一种飞机发动机瞬态故障检测的方法技术

本发明专利技术提出一种飞机发动机瞬态故障检测的方法，首先利用基于马氏自适应Hessian局部线性嵌入特征提取器对飞机发动机转速数据提取显著特征；然后，将特征提取后的结果，利用自适应BP神经网络分类器，分析确定故障是否在瞬态下产生；最后，将检测到的故障用一个诊断系统进行处理产生一个维修指导。本发明专利技术解决了现有飞机发动机故障检测，仅仅局限于基于稳定状态下采集发动机数据，进而进行故障检测的问题。本发明专利技术采用马氏自适应Hessian局部线性嵌入(Mahalanobis Adaptive Hessian Locally Linear Embedding,MAHLLE)和自适应BP(BackPropagation)神经网络相结合的飞机发动机瞬态故障检测的方法，提出一种飞机发动机瞬态故障检测的方法框架，能够有效地提升飞机发动机在瞬态情况下的故障检测性能。

【技术实现步骤摘要】
一种飞机发动机瞬态故障检测的方法
本专利技术涉及故障诊断
，具体为一种飞机发动机瞬态故障检测的方法。
技术介绍
现代飞机的复杂度日益增高，这就导致了人们对能自动检测飞机故障系统的需求也愈发强烈。这些故障检测系统被设计出来，用以监测飞机在这些系统中的状态，以检测潜在的故障，从而使得潜在的故障在可能导致更严重的系统故障之前被处理掉，如在飞行中停机，起飞中止，延误或取消航班等。发动机是飞机中一个特别重要的组成部分，因此飞机发动机的故障检测方法是飞机故障检测系统中的一个重要组成部分。传统发动机故障检测仅仅局限于那些基于在稳定状态下采集发动机数据，进而进行故障检测的方法。虽然这些方法能够有效地检测到稳态运行过程中表现出的故障症状，但是并不能有效地检测出其在稳定状态且无任何症状下出现故障，即瞬态故障的情况。与此同时，其他故障可能根本不会在稳态运行期间表现出症状。综上所述，目前的故障检测方法并不能一致地检测出所有可能影响发动机运行的潜在故障，对于往往表现在发动机启动特性中的早期故障更是如此。因此，现在所需要的就是，用于检测发生在瞬态条件下，如发动机启动时的改进的故障检测方法。
技术实现思路
为了解决现有飞机发动机故障检测中，仅仅局限于基于稳定状态下采集发动机数据，进而进行故障检测的问题，本专利技术提出一种飞机发动机瞬态故障检测的方法，采用马氏自适应Hessian局部线性嵌入(MahalanobisAdaptiveHessianLocallyLinearEmbedding,MAHLLE)和自适应BP神经网络相结合的方法实现飞机发动机瞬态故障的检测。本专利技术的特征提取采用了基于MAHLLE的流行学习方法，从发动机传感器数据中提取显著特征。本专利技术将自适应流形学习和马氏距离学习的优点结合起来，改进了流形学习在数据降维中的性能，再将降维后的数据应用于分类以提高故障诊断精度。本专利技术的技术方案为：所述一种飞机发动机瞬态故障检测的方法，其特征在于：包括以下步骤：步骤1：获取带有故障标签的飞机发动机转速数据；步骤2：以步骤1获取的发动机转速数据中前若干秒数据作为样本集，样本集合为其中N为带有故障标签的发动机转速数据的数据组个数，xi为其中一组转速数据，xi中包含n个转速数据点；对样本集合X构建约束点对must-link集合：M＝{(xk,xj)|xk,xj均为正常或均为故障状态下的数据}和cannot-link集合：C＝{(xm,xn)|xm,xn为一个在正常状态下，另一个在故障状态下的数据}；步骤3：根据主成分分析中固有维数的计算方法，计算N维样本集合的目标维数d，其中要求前d个维数的累计贡献率达到95％以上；步骤4：计算约束点对的协方差矩阵，并求出马氏距离矩阵A：步骤4.1：计算M集合中的点对的平方距离和：其中是集合M中点对的协方差矩阵，并计算的秩r；同时计算C集合中的点对的平方距离和：其中步骤4.2：根据优化形式对W进行求解，其中W*为求解出的最优解，I是单位矩阵：步骤4.2.1：若d>n-r，则进行以下步骤4.2.1.1～步骤4.2.1.5，否则执行步骤4.2.1.6；步骤4