【技术实现步骤摘要】
本专利技术涉及航空发动机领域，尤其涉及一种基于飞行数据的航空发动机气路异常监测方法。
技术介绍
1、航空发动机是一种高度复杂和精密的热力机械，作为飞机的心脏，不仅是飞机飞行的动力，也是促进航空事业发展的重要推动力，人类航空史上的每一次重要变革都与航空发动机的技术进步密不可分。
2、航空发动机是飞机重要的动力源，长时间在恶劣的工作条件下运行，其安全性和可靠性面临很大的挑战，气路部件长期处于高温高压下，极易出现早期故障，是引发空中停车等险情的主要因素之一，然而，气路的早期故障被各种未知的干扰和噪声所覆盖，很难有效地监测出早期异常。
3、目前航空发动机气路异常监测方法可归于以下两类：基于模型的方法和数据驱动的方法，基于模型的方法需要建立发动机精确的物理数学模型来描述发动机的工作特性，并且依赖充分的传感器测量信息修正模型特性以提高模型精度，所建立的机理模型的精确程度直接影响着诊断效果。
4、气路性能会随着时间而缓慢退化，如何捕获反映气路性能变化的气路参数原始值特征极为重要，以上方法都不能很好地适用于早期故障，主要原因是相关算法不能消除微弱信号中的干扰信号，难以捕获到气路早期故障的变化，航空发动机气路部件因损伤积累、结构变形等原因。
5、因此，有必要提供一种基于飞行数据的航空发动机气路异常监测方法解决上述技术问题。
技术实现思路
1、本专利技术提供一种基于飞行数据的航空发动机气路异常监测方法，解决了航空发动机是飞机重要的动力源，长时间在恶劣的工
2、为解决上述技术问题，本专利技术提供的一种基于飞行数据的航空发动机气路异常监测方法，包括以下步骤：
3、s1、基于核慢特征分析的气路特征提取：慢特征分析原理和核慢特征分析原理；
4、s2、基于深度支持向量描述算法的气路性能评估：传统支持向量描述算法原理、深度支持向量描述算法原理和deep svdd网络结构与训练；
5、s3、基于箱线图的航空发动机气路异常判定；
6、s4、基于ksfa-deep svdd的航空发动机异常监测模型；
7、s5、数据集选取与参数设置：实验数据集介绍、参数选取、数据集预处理、deepsvdd参数设置和对比模型选取与参数设置；
8、s6、实验结果与讨论：慢速特征提取。
9、优选的，所述s1中的慢特性分析原理包括以下方式：航空发动机运行过程中，气路性能随时间缓慢变化，慢特征分析被提出用来寻找一组输入输出函数使得输出信号变化的尽可能缓慢，经慢特征分析算法提取的特征可以有效反映气路状态缓慢变化，其变化幅度能反映气路变化状态；
10、给定一个n维的气路输入信号x＝[x1,x2,…xn]t，考虑线性的映射函数，通过sfa找到目标函数和输入函数之间的映射关系，即
11、
12、式中，代表第j个函数的权重；
13、相应的，sfa映射函数的目标函数为：
14、
15、式中，δ(·)代表差异值，表示s的时间差分，<s>t是s沿时间轴的平均值；
16、此外，目标函数的优化问题应满足以下条件：
17、
18、
19、
20、最后可以被重铸为如下的广义特征值分解问题：
21、aw＝bwω (6)
22、式中，w＝[w1,w2...,wn].b＝<xtx>t，ω是广义特征值组成的对角矩阵，对式(6)进行求解，得到变换矩阵w后，反映气路慢速变化的特征s可以表示为：
23、s＝pz＝wx。
24、优选的，所述s1中的核慢性特征分析原理包括以下方式：在实际的航空发动机运行过程中，气路数据存在着极高的维度，慢特征分析多采用多项式扩展的方法对其进行处理，然而，航空发动机气路传感器数据的维度较大，多项式扩展会形成维数灾难，极其影响特征提取速度以及实际后续建模的精度；
25、核技巧是一种处理非线性数据的方法，核慢特征分析引入核函数代替慢特征分析中的多项式拓展，从而实现对非线性数据的处理，即将低维空间的原始数据映射到高维空间，将高维空间中的内积运算转化为输入空间的核函数运算，常用的核函数有多种，本文采用泛化和平滑估计能力强的高斯核函数，经多次实验，设置高斯核大小为5：
26、
27、式中，xi和xj为任意的样本。
28、将高斯核函数代替多项式扩展，即拓展后的数据k代替二阶多项式
29、扩展，式(2)中映射函数的目标函数变为：
30、
31、式(6)中的广义特征值分解问题被重铸为：
32、akw＝bkwω (10)
33、式中，为的协方差矩阵，b＝<ktk>t为k的协方差矩阵；
34、对式(10)中的广义特征值分解问题进行求解，得到变换矩阵w，核慢特征可以表示为：
35、sk＝wx (11)。
36、优选的，所述s2中的传统支持向量描述算法原理包括以下方式：航空发动机的实际运行中，正常样本与异常样本的比例不平衡，存在样本不平衡问题，高质量的异常标签样本更是极难获得，无监督学习的算法适用于正常数据和异常数据都存在且没有标签的情况下，在只有健康状态数据可用的情况下，支持向量数据描述可以根据航空发动机正常样本完成训练，并在后续的运行过程中有效分辨发动机正常与异常状态，传统支持向量描述算法性能评估过程如下：
37、给定一个n维的经ksfa提取后的慢速特征x＝[x1,x2...,xn]t，svdd对其进行非线性映射，在高维特征空间中寻找一个最优超球体，包围所有的训练样本，对应的目标函数为：
38、
39、式中，r为超球体半径，o为中心，σi为松弛变量，c为惩罚因子；
40、引入拉格朗日函数求解式(12)，原问题可被重铸为以下对偶描述：
41、
42、式中，k(xi,xj)＝φ(xi)tφ(xj)为核函数运算，本文选择的核函数为泛化和平滑估计能力强的高斯核函数；
43、对式(13)求解，即可得到为超球体中心o以及超球体半径r：
44、
45、r＝φ(x*)-o (15)
46、定义对于任意时刻的测试样本xt到超球体中心o的距离平方为健康指标(hi)：
47、
48、优选的，所述s2中的深度支持向量描述算法原理包括以下方式：传统的支持向量描述对于给定的训练样本主要采用单层非线性映射，借助核函数完成特征提取，然而，单层特征提取往往难以挖掘非线性数据之间的复杂关系，针对传统支持向量描述的不足，深度支持向量描述近年来被提出在深度svdd中，目本文档来自技高网...
