一种基于数据驱动的航空发动机故障诊断方法技术

本发明专利技术提供一种基于数据驱动的航空发动机故障诊断方法，涉及航空发动机故障诊断技术领域。本发明专利技术的方法为将获取的数据样本集分为训练样本集和测试样本集；建立初始深度自编码神经网络；并对其进行预训练,得到深度自编码神经网络；根据深度自编码神经网络建立故障诊断模型；对故障诊断模型进行训练并微调，得到基于深度自编网络的航空发动机故障诊断模型，并将测试样本集输入到基于深度自编网络的航空发动机故障诊断模型中输出航空发动机的工作状态，其中故障诊断模型输出[1 0]则表示为健康状态，输出[0 1]则表示为故障状态。本方法可以更加快速、有效地诊断出航空发动机的故障，较大提高发动机的故障诊断准确率，提高工作效率。

A method of aeroengine fault diagnosis based on data drive

【技术实现步骤摘要】
一种基于数据驱动的航空发动机故障诊断方法
本专利技术涉及航空发动机故障诊断
，尤其涉及一种基于数据驱动的航空发动机故障诊断方法。
技术介绍
航空发动机作为飞机的主要动力装置，是一个极其复杂的系统，其长期工作在恶劣的高空环境中，属于典型的故障易发系统。航空发动机的健康状态会直接或间接对飞行器飞行安全产生严重影响。由于复杂的内部结构和多变的外部工作环境，航空发动机采集的监测数据具有非线性和高维特性等特征，很难被传统的故障诊断技术准确有效地挖掘和识别。深度学习的不断发展为故障诊断技术提供了新的解决方案。深度学习网络是通过构建多层神经网络，逐层学习和提取数据特征，最终实现对数据复杂特征信息的挖掘。目前，深度学习理论已成功应用于图像识别和语音处理等领域。传统航空发动机故障诊断方法多采用浅层故障诊断模型，在模型训练时，浅层的故障诊断模型无法解决数据量日益增大的故障诊断问题，模型的故障诊断能力明显不足。深层网络结构能够随着网络层数的增加，可以提取复杂数据的本质特征，从而解决了浅层故障诊断模型所遇到的问题。然而，在建立传统的深层故障诊断模型时，随着隐含层数目的增加，会导致整个网络的参数确定困难，反向误差传递的效果会随着传递的层数增加，传递效果越来越差，训练速度慢。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于数据驱动的航空发动机故障诊断方法，本方法可以快速、有效地对航空发动机的故障状态进行诊断检查。为解决上述技术问题，本专利技术所采取的技术方案是：本专利技术提供一种基于数据驱动的航空发动机故障诊断方法，包括如下步骤：步骤1：根据航空发动机采集的监测数据构造初始数据样本集，对初始样本集内的参数数据进行归一化处理，形成数据样本集；步骤2：构建训练样本集和测试样本集；将数据样本集分为训练集和测试集，其中训练样本集包括预训练数据样本集和微调数据样本集；预训练数据样本集包括有标签预训练数据样本和无标签预训练数据样本，所述微调数据样本集和测试样本集内数据均为有标签的数据样本；步骤3：建立初始深度自编码神经网络；设置隐含层层数为N，各隐含层神经元个数为M，将初始深度自编码神经网络的各层参数初始化为随机数值；所述初始深度自编码神经网络内包括N个自编码器；步骤4：对初始深度自编码神经网络进行预训练,确定深度自编码神经网络；使用无标签的预训练数据样本集，通过对各稀疏自编码器的训练，完成对深度自编码神经网络的预训练，确定深度自编码网络各层之间连接参数值，得到深度自编码神经网络；步骤5：建立基于深度自编码神经网络的故障诊断模型；建立具有两个神经元节点的Softmax分类器，该分类器输出[10]表示为健康状态，输出[01]表示为故障状态；将深度自编码神经网络的输出值直接输入给Softmax分类器，Softmax分类器的输出即为故障诊断模型的输出，得到基于深度自编码神经网络的故障诊断模型；步骤6：对基于深度自编码神经网络的故障诊断模型进行训练并微调，确定深度自编码网络诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型；步骤7：将测试样本集输入到基于深度自编网络的航空发动机故障诊断模型中，得到航空发动机的工作状态，其中故障诊断模型输出[10]则表示为健康状态，故障诊断模型输出[01]则表示为故障状态。所述步骤1中所述监测数据包括低压转子转速、涡轮落压比、压气机可调叶片角度、低压涡轮后排气压力、低压涡轮后燃气温度、高压转子转速、滑油回油温度、滑油压差、机匣振动、进口空气总温、高压压气机出口空气压力、高压压气机进口空气总温、喷口喉部直径、加力内涵燃油流量计量活门位移、加力外涵燃油流量计量活门位移、增压泵出口燃油温度、滑油液位、舱压参数数据。所述步骤1中归一化处理公式如下所示：X′＝(X-Xmin)/(Xmax-Xmin)其中X′代表X归一化后数据，X为输入样本数据，Xmin为输入样本数据中各参数的最小值，Xmax为输入样本数据中各参数的最大值。