【技术实现步骤摘要】
基于软一类极限学习机的涡轴发动机故障检测方法
本专利技术针对涡轴发动机气路部件故障，利用一类极限学习机(OneClassExtremeLearningMachine)改进算法来解决在故障数据很难获取或者获取代价极高的情况下，对发动机进行故障检测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...
【技术保护点】
1.基于软一类极限学习机的涡轴发动机故障检测方法，其特征在于，包括如下步骤：/n步骤1：采集全飞行包线内，涡轴发动机各部件正常状态下的数据和故障状态下的数据，构建样本集；/n步骤2：用样本集训练软一类极限学习机分类器；/n步骤3：用训练好的软一类极限学习机分类器对新采集的涡轴发动机的数据进行分类。/n
【技术特征摘要】
1.基于软一类极限学习机的涡轴发动机故障检测方法，其特征在于，包括如下步骤：
步骤1：采集全飞行包线内，涡轴发动机各部件正常状态下的数据和故障状态下的数据，构建样本集；
步骤2：用样本集训练软一类极限学习机分类器；
步骤3：用训练好的软一类极限学习机分类器对新采集的涡轴发动机的数据进行分类。
2.根据权利要求1所述的基于软一类极限学习机的涡轴发动机故障检测方法，其特征在于，步骤2包括：
步骤2.1：建立软一类极限学习机的数学模型；
给定训练样本集{(xi，t)|xi∈Rd，t∈R，i＝1，2，...，N}，xi＝[xi1，xi2，...，xid]T表示第i个训练样本，t是训练样本的标签，N表示训练样本的个数，R表示实数集合；可知输入层节点数为d，输出层节点数为1，设隐含层节点数为#HN，则SOC-ELM的优化目标可写为
其中算子⊙为Hadamard积，||·||2为2范数，β＝[β1，β2，...，β#HN]T为输出向量，βi为第i个隐含层节点与输出层节点的连接权重，e＝[e1，e2，..，eN]T为误差向量，ei表示第i个训练样本的预测值与真实值之间的误差，t＝[1，1，...，1]T，τ＝[τ1，τ2，...，τN]T为目标边界向量，C为平衡参数，H为隐含层节点输出矩阵，其定义式为
其中，aj＝[aj1，aj2，...，ajd]T为第j个隐含层节点与输入层神经元的连接权重，bj为第j个隐含层节点的偏置量，h(·)为隐含层激活函数；
根据KKT条件，SOC-ELM的优化目标可转化为如下拉格朗日函数：
其中，α＝[α1，α2，...，αN]T为拉格朗日乘子，上标T表示转置；
将拉格朗日函数分别对β、e和α求偏导，并且令求导结果为0，即
化简上式，可得输出向量的计算公式为：
其中，I为单位矩阵；
对于样本xi，网络预测值和实际标签值之间误差的定义为：
其中，βj由输出向量的计算公式(5)求得；定义一个阈值参数θ，当ε(xi)≤θ时，可认为样本xi为正常样本，否则认为xi为故障样本；参数θ的计算方式为：首先依据误差的定义式(6)，计算全体训练样本的误差，然后将求得的误差按照从大到小的顺序排列，即ε(1)≥…≥ε(N)，令
其中，为向下取整符号；其数学意义为：将误差介于ε(1)和θ之间的训练样本剔除掉，只使用误差小于θ的样本来训...
【专利技术属性】
技术研发人员：赵永平，黄功，胡乾坤，李兵，谢云龙，潘颖庭，宋房全，吴奂，何家俊，陈耀斌，
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。