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

本发明专利技术公开了一种基于ELM滤波算法的航空发动机包线内气路故障识别方法，该方法包括：采用卡尔曼滤波算法训练ELM模型拓扑参数；将滤波算法训练好的ELM模型用于发动机包线内气路故障识别。本发明专利技术解决了现有的包线内航空发动机气路故障诊断中，常规的数据驱动的发动机故障诊断在不同工作点泛化能力不强，精度不高的问题，适用于在飞行包线内不同工作点的发动机故障模式识别，对于发动机健康管理、降低维修成本有着积极促进的作用。

A fault identification method for aero engine envelope based on ELM filtering algorithm

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ELM稳定性的一个举措，但这些算法需要大量的迭代计算，导致学习效率不高。卡尔曼滤波算法是线性最小方差估计的一种递推形式。在随机估计理论中，线性最小方差估计是所有线性估计中的最优者。本专利技术基于卡尔曼滤波算法，将传统的ELM求解算法替换为滤波递推估计的方法，所有训练样本只需一次滤波迭代即可求得ELM的输出权值，提高了ELM模型的稳定性。在此基础上，本专利技术提出了一种基于ELM滤波训练算法的航空发动机气路故障识别方法，提高了发动机在飞行包线内不同工作点故障模式的识别精度。
技术实现思路
针对上述技术问题，本专利技术提供一种基于ELM滤波算法的航空发动机包线内气路故障识别方法，针对ELM网络拓扑参数的随机性带来的学习效果的不稳定性，采用卡尔曼滤波算法取代传统的最小二乘求解方法，有效地提高了ELM模型的稳定性。针对航空发动机在包线内不同的工作点的故障模式设计了基于ELM滤波训练算法的识别方法，有效提高了发动机在飞行包线内不同的工作点故障模式的识别精度。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ELM滤波算法的航空发动机包线内气路故障识别方法，包括以下步骤：步骤1)根据发动机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模型用于包线内其他常用工作点的故障模式识别。进一步的，所述步骤1)中根据发动机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模型具体步骤如下：步骤1.1)将发动机模型在边界点的故障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。进一步的，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个样本对应权值向量的一步预测值和输出层节点输出其中，ELM模型离散状态方程写为：其中，hk为隐含层节点输出向量，ωT和υT是人为引入的过程噪声和观测噪声向量，二者均为白噪声；步骤1.3.4)利用卡尔曼滤波算法原理，迭代更新输出权值向量。进一步的，步骤1.3.4)中所述利用卡尔曼滤波算法原理，迭代更新输出权值向量具体步骤如下：步骤1.3.4.1)计算滤波增益矩阵Gk，具体公式为：Gk＝Ck-1hk·[R+hkTCk-1hk]-1其中，Ck-1为第k-1个样本对应的误差方差矩阵估计值，R为对应的观测噪声的对称正定方差阵；步骤1.3.4.2)更新第k个样本对应的权值向量估计值和误差方差矩阵估计值，具体公式为：其中，是第k-1个样本对应的权值向量估计值，是第k个样本对应的权值向量估计值；Ck-1是第k-1个样本对应的误差方差矩阵估计值，Ck是第k个样本对应的误差方差矩阵估计值。步骤1.3.4.3)迭代更新直至所有样本训练完成。进一步的，步骤2)中所述将滤波算法训练好的ELM模型用于包线内其他常用工作点的故障模式识别具体步骤如下：步骤2.1)，将发动机在包线内其他常用工作点的故障数据进行标准化处理，得到测试样本，所述故障模式数据由各个传感器测量参数组成；步骤2.2)，将标准化后的故障数据代入滤波算法训练完成的ELM模型进行发动机故障模式识别测试。有益效果：1、本专利技术设计的基于ELM滤波算法的航空发动机包线内气路故障识别方法，解决了传统基于数据的故障诊断方法在飞行包线内故障诊断精度不高的问题。所提出的KF-ELM算法与普通ELM相比在提高精度的同时，保证了模型的稳定性和泛化能力。在此基础上所提出航空发动机的故障识别方法，能够很好对飞行包线内航空发动机气路故障模式进行识别。附图说明图1是本专利技术基于ELM滤波训练算法的航空发动机气路故障识别方法流程图。图2涡扇发动机气路工作截面标识图。图3是飞行包线内参考训练点和测试验证点的选取策略。图4是在UCI标准分类问题数据集上，极限学习机的滤波训练算法(KF-ELM)与传统ELM算法的分类精度(Accuracy)比较示意图。图5是在Page数据集上，两种算法的分类精度随训练样本数和隐层节点数的变化趋势比较。图6是在Vehicle数据集上，两种算法的分类精度随训练样本数和隐层节点数的变化趋势比较。具体实施方式下面结合附图对本专利技术的具体实施方式作更进一步的说明。本专利技术说明的一种基于ELM滤波算法的航空发动机包线内气路故障识别方法，具体包括以下步骤：步骤1)根据发动机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1.1)将发动机模型在边界点的故障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。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)，本文档来自技高网...

【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