一种基于自监督模型的航空发动机故障实时检测方法技术

本发明专利技术提供一种基于自监督模型的航空发动机故障实时检测方法。所述基于自监督模型的航空发动机故障实时检测方法包括以下步骤：S1：构建深度学习模型，所述深度学习模型包括两部分，分别是转速数据的编码器和异常检测的分类头；S2：将航空发动机的转速和振动数据使用滑动窗口提取，构造模型的数据集；S3：对训练数据开展处理，将式（2）所示的人为构造的噪声叠加到振动数据中。本发明专利技术提供的基于自监督模型的航空发动机故障实时检测方法具有训练过程不需要异常数据、不需要人为划分阈值、能够直接输出正常/异常判断，方法简单有效、训练开销小、运行速度快、能实现实时检测，是一个适用于工程实践的航空发动机运行异常检测的优点。于工程实践的航空发动机运行异常检测的优点。于工程实践的航空发动机运行异常检测的优点。

【技术实现步骤摘要】
一种基于自监督模型的航空发动机故障实时检测方法


[0001]本专利技术涉及航空航天及深度学习领域，尤其涉及一种基于自监督模型的航空发动机故障实时检测方法。

技术介绍

[0002]航空发动机是航空飞行器的重要结构，如果发生故障会导致严重后果。航空发动机的异常振动导致结构损坏是一种常见的故障类型，尤其是转子结构经常持续在高温高压的极端环境下进行高速运转，其故障率尤为突出，对航空发动机开展故障检测有助于及时发现问题并避免发生严重后果。
[0003]常规的航空发动机及类似转子机械结构的故障检测基于振动分析开展，如频谱分析、阈值检测等。随着深度学习技术发展，也出现了很多基于深度学习技术的异常检测模型，主要以预测、重构等深度学习领域的时间序列的常规任务为基础，使用预测或重构误差作为判断指标，人为提出标准划分正常/异常阈值，从而进行异常检测。
[0004]常规的故障检测方法中，频谱分析需要较高采样频率的传感器才能采集到有效的频域分析数据，有时由于测试方法或数据处理方法受限，难以获取到高采样频率的振动数据，导致该方法受限，且难以达到实时检测的目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督模型的航空发动机故障实时检测方法，其特征在于，包括以下步骤：S1：构建深度学习模型，所述深度学习模型包括两部分，分别是转速数据的编码器和异常检测的分类头；S2：将航空发动机的转速和振动数据使用滑动窗口提取，构造模型的数据集；S3：对训练数据开展处理，将式(2)所示的人为构造的噪声叠加到振动数据中，构造出负样本所需的振动数据：ε0～N(0,1)(1)ε
Noise
＝|ε0|+1 (2)X
Veng1
＝X
Veng0
·
ε
Noise (3)式中，N(0,1)为标准正态分布，ε
Noise
为扰动值，X
Veng0
为正常振动数据，X
Veng1
为构造的负样本所需的振动数据；S4：将转速数据输入所述S1所构建的转速数据编码器，得到编码后的转速数据；S5：将编码后的转速数据与原本的正常振动数据拼接构造为正样本，将编码后的转速数据与经过所述S3中噪声处理后的振动数据拼接构造为负样本；S6：将上述...

【专利技术属性】
技术研发人员：黄雨晖，陈晓国，陈梦羽，赵健，侯志璞，
申请(专利权)人：西北核技术研究所，
类型：发明
国别省市：