一种发动机异常原因分析方法、系统、设备及介质技术方案

本发明专利技术涉及一种发动机异常原因分析方法、系统、设备及介质，其方法包括：首先，确定输入序列与输出序列；其次，根据输入序列与输出序列，构建基于神经网络的编码器‑解码器模型；接着，在编码器‑解码器模型中，构建注意力机制；最后，使用输入序列训练编码器‑解码器模型，在训练完成之后，获得注意力机制中为输入序列生成的一组权重向量；通过每一个权重向量确定各异常类型与各输入元素之间的相关性，进而基于相关性确定发动机的异常原因。本发明专利技术提供的方法能够通过训练得到异常类型与监测到的各项数据之间的相关性，确定发动机产生异常类型的时间、位置以及起因，进而在发动机的改进与优化方面提供指示与帮助。

【技术实现步骤摘要】
一种发动机异常原因分析方法、系统、设备及介质
本专利技术涉及发动机状态预测
，尤其涉及一种发动机异常原因分析方法、系统、设备及介质。
技术介绍
航空发动机的运行过程是一个十分复杂的系统，当前还没有科学的方法描述其整个过程运行的机制。现代航空发动机内已经能够铺设大量传感器检测其运行状态，基于这些传感数据，已经有很多方法能够对发动机状态进行一定程度的预测，但是，当发动机产生异常状态时，我们经常无法确定它时什么时候、什么位置产生的，是什么因素导致的。发动机的改进与优化，与该问题紧密相关，相关行业急需一种方式能够确定采集到的各项数据与异常类型的因果关系或相关性。
技术实现思路
(一)要解决的技术问题鉴于现有技术的上述缺点、不足，本专利技术提供一种发动机异常原因分析方法、系统、设备及介质，其解决了现有技术无法确定采集到的各项数据与异常类型的因果关系或相关性的技术问题。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：第一方面，本专利技术实施例提供一种发动机异常原因分析方法，其包括：本文档来自技高网...

【技术保护点】
1.一种发动机异常原因分析方法，其特征在于，包括：/nS1、确定输入序列与输出序列，所述输入序列中各项输入元素均表示固定时间段内发动机上不同传感器或发动机位置获取的数据，所述输出序列中各项输出元素均表示发动机的一种异常类型；/nS2、根据所述输入序列与所述输出序列，构建基于神经网络的编码器-解码器模型；/nS3、在所述编码器-解码器模型中，构建注意力机制；/nS4、使用所述输入序列训练所述编码器-解码器模型，在训练完成之后，获得所述注意力机制中为所述输入序列生成的一组权重向量；权重向量的数量与异常类型的数量相同，单一权重向量的长度与对应输入元素的长度相同；/nS5、通过每一个权重向量确定各异常...

【技术特征摘要】
1.一种发动机异常原因分析方法，其特征在于，包括：
S1、确定输入序列与输出序列，所述输入序列中各项输入元素均表示固定时间段内发动机上不同传感器或发动机位置获取的数据，所述输出序列中各项输出元素均表示发动机的一种异常类型；
S2、根据所述输入序列与所述输出序列，构建基于神经网络的编码器-解码器模型；
S3、在所述编码器-解码器模型中，构建注意力机制；
S4、使用所述输入序列训练所述编码器-解码器模型，在训练完成之后，获得所述注意力机制中为所述输入序列生成的一组权重向量；权重向量的数量与异常类型的数量相同，单一权重向量的长度与对应输入元素的长度相同；
S5、通过每一个权重向量确定各异常类型与各输入元素之间的相关性，进而基于所述相关性确定发动机的异常原因。


2.如权利要求1所述的一种发动机异常原因分析方法，其特征在于，所述确定输入序列包括：针对在固定时间段L内不同传感器或发动机位置获取的数据，以周期T进行截取，获得各项输入元素，其中L＞T。


3.如权利要求1或2所述的一种发动机异常原因分析方法，其特征在于，
所述输入序列表示为：
X＝{X1,X2,...,Xi,...Xn}，
其中，X为输入序列，Xi表示传感器i或发动机位置i产生的数据，n表示传感器数量，也即是输入序列长度；
所述输出序列表示为：
Y＝{Y1,Y2,...,Yi,...Ym}，
其中，Y为输出序列，Yi表示发动机运行过程中产生的第i类异常类型，m表示异常状态数量，也即是输出序列长度。


4.如权利要求3所述的一种发动机异常原因分析方法，其特征在于，所述编码器-解码器模型是采用长短时记忆神经网络结构，为一条循环神经网络链。


5.如权利要求4所述的一种发动机异常原因分析方法，其特征在于，步骤S4中，所述注意力机制中为所述输入序列生成的一组权重向量的步骤包括：
S41、通过所述编码器为所述输入序列中的各输入元素均计算一个编码；
S42、根据所述编码，通过所述注意力机制为各输入元素对应的神...

【专利技术属性】
技术研发人员：彭玉怀，赵婧，于锦汇，王雨昕，张国梁，宋杨，吴菁晶，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21