一种基于小波去噪网络的航空发动机锥齿轮故障诊断方法

1.本公开属于信号处理分析与故障诊断领域，具体涉及一种基于小波去噪网络的航空发动机锥齿轮故障诊断方法。


背景技术：

2.作为飞机的心脏，航空发动机的可靠运行是保障飞机安全的重要一环。作为航空发动机的动力传递环节，锥齿轮的健康状态实时评估对于评估传动系统的可靠性十分重要。目前，随着智能故障诊断的发展，深度网络在构建智能故障诊断诊断模型中占据主导地位。目前虽然已经存在一些航空发动机锥齿轮故障诊断的智能算法，但航空发动机属于重大装备，其安装保障技术需要具备足够的可信赖度，而基于深度学习的诊断模型属于数据驱动的黑箱模型，算法构建难以像信号处理技术一般具有高稳定性与可信赖度，无法满足航空发动机的服役安全保障技术的需求。
3.与此同时，航空发动机复杂的机体结构导致信号传递路径复杂且干扰较多，发动机振动测点较少，多源信号耦合现象严重，上诉因素导致所采集的数据质量差且噪声干扰大。深度学习网络虽能实现端到端的自动化特征提取，但其抗噪性能不足，容易对噪声过拟合，在数据质量较差以及噪声干扰大的情况下难以提取故障特征。因此不具备强泛化性，难以应用于实际故障诊断。
4.除此之外，还存在一些技术将信号处理技术作为前处理，将提取特征输入深度网络以提高网络泛化性能。但这种诊断模式对数据前处理阶段要求较高，需要较强的相关领域专业知识以及耗时的参数选择与调整才能通过相关信号处理技术获取较好的特征。
5.在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。


技术实现要素：

6.针对现有技术中的不足，本公开的目的在于提出一种基于小波去噪网络的航空发动机锥齿轮故障诊断方法，该方法通过引入小波变换、置零去噪、不同尺度小波系数选择技术，能够提高故障诊断的抗噪性、诊断准确率及诊断稳定性。
7.为实现上述目的，本公开提供以下技术方案：
8.一种基于小波去噪网络的航空发动机锥齿轮故障诊断方法，包括如下步骤：
9.s100：采集待测航空发动机锥齿轮振动信号并进行分段；
10.s200：构建故障诊断模型并进行训练；
11.s300：基于训练好的故障诊断模型对分段后的振动信号进行检测，输出振动信号的不同故障类别的概率，其中，概率最大值即为锥齿轮的故障类别。
12.优选的，步骤s200中，所述故障诊断模型包括：
13.小波卷积模块，用于对分段后的振动信号进行一维小波卷积分解，以获得小波系数；
14.去噪模块，用于对小波系数进行置零去噪处理，以获得去噪后的小波系数；
15.加权模块，用于获取能表征去噪后的小波系数重要性的权重，并根据权重对去噪后的小波系数进行加权，以获得加权后的小波系数；
16.识别模块，用于根据加权后的小波系数获得不同故障状态概率，以实现对锥齿轮的故障识别。
17.优选的，通过一维小波卷积对分段后的振动信号进行一维小波卷积分解，一维小波卷积表示为：
18.w＝x*ψ
′
(a)
19.其中，w为通过一维卷积获得的小波系数，w维度为c
×
l，c为小波基个数，l为获得的小波系数长度，*为卷积，x为分段划分后的振动信号样本，ψ
′
(.)为多种小波基线性加权融合构成的卷积核，其自变量为尺度参数a。
20.优选的，通过以下步骤对小波系数进行置零去噪处理：
21.s2011：通过一维卷积conv(.)获取小波系数尺度内关系，并输出是否进行置零处理的判断；
22.s2012：通过全连接网络fc(
·
)获取小波系数尺度间关系，并输出是否进行置零处理的判断；
23.s2013：综合步骤s2011与s2022的尺度内和尺度间是否进行置零处理的判断，计算小波系数对应的进行置零处理的概率φ0以及不进行置零处理保留原值的概率φ1；
24.s2014：根据概率[φ0，φ1]对小波系数进行置零去噪操作，以获得去噪后的小波系数。
[0025]
优选的，通过以下步骤获得加权后的小波系数：