.2.1.1：令其中α1,…,αd是的特征值按从大到小排列时的前d个特征值，β1,…,βd是的特征值按从小到大排列时的前d个特征值，符号←表示将后侧值赋给前侧参数；步骤4.2.1.2：若λ2-λ1＞ε，则进行下一步，否则直接跳入步骤4.2.1.5，ε为误差常数；步骤4.2.1.3：通过公式计算g(λ)；如果g(λ)＞0，λ←0.5*(λ1+λ2)，λ1←λ，否则λ←0.5*(λ1+λ2)，λ2←λ；步骤4.2.1.4：λ←0.5*(λ1+λ2)，返回步骤4.2.1进行判断；步骤4.2.1.5：取W*＝[μ1,…,μd]，其中μ1,…,μd是d个特征向量，对应的是的特征值按照从大到小排列时的前d个特征值；步骤4.2.1.6：取W*＝Z×[v1,...,vd]，其中V＝[v1,...,vd]，V由的特征值按照从大到小排列时的前d个特征值所对应的特征向量组成；Z＝[z1,...,zn-r]，Z由的n-r个零特征值所对应的特征向量组成；步骤4.3：根据公式得到马氏距离矩阵A；步骤5：利用K近邻方法对马氏距离矩阵A进行处理，完成样本自适应邻域的选择；其中K近邻方法的初始参数为kmax：步骤5.1：初始化k＝kmax，根据马氏距离矩阵A计算样本集合X中各元素之间的马氏距离，用K近邻方法找到每个样本xi的最大近邻点集里面的向量从左到右的顺序按照马氏距离进行升序排列步骤5.2：计算的奇异值和其中I为单位矩阵，e为元素为1的向量，是第i个样本xi对应的第h个近邻点的奇异值；步骤5.3：如果则样本自适应邻域选择完成，进入步骤6，其中样本xi的自适应邻域选择为Xi，η为判断阈值，0＜η＜1，否则进入步骤5.4；步骤5.4：如果k＞kmin，则删除掉的最后一列得到以为样本xi的新的最大近邻点集，并且k←k-1，然后跳转到步骤5.2，其中kmin＝d+1或者d+2；否则进入步骤5.5；步骤5.5：计算并且样本自适应邻域选择完成，进入步骤6，其中样本xi的自适应邻域选择为Xi；步骤6：将步骤5选好的样本自适应邻域用Hessian局部线性嵌入的流形学习算法计算，得到样本的目标维数d的特征嵌入；步骤7：将步骤6得到的样本的目标维数d的特征嵌入代入到自适应BP神经网络分类器中对分类器进行训练，得到训练好的分类器；步骤8：将待测试的飞机发动机转速数据代入步骤7得到的分类器，得到分类结果，并根据分类结果判断故障是否在瞬态下产生。有益效果本专利技术所述的飞机发动机瞬态故障的检测方法针对飞机发动机瞬态故障检测问题，采用了MAHLLE对原始数据进行降维，简化计算量，并且对数据进行预处理，便于后续分类器的识别，又采用了自适应BP神经网络的分类器，该分类器具有较强的信息处理能力，能够提高分类精度，为发动机瞬态故障检测提供良好的方法框架。因此，飞机发动机瞬时故障检测方法实现了改进的针对发动机瞬态的故障检测。附图说明图1是一个典型的涡轮发动机在启动过程中的转速情况说明图；图2是一个瞬态故障检测的方法示意图；图3是一个基于马氏距离的自适应Hessian局部线性嵌入算法框架图；图4是一个瞬态故障检测方法训练的示意图。具体实施方式下面结合附图对本专利技术的内容作进一步详细说明：瞬态故障检测方法可以被用来检测各种各样发生在瞬态条件下的故障。特别适用的一个领域是涡轮发动机的启动时刻。其他领域也包括从发动机地面慢车到最大速度飞行和从飞行慢车到巡航这期间的瞬态变化。如附图1所示，是一个典型的涡轮发动机在启动过程中的转速情况说明图。图1阐释了在启动时，发动机转速归一化值关于时间归一化的函数，时间轴的最大值为20秒。启动过程中顺序如下：启动过程开始于转动发动机压缩机并且点火器开关接通时，导致点火器火花塞点火。在接近满发动机转速的10％即0.1时，点火系统被接通。随着点火系统成功完成熄灭，燃烧器是能够维持燃烧的。在点火系统熄灭后，发动机排气温度(EGT)急剧上升，故EGT的快速增长可以为点火系统熄灭提供指示。发动机启动器继续给发动机提供旋转扭矩使得发动机速度不断提高，涡轮发动机然后开始给系统提供动能。在达到大约35％的发本文档来自技高网...

