【技术实现步骤摘要】
一种基于CNN迁移学习的发动机气路状态诊断系统
本专利技术涉及CNN迁移学习，特别涉及基于CNN迁移学习的发动机气路状态诊断。
技术介绍
作为一类高价值复杂装备，民航发动机的状态与其运行的安全性息息相关。作为一项民航发动机管理的关键技术，发动机气路状态诊断能够根据发动机气路监控得到的气路参数对民航发动机的气路故障进行精确定位和诊断，能够为发动机的维修时机预测、维修方案制定、维修成本预估提供有力的支持。目前民航发动机气路状态诊断方法主要分为基于模型的故障诊断方法和基于数据驱动的故障诊断方法。基于模型的故障诊断方法需要建立发动机精确的物理数学模型，而在当前的条件下，获取现役发动机精确的物理数学模型是非常困难的。因此，基于数据驱动的方法更为适用。由于在很多高维复杂的模式识别问题中取得了很好的结果，最近几年深度学习方法在民航发动机故障诊断领域得到了越来越多研究的关注。深度学习不仅解决了传统神经网络方法存在泛化能力欠缺、易产生局部最优解等问题，同时很好的削弱了因发动机个体差异大、监控参数复杂等造成的影响，从而取得了更为精确的故...
【技术保护点】
1.一种基于CNN迁移学习的发动机气路状态诊断系统，所述诊断系统包括源域和目标域，所述源域包括一CNN模块，其特征在于：/n所述CNN模块包括一个内层和三个全连层，所述内层由两个卷积层、一个池化层组成，并以预设的源域训练集对所述CNN模块进行训练，待所述CNN模块训练完成，将训练完成的所述CNN模块中的所述内层迁移到所述目标域并保持不变，作为所述目标域的发动机状态特征映射模型；/n所述目标域还包括一SVM模块，所述SVM模块对经所述内层映射的发动机小样本故障数据进行诊断和分类，从而输出发动机状态类别。/n
【技术特征摘要】
1.一种基于CNN迁移学习的发动机气路状态诊断系统，所述诊断系统包括源域和目标域，所述源域包括一CNN模块，其特征在于：
所述CNN模块包括一个内层和三个全连层，所述内层由两个卷积层、一个池化层组成，并以预设的源域训练集对所述CNN模块进行训练，待所述CNN模块训练完成，将训练完成的所述CNN模块中的所述内层迁移到所述目标域并保持不变，作为所述目标域的发动机状态特征映射模型；
所述目标域还包括一SVM模块，所述SVM模块对经所述内层映射的发动机小样本故障数据进行诊断和分类，从而输出发动机状态类别。
2.如权利要求1所述的系统，其特征在于：
还包括源域训练样本集全部由发动机正常指征数据组成标记集，所述标记集由发动机故障指征数据和所述发动机正常指征数据组成；
所述标记集经所述内层映射后构成特征空间集，在所述特征空间集中分别构造SVM模块训练集和SVM模块测试集；
并用所述SVM模块训练集对所述SVM模块进行训练。
3.如权利要求2所述的系统，其特征在于：
对所述SVM模块的训练完毕后，用所述SVM模块测试集对训练完毕的所述SVM模块进行测试。
4.如权利要求3所述的系统，其特征在于：
对所述SVM模块的测试中，采用如下方法对测试结果进行评估：
其中，prec作为评估所述SVM模块分类效果的精度值，tp为准确识别出的故障数量，即验证样本是ai类故障，算法正确地将其归类于ai类故障视为准确识别，fp为假异常点的数量，即验证样本不是ai类故障，算法错误地将其归类于ai类故障。
5.如权利要求2所述的系统，其特征在于：
按照如下方法在所述特征空间集中分别构造所述SVM模块训练集和所述SVM模块测试集，
将所述特征空间集中分别对应于所述测试集中的所述发动机故障指征数据和所述发动机正常指征数据的映射按照一定的比例来分别构造。
6.如权利要求1-5任一所述的系统，其特征在于：
所述源域训练集中的数据采集过程如下：
步骤1获得故障发动机j的故障时间tj，并从OEM数据中提取发动机j故障时间tj前m个飞行循环的主要气路性能参数偏差值：DEGT、DN2、DFF、EGTM，可表示为式(1)的形式
DEGT＝{DEGTm,DEGTm-1,DEGTm-2,...,DEGTi,...,DEGT3,DEGT...
【专利技术属性】
技术研发人员：钟诗胜，付松，林琳，张永健，付旭云，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：山东;37
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。