一种基于群体约减核极限学习机的航空发动机故障诊断方法技术

本发明专利技术提供一种基于群体约减核极限学习机的航空发动机故障诊断方法，步骤为：采集全飞行包线内的发动机数据，若航空发动机子部件正常，则记相应的标签为正，反之则为负，将这些数据作为样本；将样本归一化后，将样本与其对应的样本标签作为训练样本训练群体约减核极限学习机学习算法；用训练得到的模型对航空发动机各部件进行故障检测。本发明专利技术利用群体稀疏结构约减隐含层节点个数，克服了传统的核极限学习机利用全部训练样本作为隐含层节点的缺点，在可取得与原始核极限学习机学习性能相当的测试结果的同时，极大的削减了算法的测试成本和储存成本。

【技术实现步骤摘要】
一种基于群体约减核极限学习机的航空发动机故障诊断方法
本专利技术针对航空发动机故障诊断，利用核极限学习机(KernelExtremeLearningmachine)改进算法来解决航空发动机故障诊断等领域内存在的技术难题。
技术介绍
航空发动机故障诊断系统作为发动机健康管理系统的有效组成部分之一，一直都是工业界和学术界的关注热点，而发动机气路部件故障发生概率可以占到发动机总体故障的90％以上，因此建立对气路部件故障诊断的有效方法就显得尤为重要。目前，对发动机故障诊断的可行方法主要集中在基于模型的方法和数据驱动的方法。基于模型的方法主要根据真实发动机运行状况而建立起发动机数学模型来对发动机健康状况做出判断，这种方法需要研究人员对发动机工作原理十分熟悉，但是随着发动机自身的不断创新与改进，建立精准模型的难度也在不断提升，模型中存在的不确定性以及系统非线性复杂度越来越高，都会影响这种方法的判断准确度，另外需要指出的就是这种方法对于不同型号发动机需要建立不同的数学模型。数据驱动的方法可以根据发动机传感器的实时数据以及历史收集数据来对目标进行故障检测与隔离本文档来自技高网...

【技术保护点】
1.一种基于群体约减核极限学习机的航空发动机故障诊断方法，其特征在于：包括如下步骤：/n步骤1，采集全飞行包线内的发动机数据，若航空发动机子部件正常，则记相应的标签为正，反之则为负，将这些数据作为样本；/n步骤2，将样本归一化后，将样本与其对应的样本标签作为训练样本训练群体约减核极限学习机学习算法；/n步骤3：用训练得到的模型对航空发动机各部件进行故障检测。/n

【技术特征摘要】
1.一种基于群体约减核极限学习机的航空发动机故障诊断方法，其特征在于：包括如下步骤：
步骤1，采集全飞行包线内的发动机数据，若航空发动机子部件正常，则记相应的标签为正，反之则为负，将这些数据作为样本；
步骤2，将样本归一化后，将样本与其对应的样本标签作为训练样本训练群体约减核极限学习机学习算法；
步骤3：用训练得到的模型对航空发动机各部件进行故障检测。


2.根据权利要求1所述的基于群体约减核极限学习机的航空发动机故障诊断方法，其特征在于：所述步骤1中，对于航空发动机子部件存在的故障，仅考虑低压压气机(LPC)故障、高压压气机(HPC)故障、高压涡轮(HPT)故障和低压涡轮(LPT)故障。


3.根据权利要求1所述的基于群体约减核极限学习机的航空发动机故障诊断方法，其特征在于：所述群体约减核极限学习机学习算法包括如下步骤：
步骤a，建立原始核极限学习机的数学模型；
步骤b，利用群体稀疏策略，重构核极限学习机的数学模型；
步骤c，利用交替迭代的方法求解重构的数学模型，得到输出权重矩阵；
步骤d，计算输出权重矩阵每行的二范数并得到权重集合，排除权重集合中的稀疏项；
步骤e，对权重集合中的元素进行排序，获取从大到小元素的索引系数，取其中前s个索引系数，构建约减核矩阵，并得到输出系数。


4.根据权利要求3所述的基于群体约减核极限学习机的航空发动机故障诊断方法，其特征在于：所述步骤a具体为：
定义目标函数为：



其中，为样本信息，N为样本总体数目，d为特征个数，m为类别个数，为输出权重矩阵，ξi为第i个样本的误差向量，是一个未知的特征映射函数，C是平衡因子；对于第i个实例，xi是一个d维的特征向量，ti则是m维的标签向量；T＝[ti,…tN]T是样本的标签集，若样本xi属于第j类，则tij为1，其余的为0；公式(1)的拉格朗日函数为：



其中α∈RN×m是拉格朗日乘子，Tr(·)表示矩阵的迹操作符，为数据矩阵，根据KKT条件，有以下等式成立：











5.根据权利要求4所述的基于群体约减核极限学习机的航空发动机故障诊断方法，其特征在于：所述步骤b具体为：
将公式(3)和公式(4)代入公式(2)，得：



将公式(6)...

【专利技术属性】
技术研发人员：赵永平，李兵，陈耀斌，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32