一种基于增强门控循环神经网络的航空发动机故障诊断方法技术

本发明专利技术公开了一种基于增强门控循环神经网络的航空发动机关键部件故障诊断方法。该方法通过提取航空发动机关键部件故障信号的时域特征，利用压缩感知方法对提取到的时域特征进行处理获得更精简、易于识别的时域特征；然后利用利用提取到的时域特征逐层学习门控循环神经网络来获得深度门控循环神经网络故障诊断模型；最后将故障预测模型提取的深层特征输入到极限学习机来获得更高的故障诊断结果；该诊断方法效果卓越、简单易行、诊断快速，可以高效的解决航空发动机关键部件的故障诊断。

【技术实现步骤摘要】
一种基于增强门控循环神经网络的航空发动机故障诊断方法
本专利技术属航空发动机健康监测领域，具体涉及航空发动机关键部件故障诊断方法。
技术介绍
航空发动机是一种高端、精密的设备，其目的就是为飞机提供动力，我们形象的将它比喻为飞机的“心脏”，因此其重要程度不言而喻。航空发动机作为高精尖技术的代表，拥有非常复杂的结构，其往往处于高温、高压、高转速等非常恶劣的工作条件下，所以容易产生各种未知的故障。而其作为飞机的核心装备，其产生的故障往往会造成不可估量的损失。航空发动机的正常工作对保障飞机的安全性和稳定性具有非常重要的作用。由于航空发动机结构复杂，具有众多的零部件，其中滚动轴承是航空发动机最为重要的组成零部件之一，在航空发动机中扮演着极其重要的作用。而由于航空发动机处于高温、高压、高转速的工作状态下，滚动轴承难免会出现损坏甚至故障，牵一发而动全身，因为某个发生故障的滚动轴承，很有可能最终导致飞行安全事故以及造成经济损失。因此为保障航空发动机的健康运行，本专利技术聚焦于对航空发动机关键部件滚动轴承开展故障诊断，方便对于出现的故障及时进行故障排除，本文档来自技高网...

【技术保护点】
1.一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：包括以下步骤：/n步骤1：获取航空发动机滚动轴承故障信号，提取航空发动机滚动轴承故障信号的时域特征，利用压缩感知对提取的时域特征进行处理，得到压缩处理后的时域特征；/n步骤2：通过堆叠隐层的方法构造深层门控循环神经网络故障诊断模型；/n步骤3：以步骤1得到的所述压缩处理后的时域特征为样本数据，采用梯度下降结合自适应学习率算法训练深层门控循环神经网络故障诊断模型；/n步骤4：将经过深层门控循环神经网络故障诊断模型提取得到的深层特征输入到极限学习机进行分类，得到最终的诊断结果。/n

【技术特征摘要】
1.一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：包括以下步骤：
步骤1：获取航空发动机滚动轴承故障信号，提取航空发动机滚动轴承故障信号的时域特征，利用压缩感知对提取的时域特征进行处理，得到压缩处理后的时域特征；
步骤2：通过堆叠隐层的方法构造深层门控循环神经网络故障诊断模型；
步骤3：以步骤1得到的所述压缩处理后的时域特征为样本数据，采用梯度下降结合自适应学习率算法训练深层门控循环神经网络故障诊断模型；
步骤4：将经过深层门控循环神经网络故障诊断模型提取得到的深层特征输入到极限学习机进行分类，得到最终的诊断结果。


2.根据权利要求1所述一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：步骤1中提取的时域特征包括包含峰值、均值、均方根值、方差、峰值因子、峭度指标、波形因子和脉冲指标。


3.根据权利要求1所述一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：步骤1中利用压缩感知对提取的时域特征进行处理的过程为：
将提取的航空发动机滚动轴承故障信号的时域特征组成特征矩阵；将特征矩阵进行稀疏表示；然后选择满足RIP有限等距准则的高斯随机矩阵作为观测采样矩阵；最后采用凸优化算法从采样观测信号中重构原始信号。


4.根据权利要求1所述一种基于增强门控循环神经网络的航空发动机故障诊断方法，其特征在于：步骤2中构造循环神经网络故障诊断模型时，采用门控循环单元代替循环神经元；所述门控循环单元含有重置门和更新门，门控循环单元的工作过程为：
Zi＝sig(WXZXi+UHZHi-1+BZ)
Ri＝sig(WXRXi+UHRHi-1+BR)

【专利技术属性】
技术研发人员：姜洪开，赵轲，鲁腾飞，李兴球，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61