一种航空发动机多故障并发诊断方法技术

本发明专利技术提供一种航空发动机多故障并发诊断方法，根据所需诊断的发动机对象子部件数目来确定总体标签数目q，再据此数目来建立总体目标函数，而该目标函数又可以分解为q个独立的子问题，子问题可以用基本的分类算法解决，例如SVM。当发动机训练数据集为类不平衡时，可对每个以SVM作为基本分类算法的子目标函数分别添加不同的惩罚因子以保持子分类边界位于理想位置，建立分类效果优良的子分类器，消除了经典SVM对所有误差都是同一个惩罚系数施加在类不平衡数据中不便调整子分类边界至理想位置的缺陷。将得到的q个子分类器综合以得到总体分类器。最终的总体分类器即可以诊断出航空发动机多故障并发实例，又可以诊断出航空发动机单故障实例。

【技术实现步骤摘要】
一种航空发动机多故障并发诊断方法
本专利技术针对航空发动机多故障并发诊断，利用多标签学习(Multi-labellearning)策略与支持向量机(SupportVectorMachine)结合而提出的改进算法来解决航空发动机多故障并发诊断等领域内存在的技术难题。
技术介绍
航空发动机故障诊断系统作为发动机健康管理系统的有效组成部分之一，一直都是工业界和学术界的关注热点，而发动机气路部件故障发生概率可以占到发动机总体故障的90％以上，因此建立对气路部件故障诊断的有效方法就显得尤为重要。目前，对发动机故障诊断的可行方法主要集中在基于模型的方法和数据驱动的方法。基于模型的方法主要根据真实发动机运行状况而建立起发动机数学模型来对发动机健康状况做出判断，这种方法需要研究人员对发动机工作原理十分熟悉，但是随着发动机自身的不断创新与改进，建立精准模型的难度也在不断提升，模型中存在的不确定性以及系统非线性复杂度越来越高，都会影响这种方法的判断准确度，另外需要指出的就是这种方法对于不同型号发动机需要建立不同的数学模型。数据驱动的方法可以根据发动机传感器的实时数据以及历史收集数据来对目标进行故障检测与隔离，这种方法可以克服之前所述方法存在的困难，只要选择有效的机器学习算法并加以改进就可以完成对不同型号发动机故障诊断任务，本专利技术采用数据驱动的办法来解决发动机气路故障诊断中存在的问题。传统的数据驱动航空发动机气路部件故障诊断机器学习算法为有监督型的单标签学习算法，常见方法主要有神经网络、极限学习机和支持向量机等。神经网络算法可以避免发动机建模过程中复杂度与非线性过高所带来的问题，但是这种方法需要大量数据来训练隐含层与输出层节点权重参数，运用梯度下降的方法求解模型使得训练时间过长，并且最终结果容易陷入局部最优。极限学习机是一种简单的单隐藏层前馈神经网络，这种模型训练简单，并且当隐含层节点大于一定数目时，模型输出可以以零误差逼近训练样本，但是这种方法往往存在过拟合的风险。支持向量机作为经典的二分类算法，在处理中小样本分类问题时有较好的结果，其在处理多分类问题时，需要借助诸如OvO(Onevs.One)和OvR(Onevs.Rest)等策略，对于OvO策略，当类别数为N时，就需要产生N(N-1)/2个分类器，但N过大时，需要的分类器数目就会过多，并伴随着类不平衡问题，影响分类精度。目前关于航空发动机故障检测与隔离的主要研究热点都集中在单故障诊断，即对单个发动机气路部件进行检测，而现实中必然会存在多个部件同时发生故障的情形，但是对此类问题的研究比较有限，常见的方法是将多个部件同时发生故障的情形等同于单个部件发生故障的情形，即把所有可能出现的多故障并发组合分别看成是不同类别，这个时候问题就转换成了通常的单标签多分类问题。这种方法在多标签学习中被称为LP(Labelpower)方法，是基于问题转换策略的一种方法。但是这种方法随着部件数目的增多，所要识别的类别将要呈指数级增加，并且其中一些类别下的训练数据将会极少，在应用多分类算法时，这是一个极端的类不平衡问题，严重影响算法的分类精度。此外，多故障并发的数据获取也是一大难题，因为此类数据相比于单故障数据来说更加稀有。而且对于航空发动机故障诊断问题来说，实际所获得数据集有很大概率程度上是类不平衡的。种种的不利因素都使得航空发动机多故障并发诊断这类问题难以解决。
技术实现思路
专利技术目的：为突破传统的故障诊断技术只借助单标签学习方法来解决问题的局限，本专利技术通过利用多标签学习中的binaryrelevance策略和SVM(SupportVectorMachine)，建立相应的模型，仅仅利用单故障数据就可以解决多故障并发的诊断难题。不仅不需要昂贵的多故障并发数据，还能避免由于单故障的复杂组合而带来的计算负担。倘若数据集是类不平衡的，利用不同的惩罚因子可以避免子分类面向少数类偏移及其带来的不利因素。技术方案：一种基于多标签学习binaryrelevance策略的改进支持向量机学习算法BR-SVM，可以通过将多标签分类问题分解为q个子单标签分类问题，包括如下的步骤：步骤1：建立BR-SVM的数学模型：其中x是样本，对于第i个实例，xi＝[xi1,xi2,…,xid]是一个d维的特征向量，yi＝[yi1,yi2,…,yiq]是xi的q维标签向量。此目标函数可以被分解为q个子分类器W＝{(wl,bl)|1≤l≤q}，其中且它们分别为第l个标签yil的权重向量与偏置。Cl是第l个标签的惩罚因子，被引入作为松弛因子矩阵来弱化完全分类正确的严格约束，对于第i个实例的第l个标签来讲，它的松弛因子为ξil。是一个非线性变换，用来把输入空间中的非线性可分问题转化为高维特征空间中的线性可分问题，<·,·>代表内积。步骤2：公式(1)可分解成的q个子问题，其中第l个可以表示为：步骤3：公式(2)是一个标准的SVM模型，因此公式(1)的解可以通过依次求解q个SVM模型来得到。每个分类器对应一个标签，对于一个未知样本x，它的输出可以表示为：h(x)＝[h1(x),h2(x),…,hq(x)].(3)步骤4：对于输出的第l个标签，分类器hl(x)的定义如下：hl(x)＝sign(<wl,φ(x)>+bl).(4)若数据集是类不平衡的，BR-SVM可以进一步改进为BR-SVMD，我们可以通过对正负样本施加不同的的惩罚因子：和以此来消除类不平衡所带来的问题。那么我们的公式(1)可以改写为如下形式：相应的，公式(2)也应被改写为如下形式：公式(6)的对偶形式如下：公式(7)中，K(·,·)是相应的核函数。以第i个实例的第l个标签为例，或为对应拉格让日乘子。公式(4)应改为如下形式：上述算法在航空发动机故障检测中的应用，包括如下步骤：步骤1：采集全飞行包线内的发动机数据，若航空发动机子部件正常，则记相应的标签为正，反之则为负，以四个发动机部件故障为例，分别有低压压气机(LPC)故障，高压压气机(HPC)故障，高压涡轮(HPT)故障和低压涡轮(LPT)故障，样本的标签编码形式如表1所示；表1样本的多标签编码形式步骤2：将样本归一化后，将样本与其对应的样本标签作为训练样本训练BR-SVM或BR-SVMD；步骤3：用训练得到的模型对航空发动机各部件进行故障检测。有益效果：通过BR-SVM，仅仅利用单故障样本就可以预测多故障并发情形，避免了初期获取多故障并发数据的昂贵成本，若故障数据是类不平衡的，借助于BR-SVMD可以在不增加计算复杂度的前提下，进一步提升预测精度。附图说明图1为BR-SVM的算法流程图；图2为BR-SVMD的算法流程图；图3为某航空发动机的截面示意图；图4为实验方案1示意图；图5为实验方案2示意图；图6为实验方案3示意图。具体实施例在航空发动机多故障并发诊断案例中，可根据需要检测的部件数目来确定总体的标签数目。假设x是样本，对于第i个实例，xi＝[xi1,xi2,…,xid]是一个d维的特征向量，yi＝[yi1,yi2,…,yiq]是xi的q维标签向量。此目标函数可以被分解为q个子分类器W＝{(wl,bl)|1≤l≤q}，其中且它们分别为第l个标签yil的权重向量与偏置。Cl是第l个标签的惩罚本文档来自技高网...

