发动机涡轮盘故障诊断方法技术

本发明专利技术提供一种发动机涡轮盘故障诊断方法，包括：接收到开始指令，开始指令用于指示初始化训练数据集，基于开始指令初始化训练数据集；计算样本的权重以及通过训练数据集训练加权支持向量机模型获得支持向量数据集，并存储支持向量数据集；收集新的测试数据块，采用加权支持向量机模型对样本进行故障检测，检测样本是否为故障样本；如果检测样本为故障样本则产生故障报警信号；接收到结束检测指令，基于结束检测指令结束故障检测。本发明专利技术基于增量学习的发动机涡轮盘时间序列故障检测方法及基于增量与减量模式的加权支持向量机自适应更新方法，有效地解决了时间序列数据流的漂移问题，提高故障检测模型的计算速度，保持故障检测结果的正确性。

Fault diagnosis method of engine turbine disk

【技术实现步骤摘要】
发动机涡轮盘故障诊断方法
本专利技术属于民用飞机航空发动机涡轮盘领域，具体涉及一种基于自适应加权支持向量机的发动机涡轮盘故障诊断方法。
技术介绍
发动机涡轮盘运行过程是一个包含概念漂移和不平衡分布的非平稳的过程。为了通过数据驱动模型监控发动机涡轮盘的运行过程，就需要对非平稳数据流进行研究尤其是对于数据流的概念漂移、不平衡分布等关键特征。现有技术中，文献LeeYH,JinHD,HanC.“On-LineProcessStateClassificationforAdaptiveMonitoring”,Industrial&EngineeringChemistryResearch,2006,45(9):3095-3107中介绍了一种基于知识规则的过程监控自适应技术，该技术利用if-then规则提取过程知识，实现对运行状态的检测，实验结果验证了自适应监测方法能显著降低误报率(FAR)，但信息的模糊处理会导致系统控制精度的降低。根据文献HeXB,YangYP.“VariableMWPCAforAdaptiveProcessMonitoring”,Industrial&EngineeringChemistryResearch,2008,47(2):419-427.He和Yang提出一种基于运动窗PCA的时变过程监测方法，将滑动窗口技术和R-SVD算法相结合，建立了自适应故障检测模型，该方法能够有效提高自适应故障检测方法的性能，但是冗余数据易对分析结果产生影响。
技术实现思路
<br>本专利技术的目的在于提供一种基于自适应加权支持向量机的发动机涡轮盘故障诊断方法，提出并实现基于增量和减量模式的加权支持向量机自适应更新方法，有效提高发动机涡轮盘故障检测的效率和准确率。本专利技术提出如下的技术方案，一种发动机涡轮盘故障诊断方法，包括：接收到开始指令，所述开始指令用于指示初始化训练数据集，基于开始指令初始化训练数据集；计算样本的权重以及通过训练数据集训练加权支持向量机模型获得支持向量数据集，并且存储支持向量数据集；收集新的测试数据块，采用加权支持向量机模型对样本进行故障检测，检测所述样本是否为故障样本；如果检测样本为故障样本则产生故障报警信号；接收到结束检测指令，基于结束检测指令结束故障检测。进一步地，还包括判断接收到的指令是否为结束检测指令，如果是结束检测指令则结束故障检测，如果判断为非结束检测指令则收集新的训练数据集。进一步地，还包括，当检测所述样本为非故障样本则收集新的训练数据集。进一步地，还包括，基于收集的新的训练数据集对训练数据集进行增量模式及减量模式地更新。进一步地，还包括，对更新后的训练数据集，移除该新的数据集中冗余的样本。进一步地，还包括，通过KNN模块对冗余数据删除。进一步地，还包括，将移除了冗余样本的新的训练数据集作为初始化训练数据集进行计算样本以及训练加权支持向量模型。进一步地，还包括，在计算样本的权重以及通过训练数据集训练加权支持向量机模型之后进行新的测试数据块的收集。进一步地，在接收到开始指令时，将初始化训练数据集标记为TDSt，收集新的训练数据集标记为NIDSt，将收集的新的数据块标记为DDSt，将支持向量数据集标记为WDSt，其中t标记为t＝0，在收集完成新的训练数据集之后将t更新标记为t＝t+1。进一步地，所述基于收集的新的训练数据集对训练数据集进行更新为将标记为WDSt-1训练数据集和标记为NIDSt-1的收集新的训练数据集进行合集获得更新之后的训练数据集。与现有技术相比本专利技术的有益效果在于：提出了一种基于增量学习的发动机涡轮盘时间序列故障检测方法。提出并实现了基于增量和减量模式的加权支持向量机自适应更新方法，有效地解决了时间序列数据流的漂移问题。采用基于KNN模块的减量模式，在缩减训练数据样本的同时保留了训练数据的基本结构，进而提高了故障检测模型的计算速度，同时保持了故障检测结果的正确性。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为本专利技术发动机涡轮盘故障诊断方法的数据流图；图2为本专利技术发动机涡轮盘故障诊断方法的流程图；图3为本专利技术发动机涡轮盘故障诊断方法中基于KNN模块的示意图。具体实施方式下面参照附图来描述专利技术的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释专利技术的技术原理，并非在限制专利技术的保护范围。需要说明的是，在专利技术的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对专利技术的限制。此外，还需要说明的是，在专利技术的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在专利技术中的具体含义。请参阅图1所示，一种基于自适应加权支持向量机的发动机涡轮盘故障诊断方法，包括基于增量学习的发动机涡轮盘时间序列故障检测方法及基于增量和减量模式的加权支持向量机自适应更新方法。本专利技术提出了一种发动机涡轮盘故障诊断方法，适用于民用飞机航空发动机涡轮盘。发动机涡轮盘运行过程是一个包含概念漂移和不平衡分布的非平稳的过程。为了通过数据驱动模型监控发动机涡轮盘的运行过程，就需要对非平稳数据流进行研究尤其是对于数据流的概念漂移、不平衡分布等关键特征。因此设计出基于自适应机制下的加权支持向量机的发动机涡轮盘故障检测技术，提出并实现了基于增量和减量模式的加权支持向量机自适应更新方法，有效提高发动机涡轮盘故障检测的效率和准确率。本专利技术提供的发动机涡轮盘故障诊断方法，主要包括基于增量学习的发动机涡轮盘时间序列故障检测方法和基于增量和减量模式的加权支持向量机自适应更新方法。对于发动机涡轮盘时间序列故障检测模型，不能单独分析每个时间序列内的样本数据，必须结合从历史样本中提取的信息，提高长时间序列样本的故障检测能力。在本专利技术方法的实际运行过程中，不断加入新批次的测试数据，每一次迭代过程中训练数据除了代表历史训练信息的支持向量外还加入了新的测试数据，使得训练数据在时间序列上得到进一步的扩展。针对时间序列数据流的检测问题，最新的数据样本更新了发动机涡轮盘工作过程中的信息，即历史数据不能代表发动机涡轮盘的完整状态。因而在加权支持向量机故障检测模型中引入增量本文档来自技高网...

