一种基于神经网络的航空发动机传感器故障自诊断方法技术

本发明专利技术公开了一种基于神经网络的航空发动机传感器故障自诊断方法，属于航空发动机传感器故障诊断领域，包括以下步骤：建立航空发动机部件级模型，收集传感器历史参数数据库；基于神经网络设计概率分布函数预测模型；基于神经网络设计时间序列故障分类模型；结合概率分布突变预测模型和传感器故障分类模型，构建传感器故障自诊断框架，采用已搭建的故障自诊断框架实现涡扇发动机的传感器故障自诊断。本发明专利技术旨在解决传感器在只能访问自身本地历史数据的情况下的故障诊断问题，通过神经网络实现概率估计以解决信息不完善情况下的不确定性与随机性问题，并对传感器时间序列数据进行特征提取实现故障的分类。特征提取实现故障的分类。特征提取实现故障的分类。

【技术实现步骤摘要】
一种基于神经网络的航空发动机传感器故障自诊断方法


[0001]本专利技术涉及一种基于神经网络的航空发动机传感器故障自诊断方法，其属于航空发动机传感器故障诊断领域。

技术介绍

[0002]随着航空推进技术的快速发展，现代飞行任务对发动机控制系统的准确性和稳定性都提出了更高要求，全权限数字电子控制系统(FADEC)以其强大的计算处理能力、极高的控制精度以及相对低廉的维修成本而逐渐取代机械液压控制，成为当前航空发动机控制系统的主流趋势。数字电子控制系统是由大量的电子元件、传感器和执行机构组成的，而航空发动机经常处于高温高压、复杂多变的工作环境，使这些元器件在发动机运行过程中容易出现故障，其中传感器的故障是导致控制系统失效的主要原因。因此，对发动机传感器进行故障诊断，实时掌握其健康状态，是保证发动机安全工作的重要措施。
[0003]航空发动机传感器故障诊断方法主要有基于数学模型(如系统辨识、滤波估计)和基于人工智能的方法(如支持向量基、小波分析、模糊推理、神经网络)。主要原理多是依据残差检验，如基于数学模型中基于发动机实时模型与卡尔曼滤波器的实时估计建立传感器参数滤波残差，并与对应阈值比较，已达到故障检测的目的，在基于人工智能的方法中，利用先验知识与训练数据进行推理，实现对传感器参数的实时预测并根据与实际参数的残差进行故障检测。以分布式控制系统作为航空发动机未来控制构架的趋势下，可以独立实现自诊断的智能传感器成为研究热门，要求传感器在只能访问本地数据的情况下实现故障诊断。然而，当前的故障诊断方法依赖于精度较高的实时模型或是大量的包含其他传感器信息的训练样本，当信息不足时难以精确预测残差。
[0004]本专利技术针对航空发动机传感器在只能访问本地历史数据情况下的故障自诊断问题，基于神经网络，提出传感器参数概率分布函数预测模型，通过考虑信息不全带来的不确定性，根据历史数据，构建下一时刻传感器参数的概率密度分布函数，并依据概率大小实现突变故障实时判断。在此基础上，引入时间序列故障分类模型，实现对长时间序列下的故障(硬失效、噪声、漂移)进行判断与分类。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对航空发动机传感器在只能访问本地历史数据情况下的故障自诊断问题，通过考虑信息不全带来的不确定性，根据历史数据，构建下一时刻传感器参数的概率密度分布函数，并依据概率大小实现突变故障实时判断，并引入时间序列故障分类模型，实现对长时间序列下的故障(硬失效、噪声、漂移)进行判断与分类，从而保证发动机安全可靠运行。
[0006]本专利技术采用如下技术方案：一种基于神经网络的航空发动机传感器故障自诊断方法，其特征在于，该方法包括以下步骤：
[0007]步骤A、建立航空发动机部件级模型，收集传感器历史参数数据库；
[0008]步骤B、基于神经网络设计传感器参数概率分布函数预测模型，该模型仅依据传感器自身历史参数数据库中的本地历史参数数据，预测传感器参数下一时刻的概率分布函数，并依据真实传感器参数的概率大小判断是否发生参数突变；
[0009]步骤C、基于神经网络设计传感器时间序列故障分类模型，该模型提取传感器历史时间序列的特征向量，间断性地判断传感器是否发生故障并对故障进行分类；
[0010]步骤D、结合概率分布突变预测模型和传感器故障分类模型，构建传感器故障自诊断框架，保存并输出诊断结果及报告。
[0011]所述步骤A包括以下步骤：
[0012]依据航空发动机原理建立某型发动机部件级模型，在发动机的运行过程中收集传感器参数，并以时间序列排序存储于数据库中，用于神经网络训练。
[0013]所述步骤B中，建立基于神经网络的传感器参数概率分布函数预测模型的具体步骤如下：
[0014](1)设计神经网络结构
[0015]设计神经网络输入，用历史访问深度p时刻内的传感器参数数据作为网络输入[X
t
‑1，X
t
‑2，X
t
‑3，...，X
t
‑
p
]T
，其中X
i
表示i时刻的传感器参数数据；设计神经网络输出，以预测向量作为网络输出，预测向量维数对应样本标签以正态分布函数的均值μ与标准差σ作为网络输出，构建出预测值概率分布函数N(μ，σ)；根据经验与实验结果选取及优化神经网络隐含层数及各层节点个数；根据神经网络整体结构与神经网络功能选取激活函数，中间层激活函数选取ReLU函数max(0，x)，输出层选取tanh函数
