亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于門控雙卷積神經(jīng)網(wǎng)絡(luò)的機動車發(fā)動機故障檢測

        2022-03-15 10:44:52鮑文霞楊先軍
        關(guān)鍵詞:特征提取準(zhǔn)確率卷積

        鮑文霞,劉 楊,楊先軍,梁 棟

        (1.安徽大學(xué) 計算智能與信號處理教育部重點實驗室,安徽 合肥 230601;2.中國科學(xué)院 合肥物質(zhì)科學(xué)研究院,安徽 合肥 230031)

        機動車是人們出行不可或缺的交通工具,行駛里程達(dá)到一定數(shù)值后機動車發(fā)動機易出現(xiàn)故障.出行前對機動車發(fā)動機進(jìn)行健康診斷是保障安全出行重要的一環(huán),經(jīng)驗豐富的維修工通過聆聽機動車發(fā)動機工作時的聲音就可大概判斷其健康狀況.但是,人工檢查人力成本高、檢測效率低,故需使用自動檢測.

        機動車發(fā)動機故障自動檢測可分為以下3步:信號采集、特征提取及故障檢測.首先,根據(jù)所檢測的故障種類采集不同的數(shù)據(jù),包括振動、聲學(xué)、電流、速度、溫度等,其中振動數(shù)據(jù)最為常見;然后,采用信號處理技術(shù)以及主成分分析 (principal component analysis, 簡稱PCA)等方法,從采集數(shù)據(jù)中提取特征;最后,使用支持向量機(support vector machine, 簡稱SVM)等方法檢測[1-4].傳統(tǒng)的特征提取方法有如下缺點:①找到恰當(dāng)特征需要精深的專業(yè)知識;②依靠已有評價標(biāo)準(zhǔn),很難生成新的有用特征;③對于機械系統(tǒng)物理狀態(tài)變化非常敏感,部件及故障變化需要特征提取方法和評價標(biāo)準(zhǔn)隨之變化,故魯棒性差.

        為了克服傳統(tǒng)特征提取方法的這些缺點,科研人員使用深度學(xué)習(xí)進(jìn)行故障檢測.文獻(xiàn)[5]基于深度置信網(wǎng)絡(luò)的非線性時間序列建模,通過威布爾分布檢測軸承的健康狀態(tài)并進(jìn)行分類.文獻(xiàn)[6]提取振動數(shù)據(jù)的時域和頻域特征,然后將其送入卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, 簡稱CNN),最后對齒輪箱的故障進(jìn)行識別和分類.文獻(xiàn)[7]提出了一種新的軸承故障智能診斷方法,該方法將SDP(symmetrized dot pattern)與SE-CNN(squeeze-and-excitation-enabled convolutional neural network)結(jié)合,分類準(zhǔn)確率達(dá)99%.文獻(xiàn)[8]提出了基于威布爾分布和深度置信網(wǎng)絡(luò)的方法,對軸承狀態(tài)進(jìn)行分類,結(jié)果表明該方法具有良好的性能.文獻(xiàn)[9]提出了基于小波包能量圖像和深度卷積網(wǎng)絡(luò)能量波動多尺度特征的挖掘方法,對主軸軸承故障進(jìn)行診斷.文獻(xiàn)[10]提出了CNN與門控循環(huán)單元(gated recurrent unit,簡稱GRU)結(jié)合的方法,對齒輪點蝕故障進(jìn)行診斷,相對于CNN及GRU,所提方法的診斷準(zhǔn)確率更高.

        傳統(tǒng)的故障檢測方法大多使用振動信號數(shù)據(jù),利用聲信號數(shù)據(jù)的較少.相比于振動信號數(shù)據(jù),聲信號數(shù)據(jù)更容易獲取且成本低廉,更適合大規(guī)模應(yīng)用[11].因此,該文擬提出基于聲信號的門控雙卷積神經(jīng)網(wǎng)絡(luò)機動車發(fā)動機故障檢測方法.

