详情

原文传递基于改进多尺度CNN的船舶柴油机故障诊断研究

论文题名：	基于改进多尺度CNN的船舶柴油机故障诊断研究
关键词：	船舶柴油机;故障诊断;卷积神经网络;残差网络;注意力机制
摘要：	随着计算机技术的飞速发展，机械设备的故障诊断技术日趋自动化和智能化。中国船级社在《智能船舶规范》中提出的“智能机舱”概念将促进船舶设备智能诊断技术迅速发展。作为船舶的主要动力来源，柴油机及其系统一旦发生故障将危害人员安全，造成经济损失。并且柴油机具有复杂的机体结构，在高温、潮湿、振动剧烈等恶劣工作环境下故障频发。充分运用人工智能技术对柴油机故障进行快速、准确地诊断具有重要意义。　　传统的智能诊断方法依赖人为选择特征和专家知识库，对振动信号特征提取困难，难以满足智能故障诊断的发展需求。基于深度学习的故障诊断方法凭借出色的学习能力能自适应从蕴含丰富信息的振动信号中提取特征，从而高效、准确地完成故障诊断。本文以柴油机振动信号为实验数据，采用深度学习的方法针对柴油机实际工作中强噪声、变工况的问题进行故障诊断研究。本文主要开展的研究工作概括如下：　　（1）阐述柴油机的组成结构和工作原理，对柴油机主要故障模式和特点进行探究。使用故障树分析法对故障高发的燃油系统故障成因进行分析。通过对振动信号的激励源及其在机体中的传播途径进行分析，确定测点位置。　　（2）针对由设备缺陷、环境干扰带来的随机误差，采用最小二乘法和五点三次平滑法对振动信号作预处理。探究卷积神经网络模型原理，采用批标准化和Dropout算法对CNN模型中梯度弥散和过拟合问题进行改善，搭建一维卷积神经网络诊断模型对一维振动信号进行故障诊断研究。　　（3）针对模型训练速度慢、单一尺寸卷积核无法完整提取振动信号中的特征信息等问题，选用最佳优化算法对模型进行改进，提出基于多尺度一维卷积神经网络故障诊断模型。通过对比实验验证Adabound算法能结合Adam和SGD算法的优势，在保持较高准确率的情况下提升训练速度，多尺度特征融合框架可以提取振动信号中不同尺度的互补特征。设置对比实验，验证所提多尺度一维卷积神经网络(Multi-scaleOne-DimensionalConvolutionalNeuralNetwork,MS-1DCNN)模型相较于其它常用诊断模型的识别准确率和稳定性。　　（4）针对柴油机实际工作过程中，被强噪声干扰和工况多变的问题，提出基于多尺度改进残差网络的故障诊断模型。首先采用空洞卷积和带跳跃连接线的残差块对经典残差块进行改进，然后引入挤压和激励、卷积块注意力模块两种注意力机制模块，将它们分别嵌入到改进多尺度一维残差网络模型当中，构建两种多尺度注意力一维空洞残差网络(Multi-scaleAttentionOne-DimensionalDilatedResidualNetwork,MSA-1DDRN)诊断模型。通过实验得到本文模型的最佳空洞率和连接系数，引入评价指标对模型诊断性能进行评估，最后设置抗噪性和变工况实验，验证所提模型在以上条件下仍具有较好的稳定性和诊断性能。
作者：	黄兴烨
专业：	轮机工程
导师：	尚前明
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2022