一种发动机状态监测方法、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状态监测方法、系统、设备及介质，其方法包括：首先，将发动机各个传感器采集的数据按照因果关系或空间位置进行排序，作为输入序列；其次，构建长短时记忆神经网络；接着，构建具有分支结构的长短时记忆神经网络；最后，通过具有分支结构的长短时记忆神经网络对发动机的进行状态监测与预测，其输出序列为各种状态类型。本发明专利技术针对时间序列输入中存在的各项输入维度不匹配的问题，每一个输入表示的是某一个固定传感器在固定时间内获取的数据，其长度是固定的，该方法可以解决时间序列维度不同的问题，同时因为数据是按照空间序列、因果关系排序的，它加强输入序列之间的关系，进而提高预测精度。

【技术实现步骤摘要】
一种发动机状态监测方法、系统、设备及介质
本专利技术涉及发动机状态预测领域，尤其涉及一种发动机状态监测方法、系统、设备及介质。
技术介绍
循环神经网络结构在深度学习算法中，是最常使用的状态预测模型。长短时记忆神经网络模型(LSTM)，在处理较长的输入序列时能够有效解决梯度消失的问题，它已经成为最长用的状态预测算法，同样的，在发动机状态预测领域，也有很多相关研究。构建基于LSTM的输入序列时，传统方式是将输入序列视为一组时间序列，即将所有传感器的参数按照时间序列排序，作为LSTM的输入。但是，因为各个传感器的采样频率、数据结构的不同，会导致输入序列在不同时间点所能提供的序列长度不同，其内部的数据元素也可能不同，这为构建LSTM模型带来了极大的挑战。
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状态监测方法、系统、设备及介质，其解决了因序列长度不同、元素意义不同而造成长短时记忆神经网络模型构建困难的技术问题。(二)技术方案为了达到上述目的，本专利技术采本文档来自技高网...

【技术保护点】
1.一种发动机状态监测方法，其特征在于，包括：/nS1、将发动机各个传感器采集的数据按照因果关系或发动机内气流流动的空间位置顺序排序，将排序后的传感器数据序列作为输入序列；/nS2、构建长短时记忆神经网络；/nS3、根据输入序列中按因果关系排序的数据与发动机内气流流动的空间位置顺序排序的数据所存在的分支，在所述长短时记忆神经网络中构建分支结构；/nS4、将所述输入序列送入具有分支结构的长短时记忆神经网络得到包含各种发动机状态类型的输出序列，基于输出序列进行发动机的状态监测与预测。/n

【技术特征摘要】
1.一种发动机状态监测方法，其特征在于，包括：
S1、将发动机各个传感器采集的数据按照因果关系或发动机内气流流动的空间位置顺序排序，将排序后的传感器数据序列作为输入序列；
S2、构建长短时记忆神经网络；
S3、根据输入序列中按因果关系排序的数据与发动机内气流流动的空间位置顺序排序的数据所存在的分支，在所述长短时记忆神经网络中构建分支结构；
S4、将所述输入序列送入具有分支结构的长短时记忆神经网络得到包含各种发动机状态类型的输出序列，基于输出序列进行发动机的状态监测与预测。


2.如权利要求1所述的一种发动机状态监测方法，其特征在于，步骤S1包括：
S11、根据前验经验确定发动机各个传感器采集的数据之间的因果关系与气流流动的空间位置顺序；
S12、将各个传感器采集的数据按照因果关系与气流流动的空间位置顺序排序；
S13、定义时间段t，以时间段t对步骤S12中经排序之后的各个传感器采集的数据进行采样，获得各个传感器采集的数据的输入矩阵，作为神经网络的输入序列。


3.如权利要求1所述的一种发动机状态监测方法，其特征在于，所述长短时记忆神经网络是基于编码器-解码器模型构建的；其中，编码器的输出作为解码器的输入。


4.如权利要求3所述的一种发动机状态监测方法，其特征在于，步骤S3包括：
S31、在编码器内，根据输入序列中按因果关系排序的数据与按空间位置排序的数据，划分主干序列与若干个分支序列；
S32、构建主干序列与分支序列处的分支节点的神经元结构，进而构建具有分支结构的长短时记忆神经网络；
S33、训练具有分支结构的长短时记忆神经网络，并动态调整网络参数。


5.如权利要求4任一项所述的一种发动机状态监测方法，其特征在于，所述划分主干序列与若干个分支序列包括：



其中，X为输入元素最多的序列，作为主干序列，与分别为主干序列上第j、m位置上的分支序列，n表示主干序列上的输入数据总数，nj、nm分别为分支序列j、m上的输入数据总数。...

【专利技术属性】
技术研发人员：彭玉怀，王晨路，赵灿，尹少芊，刘鑫渤，王雨昕，张国梁，吴菁晶，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21