本发明专利技术涉及一种航空发动机故障风险预警方法及系统。所述方法包括：将待预警发动机的性能参数数组转化成灰度图并输入故障风险预警模型得到预警故障类型；故障风险预警模型为根据待训练航空发动机的灰度图和故障类型对改进深度残差收缩网络进行训练得到的；改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层；深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络；深度残差卷积收缩网络包括：依次连接的第一卷积层模块、池化层、第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块。本发明专利技术有良好的鲁棒性，针对不同数据集都具有较高的故障风险预警准确率。障风险预警准确率。障风险预警准确率。
【技术实现步骤摘要】
一种航空发动机故障风险预警方法及系统
[0001]本专利技术涉及民用飞机发动机故障与风险预警
，特别是涉及一种航空发动机故障风险预警方法及系统。
技术介绍
[0002]通过故障风险预警可及时发现航空发动机潜在故障并判断故障类型，迅速有效地指导发动机的使用和维修管理任务，提高飞机安全运营的水平。
[0003]对于风险评估研究，传统分析方法在基础数据与评估体系方面利用数学模型与公式推导出模型指标数据等得到故障风险相关数据，常用的传统方法包括回归分析、协方差矩阵、小波变换和故障树分析法等。传统分析方法可将已知故障参数带入模型运算得到相关故障指标，但计算精度需迭代预算，在时间与空间上产生开销。相比传统分析方法，深度学习在特征提取与准确计算方面表现优异，以增量方式训练样本数据，以学习复杂数据集隐性蕴含的低级与高级特征，在故障风险领域中研究已取得一定进展，但航空发动机采集器数据样本所属特征不明显，各个故障种类阈值较难划分，导致使用深度学习方法进行航空发动机故障预警时鲁棒性差，容易造成预警结果不准确。
技术实现思路
[0004]本专利技术的目的是提供一种航空发动机故障风险预警方法及系统，有良好的鲁棒性，针对不同数据集都具有较高的故障风险预警准确率。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种航空发动机故障风险预警方法，包括：
[0007]获取待预警航空发动机的性能参数数组，所述性能参数数组包括：高压转子转速、低压转子转速、风扇压比、增压级压比、压气机压比、高压压气机进口总温度、低压涡轮排气温度和耗油量偏差；所述耗油量偏差为当前实际的耗油量与健康状态下的耗油量的差值；
[0008]将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图；
[0009]将所述待预警航空发动机的待检测灰度图输入故障风险预警模型得到所述待预警航空发动机的预警故障类型；所述故障风险预警模型为以待训练航空发动机的待检测灰度图为输入，以所述待训练航空发动机的故障类型为输出对改进深度残差收缩网络进行训练得到的；所述改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层；所述深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络；所述深度残差卷积收缩网络包括：依次连接的第一卷积层模块、池化层、第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块；所述第一阈值深度机制模块包括并联的第一软阈值化函数和第一深度注意力机制网络；所述第二阈值深度机制模块包括并联的第二软阈值化函数和第二深度注意力机制网络。
[0010]可选的，所述故障风险预警模型的确定方法为：
[0011]以故障类型为标准获取多组训练样本，一种故障类型对应一组训练样本；一组所
述训练样本包括多个待训练航空发动机的性能参数数组；
[0012]对各所述待训练航空发动机的性能参数数组添加高斯噪声得到添加噪声后的待训练航空发动机的性能参数数组；
[0013]将各所述添加噪声后的待训练航空发动机的性能参数数组转化成灰度图得到多个待训练航空发动机的待检测灰度图；
[0014]将所有所述待训练航空发动机的待检测灰度图按设定比例分成训练集、验证集和测试集；
[0015]根据所述训练集、所述验证集和所述测试集对所述改进深度残差收缩网络进行训练得到所述故障风险预警模型。
[0016]可选的，所述将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图，具体包括：
[0017]将所述性能参数数组转化成矩阵；
[0018]将所述矩阵转换成灰度图得到所述待预警航空发动机的待检测灰度图。
[0019]可选的，所述改进深度残差收缩网络还包括：依次连接的BN层、ReLU函数和Dropout层；所述BN层的输入端与所述深度残差卷积收缩模块的输出端连接，所述Dropout层的输出端与所述全连接层的输入端连接。
[0020]可选的，所述第一卷积层模块和所述第二卷积层模块均包括两个依次连接的卷积层。
[0021]一种航空发动机故障风险预警系统，包括：
[0022]获取模块，用于获取待预警航空发动机的性能参数数组，所述性能参数数组包括：高压转子转速、低压转子转速、风扇压比、增压级压比、压气机压比、高压压气机进口总温度、低压涡轮排气温度和耗油量偏差；所述耗油量偏差为当前实际的耗油量与健康状态下的耗油量的差值；
[0023]待检测灰度图转换模块，用于将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图；