所述步骤2中所述的训练样本集和测试样本集内都包括正常状态监测数据和故障状态监测数据。所述步骤6还包括如下步骤：步骤6.1：对基于深度自编码神经网络故障诊断模型进行训练；将预训练数据样本集中有标签的数据样本输入至基于深度自编码神经网络的故障诊断模型中，将有标签的数据样本作为基于深度自编码神经网络的故障诊断模型的输入，将数据对应的标签作为基于深度自编码神经网络的故障诊断模型的输出，对故障诊断模型进行训练，初步确定模型中的参数，得到初始故障诊断模型；步骤6.2：对初始故障诊断模型中的参数进行微调，最终确定初始故障诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型。所述步骤步骤6.2具体包括如下步骤：步骤6.2.1：将微调数据样本集输入至初始故障诊断模型中，得到诊断模型的输出值；利用如下误差函数公式计算输出值与标签之间的误差J(w,b)：其中，y为输出目标值，hw,b(x)为输出层的实际输出值，w为网络中的连接权值，b为网络中的偏置值；步骤6.2.2：分别计算误差函数对所有层各神经元的偏导数；步骤6.2.3：对相邻的两层网络，利用后一层各神经元偏导数和前一层各神经元的输出值对该两个神经元之间的参数值进行修正；修正公式如下：其中，θ为网络参数，θ(l+1)为第l+1次迭代更新后的参数，θ(l)为第l次迭代更新后的参数，J(l)(θ)为误差函数，η为学习率；步骤6.2.4：在初始故障诊断模型的所有参数修正之后，得到修正后的诊断模型；采用步骤6.2.1中的误差函数公式，重新计算此次修正所得的故障诊断模型的全局误差；步骤6.2.5：判断上述修正所得的故障诊断模型的误差是否小于设定的阈值T或训练次数是否超过设定的最大迭代次数L；若不满足要求，则返回步骤6.2.1，进行迭代计算；若满足要求，则故障诊断初始模型微调结束，此时得到的故障诊断模型即为基于深度自编网络的航空发动机故障诊断最终模型。采用上述技术方案所产生的有益效果在于：本专利技术提供的一种基于数据驱动的航空发动机故障诊断方法，本方法采用深度自编码网络对航空发动机进行故障诊断，相较于传统的航空发动机故障诊断方法，本方法克服了多隐含层神经网络参数训练困难、训练速度慢等缺点，同时解决了局部收敛和梯度消失等问题。因此与传统的故障诊断方法相比，可以更加快速、有效地诊断出航空发动机的故障，可以较大提高发动机的故障诊断准确率。深度自编码网络能够提高工程现场无标签样本的利用率，具有很好的可扩展性。同时深度自编码网络可以将神经网络模块化，提高工作效率。附图说明图1为本专利技术实施例提供的方法流程图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。如图1所示，本实施例的方法如下所述。本专利技术提供一本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的航空发动机故障诊断方法，其特征在于：包括如下步骤：/n步骤1：根据航空发动机采集的监测数据构造初始数据样本集，对初始样本集内的参数数据进行归一化处理，形成数据样本集；/n步骤2：构建训练样本集和测试样本集；将数据样本集分为训练集和测试集，其中训练样本集包括预训练数据样本集和微调数据样本集；预训练数据样本集包括有标签预训练数据样本和无标签预训练数据样本，所述微调数据样本集和测试样本集内数据均为有标签的数据样本；/n步骤3：建立初始深度自编码神经网络；设置隐含层层数为N，各隐含层神经元个数为M，将初始深度自编码神经网络的各层参数初始化为随机数值；所述初始深度自编码神经网络内包括N个自编码器；/n步骤4：对初始深度自编码神经网络进行预训练,确定深度自编码神经网络；使用无标签的预训练数据样本集，通过对各稀疏自编码器的训练，完成对深度自编码神经网络的预训练，确定深度自编码网络各层之间连接参数值，得到深度自编码神经网络；/n步骤5：建立基于深度自编码神经网络的故障诊断模型；建立具有两个神经元节点的Softmax分类器，该分类器输出[1 0]表示为健康状态，输出[0 1]表示为故障状态；将深度自编码神经网络的输出值直接输入给Softmax分类器，Softmax分类器的输出即为故障诊断模型的输出，得到基于深度自编码神经网络的故障诊断模型；/n步骤6：对基于深度自编码神经网络的故障诊断模型进行训练并微调，确定深度自编码网络诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型；/n步骤7：将测试样本集输入到基于深度自编网络的航空发动机故障诊断模型中，得到航空发动机的工作状态，其中故障诊断模型输出[1 0]则表示为健康状态，故障诊断模型输出[0 1]则表示为故障状态。/n...