        1 數(shù)據(jù)獲取與預(yù)處理

        1.1 數(shù)據(jù)獲取

        利用自行設(shè)計的聲信號采集終端,對101臺大型運輸車的發(fā)動機聲信號進(jìn)行采集.大部分車輛的行駛里程為1 000~50 000 km,為了進(jìn)行比較,也包含了少量新車數(shù)據(jù).考慮到車輛情況及外部噪聲對數(shù)據(jù)采集的干擾,將采集終端安裝于離發(fā)動機1 m處.采集的聲信號數(shù)據(jù)的詳細(xì)信息如表1所示.

        表1 采集的聲信號數(shù)據(jù)的詳細(xì)信息

        1.2 數(shù)據(jù)預(yù)處理

        使用深度卷積網(wǎng)絡(luò)對聲信號數(shù)據(jù)進(jìn)行檢測時有兩種方法:一種是直接對輸入信號進(jìn)行處理,另一種是先提取音頻特征后處理.最常用的特征是梅爾頻率倒譜系數(shù)(Mel-scale frequency cepstral coefficients,簡稱MFCC)[12],因其具有優(yōu)異的抗噪性,在故障檢測方面有廣泛應(yīng)用[13].MFCC特征提取的流程如圖1所示.

        圖1 MFCC特征提取的流程圖

        圖2為兩類聲信號數(shù)據(jù)預(yù)處理前的時域圖和預(yù)處理后的梅爾頻譜圖.由圖2可以看出,使用預(yù)處理后的梅爾頻譜圖更易區(qū)分正常音頻與故障音頻.

        圖2 正常音頻的時域圖(a)和梅爾頻譜圖(b);故障音頻的時域圖(c)和梅爾頻譜圖(d)

        2 門控雙卷積神經(jīng)網(wǎng)絡(luò)

        2.1 門控卷積神經(jīng)網(wǎng)絡(luò)

        CNN是一種常用的權(quán)重共享深度學(xué)習(xí)算法,已廣泛應(yīng)用于圖像處理、語音識別、故障檢測等領(lǐng)域[14].在故障檢測方面,與傳統(tǒng)機器學(xué)習(xí)方法比較,CNN有強大的特征提取能力,因而有較好的檢測效果[15-16].

        門控卷積神經(jīng)網(wǎng)絡(luò)(gated convolutional neural networks, 簡稱Gated CNN)是在CNN的基礎(chǔ)上做了部分改進(jìn)得到的網(wǎng)絡(luò).Gated CNN由輸入層、卷積層、門控開關(guān)、池化層、全連接層以及輸出層組成,其部分結(jié)構(gòu)如圖3所示.

        圖3 Gated CNN的部分結(jié)構(gòu)

        2.2 門控雙卷積神經(jīng)網(wǎng)絡(luò)

        不同于語音識別,發(fā)動機聲信號不能分割為單個詞向量,應(yīng)用Gated CNN不能提取故障聲信號的關(guān)鍵特征,從而影響檢測的準(zhǔn)確率,因此該文對Gated CNN的結(jié)構(gòu)進(jìn)行了改進(jìn),提出了門控雙卷積神經(jīng)網(wǎng)絡(luò)(gated double convolutional neural networks, 簡稱Gated DCNN).門控雙卷積神經(jīng)網(wǎng)絡(luò)同樣包括輸入層、卷積層、門控開關(guān)、池化層、全連接層以及輸出層,只是在Gated CNN輸入層后新增了1個卷積層及1個池化層.為了研究不同的門控數(shù)量和位置對于網(wǎng)絡(luò)性能的影響,設(shè)計了兩種門控雙卷積神經(jīng)網(wǎng)絡(luò).第1種門控雙卷積神經(jīng)網(wǎng)絡(luò)Gated DCNN 1的結(jié)構(gòu)如圖4所示.

        圖4 Gated DCNN 1的結(jié)構(gòu)

        第2種門控雙卷積神經(jīng)網(wǎng)絡(luò)Gated DCNN 2的結(jié)構(gòu)如圖5所示.對比圖4,5可知, Gated DCNN 1只在第2層卷積后設(shè)置了門控,而Gated DCNN 2在兩層的卷積后均設(shè)置了門控.

