【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...
【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...
【技术特征摘要】 【专利技术属性】
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)
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
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。