面向转子故障声发射检测的深度学习算法研究

• 作 者: 周梦蝶
• 出 处: 东南大学
• 发表日期: 2019年01期
• 关键词: 声发射 故障检测 深度学习 卷积神经网络 循环神经网络

随着工业化的愈发成熟和现代科技的日益进步,大型旋转机械设备在石油化工、航空航天、交通运输、新能源以及民用工程等诸多生产生活领域起着至关重要的作用。因此对于旋转机械的定期维护和故障检测具有重要意义。声发射检测属于无损检测技术的一种,其可以在不破坏组件和保证机器持续、正常运作条件下,利用材料内部缺陷引起的声学信号变化对设备进行故障检测。然而目前声发射信号处理与识别仍多数采用传统信号处理方法,声发射故障检测仍然存在信号特征难以提取、噪声干扰强等痛点。本文利用新兴的深度学习算法来对旋转机械转子声发射信号进行识别和处理,并取得了良好的分类效果,本文的主要工作如下:(1)描述了声发射的研究背景、研究历程和研究意义,介绍了声发射技术的特点和优势,以及常用的声发射信号分析和识别方法。介绍了机器学习、深度学习的发展历程,并对具有代表意义的算法和模型进行了描述。(2)介绍了深度学习算法理论,详细分析了神经网络的输出值前向预测以及误差反向传播机制,总结了深度学习中常用的激活函数与优化算法,为网络模型训练奠定理论基础。引入了一种AutoEncoder-Softmax网络模型,利用自编码器对输入数据进行有效特征提取,用Softmax进行分类识别;通过实验对比了SGD和Adam算法在训练此模型时的误差下降曲线,并给出了其在AE信号分类上的混淆矩阵。(3)提出了一种基于改进卷积神经网络的声发射信号识别方法。传统的卷积神经网络采用层级堆叠结构,对于特定的网络层,难以提取其多尺度的特征。本文的模型引入了Inception结构,使得可以在同一卷积层上提取不同尺度的图像特征;引入1*1卷积来为网络模型添加跨通道信息交互能力和降低特征图的数量。构建转子AE信号的STFT谱图以及其沿时间轴、频率轴的一阶差分作为网络输入,使用全局平均池化来代替全连接层,在降低参数的同时提升了网络的泛化能力。通过与传统声发射信号识别方法的对比验证了模型的有效性。此外,探究了机器转速对转子故障检测的影响,发现在合理范围内提升机器的转速可以提高分类器的识别准确率。(4)探索了一种基于双向长短时记忆网络和卷积神经网络特征融合的声发射信号识别方法。构建了一个BiLSTM-Attention和CNN并联的算法模型架构,在BiLSTMAttention中,使用双向循环神经网络获取帧级特征序列间的上下文信息,使用长短时记忆单元学习帧级特征间的长期依赖关系,使用Attention机制来为每个时间步的隐含状态进行有效加权;使用CNN网络来对输入数据进行空间特征提取;最后将BiLSTMAttention的隐层状态输出和CNN得到的空间特征进行拼接融合,共同输入到Softmax进行分类识别。实验结果证明了此模型可以有效地挖掘包含在不同转子AE信号中的语义信息,且相比于传统RNNs、BiLSTM,模型的分类准确率均得到了有效的提升。