【技术保护点】
一种飞机发动机瞬态故障检测的方法，其特征在于：包括以下步骤：步骤1：获取带有故障标签的飞机发动机转速数据；步骤2：以步骤1获取的发动机转速数据中前若干秒数据作为样本集，样本集合为其中N为带有故障标签的发动机转速数据的数据组个数，xi为其中一组转速数据，xi中包含n个转速数据点；对样本集合X构建约束点对must‑link集合：M＝{(xk,xj)|xk,xj均为正常或均为故障状态下的数据}和cannot‑link集合：C＝{(xm,xn)|xm,xn为一个在正常状态下，另一个在故障状态下的数据}；步骤3：根据主成分分析中固有维数的计算方法，计算N维样本集合的目标维数d，其中要求前d个维数的累计贡献率达到95％以上；步骤4：计算约束点对的协方差矩阵，并求出马氏距离矩阵A：步骤4.1：计算M集合中的点对的平方距离和：dw=Σ(xk,xj)∈M(WTxk-WTxj)T(WTxk-WTxj)=tr(WTS^wW)]]>其中是集合M中点对的协方差矩阵，S^w=Σ(xk,xj)∈M(xk-xj)(xk-xj)T,]]>并计算的秩r；同时计算C集合中的点对的平方距离和：其中S^b=Σ(xm,xn)∈C(xm-xn)(xm-xn)T;]]>步骤4.2：根据优化形式W*=argmaxWTW=Itr(WTS^bW)(WTS^wW),s.t.WTW=I]]>对W进行求解，其中W*为求解出的最优解，I是单位矩阵：步骤4.2.1：若d>n‑r，则进行以下步骤4.2.1.1～步骤4.2.1.5，否则执行步骤4.2.1.6；步骤4.2.1.1：令λ1←tr(S^b)/tr(S^w),λ2←(Σc=1dαc)/(Σc=1dβc),]]>λ←(λ1+λ2)/2；其中α1,...,αd是的特征值按从大到小排列时的前d个特征值，β1,...,βd是的特征值按从小到大排列时的前d个特征值，符号←表示将后侧值赋给前侧参数；步骤4.2.1.2：若λ2‑λ1＞ε，则进行下一步，否则直接跳入步骤4.2.1.5，ε为误差常数；步骤4.2.1.3：通过公式g(λ)=maxWTW=Itr(WT(S^b-λS^w)W),]]>计算g(λ)；如果g(λ)＞0，λ←0.5*(λ1+λ2)，λ1←λ，否则λ←0.5*(λ1+λ2)，λ2←λ；步骤4.2.1.4：λ←0.5*(λ1+λ2)，返回步骤4.2.1进行判断；步骤4.2.1.5：取W*＝[μ1,...,μd]，其中μ1,...,μd是d个特征向量，对应的是的特征值按照从大到小排列时的前d个特征值；步骤4.2.1.6：取W*＝Z×[v1,...,vd]，其中V＝[v1,...,vd]，V由的特征值按照从大到小排列时的前d个特征值所对应的特征向量组成；Z＝[z1,...,zn‑r]，Z由的n‑r个零特征值所对应的特征向量组成；步骤4.3：根据公式A=W*(W*)Tifd<nIifd=n]]>得到马氏距离矩阵A；步骤5：利用K近邻方法对马氏距离矩阵A进行处理，完成样本自适应邻域的选择；其中K近邻方法的初始参数为kmax：步骤5.1：初始化k＝kmax，根据马氏