航空发动机故障预测方法技术

本发明专利技术实施例公开一种航空发动机故障预测方法，包括：收集发动机记录系统中的参数数据获取发动机振动信号，基于所述参数数据确定训练数据集和测试数据；使用python平台构造LSTM神经网络模型，根据所述训练数据集及所述LSTM神经网络，确定信号边际谱；使用python平台构造BP神经网络模型，使用边际谱特征训练集训练BP神经网络，获取训练收敛后的BP神经网络参数并存储；根据训练完成的BP神经网络模型预测航空发动机故障。从而实现对航空发动机故障进行预测。

Fault prediction method of Aeroengine

【技术实现步骤摘要】
航空发动机故障预测方法
本专利技术涉及航空发动机领域，尤其涉及一种航空发动机故障预测方法。
技术介绍
航空发动机是飞机最重要的部件，它的可靠性和安全性极其重要。然而航空发动机结构十分复杂，零部件众多，环境条件复杂多变，很多零部件工作在高温、高压、高速旋转、强振动等恶劣环境下，承受着高负荷和热冲击，因而很容易发生故障，发动机的故障关系到飞机的安全飞行，通常需要进行故障预测。如何进行航空发动机故障预测，是当前需要解决的问题。
技术实现思路
本专利技术实施例提供一种航空发动机故障预测方法，能够对航空发动机故障进行预测。本专利技术实施例采用如下技术方案：一种航空发动机故障预测方法，包括：收集发动机记录系统中的参数数据获取发动机振动信号，基于所述参数数据确定训练数据集和测试数据；使用python平台构造LSTM神经网络模型，根据所述训练数据集及所述LSTM神经网络，确定信号边际谱；使用python平台构造BP神经网络模型，使用所述边际谱特征训练集训练BP神经网络，获取训练收敛后的BP神经本文档来自技高网...

【技术保护点】
1.一种航空发动机故障预测方法，其特征在于，包括：/n收集发动机记录系统中的参数数据获取发动机振动信号，基于所述参数数据确定训练数据集；/n使用python平台构造LSTM神经网络模型，根据所述训练数据集及所述LSTM神经网络，确定信号边际谱；/n使用python平台构造BP神经网络模型，使用所述边际谱特征训练集训练BP神经网络，获取训练收敛后的BP神经网络参数并存储；/n根据训练完成的BP神经网络模型预测航空发动机故障。/n

【技术特征摘要】
1.一种航空发动机故障预测方法，其特征在于，包括：
收集发动机记录系统中的参数数据获取发动机振动信号，基于所述参数数据确定训练数据集；
使用python平台构造LSTM神经网络模型，根据所述训练数据集及所述LSTM神经网络，确定信号边际谱；
使用python平台构造BP神经网络模型，使用所述边际谱特征训练集训练BP神经网络，获取训练收敛后的BP神经网络参数并存储；
根据训练完成的BP神经网络模型预测航空发动机故障。


2.根据权利要求1所述的方法，其特征在于，所述收集发动机记录系统中的参数数据之后包括：将所述参数数据进行如下标准化预处理：
将所述参数数据进行清洗、标记；
对所述参数数据进行归一化处理，按照如下公式将所有数据归一化到0～1之间



其中：Xmin为参数数据的最小值，Xmax为参数数据的最大值，X为参数数据值。


3.根据权利要求1中任一项所述的方法，其特征在于，所述使用python平台构造LSTM神经网络模型，根据所述训练数据集及所述LSTM神经网络，确定信号边际谱包括：
使用python平台构造LSTM神经网络，使用所述训练数据集训练所述LSTM神经网络模型，使用训练完成的LSTM神经网络模型预测航空发动机振动信号数据，将预测的信号进行经典模态分解，根据信号的固有波动模式将其分解为一系列IMF分量，对经过经典模态分解得到的IMF信号实施Hilbert变换，将所有IMF信号Hilbert变换数据相加，即为原始振动信号的HHT时频谱H(ω，t)，对HHT时频谱数据在时间上进行积分求和，可得到信号边际谱h(ω)。


4.根据权利要求3所述的方法，其特征在于，所述LSTM神经网络模型包括：一个输入层、一个LSTM细胞层、一个输出层；
所述LSTM细胞层的内部设置若干门限，包含遗忘门ft、输入门it、输出门ot；并且LSTM递归循环神经网络的前向传播函数为：
it＝σ(WxiXt+Whiht-1+bi)
ft＝σ(WxfXt+Whfht+bf)
ct＝ft*ct-1+tanh(WxcXt+Whcht-1+bc)
ot＝σ(WxoXt+Whoht-1+bo)
其中，Wxi为输入层到输入门之间的权重；Whi为上一时刻隐藏层与输入门之间的权重；Wxf为输入层到遗忘门之间的权重；Whf为上一时刻隐藏层与遗忘门之间的权重；Wxc为输入层到状态细胞之间的权重；Whc为上一时刻隐藏层与状态细胞之间的权重；Wxo为输入层到输出门之间的权重；Who为上一时刻隐藏层与输出门之间的权重；σ表示sigma函数；Xt表示输入；ht-1表示上一时刻隐藏层的输出；bi表示输入门偏置；bf表示遗忘门偏置；ct表示状态细胞输出；bc表示状态细胞偏置；bo表示输出门偏置。


5.根据权利要求4所述的方法，其特征在于，所述遗忘门ft、所述输入门it和所述输出门的门限数值0表示禁止所有信息通过，数值1表示允许所有信息通过；
超参的选择包括学习速率、训练次数、神经元个数；所述超参数是在开始学习过程之前设置值的参数,而不是通过训练得到的参数数据；
其中，学习速率选择为0～1之间；训练次数选择为任意正整数；神经元个数选择为任意正整数。


6.根据权利要求4所述的方法，...

【专利技术属性】
技术研发人员：黄刚，艾腾腾，许政，
申请(专利权)人：山东超越数控电子股份有限公司，
类型：发明
国别省市：山东;37