[0026]
s2021：计算各尺度小波系数能量；
[0027]
s2022：基于各尺度小波系数能量，通过一维卷积获取各尺度小波系数重要性指标；
[0028]
s2023：基于重要性指标对置零处理后的各尺度小波系数进行线性加权，以获得加权后的小波系数。
[0029]
优选的，步骤s200中，所述故障诊断模型的训练过程包括如下步骤：
[0030]
s201：将已知故障的振动信号进行分段，将分段后的振动信号划分为训练集和测试集，并标注对应的故障状态标签；
[0031]
s202：利用训练集对故障诊断模型进行训练，当网络训练损失最小时，模型训练完成；否则调整网络参数重新训练，直至网络训练损失达到最小；
[0032]
s203：利用测试集对训练后的模型进行测试，当测试准确率达到90％及以上时，测试完成，则获得训练好的故障诊断模型。
[0033]
优选的，步骤s202中，所述网络训练损失记为l，表示为：
[0034][0035]
其中，l
cls
为根据交叉熵计算得到的故障分类诊断损失，n为锥齿轮故障类别数，yi与分别为第i种故障类型对应的标签值以及网络输出的故障概率，l
dr
与l
sk
分别为控制降
噪率的损失与控制尺度优化的谱峭度优化损失，α与β为可通过网格搜索优化的超参数，y＝[y1，y2，...，yn]为数据x所对应真实故障状态标签。
[0036]
本公开还提供一种基于小波去噪网络的航空发动机锥齿轮故障诊断装置，包括：
[0037]
采集模块，用于采集待测航空发动机锥齿轮振动信号并进行分段；
[0038]
训练模块，用于对所构建的故障诊断模型进行训练；
[0039]
检测模块，用于基于训练好的故障诊断模型对分段后的振动信号进行检测，以输出振动信号的不同故障类别的概率。
[0040]
本公开还提供一种计算机介质，包括：
[0041]
存储器，用于存储多条计算机指令；
[0042]
处理器，用于指令计算机指令，以实现如前任意一项所述的方法。
[0043]
与现有技术相比，本公开带来的有益效果为：
[0044]
1、相比传统方法，本公开充分考虑了信号处理技术与深度学习网络用于故障诊断的优缺点，通过引入小波变换、置零去噪、不同尺度小波系数选择技术，将信号处理与深度学习网络的数据驱动能力有机结合，提高了故障诊断技术的抗噪性、诊断准确率及诊断稳定性。
[0045]
2、考虑到小波基在小波变换处理信号中的重要作用，实际应用需要专家经验判断合适的小波基，通过引入小波基重要性度量与线性加权合成的方式，使得小波变换能够在网络训练过程中通过计算使用合适的小波基进行信号分解。
[0046]
3、考虑到小波尺度对应故障特征提取频带，需要专家经验选择，通过将尺度参数可学习化，数据驱动选择合适的小波尺度，并通过对应的谱峭度对学习过程进行约束。在学习出一系列合适尺度后，通过深度学习网络基于能量对尺度对应的小波系数再次加权选择。
[0047]
4、考虑到置零去噪函数设计需要专家经验，在考虑到尺度内和尺度间关系的同时，使用深度学习网络作为经验函数从数据中确定置零去噪操作。
附图说明
[0048]
图1是本公开一个实施例提供的一种基于小波去噪网络的航空发动机锥齿轮故障诊断方法的流程图；
[0049]
图2是锥齿轮振动信号样本示意图；
[0050]
图3是网络基于权重使用待选小波基加权生成新小波基的示意图；
[0051]
图4是图2中信号经小波卷积模块产生的小波系数的示意图；
[0052]
图5是图4信号经去噪模块去噪后的小波系数示意图；
[0053]
图6是图5信号经加权模块加权后的小波系数示意图；
[0054]
图7是训练后的识别模块根据输入的64个降噪加权后的小波系数得出的故障概率柱形图；
[0055]
图8是多种模型在不同信噪比下诊断准确率对比示意图；
[0056]
图9是不同模型在变工况测试条件下的诊断准确率稳定性示意图。
具体实施方式
[0057]
