【技术实现步骤摘要】
一种无故障样本下航天液体发动机健康状态智能识别方法
本专利技术涉及航天液体发动机故障诊断
，具体涉及一种无故障样本下航天液体发动机健康状态智能识别方法。
技术介绍
航天液体发动机作为多过程、强耦合的复杂非线性系统，不仅关键部件多，而且工作环境极端，工况变化剧烈，一旦发动机发生故障，可能会造成巨大的经济损失，甚至是人员伤亡。因此，对发动机运行状态进行健康状态监测和识别具有重要价值。航天液体发动机的运行状态通过多通道传感器数据进行监测，传统分析方法通常将各个数据源进行孤立的分析和统计，并通过对各个通道设定指标来判别发动机健康状态,这种方法和指标未实现多数据源信息的综合利用，难以全面系统的表征发动机的运行状态。随着深度学习的发展和广泛应用，数据驱动的算法在设备健康状态识别领域引起人们重视，以其强大的自适应特征融合及特征提取能力在设备状态监测的研究中取得了非常大的进步。航天液体发动机在验收期的地面热试车状态监测数据难以收集到故障数据，而系统实际运行中存在故障风险且可能发生的故障模式复杂多样。现有数据驱动智能算法...
【技术保护点】
1.一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，包括以下步骤：/n步骤1：以航天液体发动机稳态运行阶段多个传感器通道采集的一维信号作为多源数据，对各通道信号进行预处理，并划分训练集和测试集；/n步骤2：使用基于时序追踪的故障数据生成方法，以步骤1中训练集无故障样本为基础生成故障样本，并将其并入训练集；/n步骤3：构建循环卷积神经网络作为智能状态识别模型，对步骤2得到的训练集进行学习，模型通过对多源数据进行自适应的融合及特征提取，实现对航天液体发动机健康状态智能识别。/n
【技术特征摘要】
1.一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，包括以下步骤：
步骤1：以航天液体发动机稳态运行阶段多个传感器通道采集的一维信号作为多源数据，对各通道信号进行预处理，并划分训练集和测试集；
步骤2：使用基于时序追踪的故障数据生成方法，以步骤1中训练集无故障样本为基础生成故障样本，并将其并入训练集；
步骤3：构建循环卷积神经网络作为智能状态识别模型，对步骤2得到的训练集进行学习，模型通过对多源数据进行自适应的融合及特征提取，实现对航天液体发动机健康状态智能识别。
2.根据权利要求1所述的一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，步骤1中对一维信号进行的预处理包括，对各通道信号分别进行统一的归一化处理，对归一化样本进行采样并添加标签。
3.根据权利要求2所述的一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，对每个传感器通道采集的信号分别进行归一化处理，得到归一化信号，其计算式为：
式中，Tj为第j个传感器通道采集的信号序列，|·|用于取序列中各数据的绝对值，max(·)取序列中的最大值，为第j个通道归一化后的信号。
4.根据权利要求2所述的一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，各通道信号具有统一的时间序列，对归一化后的多通道信号进行统一的采样，采集的各个样本长度相同，且样本之间不存在重叠，样本表示为：
式中，M表示样本，X表示样本中某通道的采样数据，S为通道数，x表示样本中的具体数据，N为样本长度。
5.根据权利要求2所述的一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，步骤1中的多源数据来源于多组发动机，其中部分发动机运行无故障，其余发动机运行存在故障，对不同发动机采集到的信号分别进行多次采样，并根据发动机运行状态对样本添加对应标签，无故障发动机采集的样本标签为0，故障发动机采集的样本标签为1。
6.根据权利要求1所述的一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，步骤1中将预处理后的样本按照发动机来源进行划分，训练集包括部分无故障发动机采集到的样本，测试集包括其余无故障发动机及故障发动机采集到样本。
7.根据权利要...
【专利技术属性】
技术研发人员：陈景龙，吕海鑫，訾艳阳，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61
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。