一种基于卷积神经网络的加速度计故障诊断方法

技术领域

本发明涉及一种惯性导航系统中加速度计的故障诊断方法。

背景技术

加速度计在惯性导航系统应用极为广泛，如民航飞机、物流运输无人机和汽车车载导航等领域。加速度计用于惯性导航系统中测量运动体的加速度参数，其工作状态直接影响到惯性导航系统的性能。加速度计在运行过程中会存在随时间缓慢变化的误差，误差累积到一定程度，就容易发生故障，一旦发生故障，引发导航定位失误，甚至可能会导致巨大的灾难性事件。加速度计产生的误差，包含确定性误差与随机性误差，确定性误差包括：安装误差、刻度因子等，由工艺误差或者安装不平衡造成，可以通过提高工艺水平或者外部校准来解决。随机误差是在工作过程中产生，且无确切的规律，很难从外部消除。由于加速度计输出信号是无规则的非线性信号，包含着多种高低频信息，难以对其进行数学建模，加速度计输出信号的特征提取又是故障诊断的关键，其特征提取是否充分关系到故障诊断结果精确度。

目前现有技术的文献与专利涉及到加速度计的故障诊断，大都是基于硬件方法与数据驱动下的信号特征提取方法，存在硬件成本较高或者加速度计输出数据特征提取不充分的问题。

发明内容

本发明的目的是解决加速度计故障诊断过程中信号特征提取不充分、故障诊断精确度不高的问题，提供一种基于卷积神经网络的加速度计故障诊断方法，将加速度计输出信号转化为灰度图像，采用端对端的特征提取方法，输入到卷积神经网络中训练学习，进行故障类型识别与诊断，可以提高加速度计故障诊断精确度。

为解决上述技术问题，本发明采用的技术方案如下：

一种基于卷积神经网络的加速度计故障诊断方法，包括以下步骤：

第一步：对加速度计进行故障类别建模与特征提取；

第二步：搭建CNN卷积神经网络模型并进行训练；

第三步：采用训练的卷积神经网络模型对测试样本进行测试，输出故障诊断结果。

进一步地，第一步，对加速度计进行故障类别建模与特征提取的步骤包括：

将加速度计输出的一维数据转化为灰度图像，信号幅度特征转化为灰度图像像素强度，信号序列特征转化为像素点排列特征。

进一步地，第二步，搭建设定层数的卷积层和池化层，并对各层网络的偏置和权值预定义，对带有故障类别标签的加速度计训练集进行训练，灰度图像经过各层特征图传递，在全连接层得到一个一维向量，最后通过输出层输出实际向量，输出向量与理想向量的差值得到代价误差，代价误差反向传播，不断更新各网络层的参数值，直到达到迭代要求，完成卷积神经网络模型的训练。

进一步地，搭建的卷积神经网络模型，至少包括卷积层、池化层、全连接层和输出层。

进一步地，第一步转化的灰度图像输入到卷积层，卷积操作后加上第一偏置参数得到新的特征图，输入池化层。

进一步地，池化层采用下采样操作，对卷积层的输出平均池化，得到的值加上第二偏置参数输出至下一层。

进一步地，全连接层将上一层输出的特征图进行分类，输入特征和权重向量之间点积计算，再加上第三偏置参数后输出至输出层。

进一步地，输出层输出一维向量，4个节点，对特征图进行分类，输出维数对应加速度计故障类别数目，输出向量的每个元素值表示所属故障类别的概率；输出值最大的元素对应的故障类别即为加速度计故障类型。

进一步地，第三步中，将测试样本输入到训练好的卷积神经网络模型中，输出值最大的元素对应的故障类别即表示模型诊断结果，将模型诊断结果与实际测试样本所带的故障类别标签对比，统计正确率。

本发明所达到的有益效果：

1.本发明是建立一种端对端的加速度计信号特征提取方法，将一维数据转化为灰度图像，没有任何重要的原始数据或特征预处理，特征提取充分，图像分类、检测的性能明显超越传统基于人工选取特征的算法。

2.本发明相比现有技术中的信号处理方法，不依赖工程人员的先验经验，消除了手动提取信号特征的消极影响。

3.本发明采用卷积神经对图片训练学习，提高了加速度计故障诊断大量样本的处理能力，提高了加速度计故障诊断精确度。

附图说明

图1是时间序列转化为灰度图像；

图2是5层卷积神经网络拓扑图；

图3是时间序列转化为32*32维灰度图像；

图4是本发明整体方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的目的是解决加速度计故障诊断过程中信号特征提取不充分的问题。加速度计输出的数据是不规则、非线性的信号，提取加速度计信号特征采用信号处理方法时，信号处理方法选取依赖工程人员的先验经验，例如采用小波变换分解信号为小波分量时，小波基的选取比较艰难，需要一定的知识经验；利用EMD(Empirical Mode Decomposition)经验模态分解方法分解加速度计输出信息为一系列包含不同频率信息的分量时，尽管EMD相比小波变换在处理分非线性信号方面具有一定的优势，但EMD分解仍然会存在模态混叠的问题。针对上述加速度计提取特征方法存在的消极影响，本发明建立一种端对端的加速度计信号特征提取方法，将加速度计输出的一维数据转化为灰度图像，信号幅度特征转化为灰度图像像素强度、信号序列特征转化为像素点排列特征，以充分提取到加速度计信号特征，利于后续卷积神经网络进行故障诊断。

