一种基于孪生支持向量机的航空发动机气路故障诊断方法技术

本发明专利技术公开了一种基于杂交粒子群优化孪生支持向量机算法的航空发动机气路故障诊断新方法。鉴于气路故障在整个航空发动机故障中最为频发以及该领域对智能诊断方法的强烈需求，而TWSVM具有理论计算速度更快以及更好的应对样本不平衡问题的优点，本专利采用TWSVM算法进行航空发动机气路故障诊断研究。本文引入混合核函数改善核函数的性能从而保证TWSVM算法更好地兼顾较强的泛化能力和良好的学习能力。此外使用HPSO优化了TWSVM的相关参数，获得了最优的故障分类模型，实现了高精度的航空发动机气路故障诊断。

【技术实现步骤摘要】

本专利技术属于航空发动机的故障诊断技术，涉及航空发动机故障模型建立，故障诊断规则的获取，故障识别算法及其参数的优化算法。
技术介绍
航空发动机是飞机的心脏，其健康运行对保证飞行安全具有重要意义。从技术手段上确保飞行安全，是航空工业必不可少的内容，一直是航空器设计中的重中之重。据统计，发动机故障在飞行器故障中占很大比重，且常常造成灾难性事故。发动机维修与更换费用非常巨大，占飞机常规维修费用的60％以上。基于此，众多知名航空科研机构一直致力于研发能够及时检测发动机健康状态和准确判断发动机故障类型的技术与装置，从而及时排除发动机故障带来的安全隐患，最大程度上保证飞行安全以及经济运行。此外，在航空发动机故障中，发动机气路故障约占发动机故障总体的90％甚至更多，因此航空发动机气路故障诊断的研究意义重大。航空发动机的故障诊断是一个较为复杂的系统工程，从发动机的故障模型的建立，到特征选择和特征提取，最后到模式识别算法的选择及优化，这是一个有严格先后次序，每一步都紧密联系且需要寻优的复杂过程。在这一系列的技术当中分类模型的性能直接决定航空发动机故障诊断性能。支持向量机算法(SVM)是一种有充分理论支持且分类效果良好的模式识别方法，尤其是在应对小样本分类的航空发动机故障诊断中更为得心应手。目前，其经典方法已在该领域有不少应用。但经典方法也有一些缺点，比如应对大规模数据时其运行速度较慢，在数据不平衡时其分类准确率也难以保证。基于此，我们引入孪生支持向量机(TWSVM)算法，该算法是SVM方法最新发展出来的成果，它的显著特点是突破了经典SVM平行支撑超平面的理论，发展出基于非平行超平面的分类理论和方法。理论研究表明，在等样本二分类的情况下，由于其理论的创新性导致其计算速度是经典SVM的四倍，这一点为提升分类的速率留足了空间。另外，其在应对非平衡问题上的表现也优于经典的SVM。最后，由于其是全新的分类模型，还有其他的特点值得去探究和应用。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种孪生支持向量机算法的航空发动机气路故障诊断新方法，用于解决现有方法对航空发动机气路故障诊断的速度和精度受限的技术问题。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于孪生支持向量机的航空发动机气路故障诊断方法，包括顺序执行的以下步骤：步骤1、使用发动机建模仿真软件GSP建立发动机的部件级仿真模型，然后将不同工况下的各个截面的热力学参数带入事先建立好的影响矩阵方程，从而生成相应工况下的故障诊断影响矩阵；步骤2、建立故障数据集并划分出训练样本和测试样本，通过对故障数据集进行特征提取和特征筛选获得故障判定规则表，将该故障判定规则表中的数据进行归一化处理；步骤3、利用TWSVM对上述故障数据集中的训练样本进行训练，在此过程中，利用超松弛迭代算法求解TWSVM在训练过程中的二次规划问题，同时核函数类型选用混合核函数，并且利用基于杂交粒子群优化方法寻找最优参数从而建立最优分类模型；步骤4、利用建立好的最优分类模型对故障数据集中的测试样本进行分类，并利用交叉验证方法估计测试准确率，得到目标分类模型，后续利用目标分类模型对未知故障进行诊断分类。进一步的，在本专利技术中，步骤3中，选用二次多项式核函数和高斯径向基核函数作为元核函数构造混合核函数K(x,xi)，构造形式如下：K(x,xi)=γ·e(-||x-xi||2/2σ2)+θ·(x·xi+1)2,γ>0,θ>0]]>式中：x,xi为任意两个样本；σ是高斯径向基核函数的标准差；γ表示高斯径向基核函数在混合核函数中所占的比例，θ表示二次多项式核函数在混合核函数中所占的比例；为了确保混合核函数不改变原映射空间的合理性，设定0≤γ,θ≤1且γ+θ＝1。根据Mercer定理，可以很容易的证明形如上式的K(x,xi)函数是一个核函数。令s＝1/2σ2，故混合核函数可以表达为：K(x,xi)=γ·e(-s·||x-xi||2)+(1-γ)·(x·xi+1)2,0≤γ≤1]]>将其应用到TWSVM算法，并应用适当的算法优化两个参数γ和s，通过以下的实验验证，我们可以看到TWSVM算法在引入该混个核函数后有较为明显的性能提升。进一步的，在本专利技术中还运用到杂交粒子群优化方法，这里首先介绍粒子群优化算法，即PSO算法，该算法是由美国电气工程师Eberhart和社会心理学家Kenndy于1995年提出的。该算法是基于鸟类觅食行为所表现出的群智能提出的，是支持向量机参数优化的常用方法之一。Eberhart等人在Heppner的鸟群模型的基础之上进行改进，使粒子能够飞向解空间并且在最优解处降落。该方法的关键在于如何保证粒子降落在最优解处而不是其他某个地方。要达到这一目标，PSO算法巧妙的模拟了鸟群的觅食行为，形成了模型的社会性和个体性，社会性就是粒子之间相互通信并且如同真实社会一样不断向当时的最优粒子学习，而个性是指粒子能找到自己飞行过程中所经历的最优位置，进而为之后的行为提供参考，通过一群粒子的个体性以及社会性的调和，最终达到将粒子降落在最优解处的目的。PSO算法的数学描述为：假设一个n维(也就是寻优目标量的维数)的搜索空间中，由m个粒子组成的种群x＝(x1,x,...,xm)T，其中第i个粒子的位置为xi＝(xi,1,xi,2,...,xi,n)T，其对应的速度为vi＝(vi,1,vi,2,...,vi,n)T，第i个粒子的个体极值点pbesti＝(pbesti,1,pbesti,2,...,pbesti,n)T，种群的全局极值点表示形式为gbest＝(gbest1,gbest2,...,gbestn)T，粒子在找到上述个体极值点和全局极值点之后，根据以下两个公式更新自己的速度和位置，以这种形式表达的PSO算法就是标准的PSO算法：vi,dk+1=ω·vi,dk+c1·rand()(pbesti,dk-xi,dk)+c2·rand()(gbestdk-xi,dk)]]>xi,dk+1=xi,dk+vi,dk+1]]>其中：c1和c2被称为学习因子或加速常数；rand()为介于(0,1)之间的随机数；和分别是粒子i在第k次迭代中第d维的速度和位置；是粒子i在第d维的个体极值点的位置；是种群在第k次迭代中第d维的全局极值点的位置；ω为惯性权重。从以上的粒子进化方程可以看出，c1调节粒子飞向自身最好位置方向的步长，c2调节粒子飞向全局最好位置的飞行步长。PSO算法以其实现容易、精度高、收敛快的优点引起了学术界的广泛重视，并且在解决实际问题中展示了其优秀的性能。但随着寻优问题的复杂度的增加，我们需要不断提高标准PSO算法的性能，于是进行相应的改进势在必行。在改进的方法当中混合PSO方法是其中较为有效的方法之一。混合策略改进PSO就是将其他进化算法或传统优化算法或其他技术应用到PSO中，本文档来自技高网...