【技术保护点】
1.一种航空发动机多故障并发诊断方法，其特征在于，包括如下步骤：步骤1：根据发动机对象子部件数目确定总体标签数目q，并建立总体目标函数；步骤2：将所述总体目标函数分解为q个独立的子问题；步骤3：以样本及其对应的标签向量构造训练样本集，根据所述q个子问题分别训练出q个子分类器模型；步骤4：将新样本分别代入q个子分类器模型得到q个样本标签，构成新样本的预测标签向量。

【技术特征摘要】
1.一种航空发动机多故障并发诊断方法，其特征在于，包括如下步骤：步骤1：根据发动机对象子部件数目确定总体标签数目q，并建立总体目标函数；步骤2：将所述总体目标函数分解为q个独立的子问题；步骤3：以样本及其对应的标签向量构造训练样本集，根据所述q个子问题分别训练出q个子分类器模型；步骤4：将新样本分别代入q个子分类器模型得到q个样本标签，构成新样本的预测标签向量。2.根据权利要求1所述的一种航空发动机多故障并发诊断方法，其特征在于，步骤1中，所述总体目标函数为：s.t.yil<wl,φ(xi)>≥1-ξil其中x是样本，n为样本总体数目，对于第i个实例，xi＝[xi1,xi2,…,xid]是一个d维的特征向量，yi＝[yi1,yi2,…,yiq]是xi的q维标签向量；此目标函数可被分解为q个子分类器W＝{(wl,bl)|1≤l≤q}，其中且分别为第l个标签yil的权重向量与偏置；Cl是第l个标签的惩罚因子，被引入作为松弛因子矩阵来弱化完全分类正确的严格约束，第i个实例的第l个标签的松弛因子为ξil；φ:是一个非线性变换，用来把输入空间中的非线性可分问题转化为高维特征空间中的线性可分问题；<·,·>表示内积；步骤2中，第l个子问题表示为：s.t.yil<wl,φ(xi)>≥1-ξilξil≥0,i＝{1,…,n}步骤3中，对于输出的第l个标签，分类器hl(x)的定义如下：hl(x)＝sign(<wl,φ(x)>+bl)步骤4中，新样本的预测标签向量为：h(x)＝[h1(x),h2(...

【专利技术属性】
技术研发人员：赵永平，李兵，黄功，胡乾坤，潘颖庭，宋房全，谈建锋，谢云龙，
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