一种基于深度学习和信息融合的航空发动机气路故障诊断方法技术

一种基于深度学习和信息融合的航空发动机气路故障诊断方法，属于动力机械故障诊断领域。首先，对数据进行预处理；其次，利用处理后的样本数据将卷积神经网络模型和前馈神经网络分别训练至最佳，继而得到两个模型对样本数据所属类别的判定结果；再次，在证据体的基本概率分布的构造阶段，两种模型的判别结果被视为两个证据体，该阶段将证据体中样本所属各类别评分转换为样本的基本概率分布，同时计算样本不确定度；最后，在证据体的合成与决策阶段，根据D‑S证据理论的合成规则计算两个证据体合成后的概率分布，根据决策规则给出每条样本所属类别。本发明专利技术融合了两种深度神经网络从不同角度学习样本数据后给出的决策结果，获得一种精度较高的航发故障诊断模型，同时可以克服非深度学习模型对不同来源的航发大数据判别能力不稳定、鲁棒性低的问题。

An aeroengine gas path fault diagnosis method based on deep learning and information fusion

【技术实现步骤摘要】
一种基于深度学习和信息融合的航空发动机气路故障诊断方法
本专利技术属于动力机械故障诊断领域，涉及一种基于深度学习和信息融合的航空发动机气路故障诊断方法，用于航空发动机或燃气轮机实时故障检测与故障分类。
技术介绍
航空发动机(以下简称航发)被誉为“工业皇冠上的明珠”，其内部系统结构具有极高的复杂性。正因如此，研究人员难以利用航发领域的机械、流体及热力学方面的专业知识对其进行故障诊断。现有的航发故障诊断技术大多是通过大数据与人工智能的方法来实现的。故障检测与分类属于人工智能领域的模式识别问题。在航发故障诊断这类模式识别的实际应用领域中还存在一些共性问题：航发大数据的数据格式不规范。从不同航空企业、研究单位获取的数据在维度、连续性、数量级及质量上有很大差异。所以，目前很多故障诊断模型的应用场景难以泛化，可能只针对某些特定采样方式下的航发参数数据集才有很高的精度。若将其推广应用，效果可能会下降很多。当前应用信息技术方法进行航空发动机故障诊断的方法可归为以下几类：基于信号处理的诊断技术，如应用小波变换、傅里叶变换、卡尔曼滤本文档来自技高网...

【技术保护点】
1.一种基于深度学习和信息融合的航空发动机气路故障诊断方法，其特征在于，所述航空发动机气路故障诊断方法，首先，对数据进行预处理；其次，在神经网络训练阶段，利用处理后的样本数据将卷积神经网络模型和前馈神经网络分别训练至最佳，继而得到两个模型对样本数据所属类别的判定结果；再次，在证据体的基本概率分布的构造阶段，两种模型的判别结果被视为两个证据体，该阶段将证据体中样本所属各类别评分转换为样本的基本概率分布，同时计算出样本的不确定度；最后，在证据体的合成与决策阶段，根据D-S证据理论的合成规则计算两个证据体合成后的概率分布，并根据决策规则，给出每条样本最后所属的类别；步骤如下：/n(1)对数据进行预处...

【技术特征摘要】
1.一种基于深度学习和信息融合的航空发动机气路故障诊断方法，其特征在于，所述航空发动机气路故障诊断方法，首先，对数据进行预处理；其次，在神经网络训练阶段，利用处理后的样本数据将卷积神经网络模型和前馈神经网络分别训练至最佳，继而得到两个模型对样本数据所属类别的判定结果；再次，在证据体的基本概率分布的构造阶段，两种模型的判别结果被视为两个证据体，该阶段将证据体中样本所属各类别评分转换为样本的基本概率分布，同时计算出样本的不确定度；最后，在证据体的合成与决策阶段，根据D-S证据理论的合成规则计算两个证据体合成后的概率分布，并根据决策规则，给出每条样本最后所属的类别；步骤如下：
(1)对数据进行预处理：将初始的大量的航发故障数据样本处理为能够直接输入神经网络模型运行、并便于神经网络对其进行特征感知和数据拟合的形式，将处理后的样本按比例分割为训练集D、验证集V和测试集T，分别用于神经网络的训练、验证和测试；
(2)对神经网络模型进行充分训练，神经网络模型包括CNN模型和BPNN模型；两个模型计算单元中的权重矩阵W和偏置系数b要在模型初始化过程中给出，并利用样本数据进行反复的训练得以调整；模型层数、每层单元数等超参数也需要人工进行调整，以使得模型的判别精度达到最佳；CNN模型的训练按照以下步骤进行：
1)设定模型中的激活函数和损失函数；
2)设定初始的超参数；对于CNN，超参数为：卷积层数、全连接层数、每层卷积核尺寸、卷积核数量、卷积步长、各层的单元数和迭代次数；
3)在给定的超参数下训练CNN模型；将训练集D和验证集V的样本数据输入模型，运行模型，等待模型训练完毕，记录本次训练后模型对测试集T的判别精度；每组超参数下，进行多次上述操作，取判别精度的平均值作为模型对测试集的平均判别精度；
4)遵循控制变量法对模型中的超参数进行调整；将本组超参数下与上一组超参数下的模型平均判别精度作对比，之后按使平均判别精度增大的方向对模型某一超参数进行小幅度调整，保持其他参数不变；
5)重复步骤3)～4)，保留使模型平均判别精度达到最高的一组超参数设置；
6)固定已调整完毕的模型的初始化参数及超参数设定，保存已训练好的模型；采用训练好的模型对测试集T中样本进行判别，保存判别结果和从输入样本数据中剥离的测试集T的标签；
对BPNN模型进行训练，其需要设置和调整的超参数为：层数、各层单元数和迭代次数；训练方法与CNN模型训练过程完全一致；训练完毕后，采用BPNN模型对测试集T中样本进行判别，并保存其判别结果；
(3)采用神经网络的判别结果构造证据体的基本概率分布；
1)将神经网络模型判别结果中对每个样本属于的m个基本类别的概率评分作为初始的概率分布；计算公式如下：



式中，R代表神经网络输出的判别结果；EM0代表样本的初始概率分布；角标i表示输入样本中的第i条序列；上标M代表某一证据体，M＝{A:CNN,B:BPNN}；l＝1,2,3,...指故障类别之一；
2)设定样本的不确定性度量指标及其计算方式；利用初始概率分布计算样本不确定性度量值；选取每个证据体初始概率分布到两证据体的平均...

【专利技术属性】
技术研发人员：赵亮，莫春阳，张清辰，陈志奎，李朋，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21