基于卷积自编码器的液体火箭发动机故障检测方法技术

本发明专利技术公开一种基于卷积自编码器的液体火箭发动机故障检测方法，该方法先采集原始数据，形成数据样本集；再将数据样本集划分为训练集、验证集和测试集，并对其进行预处理；然后搭建卷积自编码初始模型；训练卷积自编码器初始模型，获得卷积自编码器模型；训练单类支持向量机，获得单类支持向量机模型；最后将卷积自编码器模型的编码部分和单类支持向量机模型串联，对液体火箭发动机故障进行检测。该方法可无需依赖专家经验和领域知识，仅利用液体火箭发动机运行过程中的正常数据就可对模型进行训练，实现液体火箭发动机故障检测。

Fault Detection Method for Liquid Rocket Engine Based on Convolutional Self-Encoder

【技术实现步骤摘要】
基于卷积自编码器的液体火箭发动机故障检测方法
本专利技术涉及液体火箭发动机故障检测
，尤其是一种基于卷积自编码器的液体火箭发动机故障检测方法。
技术介绍
液体火箭发动机是运载火箭推进系统的重要组成部分，极端恶劣的工作环境也使其成为故障的敏感多发部位。自上世纪六十年代以来，随着载人登月、航天飞机等具有里程碑意义的重大工程的开展，人们对液体火箭发动机的可靠性要求越来越高。作为一种能有效提高液体火箭发动机安全性和可靠性的方法，健康监控技术也成为了该问题的解决方案中的重要组成部分。其中，故障检测方法作为健康监控技术的基础，一直是该领域的研究重点。当前，除了门限检测算法外，故障检测方法主要包括基于解析模型的方法和基于信号处理的方法等。另外，随着数据挖掘和机器学习领域的不断发展，相关的故障检测算法也不断涌现。然而，现有方法主要存在两点不足：一是都需要根据经验知识，对液体火箭发动机的测量参数进行甄选，以求获得能够有效表征发动机故障特征的参数，或者利用各种人工设计的特征提取方法对故障特征进行提取，整个过程严重依赖工程经验和专家知识，方法的开发成本和使用难度较高，可移植性比较差；二是这些方法一般都需要液体火箭发动机的正常数据和故障数据进行训练，但是在液体火箭发动机试车过程中，可能存在大量的正常试车数据，但是故障数据却比较少见，而且不同故障的试车数据之间也存在较大的差异。因此，仍有待发展通用性更强，对工程经验、领域知识和故障数据依赖性更弱的液体火箭发动机故障检测方法。
技术实现思路
本专利技术提供一种基于卷积自编码器的液体火箭发动机故障检测方法，用于克服现有技术中对于专家经验、领域知识和故障数据依赖性强，通用性不好等缺陷。该方法利用卷积自编码器的无监督学习方式，自动对液体火箭发动机正常试车工作过程的原始数据进行特征提取，结合单类支持向量机的异常检测功能，实现液体火箭发动机故障检测，该方法不依赖专家经验和领域知识，也无需采集液体火箭发动机运行过程中故障数据，并且有潜力实现未知故障的检测。为实现上述目的，本专利技术提出一种基于卷积自编码器的液体火箭发动机故障检测方法，所述方法为基于卷积自编码器和单类支持向量机的液体火箭发动机故障检测方法，所述方法中构建的液体火箭发动机故障检测模型由卷积自编码器模型的编码部分和单类支持向量机模型串联而成，其中卷积自编码器模型的编码部分用于自动提取数据样本中的数据特征，单类支持向量机模型用于基于提取的数据特征实现故障检测，所述方法具体包括以下步骤：S1：采集液体火箭发动机工作过程中各个不同传感器的原始数据，并将所述原始数据划分为若干数据样本，所有数据样本组成数据样本集；S2：将数据样本集划分为训练集、验证集和测试集，并分别对所述训练集、验证集和测试集中的数据进行预处理；S3：搭建卷积自编码器初始模型，包含若干编码层和若干解码层，其中编码层用于对输入的数据样本进行特征提取和