下面将参照附图1至图9详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0058]
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
[0059]
为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。
[0060]
一个实施例中，如图1所示，本公开提出一种基于小波去噪网络的航空发动机锥齿轮故障诊断方法，包括如下步骤：
[0061]
s100：采集待测航空发动机锥齿轮振动信号并进行分段；
[0062]
s200：构建故障诊断模型并进行训练；
[0063]
s300：基于训练好的故障诊断模型对分段后的振动信号进行检测，并输出振动信号的不同故障类别的概率，其中，概率最大值即为锥齿轮的实际故障。
[0064]
上述实施例构成了本公开的完整技术方案。本公开充分考虑了信号处理技术与深度学习网络用于故障诊断的优缺点，通过引入小波变换、置零去噪、不同尺度小波系数选择技术，将信号处理与深度学习网络的数据驱动能力有机结合，提高了故障诊断技术的抗噪性、诊断准确率及诊断稳定性。
[0065]
另一个实施例中，步骤s200中，所述故障诊断模型包括：
[0066]
小波卷积模块，用于对分段后的振动信号进行一维小波卷积分解，以获得小波系数；
[0067]
去噪模块，用于对小波系数进行置零去噪处理，以获得去噪后的小波系数；
[0068]
加权模块，用于获取能表征去噪后的小波系数重要性的权重，并根据权重对去噪后的小波系数进行加权，以获得加权后的小波系数；
[0069]
识别模块，用于根据加权后的小波系数获得不同故障状态概率，以实现对锥齿轮的故障识别。所述识别模块可由依次连接的batch normalization层，relu激活函数，步长为2的最大池化层，卷积核为5的一维卷积层，batch normalization层，relu激活函数，自适应池化层，全连接层，relu激活函数，输出维度为n的全连接层和softmax概率归一化层组成。该模块的输入为加权处理后的小波系数，输出为其中，n为故障状态类别数，分别为对应锥齿轮第一种故障状态与最后一种故障状态的概率值。
[0070]
另一个实施例中，通过一维小波卷积对分段后的振动信号进行一维小波卷积分解，具体为：
[0071]
w＝x*ψ
′
(a)
[0072]
其中，w为通过一维卷积获得的小波系数，w维度为c
×
l，c为小波基个数，l为获得的小波系数长度，*为卷积，x为分段划分后的振动信号样本，ψ
′
(
·
)为多种小波基线性加权融合构成的卷积核，其自变量为尺度参数a。
[0073]
需要说明的是，尺度参数a由网络训练确定，谱峭度约束损失l
sk
用于最佳尺度的优化，其计算公式为：
[0074][0075][0076]
其中，hilbert(
·
)算子为hilbert变换，为去噪后的小波系数，为的包络系数，为第i个尺度上的小波系数，l为其长度。
[0077]
还需要说明的是，小波卷积时使用的c个小波基ψ
′
＝{ψ
′1，ψ
′2，...，ψ
′c}由o种待选小波基{ψ1，ψ2，
…
，ψo}线性加权得到，其中，第i个小波基ψ
′i计算公式为：
[0078][0079]
其中，ψn为第n个待选小波基，pi＝[p
i，1
，p
i，2
，
…
，p
i，o
]为第i个小波基ψ
′i对应的权重向量，其中p
i，n
为第n个待选小波基对应权重，c个小波基共需c个权重向量{p1，p2，...，pc}，p
i，n
由待选小波基组{ψ1，ψ2，
…
，ψo}内第i个小波基ψi与第n个小波基ψn计算相似度得到，其计算公式为：
[0080]
p
i，n
＝softmax(-104||ψ
i-ψn||2)，i，n＝1，2，...，o
[0081]
其中，|| ||2为二范数计算，即欧式距离；softmax(
