基于声音深度学习的发动机失火故障诊断

doi:10.13733/j.jcam.issn.2095-5553.2024.09.020

摘要/Abstract

摘要：

构建基于深度学习的轻量级卷积神经网络实现发动机声音信号的失火故障检测。运用计算机的麦克风阵列记录发动机不同转速下的正常状态、一缸失火状态、二缸失火状态的声音信号。将声音信号转换成时频图像应用于卷积网络模型的训练、验证和测试。声音时频图像特征提取网络主要由可分离卷积模块构成。特征提取网络连接时频图像分类器，对含有不同个数的特征通道分组卷积模块的网络模型进行训练、验证和测试试验的比较分析。设计的卷积神经网络应用于发动机失火故障检测的准确率达到 99. 60%。网络的计算量小、检测时间短。基于特征通道分组卷积的深度学习网络能够快速地完成对发动机失火故障声音信号的检测诊断，为发动机失火故障的在线实时检测提供智能决策支持。

关键词: 发动机, 失火故障, 深度学习, 特征通道分组卷积, 声音, 时频图像

Abstract:

A lightweight convolutional neural network based on deep learning was constructed to realize misfire fault detection of the engine sound signals. The computer′s microphone array was used to record engine sound signals in different states including normal，one.cylinder misfire and two.cylinder misfire with different engine speeds. These sound signals were then converted into time.frequency images. These images were applied to the training， verification and testing of a convolutional neural network model. The sound time.frequency image feature extraction network is mainly composed of separable convolution modules. The feature extraction network connects the image classifier. Comparative analysis of training，verification，test experiments are conducted on the network model with different numbers of feature channel grouping convolution modules. The designed convolutional neural network has 99. 60% accuracy applying in engine misfire fault detection. The calculation amount of the network is small and the detection time is short. A deep learning neural network based on feature channel packet convolution can quickly complete the detection and diagnosis of the sound signal of engine misfire fault. The method provides intelligent decision support for the online real.time detection of the engine misfire fault. Keywords：engine；misfire fault diagnosis；deep learning；feature channel grouping convolution；sound；time.frequency images

Key words: engine, misfire fault diagnosis, deep learning, feature channel grouping convolution, sound, time.frequency images

中图分类号:

李志臣, 凌秀军, 李鸿秋. 基于声音深度学习的发动机失火故障诊断[J]. 中国农机化学报, 2024, 45(9): 134-140.

Li Zhichen, Ling Xiujun, Li Hongqiu. Engine misfire fault diagnosis based on sound deep learning[J]. Journal of Chinese Agricultural Mechanization, 2024, 45(9): 134-140.

参考文献

［ 1］赵志坚 .汽油机气门间隙异常和失火故障智能诊断方法研究［ D］.北京：北京化工大学， 2021.

［ 2］张康，陶建峰，覃程锦，等 .随机丢弃和批标准化的深度卷积神经网络汽油机失火故障诊断［ J］.西安交通大学学报， 2019，53（8）：159-166.

Zhang Kang，Tao Jianfeng，Qin Chengjin，et al. Diesel engine misfire diagnosis with deep convolutional neural network using dropout and batch normalization［J］. Journal of Xi′an Jiaotong University，2019，53（8）：159-166.

［ 3］孔子迁，邓蕾，汤宝平，等 .基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法［ J］.仪器仪表学报， 2019，40（6）：221-227.

Kong Ziqian， Deng Lei， Tang Baoping， et al. Fault diagnosis of planetary gearbox based on deep learningwith time.frequency fusion and attention mechanism［J］. Chinese Journal of Scientific Instrument，2019，40（6）： 221-227.

［ 4］袁建虎，韩涛，唐建，等 .基于小波时频图和 CNN的滚动轴承智能故障诊断方法［ J］.机械设计与研究， 2017， 33（2）：93-97.

Yuan Jianhu，Han Tao，Tang Jian，et al. An approach to intelligent fault diagnosis of rolling bearing using wavelet time.frequency representations and CNN［J］. Machine Design and Research，2017，33（2）：93-97.

［ 5］高文志，王彦军，王欣伟，等 .基于卷积神经网络的汽油机失火故障实时诊断［ J］.吉林大学学报（工学版）， 2022，52（2）：417-424.

Gao Wenzhi， Wang Yanjun， Wang Xinwei， et al. Real.time diagnosis for misfire fault of diesel engine based on convolutional neural network［J］. Journal of Jilin University（Engineering and Technology Edition）， 2022， 52（2）：417-424.

［ 6］张俊红，孙诗跃，朱小龙，等 .基于改进卷积神经网络的汽油机故障诊断方法研究［ J］.振动与冲击， 2022，41（6）：139-146.

Zhang Junhong，Sun Shiyue，Zhu Xiaolong，et al. Diesel engine fault diagnosis based on an improved convolutional neural network［J］. Vibration and Shock，2022，41（6）： 139-146.

