基于IHPSO-KMSVDD的航空发动机故障检测方法技术

本发明专利技术提供一种基于IHPSO

【技术实现步骤摘要】
基于IHPSO
‑
KMSVDD的航空发动机故障检测方法


[0001]本专利技术针对航空发动机的故障检测，用支持向量数据描述(Support Vector DataDescription)与K
‑
mean聚类算法相结合，搭建多球体模型，解决在航空发动机多种工 作状态下，部件产生故障的检测精度低的问题。同时，利用改进的粒子群优化 (Particle Swarm Optimization)算法优化超参数，缩短训练时间，提高对航空发动机 检测的实时性。

技术介绍

[0002]航空发动机是每一架飞机的动力核心，它的安全一直牵动着人们的心弦，一旦它 出现问题，那么将直接对人民的财产安全乃至生命安全造成巨大的威胁。但是由于其 结构的复杂性、严格要求的精密性，以及工作环境的恶劣性，主要部件极其容易发生 故障，并且对其的直接维修成本已经达到了对飞机整体维修的50％，甚至更多，如果 每次都直接对航空发动机进行维修，将会对航空公司的经济利益产生巨大不必要的损 失。那么一种既可以准确检测航空发动机的故障发生情况，同时又尽可能的节省经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于IHPSO
‑
KMSVDD的航空发动机故障检测方法，其特征在于，包括如下步骤：步骤1：在全飞行包线范围内，采集航空发动机各部件正常状态下的参数样本，记为正类样本，以及故障状态下的参数样本，记为负类样本；步骤2：对步骤1所得数据集进行归一化处理，得到归一化处理后的数据集；步骤3：将步骤2所得数据集分成训练数据集和测试数据集，训练数据集包含正常样本和一部分离群值，其余的数据集全部作为测试数据集；步骤4：将步骤3所得训练数据集带入IHPSO算法模型中，通过训练得到KMSVDD的最优超参数；步骤5：根据步骤4所得最优超参数带入KMSVDD算法模型中，建立合适的多球体模型；步骤6：输入测试数据，与其最近的超球体比较，判断其故障与否，若位于该超球体内，则为正常样本，反之为故障样本。2.根据权利要求1所述的一种基于IHPSO
‑
KMSVDD的航空发动机故障检测方法，其特征在于，步骤1中所述故障状态，其表现为性能参数退化，包含：压气机流量退化、压气机效率退化、燃气涡轮流量退化、燃气涡轮效率退化、动力涡轮流量退化、动力涡轮效率退化。3.根据权利要求1所述的一种基于IHPSO
‑
KMSVDD的航空发动机故障检测方法，其特征在于，所述参数包括：发动机所处高度、发动机飞行马赫数、发动机主燃油量、压气机出口温度、压气机出口压力、燃气涡轮出口温度、燃气涡轮出口压力、燃气涡轮输出轴转速、动力涡轮出口温度、动力涡轮出口压力、动力涡轮输出轴转速。4.根据权利要求1所述的一种IHPSO
‑
KMSVDD的航空发动机故障检测方法，其特征在于，步骤4中所述IHPSO算法模型为：步骤4中所述IHPSO算法模型为：其中t表示迭代次数，w是惯性权重，与全局寻优能力的强弱成正比，c1和c2表示学习因子，r1和r2是函数rand(*)的缩写，表示一个介于[0,1]之间的随机数，r3是一个赋予其服从标准正态分布的随机数，即r3∈N(0,1)，如果r3＞0，则认为它是一个激励的学习系数，相反，如果r3＜0，则认为它是一个惩罚的学习系数，如果r3＝0，则表示这些坏习惯或行为对粒子没有影响；假设有N个发动机样本数据，将它们视作N个粒子，处于一个D维搜索空间中，即每个粒子都是一个D维向量，x
i
表示第i个粒子的位置：x
i
＝(x1,x2,
…
,x
D
),i＝1,2,
…
,N
ꢀꢀꢀꢀ
(3)v
i
表示第i个粒子的速度：v
i
＝(v1,v2,
…
,v
D
),i＝1,2,
…
,N
ꢀꢀꢀꢀꢀꢀ
(4)p
i
表示第i个粒子的个体最优值：p
i
＝(p
i1
,p
i2
,
…
,p
iD
),i＝1,2
…
,N
ꢀꢀꢀꢀ
(5)g
i
表示整个粒子群的全局最优值：g
i
＝(g
i1
,g
i2
,
…
,g
iD
),i＝1,2,
…
,N
ꢀꢀꢀꢀ
(6)Gworst
i
表示整个粒子群中适应度函数最差的粒子位置：Gworst
t
＝argmin{f(x1),f(x2),
…
,f(x
N
)}
ꢀꢀꢀꢀꢀ
(7)其中，f(x)是适应度函数。
5.根据权利要求4所述的一种IHPSO
‑
KMSVDD的航空发动机故障检测方法，其特征在于，惯性权重w的取值采用自适应的方法，即在粒子的迭代过程中，惯性权重总体上是下降的，直到粒子收敛到全局最优位置，而具体每次迭代下降的细节则由每个粒子自适应决定，利用当前...

【专利技术属性】
技术研发人员：赵永平，谢云龙，叶志锋，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：