·
)为softmax函数。
[0082]
由o种小波基共产生o个权重向量{p1，p2，...，po}，对其进行重要性评估选择出c个权重向量{p1，p2，...，pc}。其重要性评估方式如下，由kl散度d
kl
度量第n个向量pn与权重向量组{p1，p2，...，po}中所有权重向量之间的差异，其平均值作为单个权重向量pn的重要性指标in，则第n个权重pn对应的的重要性指标in计算公式如下：
[0083][0084]
其中，d
kl
(
·
||
·
)为度量两个向量的kl散度计算公式，pm为{p1，p2，...，po}中第m个权重，p
n，l
为pn＝[p
n，1
，p
n，2
，
…
，p
n，o
]中第l个权重值，p
m，l
为pm权重向量中的第m个值。
[0085]
按重要性对i＝{i1，i2，...，io}降序排序，选择前c个对应的权重向量组成权重集合{p1，p2，...，pc}，生成对应的小波基组ψ
′
。
[0086]
另一个实施例中，通过以下步骤对小波系数进行置零去噪处理：
[0087]
s2011：通过一维卷积conv(
·
)进行局部卷积，以获取小波系数尺度内关系，并输出是否进行置零处理的概率[ι0，ι1]，即[ι0，ι1]＝conv(w)，其中，w为小波系数，conv()为一维卷积层，ι0为进行小波系数置零的概率，ι1为系数保留不变的概率，即ι0＞ι1时，将对应小
波系数置零，否则保留原值。ι0，ι1维度为1
×
l，小波系数w维度为c
×
l，ι0，ι1在小波系数长度维度l上与系数w一一对应给出是否进行置零判断，在全尺度维度c使用同一概率ι0，ι1。
[0088]
s2012：通过全连接网络fc(
·
)获取小波系数尺度间关系，并输出是否进行置零处理的概率[γ0，γ1]，即其中，w1，wc分别为第一个尺度对应的小波系数和第c个尺度对应的小波系数，γ0为进行小波系数置零处理的概率，γ1为系数保留不变的判断，即γ0＞γ1时，对小波系数置零，否则保留原值。
[0089]
s2013：综合步骤s2011与s2022的尺度内和尺度间关系是否进行置零处理的概率，计算小波系数对应的的进行置零处理的概率φ0以及保留原值的概率φ1，即，[φ0，φ1]＝softmax(ι0 γ0，ι1 γ1)，其中，φ0，φ1的维度都为1
×
l，在长度维度上与小波系数为一一对应关系。
[0090]
s2014：在去噪网络训练过程中，对卷积层和全连接层构建降噪约束损失，以实现指定的去噪率，便于控制网络的去噪能力。根据概率[φ0，φ1]对小波系数进行置零操作，以获得去噪后的小波系数置零去噪操作具体如下所示：
[0091][0092]
其中，
⊙
为哈达马积，h为采样结果，且h表示为：
[0093]
h＝gumbel-softmax(φ0，φ1)，h∈{0，1}
[0094]
其中，gumbel-softmax(
·
，
·
)为根据概率在gumbel分布中的采样策略，其根据概率[φ0，φ1]大小在gumbel分布采样并输出置零处理判断h，当h＝0时进行置零处理，当h＝1保留小波系数。在去噪网络测试集阶段，当φ0＞φ1时，输出h＝0，当φ0＜φ1，输出h＝1。
[0095]
该步骤中，降噪约束损失l
dr
表示为：
[0096][0097]
其中，r
actual
为目前网络的去噪率，由网络目前的置零处理判断h计算得到，h∈{0，1}的维度为l，l也为单个尺度下小波系数的长度，r
target
为网络的预期去噪率，信号噪声大时设置较大的去噪率，信号噪声小时设置较小的去噪率，预期去噪率需提前设定。
[0098]
另一个实施例中，通过以下步骤获得加权后的小波系数：
[0099]
s2021：计算各尺度小波系数能量e＝{e1，e2，...，ec}；
[0100]
该步骤中，小波系数能量通过下式计算：
[0101][0102]