        圖5 Gated DCNN 2 的結(jié)構(gòu)

        3 機動車發(fā)動機故障檢測流程

        對采集到的聲信號數(shù)據(jù)進(jìn)行MFCC特征提取后,使用門控雙卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到故障檢測模型,用檢測模型進(jìn)行檢測,得到檢測結(jié)果.圖6為機動車發(fā)動機故障檢測流程圖.

        圖6 機動車發(fā)動機故障檢測流程圖

        4 實驗結(jié)果及分析

        硬件配置為:GeForce RTX 2070、內(nèi)存8 GB.運行環(huán)境為Ubuntu 16.04,使用的語言為Python 3.6,深度學(xué)習(xí)框架為TensorFlow 1.14.采用準(zhǔn)確率評價故障檢測的效果,其表達(dá)式為

        該文使用的CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表2所示.

        表2 CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

        4.1 正常及故障發(fā)動機聲信號檢測

        表3為不同時長下不同方法對正常及故障發(fā)動機聲信號檢測的準(zhǔn)確率.由表2可知:SVM的檢測準(zhǔn)確率最低;該文方法除了10 s時長的準(zhǔn)確率比雙層CNN稍低外,其他的均較高;Gated DCNN 1的10,15 s時長的準(zhǔn)確率均比Gated DCNN 2對應(yīng)的高.

        表3 不同時長下不同方法對正常及故障發(fā)動機聲信號檢測的準(zhǔn)確率 %

        4.2 發(fā)動機工作狀態(tài)及故障類型檢測

        為檢測發(fā)動機故障的不同類型,同時也為分辨發(fā)動機的不同工作狀態(tài),將原始數(shù)據(jù)分為以下4類:正常狀態(tài)下的怠速和加速、故障狀態(tài)下的1個缸不工作和2個缸不工作.表4為不同時長下不同方法對發(fā)動機工作狀態(tài)及故障類型檢測的準(zhǔn)確率.

        表4 不同時長下不同方法對發(fā)動機工作狀態(tài)及故障類型檢測的準(zhǔn)確率 %

        由表4可知,SVM的檢測準(zhǔn)確率最低,該文方法準(zhǔn)確率最高,其中Gated DCNN 1的10,15 s時長的準(zhǔn)確率均比Gated DCNN 2對應(yīng)的高.

        4.3 加噪和調(diào)音后的檢測準(zhǔn)確率

        為了驗證方法的魯棒性,通過加噪和調(diào)音對音頻數(shù)據(jù)進(jìn)行調(diào)整.加噪系數(shù)分別為0.01,0.03,0.05,調(diào)音系數(shù)分別為0.5,1.5,2.0.數(shù)據(jù)集的劃分及發(fā)動機故障類型不變,只將劃分后數(shù)據(jù)的一半替換為調(diào)整數(shù)據(jù).圖7為加噪后的檢測準(zhǔn)確率.由圖7可知:隨著加噪系數(shù)的增大,檢測準(zhǔn)確率隨之下降;該文方法在加噪系數(shù)較小時有較高的檢測準(zhǔn)確率,但加噪系數(shù)較大時,檢測準(zhǔn)確率有明顯的下降;雙層CNN及單層CNN+門控方法在加噪系數(shù)較小時檢測準(zhǔn)確率均有明顯的下降,故其魯棒性不如該文方法;對比2種門控雙卷積神經(jīng)網(wǎng)絡(luò)方法的準(zhǔn)確率,Gated DCNN 1略優(yōu)于Gated DCNN 2.

        圖7 不同方法加噪后的檢測準(zhǔn)確率

        表5為不同方法調(diào)音后的檢測準(zhǔn)確率.由表5可知:與加噪相比,調(diào)音對于檢測準(zhǔn)確率的影響較?。辉撐姆椒ㄔ谡{(diào)音時檢測準(zhǔn)確率不受影響,表明該文方法有好的魯棒性;雙層CNN及單層CNN+門控方法的檢測準(zhǔn)確率均略有下降,故其魯棒性相對較差.