[0016](2)训练神经网络
[0017]数据批采样，从数据库中随机选取部分数据作为训练集，每次训练从训练集中随机采样N个训练样本，其中第i个样本特征表示为[X
i
‑1，X
i
‑2，X
i
‑3,...,X
i
‑
p
]T
，样本标签为X
i
；设计损失函数，为了提高训练样本的标签出现的概率值P(X
t
|X
t
‑1，X
t
‑2，...，X
t
‑
p
)，损失函数应与该值正相关，为降低训练速度提高训练过程的稳定性，选取P的对数函数构建损失函数，由于批训练方法单次采用多个样本训练，因此损失函数为多个样本采样概率的期望L＝
‑
∑lnP；神经网络参数向量优化，根据所设计的损失函数，采用梯度下降法以学习率α优化神经网络参数向量θ，第k次训练过程可表示为
[0018](3)测试神经网络
[0019]构建测试集，从数据库中随机选取部分数据作为测试集；计算样本标签出现的概率分布，将样本特征输入神经网络，由神经网络估计概率正态分布的均值与标准差构建估计的概率分布确定突变阈值，根据3σ准则确定突变阈值范围，正态分布在(μ
‑
3σ，μ
‑
3σ]以内的取值概率为99.7％，样本标签在(μ
‑
3σ,μ
‑
3σ]以外的概率不到0.3％，称为小概率事件，这时可判断传感器发生突变。
[0020]所述步骤C中，建立基于神经网络的传感器长时间序列故障分类模型的具体步骤如下：
[0021](1)分析传感器故障模式
[0022]传感器故障模式包括：正常，传感器正常运行；硬失效，传感器不工作，参数不受外
界影响保持不变，可表示为t
f
为故障发生时间；漂移，传感器参数与正常值出现固定漂移偏置，可表示为X
t
＝f(t)+bias；噪声，在时间序列上噪声程度过大，可表示为X
t
＝f(t)+Noise；
[0023](2)设计神经网络结构
[0024]设计神经网络输入，访问传感器前故障分类间隔T时刻内传感器参数历史时间序列，考虑双裕度传感器(所属参数用下标1和2表示)，并计算两传感器参数序列之差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的航空发动机传感器故障自诊断方法，其特征在于，该方法包括以下步骤：步骤A、建立航空发动机部件级模型，收集传感器历史参数数据库；步骤B、基于神经网络设计传感器参数概率分布函数预测模型，该模型仅依据传感器自身历史参数数据库中的本地历史参数数据，预测传感器参数下一时刻的概率分布函数，并依据真实传感器参数的概率大小判断是否发生参数突变；步骤C、基于神经网络设计传感器时间序列故障分类模型，该模型提取传感器历史时间序列的特征向量，间断性地判断传感器是否发生故障并对故障进行分类；步骤D、结合概率分布突变预测模型和传感器故障分类模型，构建传感器故障自诊断框架，保存并输出诊断结果及报告。2.如权利要求1所述的一种基于神经网络的航空发动机传感器故障自诊断方法，其特征在于：步骤A具体包括：依据航空发动机原理建立某型发动机部件级模型，在发动机的运行过程中收集传感器参数，并以时间序列排序存储于数据库中，用于神经网络训练。3.如权利要求1所述的一种基于神经网络的航空发动机传感器故障自诊断方法，其特征在于：步骤B包括以下步骤：(1)设计神经网络结构设计神经网络输入，用历史访问深度p时刻内的传感器参数数据作为网络输入[X
t
‑1,X
t
‑2,X
t
‑3,...,X
t
‑
p
]
T
，其中X
i
表示i时刻的传感器参数数据；设计神经网络输出，以预测向量作为网络输出，预测向量维数对应样本标签以正态分布函数的均值μ与标准差σ作为网络输出，构建出预测值概率分布函数N(μ，σ)；根据经验与实验结果选取及优化神经网络隐含层数及各层节点个数；根据神经网络整体结构与神经网络功能选取激活函数，中间层激活函数选取ReLU函数max(0,x)，输出层选取tanh函数(2)训练神经网络数据批采样，从数据库中随机选取部分数据作为训练集，每次训练从训练集中随机采样N个训练样本，其中第i个样本特征表示为[X
i
‑1,X
i
‑2,X
i
‑3,...,X
i
‑
p
]
T
，样本标签为X
i
；设计损失函数，为了提高训练样本的标签出现的概率值P(X
t
|X
t
‑1,X
t
‑2,...,X
t
‑
p
)，损失函数应与该值正相关，为降低训练速度提高训练过程的稳定性，选取P的对数函数构建损失函数，由于批训练方法单次采用多个样本训练，因此损失函数为多个样本采样概率的期望L＝
‑
∑ln P；神经网络参数向量优化，根据所设计的损失函数，采用梯度下降法以学习率α优化神经网络参数向量θ，第k次训练过程可表示为(3)测试神经网络构建测试集，从数据库中随机选取部分数据作为测试集；计算样本标签出现的概率分布，将样本特征输入神经网络，由神经网络估计概率正态分布的均值与标准差构建估计的概率分布确定突变阈值，根据3σ准则确定突变阈值范围，正态分布在(μ
‑
3σ,μ
‑
3σ]以内的取值概率为...

【专利技术属性】
技术研发人员：黄金泉，高文博，周鑫，王杨婧，陈前景，鲁峰，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：