其中，为第一个尺度的置零处理后的小波系数，e1表示第一个尺度对应的小波系数的能量，依次类推；下标1、2、c表示尺度序号。
[0103]
s2022：基于各尺度小波系数能量，通过一维卷积获取各尺度小波系数重要性指标ω；
[0104]
该步骤中，重要性指标ω表示为：
[0105]
ω＝sigmoid(conv(e))
[0106]
其中，ω＝[ω1，ω2，...，ωc]，ω1，ωc分别为第1个和第c个尺度的小波系数重要性指标，sigmoid(
·
)为sigmoid激活函数，一维卷积conv(
·
)的输入维度为1
×
c，输出维度也为1
×
c。
[0107]
需要说明的是，用于计算重要性指标ω的一维卷积的卷积核应较小，卷积核大小为3
×
1，卷积步长为1。
[0108]
s2023：基于重要性指标对置零处理后的各尺度小波系数进行线性加权，以获得加权后的小波系数
[0109]
该步骤中，加权后的小波系数表示为：
[0110][0111]
其中，ω为小波系数重要性指标；为置零处理后的小波系数。
[0112]
另一个实施例中，步骤s200中，所述故障诊断模型的训练过程包括如下步骤：
[0113]
s201：将已知故障的振动信号进行分段，将分段后的振动信号划分为训练集和测试集，并标注对应的故障状态标签；
[0114]
该步骤中，将所采集的航空发动机锥齿轮振动信号按照固定采样时间长短无重叠分割为网络处理的样本，即其中n
train
与n
test
分别为训练集和测试集样本数量，一般设置为4∶1。故障状态标签与样本一一对应，即对于单个样本x对应的标签y，网络训练时y需转换为one-hot编码格式y＝[y1，y2，...，yn]，其中n为故障状态类别数。若x属于第k种故障状态，则：
[0115][0116]
此外，需要说明的是，故障模型对于输入信号的长度有要求，为固定值。一般输入长度设置为1024个点，所以需要对采集的信号分段然后才能输入模型训练。
[0117]
s202：利用训练集对故障诊断模型进行训练，当网络训练损失最小时，模型训练完成；否则调整网络参数重新训练，直至网络训练损失达到最小；
[0118]
s203：利用测试集对训练后的模型进行测试，当测试准确率达到90％及以上时，测试完成，则获得训练好的故障诊断模型。
[0119]
另一个实施例中，步骤s202中，所述网络训练损失记为l，表示为：
[0120][0121]
其中，l
cls
为根据交叉熵计算得到的故障分类诊断损失，n为锥齿轮故障类别数，yi与分别为第i种故障类型对应的标签值以及网络输出的故障概率，l
dr
与l
sk
分别为控制降噪率的损失与控制尺度优化的谱峭度优化损失，α与β为可通过网格搜索优化的超参数，y＝[y1，y2，...，yn]为数据x所对应真实故障状态标签，其采用one-hot编码，若x属于第k种故障状态，则：
[0122][0123]
另一个实施例中，本公开还提供一种基于小波去噪网络的航空发动机锥齿轮故障诊断装置，包括：
[0124]
采集模块，用于采集待测航空发动机锥齿轮振动信号并进行分段；
[0125]
训练模块，用于对所构建的故障诊断模型进行训练；
[0126]
检测模块，用于基于训练好的故障诊断模型对分段后的振动信号进行检测，以输出振动信号的不同故障类别的概率。
[0127]
另一个实施例中，本公开还提供一种计算机介质，包括：
[0128]
存储器，用于存储多条计算机指令；
[0129]
处理器，用于指令计算机指令，以实现如前任意一项所述的方法。
[0130]
下面结合图2至图9对本公开所述技术方案作进一步描述。
[0131]
在某型航空发动机锥齿路故障测试试验台上设置4种不同故障状态的锥齿轮实验，每组分别在5种转速下运行，数据集如表1所示例。
[0132]
表1
[0133][0134]
图2是输入网络的锥齿轮振动信号样本，其故障为小端崩坏，在1500r/min转速下采集得到，其长度为1024。