降维压缩，解码层用于将提取的特征还原成与输入的数据样本大小一致的数据矩阵；S4：利用训练集对卷积自编码器初始模型进行训练以获得模型的权值矩阵参数，利用所述训练后的模型在验证集上的效果来调节超参数；重复上述训练过程，获得卷积自编码器初始模型的参数和超参数，从而获得卷积自编码器模型；S5：将训练集和验证集分别输入所述卷积自编码器模型的编码部分，获得降维编码后的数据特征；利用训练集的数据特征对单类支持向量机进行训练，利用验证集的数据特征对单类支持向量机的超参数进行优选；最终获得单类支持向量机的参数和超参数，从而获得单类支持向量机模型；S6：将所述卷积自编码器模型的编码部分和所述单类支持向量机模型串联，得到液体火箭发动机故障检测模型；将未知工作状态的液体火箭发动机运行数据经预处理后输入所述模型，获得当下所述液体火箭发动机是正常工作或发生故障。与现有技术相比，本专利技术的有益效果有：本专利技术提供的故障检测方法不依赖于故障数据，仅通过正常数据即可实现液体火箭发动机故障检测；通过卷积自动编码器的无监督学习过程，可实现正常数据特征的自动提取，无需依赖专家经验和领域知识，可以节省工程技术人员大量的时间和精力；此外，该方法的通用性更好。本专利技术提供的基于卷积自编码器的液体火箭发动机故障检测方法先采集液体火箭发动机工作原始数据，将原始数据划分为数据样本，构成数据样本集；然后将数据样本集划分为训练集、验证集和测试集，并对所述训练集、验证集和测试集中的数据进行预处理；接着搭建卷积自编码器初始模型；再利用训练集和验证集对卷积自编码初始模型进行训练；再利用训练好的卷积自编码器模型的编码部分对训练集和验证集进行特征提取，利用提取的特征对单类支持向量机进行训练；最后将训练好的卷积自编码模型的编码部分和单类支持向量机串联，得到液体火箭发动机故障检测模型，用于液体火箭发动机故障检测。该方法无需依赖专家经验、领域知识和故障数据，仅利用液体火箭发动机运行过程中的正常数据就可对本专利技术方法中的模型进行训练，从而实现液体火箭发动机故障检测。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1为液体火箭发动机示意图；图2为本专利技术提供的方法中数据样本的划分方法示意图；图3为本专利技术提供的卷积自编码器模型示意图；图4为本专利技术提供的单类支持向量机的原理示意图；图5为卷积自编码器模型训练过程中损失函数曲线变化示意图；图6为液体火箭发动机故障检测结果示意图；图7为本专利技术提供的基于卷积自编码器的液体火箭发动机故障检测方法流程图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。另外，本专利技术各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。如图7所示为本专利技术中基于卷积自编码器的液体火箭发动机故障检测方法流程图，图1为液体火箭发动机示意图，所述方法为基于卷积自编码器和单类支持向量机的液体火箭发动机故障检测方法，所述方法中构建的液体火箭发动机故障检测模型由卷积自编码器模型的编码部分和单类支持向量机模型串联而成，其中卷积自编码器模型的编码部分用于自动提取数据样本中的数据特征，单类支持向量机模型用于基于提取的数据特征实现故障检测，如图7所示，所述方法具体包括以下步骤：S1：采集液体火箭发动机工作过程中各个不同传感器的原始数据，并将所述原始数据划分为若干数据样本，所有数据样本组成数据样本集；S2：将数据样本集划分为训练集、验证集和测试集，并分别对所述训练集、验证集和测试集中的数据进行预处理；S3：搭建卷积自编码器初始模型，包含若干编码层和若干解码层，其中编码层用本文档来自技高网...

