，防止过度拟合。9.根据权利要求8所述的一种基于时频分析结合卷积神经网络的机械故障诊断方法，其特征在于：所述googlenet在输出层，采用3个连续不同的全连接层，googlenet采用的是全局平均池化层，得到尺寸数值均为1的卷积层，然后添加丢弃概率为40％的dropout，输出层激活函数采softmax，在池化过程中，googlenet网络的高层增加卷积核的大小和增加池化区域的大小，而前面inception模块中卷积核较小且固定。10.根据权利要求6所述的一种基于时频分析结合卷积神经网络的机械故障诊断方法，其特征在于：所述采用googlenet神经网络识别图像是先利用发动机凸轮轴异常故障以及正常运行状态下的时频分析图像建立凸轮轴诊断数据集，并将数据集按比例分为训练集和测试集，然后编写程序，导入googlenet预训练模型和凸轮轴诊断数据集的训练集，再调整图片大小，使其适应模型并导入、训练，保存网络训练结果，用凸轮轴诊断的测试集对模型结果进行验证，依据验证效果进行更改调整，调整到合适的数值。

技术总结
本发明公开了一种基于时频分析结合卷积神经网络的机械故障诊断方法，属于机械故障诊断技术领域，包括通过传感器采集发动机凸轮轴在正常运行状态下和故障运行状态下的各种振动数据，进行数据预处理，生成正常样本数据集和故障样本数据集，进行时频分析，获取设备故障发生的原因，使用时频分析后的图像对卷积神经网络进行网络模型识别训练，获取设备故障分类的结果，对传感器采集的多维度振动信号数据进行计算，结合获取设备故障分类结果和设备故障发生原因，对发动机凸轮轴的故障诊断，本发明能有效应用于发动机凸轮轴故障诊断，随时添加可识别的故障，加快学习新故障的速度，实现对发动机凸轮轴的故障诊断，节约诊断成本。节约诊断成本。节约诊断成本。


技术研发人员：彭六保 胡勇 曾志生 邴奇
受保护的技术使用者：航天智控（北京）监测技术有限公司
技术研发日：2023.06.08
技术公布日：2023/9/12