[0135]
图3是网络基于权重使用待选小波基加权生成新小波基的示意图，图左侧为本模型中选取的44个不同尺度的laplace小波，42个不同尺度的morlet小波，42个不同尺度的mexhat小波，共组成128个待选小波基库。本公开提出的模型根据小波基间的差异性计算重要性权重p，从而加权求和生成64个新的小波基用于小波卷积并获得64个小波系数。图中右侧为根据第一个待选小波基权重p
1，1
到最后一个待选小波基权重p
1，128
生成第一个新小波基ψ
′1的示意图。其余网络训练设置参数如表2所示。
[0136]
表2
[0137]
训练epoch30
优化器adam降噪率0.2网络输入样本长度1024学习率0.0001batchsize64α0.05β0.005
[0138]
图4是如图2所示信号由训练后的小波卷积模块产生的64个小波系数中的一个。由小波卷积模块共能生成64个如图3右侧所示新小波，图2信号与之卷积对应产生64个小波系数，总维度为64
×
995，其中小波系数长度995。图4中示意的仅为64个小波系数中的一个，经过卷积后，图2所示的输入锥齿轮信号明显发生差异，其周期性冲击更强，特征更加明显。
[0139]
图5为图4信号由训练后的去噪模块去噪后的小波系数。其去噪决策由图4信号本身以及其余63个小波系数共同决定。相比于图4信号，图5降噪后的信号噪声更小，系数更加稀疏且冲击更加明显(如420-500点处两冲击间的系数幅值削减，突出冲击信号)，并且信号整体幅值也增大，从而提高了诊断模型特征提取能力以及对噪声的鲁棒性。
[0140]
图6为图5信号由训练后的加权模块对去噪后的小波加权后的信号。权重由网络基于此段信号能量计算得出，由于此段信号其特征明显，加权权重共计为2，因此其所有点幅值为图5的2倍。
[0141]
图7为训练后的识别模块，根据输入的64个降噪加权后的小波系数得出的故障概率柱形图。输出结果为[0.02％，0％，0％，99.98％]，属于表l所示的第4类故障，与输入信号故障状态一致，诊断正确。
[0142]
图8是多种模型在不同信噪比下诊断准确率对比示意图。其中，dfawnet为本公开提出的基于小波降噪滤波的诊断模型。对比模型为与本模型结构层数相当的cnn，以及对噪声鲁棒的宽核卷积网络wcnn，深度残差收缩降噪网络dsn，以及以laplace小波卷积核作为卷积层，但将尺度与平移参数都离散可学习的wn。其中，由于试验台采集环境较好，噪声相比实际运行工况明显不足，因此，不同信噪比的高斯噪声(-2db，0db，2db)被添加进原始信号模拟含噪信号并测试方法对噪声的鲁棒性。由图8可以看出，dfawnet在不同信噪比下性能表现最好，且准确率随信噪比降低其准确率下降也较少。在-2db情况下，诊断准确率比普通cnn高26.5％，而将普通小波函数作为卷积核的wn网络其在不同噪声下表现都很差，充分说明本方法对噪声是鲁棒的。
[0143]
图9是不同模型在变工况测试条件下的诊断准确率稳定性示意图。1500rpm为原始工况，其他转速设置为变工况检测条件。从图中可以看出，本公开所示方法不仅在变工况下诊断精度最高，且诊断的稳定性也最好。除此之外，对比了所有方法在稳定工况下诊断精度和变工况下的诊断精度，如表3所示，本公开所提供的方法在稳定工况下诊断准确率最高，且从稳定工况诊断到变工况下的诊断准确率下降最低。
[0144]
表3
[0145]
模型稳定工况变工况性能下降cnn92.1165.6926.43wcnn94.7465.9728.77
dsn94.6964.0630.63wn93.3765.7227.62dfawnet98.0883.6814.40
[0146]
虽然已结合附图对本发明内容及实施例进行了详细描述，但本发明不局限于上述具体实施方案与应用领域，在不脱离本发明原理与精神的情况下，对本发明专利做出的多种形式的替换以修改，均受到本发明的保护。