一种基于时间扩张卷积网络的压气机旋转失速预警方法技术

一种基于时间扩张卷积网络的压气机旋转失速预警方法，首先，对航空发动机动态压力数据进行预处理，在实验数据中划分出测试数据集和训练数据集。其次，依次构建时间卷积网络模块、构建Resnet

【技术实现步骤摘要】
一种基于时间扩张卷积网络的压气机旋转失速预警方法


[0001]本专利技术涉及一种基于时间扩张卷积网络的压气机旋转失速预警方法，属于航空发动机建模与仿真


技术介绍

[0002]航空发动机的性能稳定性直接关系到整机的飞行安全，而气路部件在整体流量、压力和能量方面维稳作用影响着发动机的整体工作状态，在各种常见的气路故障中，压气机旋转失速是其中一种破坏性极强、变化极快的故障，因此对其进行精准识别和及时预警是国内外航空发动机领域的研究重点。一般来说，压气机失稳发展过程主要有稳态、失速先兆、旋转失速和喘振四个阶段，每个阶段表现特征各异，发生机理较为复杂，传播非常迅速。稳定工作时压气机流量减少，压比增大，当流量减少到超过失稳边界时，压气机则会发生流动失稳，导致旋转失速或喘振的发生，流量波动极为剧烈。喘振发生时，发动机内的机械部件往往已经受到实质性损坏，因此，迫切需要将发动机失稳过程终止在旋转失速的初期，在未对部件造成破坏时就可识别早期微小故障征兆，从而给主动控制留出更多时间。
[0003]旋转失速的判别通常从压气机的脉动压力信号提取先兆信号的特征来检测失速，检测算法主要包括时域分析法、频域分析法和时频分析法。时域分析法依据压力信号的时域特征变化，利用方差分析、相关性分析等方法判别，计算速度快，方便工程应用，但对信号辅值依赖大，稳定性差，易受噪声影响。频域分析法通过分析信号频谱图的特征变化来检测，但有信号平稳性的前提要求，应用受限。时频分析法将时域信息和频谱特征结合，分析信息的维度增加，对非平稳信号可以更好地分析，但对于表现形态差异大的失速信号通用性不强。

