基于神经网络的航空发动机传感器故障诊断方法及系统技术方案

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诊断方法及系统，首先获取航空发动机传感器的样本数据集，并提取样本数据集中的特征参数得到特征集；确定匹配度最高的最佳特征参数，根据最佳特征参数以及对应的匹配度更新HPO算法中的平衡参数和自适应参数；根据更新后的平衡参数和自适应参数，以及特征集中所有特征参数的平均值更新特征集；确定更新后的特征集中各特征参数的匹配度，根据各特征参数的匹配度更新最佳特征参数；根据最佳特征参数预测航空发动机传感器的故障类型。该方法将特征提取与选择技术相结合，利用猎人

【技术实现步骤摘要】
基于神经网络的航空发动机传感器故障诊断方法及系统


[0001]本专利技术涉及航空发动机的故障检测领域，具体为基于神经网络的航空发动机传感器故障诊断方法及系统。

技术介绍

[0002]航空发动机是个复杂的多部件耦合系统，为了保证航空发动机的安全运行，实现对航空发动机的健康管理，需要对航空发动机的运行状况进行实时监控，以便采取及时有效的措施应对各种状况。对航空发动机运行情况的实时监控主要以数量众多的各类传感器来实现。传感器在长时间以及恶劣运行条件的影响下，其本身极易发生故障，这给航空发动机的故障诊断带来了困难。
[0003]当前航空发动机故障诊断主要有三种方法，基于物理模型的方法、数据驱动的方法、物理模型与数据驱动相结合的方法。基于物理模型的方法是最早发展起来的方法，目前已经有了广泛的应用。它依赖于航空发动机的物理模型及相关知识规律对航空发动机进行故障诊断，如卡尔曼滤波器、奇偶空间等方法。但由于航空发动机具有动态变化的运行环境以及复杂的耦合机理，以致航空发动机高精度建模难以实现，这极大影响了基于物理模型故障诊断技术的性能。基于物理模型与数据驱动相融合的方法虽然相对于单一模型方法有着较好的结果，但在融合过程中的数据与物理规则间的矩阵难以处理。因此，这种方法在故障诊断方面适用性很差。
[0004]与以上两种方法相比，基于数据驱动的方法有其独特的优势，该方法不需要对物理模型的原理进行深入探究，也不需要航空发动机相关先验知识的支撑，可以只依赖于原始数据或体现原始数据特性的特征来进行故障诊断。基于数据驱动的故障诊断方法主要包括机器学习、神经网络、深度学习等方法，这些方法在不同领域的故障诊断中有了较多的应用。机器学习的方法在面对日趋复杂的航空发动机非线性信号特征时学习能力有限，难以取得理想的故障诊断结果。此外，大部分神经网络的结构较为简单，在面对复杂故障特征时难以有很好的表现，因此基于神经网络的方法在航空发动机故障诊断领域适用性较差，难以取得理想效果。并且，没有特征提取的诊断方法往往会花费较长的时间，因此对基于神经网络的故障诊断来说，特征的提取与选择起到很重要的作用。

