一种发动机异响识别方法及设备与流程

本技术涉及发动机，尤其涉及发动机异响识别方法及设备。

背景技术：

1、发动机异响是指发动机运行时产生的异常噪音，发动机异响通常是发动机故障的早期警示信号之一，且发动机异响由多种原因引起，包括磨损、松动、损坏、燃烧不完全和润滑不良等，覆盖的系统机构多，产生机理复杂，需要综合考虑多种因素的影响。因此，对发动机异响进行原因分析和识别诊断，对保证发动机的正常可靠运转具有重要的理论和实际意义。

2、目前，可以通过构建异响识别模型对发动机异响进行自动识别和分类，异响识别模型在训练时需要采集大量的发动机信号作为训练数据，但发动机结构复杂多样，且运行工况复杂，信号特征提取困难，采集到的信号质量参差不齐，无法充分利用有效信息，容易造成模型过拟合，识别准确率低。

3、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种发动机异响识别方法及设备，旨在解决现有技术中采集到的发动机信号质量参差不齐，影响异响识别模型识别准确率的技术问题。

2、为实现上述目的，本技术提供了一种发动机异响识别方法，包括：

3、获取发动机在预设状态下的振动信号，将振动信号划分至对应的样本簇，并确定样本簇的簇中心点，预设状态至少包括正常运行状态与异响故障状态；

4、基于样本簇中振动信号与簇中心点之间的最大距离，对样本簇中的振动信号进行筛选，得到目标振动信号；

5、基于目标振动信号，对构建的异响识别模型进行训练；

6、基于训练后的异响识别模型，对发动机进行异响实时监测。

7、在一实施例中，基于样本簇中振动信号与簇中心点之间的最大距离，对样本簇中的振动信号进行筛选，得到目标振动信号的步骤包括：

8、基于样本簇中振动信号与簇中心点之间的距离，确定样本簇的最大距离；

9、基于样本簇的最大距离，确定样本簇的距离筛选阈值；

10、筛选出样本簇中距离小于等于距离筛选阈值的振动信号作为目标振动信号。

11、在一实施例中，基于样本簇的最大距离，确定样本簇的距离筛选阈值的步骤包括：

12、获取最大距离、筛选系数与距离筛选阈值之间的对应关系；

13、基于样本簇的最大距离、筛选系数以及对应关系，确定样本簇的距离筛选阈值。

14、在一实施例中，获取发动机在预设状态下的振动信号，将振动信号划分至对应的样本簇，并确定样本簇的簇中心点的步骤包括：

15、在振动信号中随机选取预设状态对应的簇中心点，并确定振动信号与簇中心点之间的距离；

16、基于振动信号与簇中心点之间的距离，确定振动信号对应的簇中心点，并将振动信号划分至对应簇中心点的样本簇中；

17、基于样本簇中的振动信号，确定样本簇的均值振动信号，将样本簇的均值振动信号作为新的簇中心点；

18、在满足聚类条件时，根据新的簇中心点，更新样本簇，执行基于样本簇中振动信号与簇中心点之间的最大距离，对样本簇中的振动信号进行筛选，得到目标振动信号的步骤；

19、在不满足聚类条件时，返回执行确定振动信号与簇中心点之间的距离的步骤。

20、在一实施例中，基于目标振动信号，对构建的异响识别模型进行训练的步骤包括：

21、对目标振动信号进行图像转换，得到振动图像；

22、基于振动图像，对异响识别模型进行训练。

23、在一实施例中，异响识别模型采用改进的resnet34模型，改进的resnet34模型包括依次连接的区域注意力单元、区域加强决策单元以及原始resnet34模型的分类识别单元，基于振动图像，对异响识别模型进行训练的步骤包括：

24、将决策输入数据输入区域加强决策单元进行处理，得到决策概率；

25、在决策概率大于第一决策权重指标且小于第二决策权重指标时，确定进行区域特征识别并激活区域注意力单元；

26、在激活区域注意力单元时，将振动图像输入区域注意力单元，对振动图像以及振动图像对应的特征区域数据进行卷积变换与融合，得到特征图像，根据激活函数对特征图像进行处理，得到区域注意力图像，根据区域注意力图像得到加权输出数据；

27、将加权输出数据输入分类识别单元进行训练。

28、在一实施例中，将决策输入数据输入区域加强决策单元进行处理，得到决策概率的步骤之后还包括：

29、在决策概率大于等于第二决策权重指标时，确定进行区域特征识别且不激活区域注意力单元，基于存储特征，对特征区域数据进行加强；

30、在决策概率小于等于第一决策权重指标时，确定不进行区域特征识别，将振动图像输入分类识别单元进行训练。

31、在一实施例中，区域加强决策单元包括依次连接的数据处理层、特征融合层、决策计算层以及区域注意力激活层，数据处理层用于对决策输入数据进行特征提取，得到决策特征数据，特征融合层用于对决策特征数据进行信息整合，得到决策特征融合数据，决策计算层用于根据决策特征融合数据，确定决策概率，区域注意力激活层用于根据决策概率，确定是否进行区域特征识别，并确定是否激活区域注意力单元。

32、在一实施例中，异响故障状态至少包括活塞敲缸异响状态、曲轴主轴承异响状态、连杆轴承异响状态、正时齿轮异响状态、正时链条异响状态以及气门异响状态，基于训练后的异响识别模型，对发动机进行异响实时监测之后的步骤包括：

33、在确定发动机处于异响故障状态时，基于异响故障状态对应的优化策略，对发动机进行优化。

34、此外，为实现上述目的，本技术还提出一种发动机异响识别装置，发动机异响识别装置包括：

35、筛选模块，用于获取发动机在预设状态下的振动信号，将振动信号划分至对应的样本簇，并确定样本簇的簇中心点，预设状态至少包括正常运行状态与异响故障状态；

36、筛选模块，还用于基于样本簇中振动信号与簇中心点之间的最大距离，对样本簇中的振动信号进行筛选，得到目标振动信号；

37、训练模块，用于基于目标振动信号，对构建的异响识别模型进行训练；

38、识别模块，用于基于训练后的异响识别模型，对发动机进行异响实时监测。

39、此外，为实现上述目的，本技术还提出一种发动机异响识别设备，该发动机异响识别设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序配置为实现如上文所述的发动机异响识别方法的步骤。

40、此外，为实现上述目的，本发明还提出一种存储介质，存储介质为计算机可读存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上文所述的发动机异响识别方法的步骤。

41、此外，为实现上述目的，本技术还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序被处理器执行时实现如上文所述的发动机异响识别方法的步骤。

42、本技术提供了一种发动机异响识别方法，获取发动机在预设状态下的振动信号，将振动信号划分至对应的样本簇，并确定样本簇的簇中心点，预设状态至少包括正常运行状态与异响故障状态，基于样本簇中振动信号与簇中心点之间的最大距离，对样本簇中的振动信号进行筛选，得到目标振动信号，基于目标振动信号，对构建的异响识别模型进行训练，基于训练后的异响识别模型，对发动机进行异响实时监测。本技术对所有采集到的发动机振动信号进行分析，去除掉质量较低的振动信号，将筛选出的质量较高的振动信号作为训练模型的数据，提升训练数据质量，提升异响识别模型的准确性和泛化性，进而提高识别准确率，解决了采集到的发动机信号质量参差不齐，影响异响识别模型识别准确率的技术问题，提高了模型的识别准确率。