一种物理驱动递归图神经网络的发动机故障诊断方法技术

公开了一种物理驱动递归图神经网络的发动机故障诊断方法，所述方法包括：以多传感器相互干扰效应的物理知识为先验，通过从高保真模型中获取数据，构建传感器信号的物理信息图。针对构建的物理信息图，使用递归图神经网络进行建模和参数训练，以提取时间空间信息，使得所提出的模型具有考虑空间和时间信息的优点。所提出的方法同时考虑多个传感器的信号，基于物理先验，可以实现对大型复杂系统进行时间和空间两个维度的故障诊断。行时间和空间两个维度的故障诊断。行时间和空间两个维度的故障诊断。

【技术实现步骤摘要】
一种物理驱动递归图神经网络的发动机故障诊断方法


[0001]本专利技术属于复杂系统故障诊断领域，涉及一种物理驱动递归图神经网络的复杂系统故障诊断方法。

技术介绍

[0002]故障诊断和预测对于复杂系统(如液体火箭发动机)的安全测试和运行至关重要，极端的工作条件(如高压和燃烧温度)和机械系统的复杂性显著增加了发生灾难性故障的可能性。与部件级零件的诊断不同，复杂系统诊断更为重要的是开发具有多个传感器的系统级诊断策略，这将为操作员的做出决策提供足够的时间。迄今为止，典型的健康监测系统是红线切断系统，主要通过人工设立的固定阈值完成系统故障反应。这一方法是在早期为了提高火箭发动机的安全性而发展起来的，主要受到了飞行或试验台上计算资源的限制。随着高性能计算的发展，迫切需要研究新的融合多传感器信息的创新技术。
[0003]通常，机械系统的故障诊断和预测方法分为两类：基于模型的方法和数据驱动方法。由于物理过程清晰，基于模型的方法已被广泛研究用于复杂系统，其利用线性模型和卡尔曼滤波器等方法，通过历史数据确定参数。然后，得到的参数将被用于预测传感器的输出。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物理驱动递归图神经网络的发动机故障诊断方法，其特征在于，所述方法包括以下步骤：步骤1，在发动机布置多个传感器；步骤2，多个所述传感器实时测量得到所述发动机在正常状态和故障状态下的传感器监测数据；步骤3，基于所述传感器监测数据，依据多个传感器之间存在相互干扰现象的物理先验知识，构建相邻矩阵，形成物理信息图；步骤4，使用图卷积图神经网络处理得到的正常状态和异常状态的物理信息图，对比正常状态和异常状态的处理结果，得到故障诊断结果。2.根据权利要求1所述的方法，其特征在于，优选的，步骤3中，物理信息图的构筑方式中：针对获取的多个传感器监测数据，依据以下规则构筑物理信息图：若a
ij
＝1，则物理信息图中，代表这两个传感器所的结点之间就有一条边，否则没有。3.根据权利要求1中所述的方法，其特征在于，步骤4中，所用的图卷积图神经网络为递归图神经网络。4.根据权利要求3中所述的方法，其特征在于，步骤4中，图卷积图神经网络根据节点的局部邻域生成节点嵌入，对于图卷积图神经网络中的任一节点，其特征向量都被视为周边节点初始输入的聚合映射，当图卷积图神经网络处理物理信息图的信息时，通过相邻矩阵A∈{0,1}
NxN
确定结点...

【专利技术属性】
技术研发人员：马猛，付柳，翟智，孙若斌，王晨希，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：