技术实现思路

[0005]针对航空发动机传统基于模型与混合故障诊断技术具有效率低且适用性差的缺陷，本专利技术提供一种基于神经网络的航空发动机传感器故障诊断方法及系统，利用猎人
‑
猎物优化(HPO)算法进行特征选择，以实现减少信息冗余、提高故障诊断准确率与效率的多目标优化。
[0006]本专利技术是通过以下技术方案来实现：
[0007]一种基于神经网络的航空发动机传感器故障诊断方法，包括以下步骤：
[0008]步骤1、获取航空发动机传感器的样本数据集，并提取样本数据集中的特征参数得
到特征集；
[0009]步骤2、计算特征集中各组特征参数的匹配度，并确定匹配度最高的最佳特征参数；
[0010]步骤3、根据最佳特征参数以及对应的匹配度更新HPO算法中的平衡参数和自适应参数；
[0011]步骤4、根据更新后的平衡参数和自适应参数，以及特征集中所有特征参数的平均值更新步骤2得到的特征集；
[0012]步骤5、确定步骤4更新后的特征集中各组特征参数的匹配度，根据各特征参数更新步骤2特征集中猎人与猎物的位置，得到更新后的特征集；
[0013]步骤6、重复步骤3
‑
5，直至达到设定的迭代条件，输出最佳特征参数，根据最佳特征参数预测航空发动机传感器的故障类型。
[0014]优选的，步骤1中获取航空发动机传感器的运行数据，并对运行数据进行归一化得到样本数据集，归一化的方法如下：
[0015][0016]其中，y
m
表示传感器的运行数据，m代表实际的故障类别数，y
m，max
，y
m，min
对应各故障类型的运行数据的最大值和最小值，为归一化后的样本数据，n代表实际的故障类别数。
[0017]优选的，步骤1中对样本数据集中的样本数据进行分组，提取各组样本数据的特征参数，并采用二进制方法对特征参数进行选择，得到N组特征参数并构成的特征集。
[0018]优选的，所述特征参数的提取方法如下：
[0019]x
i
＝lb
i
+rand
×
(ub
i
‑
lb
i
)；rand∈[0，1][0020][0021]其中，x
i
是表示特征参数，lb
i
与ub
i
分别代表特征参数的下界与上界。
[0022]优选的，步骤2中所述匹配度的计算方法如下：
[0023][0024]其中，Fitness
i
表示第i组特征参数的匹配度，Err
i
为分类误差，w1为主要权重，w2为次要权重，d
i
表示选中的特征参数所含特征的个数，D为维度。
[0025]优选的，步骤3中平衡参数的更新方法如下：
[0026][0027]其中，T
max
是最大迭代次数，t是当前迭代次数；
[0028]自适应参数的更新方法如下：
[0029][0030][0031]其中，与代表一个随机向量，向量的每个值都在0和1之间，R2是0与1之间的随机数。
[0032]优选的，步骤4中结合递减机制更新特征集，用于提高HPO算法的收敛速度。
[0033]优选的，所述特征集的更新方法如下：
[0034][0035]其中，β为常数，P
pos(j)
代表最佳特征参数在参数集矩阵中的位置，R4表示0到1内的随机数，D
euc(i)
表示欧几里得距离，R5为随机数。
[0036]优选的，步骤6中将最佳特征参数输入LSTM神经网络进行航空发动机的传感器故障类型的预测。
[0037]一种基于神经网络的航空发动机传感器故障诊断方法的系统，包括，
[0038]特征参数选择模块，用于获取航空发动机传感器的样本数据集，并提取样本数据集中的特征参数，得到特征集；
[0039]特征匹配模块，用于计算特征集中各特征参数的匹配度，并确定匹配度最高的最佳特征参数；
[0040]算法更新模块，用于根据最佳特征参数以及对应的匹配度更新HPO算法中的平衡参数和自适应参数；
[0041]特征更新模块，用于根据更新后的平衡参数和自适应参数，以及特征集中所有特征参数的平均值更新特征集；
[0042]最佳特征优化模块，用于确定更新后的特征集中各特征参数的匹配度，根据各特征参数的匹配度更新最佳特征参数；
[0043]预测模块，用于根据设定的迭代条件输出最佳特征参数，根据最佳特征参数预测航空发动机传感器的故障类型。
[0044]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于本文档来自技高网...

【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诊断方法，其特征在于，包括以下步骤：步骤1、获取航空发动机传感器的样本数据集，并提取样本数据集中的特征参数得到特征集；步骤2、计算特征集中各组特征参数的匹配度，并确定匹配度最高的最佳特征参数；步骤3、根据最佳特征参数以及对应的匹配度更新HPO算法中的平衡参数和自适应参数；步骤4、根据更新后的平衡参数和自适应参数，以及特征集中所有特征参数的平均值更新步骤2得到的特征集；步骤5、确定步骤4更新后的特征集中各组特征参数的匹配度，根据各特征参数更新步骤2特征集中猎人与猎物的位置，得到更新后的特征集；步骤6、重复步骤3
‑
5，直至达到设定的迭代条件，输出最佳特征参数，根据最佳特征参数预测航空发动机传感器的故障类型。2.根据权利要求1所述的一种基于神经网络的航空发动机传感器故障诊断方法，其特征在于，步骤1中获取航空发动机传感器的运行数据，并对运行数据进行归一化得到样本数据集，归一化的方法如下：其中，y
m
表示传感器的运行数据，m代表实际的故障类别数，y
m,max
，y
m,min
对应各故障类型的运行数据的最大值和最小值，为归一化后的样本数据，n代表实际的故障类别数。3.根据权利要求1所述的一种基于神经网络的航空发动机传感器故障诊断方法，其特征在于，步骤1中对样本数据集中的样本数据进行分组，提取各组样本数据的特征参数，并采用二进制方法对特征参数进行选择，得到N组特征参数并构成的特征集。4.根据权利要求3所述的一种基于神经网络的航空发动机传感器故障诊断方法，其特征在于，所述特征参数的提取方法如下：x
i
＝lb
i
+rand
×
(ub
i
‑
lb
i
)；rand∈[0,1]其中，x
i
是表示特征参数，lb
i
与ub
i
分别代表特征参数的下界与上界。5.根据权利要求1所述的一种基于神经网络的航空发动机传感器故障诊断方法，其特征在于，步骤2中所述匹配度的计算方法如下...

【专利技术属性】
技术研发人员：陈映雪，冯冠翔，缑林峰，陈华涛，迟浩然，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：