【技术保护点】
1.一种发动机涡轮盘故障诊断方法，其特征在于：包括：/n接收到开始指令，所述开始指令用于指示初始化训练数据集，基于开始指令初始化训练数据集；/n计算样本的权重以及通过训练数据集训练加权支持向量机模型获得支持向量数据集，并且存储支持向量数据集；/n收集新的测试数据块，采用加权支持向量机模型对样本进行故障检测，检测所述样本是否为故障样本；/n如果检测样本为故障样本则产生故障报警信号；/n接收到结束检测指令，基于结束检测指令结束故障检测。/n

【技术特征摘要】
1.一种发动机涡轮盘故障诊断方法，其特征在于：包括：
接收到开始指令，所述开始指令用于指示初始化训练数据集，基于开始指令初始化训练数据集；
计算样本的权重以及通过训练数据集训练加权支持向量机模型获得支持向量数据集，并且存储支持向量数据集；
收集新的测试数据块，采用加权支持向量机模型对样本进行故障检测，检测所述样本是否为故障样本；
如果检测样本为故障样本则产生故障报警信号；
接收到结束检测指令，基于结束检测指令结束故障检测。


2.根据权利要求1所说的发动机涡轮盘故障诊断方法，其特征在于，还包括判断接收到的指令是否为结束检测指令，如果是结束检测指令则结束故障检测，如果判断为非结束检测指令则收集新的训练数据集。


3.根据权利要求2所说的发动机涡轮盘故障诊断方法，其特征在于，还包括，当检测所述样本为非故障样本，则收集新的训练数据集。


4.根据权利要求3所说的发动机涡轮盘故障诊断方法，其特征在于，还包括，基于收集的新的训练数据集对训练数据集进行增量模式及减量模式地更新。


5.根据权利要求4所说的发动机涡轮盘故障诊断方法，其特征在于，还包括，对更新后的训练数据...

【专利技术属性】
技术研发人员：张晓瑜，汪子航，唐黎伟，许星恺，陈玖圣，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：天津;12