距离矩阵A计算样本集合X中各元素之间的马氏距离，用K近邻方法找到每个样本xi的最大近邻点集里面的向量从左到右的顺序按照马氏距离进行升序排列步骤5.2：计算Xik(I-eeT/k)]]>的奇异值和rik=Σh>d(σhi)2/Σh≤d(σhi)2,]]>其中I为单位矩阵，e为元素为1的向量，是第i个样本xi对应的第h个近邻点的奇异值；步骤5.3：如果则样本自适应邻域选择完成，进入步骤6，其中样本xi的自适应邻域选择为Xi，η为判断阈值，0＜η＜1，否则进入步骤5.4；步骤5.4：如果k＞kmin，则删除掉的最后一列得到以为样本xi的新的最大近邻点集，并且k←k‑1，然后跳转到步骤5.2，其中kmin＝d+1或者d+2；否则进入步骤5.5；步骤5.5：计算并且样本自适应邻域选择完成，进入步骤6，其中样本xi的自适应邻域选择为Xi；步骤6：将步骤5选好的样本自适应邻域用Hessian局部线性嵌入的流形学习算法计算，得到样本的目标维数d的特征嵌入；步骤7：将步骤6得到的样本的目标维数d的特征嵌入代入到自适应BP神经网络分类器中对分类器进行训练，得到训练好的分类器；步骤8：将待测试的飞机发动机转速数据代入步骤7得到的分类器，得到分类结果，并根据分类结果判断故障是否在瞬态下产生。...

【技术特征摘要】
1.一种飞机发动机瞬态故障检测的方法，其特征在于：包括以下步骤：步骤1：获取带有故障标签的飞机发动机转速数据；步骤2：以步骤1获取的发动机转速数据中前若干秒数据作为样本集，样本集合为其中N为带有故障标签的发动机转速数据的数据组个数，xi为其中一组转速数据，xi中包含n个转速数据点；对样本集合X构建约束点对must-link集合：M＝{(xk,xj)|xk,xj均为正常或均为故障状态下的数据}和cannot-link集合：C＝{(xm,xn)|xm,xn为一个在正常状态下，另一个在故障状态下的数据}；步骤3：根据主成分分析中固有维数的计算方法，计算N维样本集合的目标维数d，其中要求前d个维数的累计贡献率达到95％以上；步骤4：计算约束点对的协方差矩阵，并求出马氏距离矩阵A：步骤4.1：计算M集合中的点对的平方距离和：其中是集合M中点对的协方差矩阵，并计算的秩r；同时计算C集合中的点对的平方距离和：其中步骤4.2：根据优化形式对W进行求解，其中W*为求解出的最优解，I是单位矩阵：步骤4.2.1：若d>n-r，则进行以下步骤4.2.1.1～步骤4.2.1.5，否则执行步骤4.2.1.6；步骤4.2.1.1：令λ←(λ1+λ2)/2；其中α1,...,αd是的特征值按从大到小排列时的前d个特征值，β1,...,βd是的特征值按从小到大排列时的前d个特征值，符号←表示将后侧值赋给前侧参数；步骤4.2.1.2：若λ2-λ1＞ε，则进行下一步，否则直接跳入步骤4.2.1.5，ε为误差常数；步骤4.2.1.3：通过公式

【专利技术属性】
技术研发人员：刘贞报，李洋，布树辉，张超，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61