        表5 不同方法調(diào)音后的檢測準(zhǔn)確率 %

        4.4 不同訓(xùn)練數(shù)據(jù)量的檢測準(zhǔn)確率

        圖10為2種門控雙卷積神經(jīng)網(wǎng)絡(luò)方法不同訓(xùn)練數(shù)據(jù)量的檢測準(zhǔn)確率.由圖8可知:隨著訓(xùn)練數(shù)據(jù)量的增大,2種門控雙卷積神經(jīng)網(wǎng)絡(luò)方法檢測準(zhǔn)確率均單調(diào)遞增;當(dāng)訓(xùn)練數(shù)據(jù)量達(dá)到一定值后,檢測準(zhǔn)確率的上升變平緩;達(dá)到閾值后,Gated DCNN 1的準(zhǔn)確率比Gated DCNN 2的準(zhǔn)確率高.

        圖8 不同訓(xùn)練數(shù)據(jù)量的檢測準(zhǔn)確率

        5 結(jié)束語

        該文采集并構(gòu)建了一個包含正常和故障機動車發(fā)動機的聲信號數(shù)據(jù)集,提出了基于門控雙卷積神經(jīng)網(wǎng)絡(luò)的機動車發(fā)動機故障檢測方法,研究了門控數(shù)量和位置對網(wǎng)絡(luò)性能的影響.對比不同方法的實驗結(jié)果可知:SVM的檢測準(zhǔn)確率最低,該文方法的檢測準(zhǔn)確率最高;對聲信號進(jìn)行加噪和調(diào)音時,該文方法表現(xiàn)出好的魯棒性.該研究結(jié)果可為基于聲信號的故障檢測提供理論依據(jù)和技術(shù)支撐.

        猜你喜歡
        特征提取準(zhǔn)確率卷積
        基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
        乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
        健康之家(2021年19期)2021-05-23 11:17:39
        不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
        2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗分析
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        基于Daubechies(dbN)的飛行器音頻特征提取
        電子制作(2018年19期)2018-11-14 02:37:08
        高速公路車牌識別標(biāo)識站準(zhǔn)確率驗證法
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        Bagging RCSP腦電特征提取算法
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        精品久久亚洲中文无码| 日本女优在线一区二区三区| 高潮抽搐潮喷毛片在线播放| 中日av乱码一区二区三区乱码| 国产尤物二区三区在线观看| 亚洲综合一区二区三区久久| 国产av一区二区三区无码野战| 免费看泡妞视频app| 性一交一乱一伦一视频一二三区| 日本97色视频日本熟妇视频| 亚洲精品无码不卡| 少妇放荡的呻吟干柴烈火动漫| 国产亚洲精品福利在线| 操国产丝袜露脸在线播放| 国产69精品久久久久9999apgf | 宅宅午夜无码一区二区三区| 丝袜美腿亚洲综合第一页| 狠狠噜狠狠狠狠丁香五月| 丝袜足控一区二区三区| 国产精品久久一区性色a| 亚洲国产色婷婷久久精品| 小蜜被两老头吸奶头在线观看| 亚洲久无码中文字幕热| av在线不卡一区二区三区| 激情综合色综合啪啪开心| 人妻无码久久一区二区三区免费| 国产亚洲欧美在线播放网站| 国产精品女同一区二区软件| 无码人妻少妇久久中文字幕蜜桃| 极品尤物高潮潮喷在线视频| 青青草视频国产在线观看| 伊人久久这里只有精品| 东北老女人高潮疯狂过瘾对白| 亚洲av乱码专区国产乱码| 日日噜噜噜夜夜狠狠久久蜜桃| 一本色道久久爱88av| 久久亚洲黄色| 国内偷拍视频一区二区| 久久99精品久久久久久琪琪| 亚洲精品久久无码av片软件| 果冻国产一区二区三区 |