［ 7］Qin C J， Jin Y R， Tao J F， et al. A deep twin convolutional neural networks with multi.domain inputs for strongly noisy diesel engine misfire detection［J］.

Measurement，2021，180：109548.

［ 8］张攀，高文志，高博，等 .基于人工神经网络的汽油机失火故障诊断［ J］.振动、测试与诊断， 2022，40（4）：702-710.

Zhang Pan，Gao Wenzhi，Gao Bo，et al. Misfire detection of diesel engine based on artificial neural networks［J］. Journal of Vibration Measurement & Diagnosis，2022，40（4）：702-710.

［ 9］石新发，邢广笑，贺石中，等 .基于嫡理论和 BP神经网络的船舶汽油机磨损故障识别［ J］.润滑与密封， 2022， 47（7）：54-58.

［10］李泽东，李志农，陶俊勇，等 .基于特征融合的注意力增强卷积神经网络的航空发动机滚动轴承故障诊断方法［ J］.兵工学报， 2022，43（12）： 3229-3239.

［11］李俊，苏凯，张皓光，等 .基于多注意力机制的端到端滚动轴承故障诊断方法［ J］.空军工程大学学报， 2023，24（4）：28-34.

Li Jun，Su Kai，Zhang Haoguang，et al. Multi-attention mechanism based end.to.end rolling bearing fault diagnosis method［J］. Journal of Air Force Engineering，2023，24（4）：28-34.

［12］钱思宇 .滚动轴承故障诊断端到端的卷积神经网络模型和分析［ D］.郑州：郑州大学， 2022.

［13］Viet T， Jaeyoung K， Ali K S， et al. Bearing fault diagnosis under variable speed using convolutional neural networks and the stochastic diagonal Levenberg.Marquardt algorithm［J］. Sensors，2017，17（12）：2834.

［14］聂慧兰 .基于深度神经网络的设备声音故障诊断模型研究［ D］.湘潭：湘潭大学， 2021.

[1]	韩鹏飞, 宋其江, 贾梦实. 基于改进轻量化 EfficientNet-V2模型的小麦种子分类[J]. 中国农机化学报, 2024, 45(9): 111-117.
[2]	桑一男 , 徐增莱 , 汪琼 , 葛海涛 , 王殿广 . 一种轮式采花机器人设计——以黄蜀葵为例[J]. 中国农机化学报, 2024, 45(9): 202-208.
[3]	李邦国, 王辉, 宋杨, 任志伟, 刘跃华, 徐乐程. 基于无人驾驶小麦收割机立体视觉感知系统[J]. 中国农机化学报, 2024, 45(9): 244-249.
[4]	田慧娟, 黄铝文, 田旭, 任烈弘. 基于多传感器融合的牛项圈设计[J]. 中国农机化学报, 2024, 45(8): 77-85.
[5]	许贞辉, 李晓娟. 果园树干检测与导航线拟合算法研究[J]. 中国农机化学报, 2024, 45(8): 217-222.
[6]	胡国玉, 刘广, 周星光, 董娅兰, 周建平, . 基于Swin-TDL算法的果园环境下葡萄病害检测方法[J]. 中国农机化学报, 2024, 45(8): 234-239.
[7]	唐可记, 孙文磊, 杨炀, 孔德龙. 玉米收获机发动机服役状态趋势分析与预警[J]. 中国农机化学报, 2024, 45(7): 160-165.
[8]	吴利刚, 吕媛媛, 周倩, 陈乐, 张梁, 史建华. 基于改进YOLOv5的轻量级黄花成熟检测方法[J]. 中国农机化学报, 2024, 45(7): 235-242.
[9]	张继成, 黄向党. 基于改进YOLOv3的玉米病害识别方法[J]. 中国农机化学报, 2024, 45(7): 269-275.
[10]	雷浩, 苑迎春, 何振学. 基于多尺度卷积和注意力机制的枣品种识别[J]. 中国农机化学报, 2024, 45(6): 135-141.
[11]	崔海朋, 秦朝旭, 马志宇. 基于深度学习的鱼类特征点检测与体征识别方法[J]. 中国农机化学报, 2024, 45(6): 201-207.
[12]	黄尧, 何敬, 付饶, 刘刚, , 林远杨. YOLOv5s-CBAM算法在福寿螺虫卵识别中的应用分析[J]. 中国农机化学报, 2024, 45(6): 223-228.
[13]	陶旭, , 余富强, , 蔡金金, 么炜, , 刘博, . 面向激光雷达点云数据的多结构树种识别[J]. 中国农机化学报, 2024, 45(5): 168-175.
[14]	漆海霞, , , 李承杰, 黄桂珍. 基于轻量化YOLOv4的死淘鸡目标检测算法[J]. 中国农机化学报, 2024, 45(5): 195-201.
[15]	罗鑫, 李加强, 何超. 基于改进YOLOv4的澳洲坚果视觉监测方法[J]. 中国农机化学报, 2024, 45(5): 217-222.