【技术保护点】
一种基于孪生支持向量机的航空发动机气路故障诊断方法，其特征在于：包括顺序执行的以下步骤：步骤1、使用发动机建模仿真软件GSP建立发动机的部件级仿真模型，然后将不同工况下的各个截面的热力学参数带入事先建立好的影响矩阵方程，从而生成相应工况下的故障诊断影响矩阵；步骤2、建立故障数据集并划分出训练样本和测试样本，通过对故障数据集进行特征提取和特征筛选获得故障判定规则表，将该故障判定规则表中的数据进行归一化处理；步骤3、利用TWSVM对上述故障数据集中的训练样本进行训练，在此过程中，利用超松弛迭代算法求解TWSVM在训练过程中的二次规划问题，同时核函数类型选用混合核函数，并且利用基于杂交粒子群优化方法寻找最优参数从而建立最优分类模型；步骤4、利用建立好的最优分类模型对故障数据集中的测试样本进行分类，并利用交叉验证方法估计测试准确率，得到目标分类模型，后续利用目标分类模型对未知故障进行诊断分类。

【技术特征摘要】
1.一种基于孪生支持向量机的航空发动机气路故障诊断方法，其特征在于：包括顺序执行的以下步骤：步骤1、使用发动机建模仿真软件GSP建立发动机的部件级仿真模型，然后将不同工况下的各个截面的热力学参数带入事先建立好的影响矩阵方程，从而生成相应工况下的故障诊断影响矩阵；步骤2、建立故障数据集并划分出训练样本和测试样本，通过对故障数据集进行特征提取和特征筛选获得故障判定规则表，将该故障判定规则表中的数据进行归一化处理；步骤3、利用TWSVM对上述故障数据集中的训练样本进行训练，在此过程中，利用超松弛迭代算法求解TWSVM在训练过程中的二次规划问题，同时核函数类型选用混合核函数，并且利用基于杂交粒子群优化方法寻找最优参数从而建立最优分类模型；步骤4、利用建立好的最优分类模型对故障数据集中的测试样本进行分类，并利用交叉验证方法估计测试准确率，得到目标分类模型，后续利用目标分类模型对未知故障进行诊断分类。2.根据权利要求1所述的基于孪生支持向量机的航空发动机气路故障诊断方法，其特征在于：选用二次多项式核函数和高斯径向基核函数作为元核函数构造混合核函数K(x,xi)，构造形式如下：K(x,xi)=γ·e(-||x-xi||2/2σ2)+θ·(x·xi+1)2,γ>0,θ>0]]>式中：x,xi为任意两个样本；σ是高斯径向基核函数的标准差；γ表示高斯径向基核函数在混合核函数中所占的比例，θ表示二次多项式核函数在混合核函数中所占的比例...

【专利技术属性】
技术研发人员：杜彦斌，肖玲斐，胡继祥，何虹兴，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32