一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法技术

本发明专利技术公开了一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，该方法基于支持向量数据描述，并引入了迁移学习的思想。该方法考虑了航空发动机退化过程中不同退化程度下的发动机运行数据的差异，以发动机历史运行数据为源域数据，以发动机当前状态下收集的运行数据为目标域数据，该方法将SVDD模型的球心当作知识结构从源域迁移到目标域，辅助目标域建立精确性较高的故障检测模型。本发明专利技术通过迁移学习来解决航空发动机故障检测领域的故障数据缺乏的问题，并和单分类算法SVDD相结合，提高了故障检测模型在故障数据较少的情况下的故障检测效果。况下的故障检测效果。况下的故障检测效果。

【技术实现步骤摘要】
一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法


[0001]本专利技术属于航空发动机故障检测领域，尤其涉及一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法。

技术介绍

[0002]航空发动机故障检测是指根据发动机的实时运行数据判断发动机所处状态，故障状态或者正常状态。故障检测是航空发动机健康管理的重要组成部分，对保障飞机与发动机的健康运行具有重要意义。由于90％的航空发动机故障都是气路部件故障，因此非常有必要对气路部件进行故障检测。流量与效率的改变能够直接反映发动机部件的健康状态，但是它们不能被直接观测到。而发动机上一些可以测量的参数，比如温度、压力、转速等等，并不能直接反映航空发动机部件的健康状态。这给航空发动机的故障检测带来了一定的困难。
[0003]当前故障检测方法可以粗略的分为基于模型的方法以及数据驱动的方法。基于模型的方法需要根据气动热力学原理建立精确的发动机机理模型。故障检测的准确度高度依赖于所建立的模型的精度。数据驱动的方法依靠发动机历史运行数据，利用机器学习算法建立数据和发动机状态之间的映射关系。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，包括以下步骤：步骤1，在发动机标称状态下收集历史飞行数据作为源域数据；步骤2，在发动机当前退化程度下收集飞行数据作为目标域数据；步骤3，给定模型以及算法训练过程的所有参数，包括核函数参数、算法精度容忍值、源域及目标域的松弛参数、源域与目标域之间的平衡参数；步骤4，初始化源域SVDD模型的参数；步骤5，利用源域数据，采用SMO算法训练源域SVDD模型，得到相关的参数；步骤6；初始化目标域模型的参数；步骤7，利用目标域数据以及源域SVDD模型，采用SMO算法训练SVDD
‑
TL模型；步骤8，将实时飞行数据输入故障检测模型，检测发动机处于正常状态还是故障状态。2.根据权利要求1所述一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，步骤1和步骤2中每组飞行数据均包括高压转子转速N
H
、低压转子转速N
L
、风扇出口温度T
22
、压气机出口压力T3、压气机出口压力P3、低压涡轮进口温度T
45
、低压涡轮出口温度T
46
、低压涡轮出口压力P
46
、掺混室进口温度T
65
以及主燃油流量WFB。3.根据权利要求1所述一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，步骤1中源域数据为标称状态历史运行数据，包括故障数据和非故障数据，其中，故障数据类型包括风扇故障数据、压气机故障数据、高压涡轮故障数据和低压涡轮故障数据；步骤2中目标域数据包括非故障数据和故障数据。4.根据权利要求1所述一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，步骤3中核函数参数、算法精度容忍值、源域及目标域的松弛参数、源域与目标域之间的平衡参数如下；其中，采用常见的高斯核函数进行映射，其定义如式所示，其中，x表示飞行数据，i＝1，2，
…
，n，n为样本个数；核函数参数选择σ＝0.3；算法精度容忍值：算法容忍值选择ε＝1e
‑
4；源域及目标域的松弛参数：源域与目标域的松弛参数将这四个参数统一为一个参数C，该值根据经验选择为1；源域与目标域之间的平衡参数：平衡参数λ利用目标域数据进行5折交叉验证确定，其搜索范围为{0.05，0.10，
…
，1.00}，共20个候选值。5.根据权利要求1所述一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，步骤4中初始化SVDD模型的参数α
i
的具体方式为：α
l
＝0，其中y
i
＝1、y
l
＝
‑
1；n
+
为训练集中正类样本个数。6.根据权利要求1所述一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，步骤5中利用源域数据，采用SMO算法训练源域SVDD模型，得到相关的参数，具体过程如下：
考虑只包含正类样本的训练集{x
i
|i＝1，2，
…
，n}，其中n为训练样本个数，SVDD的目标是找到一个超球体，球体的半径尽量小，并且包含或者尽量包含所有的正类样本；当样本中包含离群点时，如果强行将样本包含进球体，球体的半径会非常大，因此模型在进行判断时会把异常样本判断为正常样本；因此，SVDD允许部分样本点在超球体之外，同时引入了松弛因子ξ，因此定义损失函数：其中，变量a为SVDD的球心，R为SVDD的半径；C为松弛参数，用于控制离群点的数量；SVDD需要最小化球体的半径，因此SVDD模型的数学描述为：采用拉格朗日乘子法将约束代入损失函数，得到拉格朗日函数：其中，α
i
和γ
i
为引入的拉格朗日乘子，满足α
i
＞0和γ
i
＞0；对R、a、ξ
i
求偏导并令其等于0得到：0得到：0得到：根据式(6)进一步推出约束：0≤α
i
≤C#(7)将式(4)(5)(6)代入拉格朗日函数(3)，得到问题(2)的对偶问题：s.t.0≤α
i
≤C i＝1，2，
…
，n#(8)上述过程满足KKT(Karush
‑
Kuhn
‑
Tucker)条件：
于是有，对任意的训练样本x
i
，若α
i
＝0，则样本在超球体内部；若0＜α
i
＜C，则样本在超球体球面上，该样本为支持向量；若α
i
＝C，则样本在超球体外部，为离群点，被错误分类；将样本映射到高维空间，并通过核函数来实现高维空间中的内积运算；假设映射为φ(x)，核函数的为k(
·
，
·
)；本发明选择高斯核函数进行实现，其具体形式为：其中，σ＞0是高斯核的带宽；于是，原始问题(2)变为：s.t.||φ(x)
‑
a||2≤R2+ξ
i i＝1，2，
…
，n#(11)对偶问题变为：s.t.0≤α
i
≤C i＝1，2，
…
，n#(12)求解该问题即可d得到球体球心和半径：求解该问题即可d得到球体球心和半径：其中，x
v
为任意的支持向量；对测试样本x
test
，需要判断该样本位于超球体内部还是外部，如果位于球体内部就认为该样本为正类，否则被认为是负类；该样本距离球心的距离为：对比公式(14)和(15)，由于最后一部分是相同的，因此定义：因此定义：因此测试样本x
test
的预测标签为：
其中sign(
·
)为符号函数，...

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