一种航空发动机故障诊断方法、系统、终端及介质技术方案

本发明专利技术涉及属于故障诊断领域，基于深度自编码器迁移学习技术，具体为一种航空发动机故障诊断方法、系统、终端及介质，利用一个对象某一型号的数据集训练源域基础模型，在此基础上，当需要诊断同类对象不同型号的故障时，只需少量的目标域数据集，结合迁移学习技术，即可对源域基础模型进行微调，获得目标域深度自编码器迁移学习模型，实现对目标域数据深层特征的提取，最后使用SVM分类器进行分类实现故障诊断。相比于传统的发动机故障诊断方法，本发明专利技术所提出的方法具有诊断对象易迁移、故障样本量需求低、诊断精度高等优点。诊断精度高等优点。诊断精度高等优点。

【技术实现步骤摘要】
一种航空发动机故障诊断方法、系统、终端及介质


[0001]本专利技术涉及属于故障诊断领域，基于深度自编码器迁移学习技术，具体为一种航空发动机故障诊断方法、系统、终端及介质。

技术介绍

[0002]航空发动机系统是一个复杂的系统，包括机械传动系统、传感器监测体系、能源系统和电子监控系统等。其使用工作状况经常急剧苛刻的变换导致航空发动机发生故障的频率增加，当前对航空发动机的故障诊断对象主要包括三类：气路系统的故障，机械转子系统故障，传感器故障。由于不同飞机使用的航空发动机型号不同，甚至是同一架飞机上的某一个航空发动机中，使用的传感器或者转子轴承型号都不一致。而传统的故障诊断算法只能依其训练时所使用的对象数据诊断该特定对象的故障，无法对其他对象数据进行故障诊断，诊断对象过于受限。

技术实现思路

[0003]针对现有技术中传统的故障诊断算法存在诊断对象过于受限，无法在训练时对其他对象数据进行故障诊断的问题，本专利技术提供一种航空发动机故障诊断方法、系统、终端及介质，可以扩展到同类不同型号的目标域对象上，对其他对象数据进行诊断，有效的提升本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航空发动机故障诊断方法，其特征在于，包括如下步骤：建立源域数据集和目标域数据集；通过源域数据集建立源域深度自编码器基础故障分类器模型，并对源域深度自编码器基础故障分类器模型进行故障分类得到分类结果；用目标域数据集训练源域深度自编码器基础故障分类器模型得到目标域深度自编码器迁移学习模型，并对目标域深度自编码器迁移学习模型进行故障分类得到分类结果；将源域深度自编码器基础故障分类器模型所得到的分类结果与目标域深度自编码器迁移学习模型所得到分类结果进行比较，并将比较误差作为误差数据输入到目标域深度自编码器迁移学习模型中进行训练和验证，得到最佳性能的目标域深度自编码器迁移学习模型；将同一故障诊断对象的不同数据型号所对应的目标域输入至最佳性能的目标域深度自编码器迁移学习模型中训练并进行故障分类到的该目标域所对应的分类结果，提取分类结果中的异常数据，完成故障诊断工作。2.根据权利要求1所述的一种航空发动机故障诊断方法，其特征在于，在健康管理数据集中针对航空发动机对象建立源域数据集和目标域数据集。3.根据权利要求1所述的一种航空发动机故障诊断方法，其特征在于，建立源域深度自编码器基础故障分类器模型的过程如下：将源域数据集分为源域训练集和源域测试集，对源域训练集进行训练得到深度自编码器基础模型，并通过源域测试集对深度自编码器基础模型进行验证。4.根据权利要求1所述的一种航空发动机故障诊断方法，其特征在于，源域深度自编码器基础故障分类器模型通过SVM分类器进行故障分类，SVM分类器对源域深度自编码器基础故障分类器模型的最后一层自编码器的隐层分类得到分类结果。5.根据权利要求1所述的一种航空发动机故障诊断方法，其特征在于，目标域深度自编码器迁移学习模型的建立过程如下：将目标域数据集分为目标域训练集和目标域测试集，将目标域训练集...

【专利技术属性】
技术研发人员：刘贞报，贾真，赵闻，张超，赵鹏，刘昕，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：