技术实现思路

[0004]针对现有技术中准确性低，可靠性差的问题，本专利技术提供一种基于时间扩张卷积网络的压气机旋转失速预警方法。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于时间扩张卷积网络的压气机旋转失速预警方法，包括以下步骤：
[0007]S1.对航空发动机喘振数据进行预处理，包括以下步骤：
[0008]S1.1导入测量点的实验数据作为数据集，采用低通滤波器，对压力变化数据进行滤波处理；
[0009]S1.2对滤波后数据进行降采样；根据喘振频率的数值分布区间，基于奈奎斯特采样定理，选定降采样率；
[0010]S1.3对降采样后数据进行归一化处理，将数据分布通过线性变化映射到[0,1]区间；
[0011]S1.4采用滑动窗口技术构建数据集样本，以steps大小的时间步长为单位切分时域数据，每个数据窗口覆盖的采样点组成一个样本，并为每个样本标注喘振与否的标签1或
0；
[0012]S1.5将整体数据集划分为训练数据集和测试数据集，再将训练数据集按3:1的比例划分为训练集和验证集；
[0013]S2.构建时间卷积网络模块，包括以下步骤：
[0014]S2.1将每个样本维度调整为(steps,1)，作为时间卷积网络模块的输入，其中steps为时间步；
[0015]S2.2搭建基于因果卷积和扩张卷积的扩张卷积模块，时间卷积网络内部每层的基本模块由两个内核大小和扩张因子数值相同的扩张卷积模块组成；在第一个扩张卷积后进行批量归一化处理，引入校正非线性单元ReLU以调整传入下一层的信息，第二个扩张卷积后再进行批量归一化处理，所得特征与上一层提取的特征加和，通过ReLU激活函数计算得到本层的输出特征；
[0016]S2.3通过堆叠多个扩张卷积模块组建时间扩张卷积网络，扩大网络接受域，采用跳跃连接保留每个卷积层的输出信息，并采用ReLU激活函数激活得到时间卷积网络模块的输出；
[0017]S3.构建Resnet
‑
v网络模块，包括以下步骤：
[0018]S3.1考虑到喘振数据特性，设计的Resnet
‑
v网络允许两部分数据输入，其中一部分是历史数据特征，另一部分是数据协变量；计算每个样本的时域统计特征，包括方差、均值、最值等数据特征，外加样本所对应的测量点编号，构成一组协变量特征，将其作为Resnet
‑
v网络模块的输入之一；
[0019]S3.2通过一组密集层和批量归一化层处理输入的协变量，再应用ReLU激活函数传入下一组密集层和批量归一化层；将其输出与时间卷积网络获取的数据特征加和，通过ReLU激活函数得到Resnet
‑
v网络的输出；
[0020]S4.构建时间扩张卷积网络预测模型，包括以下步骤：
[0021]S4.1采用类似Seq2Seq架构来构建时间扩张卷积网络预测模型，分为Encoder和Decoder两部分，其中Encoder部分为时间卷积网络模块，Decoder部分由Resnet
‑
v网络模块和输出密集层组成；
[0022]S4.2将Encoder模块的输出特征h
t
输入Resnet
‑
v网络模块，如步骤S3所述进行运算得到融合输出；
[0023]S4. 3Decoder模块的输出密集层接收上步的融合输出，通过密集层、批量归一化层、ReLU激活函数等处理，得到喘振的概率预测值；
[0024]S4.4针对喘振数据训练中存在的问题，选用MHL(Modified HuberLoss)作为损失函数；所述HuberLoss作为一种鲁棒性更强的损失函数，能够有效结合MSE和MAE两种损失函数的优点，避免MAE在值为0时不可导问题与MSE受离群点影响大的缺点，其公式为：
[0025][0026]其中，y代表真实数据值，f(x)代表当前预测值，δ是决定如何计算误差的超参数，L
δ
(y,f(x))为当前计算的损失值。
[0027]另外引入影响因子β，β∈[0,1]，用来表示喘振状态的样本(类别为1)被错误分类为非喘振状态(类别为0)的影响大小，定义权重系数β0‑1为：
[0028][0029]最终损失函数形式为MHL＝β0‑1L
δ
(y,f(x))。
[0030]S4.5保存训练后模型并在验证集上测试，根据验证集评价指标调整模型超参数，评价指标采用F_score指标，保存使评价指标最优的模型得到最终的时间扩张卷积网络预测模型；
[0031]所述F_score指标如下：
[0032][0033]其中，P为精确率(Precision)，表示被分为正类的样本中实际为正类的比例：TP为真正例数，FP为假正例数；R为召回率(Recall)，表示样本中正类被正确预测的比例：TP为真正例数，FN为假负例数。由于正类被预测为负类的，即喘振样本预测为非喘振造成的损失更大，所以β取为2，增大召回率在评估指标中的重要性。
[0034]S5.在测试数据上进行实时预测
[0035]S5.1获取步骤S1中预处理后划分出的测试集数据，按照时间扩张卷积网络预测模型的输入要求调整数据维度；
[0036]S5.2采用训练后的时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间扩张卷积网络的压气机旋转失速预警方法，其特征在于，包括以下步骤：S1.对航空发动机喘振数据进行预处理，包括以下步骤：S1.1导入测量点的实验数据作为数据集，对压力变化数据进行滤波处理；S1.2对滤波后数据进行降采样；S1.3对降采样后数据进行归一化处理，将数据分布通过线性变化映射到[0,1]区间；S1.4构建数据集样本，以steps大小的时间步长为单位切分时域数据，每个数据窗口覆盖的采样点组成一个样本，并为每个样本标注喘振与否的标签1或0；S1.5将整体数据集划分为训练数据集和测试数据集，再将训练数据集按比例划分为训练集和验证集；S2.构建时间卷积网络模块，包括以下步骤：S2.1将每个样本维度调整为(steps,1)，作为时间卷积网络模块的输入，其中steps为时间步；S2.2搭建基于因果卷积和扩张卷积的扩张卷积模块，时间卷积网络内部每层的基本模块由两个内核大小和扩张因子数值相同的扩张卷积模块组成；在第一个扩张卷积后进行批量归一化处理，引入校正非线性单元ReLU以调整传入下一层的信息，第二个扩张卷积后再进行批量归一化处理，所得特征与上一层提取的特征加和，通过ReLU激活函数计算得到本层的输出特征；S2.3通过堆叠多个扩张卷积模块组建时间扩张卷积网络，扩大网络接受域，采用跳跃连接保留每个卷积层的输出信息，并采用ReLU激活函数激活得到时间卷积网络模块的输出；S3.构建Resnet
‑
v网络模块，包括以下步骤：S3.1考虑到喘振数据特性，Resnet
‑
v网络允许两部分数据输入，其中一部分是历史数据特征，另一部分是数据协变量；计算每个样本的时域统计特征，和样本所对应的测量点编号，构成一组协变量特征，将其作为Resnet
‑
v网络模块的输入之一；S3.2通过一组密集层和批量归一化层处理输入的协变量，再应用ReLU激活函数传入下一组密集层和批量归一化层；将其输出与时间卷积网络获取的数据特征加和，通过ReLU激活函数得到Resnet
‑
v网络的输出；S4.构建时间扩张卷积网络预测模型，包括以下步骤：S4.1构建时间扩张卷积网络预测模型，分为Encoder和Decoder两部分，其中Encoder部分为时间卷积网络模块，Decoder部分由Resnet...

【专利技术属性】
技术研发人员：孙希明，李育卉，全福祥，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：