[0024]故障类型确定模块，用于将所述待预警航空发动机的待检测灰度图输入故障风险预警模型得到所述待预警航空发动机的预警故障类型；所述故障风险预警模型为以待训练航空发动机的待检测灰度图为输入，以所述待训练航空发动机的故障类型为输出对改进深度残差收缩网络进行训练得到的；所述改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层；所述深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络；所述深度残差卷积收缩网络包括：依次连接的第一卷积层模块、池化层第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块；所述第一阈值深度机制模块包括并联的第一软阈值化函数和第一深度注意力机制网络；所述第二阈值深度机制模块包括并联的第二软阈值化函数和第二深度注意力机制网络。
[0025]可选的，所述故障类型确定模块包括：
[0026]获取单元，用于以故障类型为标准获取多组训练样本，一种故障类型对应一组训练样本；一组所述训练样本包括多个待训练航空发动机的性能参数数组；
[0027]添加噪声单元，用于对各所述待训练航空发动机的性能参数数组添加高斯噪声得到添加噪声后的待训练航空发动机的性能参数数组；
[0028]训练灰度图确定单元，用于将各所述添加噪声后的待训练航空发动机的性能参数数组转化成灰度图得到多个待训练航空发动机的待检测灰度图；
[0029]划分单元，用于将所有所述待训练航空发动机的待检测灰度图按设定比例分成训练集、验证集和测试集；
[0030]故障风险预警模型训练单元，用于根据所述训练集、所述验证集和所述测试集对所述改进深度残差收缩网络进行训练得到所述故障风险预警模型。
[0031]可选的，所述待检测灰度图转换模块，具体包括：
[0032]矩阵转化单元，用于将所述性能参数数组转化成矩阵；
[0033]待检测灰度图转化单元，用于将所述矩阵转换成灰度图得到所述待预警航空发动机的待检测灰度图。
[0034]可选的，所述改进深度残差收缩网络还包括：依次连接的BN层、ReLU函数和Dropout层；所述BN层的输入端与所述深度残差卷积收缩模块的输出端连接，所述Dropout层的输出端与所述全连接层的输入端连接。
[0035]可选的，所述第一卷积层模块和所述第二卷积层模块均包括两个依次连接的卷积层。
[0036]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种航空发动机故障风险预警方法，其特征在于，包括：获取待预警航空发动机的性能参数数组，所述性能参数数组包括：高压转子转速、低压转子转速、风扇压比、增压级压比、压气机压比、高压压气机进口总温度、低压涡轮排气温度和耗油量偏差；所述耗油量偏差为当前实际的耗油量与健康状态下的耗油量的差值；将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图；将所述待预警航空发动机的待检测灰度图输入故障风险预警模型得到所述待预警航空发动机的预警故障类型；所述故障风险预警模型为以待训练航空发动机的待检测灰度图为输入，以所述待训练航空发动机的故障类型为输出对改进深度残差收缩网络进行训练得到的；所述改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层；所述深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络；所述深度残差卷积收缩网络包括：依次连接的第一卷积层模块、池化层、第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块；所述第一阈值深度机制模块包括并联的第一软阈值化函数和第一深度注意力机制网络；所述第二阈值深度机制模块包括并联的第二软阈值化函数和第二深度注意力机制网络。2.根据权利要求1所述的一种航空发动机故障风险预警方法，其特征在于，所述故障风险预警模型的确定方法为：以故障类型为标准获取多组训练样本，一种故障类型对应一组训练样本；一组所述训练样本包括多个待训练航空发动机的性能参数数组；对各所述待训练航空发动机的性能参数数组添加高斯噪声得到添加噪声后的待训练航空发动机的性能参数数组；将各所述添加噪声后的待训练航空发动机的性能参数数组转化成灰度图得到多个待训练航空发动机的待检测灰度图；将所有所述待训练航空发动机的待检测灰度图按设定比例分成训练集、验证集和测试集；根据所述训练集、所述验证集和所述测试集对所述改进深度残差收缩网络进行训练得到所述故障风险预警模型。3.根据权利要求1所述的一种航空发动机故障风险预警方法，其特征在于，所述将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图，具体包括：将所述性能参数数组转化成矩阵；将所述矩阵转换成灰度图得到所述待预警航空发动机的待检测灰度图。4.根据权利要求1所述的一种航空发动机故障风险预警方法，其特征在于，所述改进深度残差收缩网络还包括：依次连接的BN层、ReLU函数和Dropout层；所述BN层的输入端与所述深度残差卷积收缩模块的输出端连接，所述Dropout层的输出端与所述全连接层的输入端连接。5.根据权利要求1所述的一种航空发动机故障风险预警方法，其特征在于，所述第一卷积层模块和所述第二卷积层模块均包括两个依次连接的卷积层。6.一种航空发动机故障风险预警系统，其特征在于，包括：获取模块，用于获取待预警航空发动机的...
【专利技术属性】
技术研发人员：孙有朝，毛浩英，李龙彪，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。