【技术特征摘要】
1.一种基于数据驱动的航空发动机故障诊断方法，其特征在于：包括如下步骤：
步骤1：根据航空发动机采集的监测数据构造初始数据样本集，对初始样本集内的参数数据进行归一化处理，形成数据样本集；
步骤2：构建训练样本集和测试样本集；将数据样本集分为训练集和测试集，其中训练样本集包括预训练数据样本集和微调数据样本集；预训练数据样本集包括有标签预训练数据样本和无标签预训练数据样本，所述微调数据样本集和测试样本集内数据均为有标签的数据样本；
步骤3：建立初始深度自编码神经网络；设置隐含层层数为N，各隐含层神经元个数为M，将初始深度自编码神经网络的各层参数初始化为随机数值；所述初始深度自编码神经网络内包括N个自编码器；
步骤4：对初始深度自编码神经网络进行预训练,确定深度自编码神经网络；使用无标签的预训练数据样本集，通过对各稀疏自编码器的训练，完成对深度自编码神经网络的预训练，确定深度自编码网络各层之间连接参数值，得到深度自编码神经网络；
步骤5：建立基于深度自编码神经网络的故障诊断模型；建立具有两个神经元节点的Softmax分类器，该分类器输出[10]表示为健康状态，输出[01]表示为故障状态；将深度自编码神经网络的输出值直接输入给Softmax分类器，Softmax分类器的输出即为故障诊断模型的输出，得到基于深度自编码神经网络的故障诊断模型；
步骤6：对基于深度自编码神经网络的故障诊断模型进行训练并微调，确定深度自编码网络诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型；
步骤7：将测试样本集输入到基于深度自编网络的航空发动机故障诊断模型中，得到航空发动机的工作状态，其中故障诊断模型输出[10]则表示为健康状态，故障诊断模型输出[01]则表示为故障状态。


2.根据权利要求1所述的一种基于数据驱动的航空发动机故障诊断方法，其特征在于：所述步骤1中所述监测数据包括低压转子转速、涡轮落压比、压气机可调叶片角度、低压涡轮后排气压力、低压涡轮后燃气温度、高压转子转速、滑油回油温度、滑油压差、机匣振动、进口空气总温、高压压气机出口空气压力、高压压气机进口空气总温、喷口喉部直径、加力内涵燃油流量计量活门位移、加力外涵燃油流量计量活门位移、增压泵出口燃油温度、滑油液位、舱压参数数据。


3.根据权利要求1所述的一种基于数据驱动的航空发动机故障诊断方法，其特征在于：所述步骤1中归一化处理公式如下所示：
X′＝(X-Xmin)/(Xmax-Xmin)

【专利技术属性】
技术研发人员：崔建国，李国庆，崔霄，蒋丽英，于明月，刘利秋，赵雪莹，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：辽宁;21