【技术保护点】
1.一种基于卷积自编码器的液体火箭发动机故障检测方法，其特征在于，所述方法为基于卷积自编码器和单类支持向量机的液体火箭发动机故障检测方法，所述方法中构建的液体火箭发动机故障检测模型由卷积自编码器模型的编码部分和单类支持向量机模型串联而成，其中卷积自编码器模型的编码部分用于自动提取数据样本中的数据特征，单类支持向量机模型用于基于提取的数据特征实现故障检测，所述方法具体包括以下步骤：S1：采集液体火箭发动机工作过程中各个不同传感器的原始数据，并将所述原始数据划分为若干数据样本，所有数据样本组成数据样本集；S2：将数据样本集划分为训练集、验证集和测试集，并分别对所述训练集、验证集和测试集中的数据进行预处理；S3：搭建卷积自编码器初始模型，包含若干编码层和若干解码层，其中编码层用于对输入的数据样本进行特征提取和降维压缩，解码层用于将提取的特征还原成与输入的数据样本大小一致的数据矩阵；S4：利用训练集对卷积自编码器初始模型进行训练以获得模型的权值矩阵参数，利用所述训练后的模型在验证集上的效果来调节超参数；重复上述训练过程，获得卷积自编码器初始模型的参数和超参数，从而获得卷积自编码器模型；S5：将训练集和验证集分别输入所述卷积自编码器模型的编码部分，获得降维编码后的数据特征；利用训练集的数据特征对单类支持向量机进行训练，利用验证集的数据特征对单类支持向量机的超参数进行优选；最终获得单类支持向量机的参数和超参数，从而获得单类支持向量机模型；S6：将所述卷积自编码器模型的编码部分和所述单类支持向量机模型串联，得到液体火箭发动机故障检测模型；将未知工作状态的液体火箭发动机运行数据经预处理后输入所述模型，获得当下所述液体火箭发动机是正常工作或发生故障。...

【技术特征摘要】
1.一种基于卷积自编码器的液体火箭发动机故障检测方法，其特征在于，所述方法为基于卷积自编码器和单类支持向量机的液体火箭发动机故障检测方法，所述方法中构建的液体火箭发动机故障检测模型由卷积自编码器模型的编码部分和单类支持向量机模型串联而成，其中卷积自编码器模型的编码部分用于自动提取数据样本中的数据特征，单类支持向量机模型用于基于提取的数据特征实现故障检测，所述方法具体包括以下步骤：S1：采集液体火箭发动机工作过程中各个不同传感器的原始数据，并将所述原始数据划分为若干数据样本，所有数据样本组成数据样本集；S2：将数据样本集划分为训练集、验证集和测试集，并分别对所述训练集、验证集和测试集中的数据进行预处理；S3：搭建卷积自编码器初始模型，包含若干编码层和若干解码层，其中编码层用于对输入的数据样本进行特征提取和降维压缩，解码层用于将提取的特征还原成与输入的数据样本大小一致的数据矩阵；S4：利用训练集对卷积自编码器初始模型进行训练以获得模型的权值矩阵参数，利用所述训练后的模型在验证集上的效果来调节超参数；重复上述训练过程，获得卷积自编码器初始模型的参数和超参数，从而获得卷积自编码器模型；S5：将训练集和验证集分别输入所述卷积自编码器模型的编码部分，获得降维编码后的数据特征；利用训练集的数据特征对单类支持向量机进行训练，利用验证集的数据特征对单类支持向量机的超参数进行优选；最终获得单类支持向量机的参数和超参数，从而获得单类支持向量机模型；S6：将所述卷积自编码器模型的编码部分和所述单类支持向量机模型串联，得到液体火箭发动机故障检测模型；将未知工作状态的液体火箭发动机运行数据经预处理后输入所述模型，获得当下所述液体火箭发动机是正常工作或发生故障。2.如权利要求1所述的基于卷积自编码器的液体火箭发动机故障检测方法，其特征在于，所述步骤S1中，所述数据样本为大小m×n的矩阵，其中m表示单个数据样本中包含的采样点数；n表示监测参数个数。3.如权利要求1所述的基于卷积自编码器的液体火箭发动机故障检测方法，其特征在于，所述步骤S2中，所述训练集和验证集中均只包含正常数据样本，测试集中同时包含正常数据样本和故障数据样本。4.如权利要求1所述的基于卷积自编码器的液体火箭发动机故障检测方法，其特征在于，所述步骤S2中，所述预处理为对数据进行标准化处理；所述标准化处理包括min-max标准化、z-score标准化方法。5.如权利要求1所述的基于卷积自编码器的液体火箭发动机故障...

【专利技术属性】
技术研发人员：吴建军，朱晓彬，程玉强，刘洪刚，张宇，胡润生，崔星，李健，谭胜，欧阳，杜忻洳，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43