The invention discloses an air path fault identification method in aero engine package line based on ELM filtering algorithm. This method includes: using the Calman filter algorithm to train the ELM model topology parameters, and the ELM model trained by the filtering algorithm is used to identify the gas path fault in the engine package line. The invention solves the problem that the conventional data driven engine fault diagnosis is not strong and accurate in different working points, and is suitable for engine fault pattern recognition in different working points in the flight packet line and the health management and reduction of the engine. The cost of repair has a positive effect.
【技术实现步骤摘要】
一种基于ELM滤波算法的航空发动机包线内气路故障识别方法
本专利技术属于航空发动机气路故障诊断
,尤其涉及一种基于ELM滤波算法的航空发动机包线内气路故障识别方法。
技术介绍
航空发动机作为飞机的心脏,其结构复杂且工作环境恶劣。发动机故障诊断技术是保证发动机性能与可靠性,降低使用维护成本的重要手段。在航空发动机服役过程中,部件性能会发生缓慢退化。此外,还可能发生部件健康参数突变。气路部件故障影响着航空发动机的性能与可靠性,有必要对其进行诊断。极限学习机(ExtremeLearningMachine,ELM)是在神经网络理论基础上发展起来的一种快速学习方法,在数据挖掘、模式识别等领域已有广泛应用。ELM的本质是一个单隐层前馈神经网络(Singlehidden-layerFeed-forwardNetworks,SLFNs)。传统的前馈神经网络由输入层、隐藏层和输出层组成。ELM模型与传统的SLFNs不同的之处在于ELM对应的输入权重和偏置是通过随机赋值产生的,从而形成一个参数固定的线性系统,再用最小二乘方法求解该线性系统。Huang等人通过理论以及大量的仿真实验验证了ELM是一种高效并且有效的学习算法。ELM算法也存在一些缺陷,其随机产生输入权重和偏置的做法给ELM带来了一定的随机性,不同的初始化参数会引起不同的学习效果。并且由于最小二乘算法本身的精度不高,从而影响了ELM模型的稳定性和泛化能力。弥补这个缺陷的方法之一是利用组合神经网络思想,但这种网络结构会是网络结构冗余,同时增加计算复杂度。利用遗传算法或者交叉验证法获得最优的隐藏节点参数也是提高EL ...
【技术保护点】
1.一种基于ELM滤波算法的航空发动机包线内气路故障识别方法,其特征在于:包括以下步骤:步骤1)根据发动机模型在飞行包线内边界点的故障模式数据,采用卡尔曼滤波算法训练ELM模型;步骤2)将滤波算法训练好的ELM模型用于飞行包线内其他工作点的故障模式识别。
【技术特征摘要】
1.一种基于ELM滤波算法的航空发动机包线内气路故障识别方法,其特征在于:包括以下步骤:步骤1)根据发动机模型在飞行包线内边界点的故障模式数据,采用卡尔曼滤波算法训练ELM模型;步骤2)将滤波算法训练好的ELM模型用于飞行包线内其他工作点的故障模式识别。2.根据权利要求1所述的一种基于ELM滤波算法的航空发动机包线内气路故障识别方法,其特征在于:所述步骤1)中利用飞行包线内的边界点的故障模式数据,采用卡尔曼滤波算法训练ELM模型具体步骤如下:步骤1.1)将发动机模型在包线内边界点的故障模式数据进行标准化处理,得到训练样本,所述故障模式数据由各个传感器的测量参数组成;步骤1.2)将ELM模型输入层权值和隐含层偏置随机初始化,隐含层激活函数选取线性修正函数ReLU,代入步骤1.1所得训练样本,计算隐含层输出向量;步骤1.3)采用卡尔曼滤波算法迭代更新ELM模型输出权值向量。3.根据权利要求2所述的一种基于ELM滤波算法的航空发动机包线内气路故障识别方法,其特征在于:所述步骤1.3)中采用卡尔曼滤波算法迭代更新ELM模型输出权值向量具体步骤如下:步骤1.3.1),输出权值向量β随机初始化为零均值的均匀或正态分布的小值随机变量;步骤1.3.2),输出向量误差方差矩阵初始化方法为:C=ξI其中,I为单位矩阵,C为输出权值向量误差方差矩阵,ξ为一个人为设定的小数,其范围为[0.001,0.1];步骤1.3.3)代入训练样本{xk,yk},其中x是输入数据,y是期望输出。根据ELM模型的离散状态方程,计算第k个样...
【专利技术属性】
技术研发人员:鲁峰,吴金栋,黄金泉,吴斌,仇小杰,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。