如图4所示，本发明是建立一种端对端的加速度计信号特征提取方法，首先对加速度计数据故障建模，并将一维数据转化为灰度图像，然后采用卷积神经网络训练样本，最后利用训练好的卷积神经网络对测试样本进行故障诊断。具体方法如下：

第一步：对加速度计进行故障类别建模与特征提取。分析加速度计典型的误差类型，如：角速度随机游走、量化噪声、零偏不稳定性和加速度随机游走等，各种噪声误差用Allan方差分析(Allan方差是将随机噪声的均方差表达成平均时间函数的一种方法)，Allan方差总和用各项噪声的平方和近似，如下公式：

其中，

对上式子拟合可得：

其中，A

按照各类误差数学描述，将误差项叠加到正常信号上作为故障信号，根据相关文献，按照以下方式生成误差模型，如表1所示：

表1误差类型数学描述

按照上表数学描述方式，将误差类型叠加在正常输出的加速度计信号上，得到四种故障模拟信号，并将原始信号转化为二维灰度图像。如图1所示，信号时间序列按照顺序填充图像的像素，假设原始信号为y

其中，M的取值取决于加速度计信号数据量，round函数是一个四舍五入函数，整个公式是将时间信号幅值转化为像素强度，并归一化为0至255的像素强度，同时将信号序列特征转化为像素排列特征。

本发明以n为32为例进行说明，如图3所示，将加速度计一维数据转化为32*32维的灰度图像，样本随机的按照一定比例分为训练集与测试集，用于后续的卷积神经网络训练与测试。

第二步：CNN(Convolutional Neural Networks)卷积神经网络的搭建与网络模型训练。搭建一定层数的卷积层和池化层，并对各层网络的偏置和权值预先定义，对带有故障类别标签的加速度计训练集进行训练，灰度图像经过各层特征图传递，在全连接层得到一个一维向量，最后通过输出层输出实际向量，输出向量与理想向量的差值得到代价误差，代价误差反向传播，不断更新各网络层的参数值，达到调整网络的目的。如图2所示，本实施例中选择5层卷积神经网络，既能完全的获取图像的内在特征，又能减少网络层数过多带来的训练复杂度。5层卷积神经网络详细训练过程如下：

卷积层1：32*32维灰度图片输入到卷积层1，卷积核大小为5*5，卷积操作滑动步长设置为1，通过一组权值共享，输入的特征面与卷积核局部连接，卷积操作之后加上偏置参数得到新的特征图，此层输出特征图的尺寸为28*28维。

池化层1：池化层采用的是下采样操作，采样大小为2*2，每次滑动2个像素，卷积层1输出的4个节点求和取平均(平均池化)，得到的值加上偏置参数作为输出，即下一层的输入。此层输入特征图尺寸大小为28*28，输出特征图尺寸大小为14*14。

卷积层2：此层参数设置与卷积层1参数一致，进行卷积操作。输入层特征图尺寸大小为14*14，输出层特征图尺寸大小为10*10。

池化层2：此层参数设置与池化层1一致，同样采用平均值采样，输入层特征图尺寸大小为10*10，输出层特征图尺寸大小为5*5。

卷积层3：此层参数设置与前两层卷积层参数设置一致，输入层特征图尺寸大小为5*5，输出层特征图尺寸大小为1*1。

全连接层：此层作用是将特征图进行分类，输入特征和权重向量之间的点积，再加上一个偏置输出，此层设置为86个节点。

输出层：加速度计故障为4类，分别是：角速度随机游走、量化噪声、零偏不稳定性和加速度随机游走，故此层设置输出4个节点，输出层采用softmax逻辑回归并对特征图分类，输出维数对应加速度计故障类别数目，输出向量的每个元素值表示所属故障类别的概率，所有类别对应的概率和为1。输出值最大的元素对应的故障类别即为加速度计故障类型。

如此重复，直到代价函数达到迭代要求，卷积神经网络训练完成，得到合适的网络模型。

第三步：卷积神经网络对测试集的测试。利用第二步中训练好的卷积神经网络对加速度计测试集的灰度图片进行测试，将测试灰度图片输入到训练好的卷积神经网络中，输出层输出一维向量，四个节点，对应四种加速度计故障类别，四个节点对应的概率和为1。其中，输出值最大的元素对应的故障类别即表示模型诊断结果，将模型诊断结果与实际样本所带的故障类别标签对比，统计正确率。多次测试，统计故障诊断精确度。

本发明与现有技术相比，没有任何重要的原始数据或特征预处理，可以消除人工提取信号特征带来的消极影响，节省了选取体征提取方法选取时间，直接将信号特征转化为图像像素特征，特征提取比较充分，利用卷积神经网络对图像良好的辨别能力，能够提高故障诊断精确度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。