【技术保护点】
1.一种基于飞行数据的航空发动机气路异常监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述S1中的慢特性分析原理包括以下方式：航空发动机运行过程中，气路性能随时间缓慢变化，慢特征分析被提出用来寻找一组输入输出函数使得输出信号变化的尽可能缓慢，经慢特征分析算法提取的特征可以有效反映气路状态缓慢变化，其变化幅度能反映气路变化状态；
3.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述S1中的核慢性特征分析原理包括以下方式：在实际的航空发动机运行过程中，气路数据存在着极高的维度，慢特征分析多采用多项式扩展的方法对其进行处理，然而，航空发动机气路传感器数据的维度较大，多项式扩展会形成维数灾难，极其影响特征提取速度以及实际后续建模的精度；
4.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述S2中的传统支持向量描述算法原理包括以下方式：航空发动机的实际运行中，正常样本与异常样本的比例不平衡，存在样本不平衡问题，高质量的异常标签
5.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述S2中的深度支持向量描述算法原理包括以下方式：传统的支持向量描述对于给定的训练样本主要采用单层非线性映射，借助核函数完成特征提取，然而，单层特征提取往往难以挖掘非线性数据之间的复杂关系，针对传统支持向量描述的不足，深度支持向量描述近年来被提出在深度SVDD中，目标是相同的，但不是使用高维空间的线性映射，而是使用深度神经网络来学习低维潜在空间中输入数据的非线性表示；
6.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述S2中的Deep SVDD网络结构与训练包括以下方式：经KSFA提取后的慢速特征反映了气路参数数据随时间变化的特点，卷积神经网络由于其强大的同类型泛化能力而被常用于时间序列信号等多阵列信号，同时，特征注意力机制可以从众多特征中选择出对当前任务目标更关键的信息，因此，针对航空发动机异常监测任务，本文设计了一个基于1D-CNN融合特征注意力机制的编码器结构用于Deep SVDD中，以学习低维潜在空间中输入数据的非线性表示；
7.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述S3中的基于箱线图的航空发动机气路异常判定包括以下方式：箱线图作为一种常用的离群值筛选方法，可计算所得到航空发动机气路性能健康因子的正常与异常范围；
8.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述S4中的基于KSFA-Deep SVDD的航空发动机异常监测模型包括以下方式：Threshold＝Q3+k×JIQR (24)
9.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述S5中的参数选取包括以下方式：QAR数据中包含大量不同的性能参数，但并非所有参数都适用于健康状态评估，由于部分参数与发动机的健康性能关联不大，且部分参数的数据信息不完整，所以在进行发动机健康性能评估时需选择记录完整、与发动机的状态关系密切的参数，为确定与EGT相关的特征参数，利用皮尔逊相关系数进行相关性分析，见式(25)
10.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述S5中的数据集预处理包括以下方式：选取每个航班的巡航阶段数据为分析对象，由于数据量十分庞大，因此每600s取一个平均值，同时，由于在状态实时监测过程中不能得到最大值和最小值，因此本文采用z-score归一化法对实时状态参数进行归一化公式如下：
...【技术特征摘要】
1.一种基于飞行数据的航空发动机气路异常监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述s1中的慢特性分析原理包括以下方式：航空发动机运行过程中，气路性能随时间缓慢变化，慢特征分析被提出用来寻找一组输入输出函数使得输出信号变化的尽可能缓慢，经慢特征分析算法提取的特征可以有效反映气路状态缓慢变化，其变化幅度能反映气路变化状态；
3.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述s1中的核慢性特征分析原理包括以下方式：在实际的航空发动机运行过程中，气路数据存在着极高的维度，慢特征分析多采用多项式扩展的方法对其进行处理，然而，航空发动机气路传感器数据的维度较大，多项式扩展会形成维数灾难，极其影响特征提取速度以及实际后续建模的精度；
4.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述s2中的传统支持向量描述算法原理包括以下方式：航空发动机的实际运行中，正常样本与异常样本的比例不平衡，存在样本不平衡问题，高质量的异常标签样本更是极难获得，无监督学习的算法适用于正常数据和异常数据都存在且没有标签的情况下，在只有健康状态数据可用的情况下，支持向量数据描述可以根据航空发动机正常样本完成训练，并在后续的运行过程中有效分辨发动机正常与异常状态，传统支持向量描述算法性能评估过程如下：
5.根据权利要求1所述的基于飞行数据的航空发动机气路异常监测方法，其特征在于，所述s2中的深度支持向量描述算法原理包括以下方式：传统的支持向量描述对于给定的训练样本主要采用单层非线性映射，借助核函数完成特征提取，然而，单层特征提取往往难以挖掘非线性数据之间的复杂关系，针对传统支持向量描述的不足，深度支持向量描述近年来被提出在深度svdd中，目标是相同的，但不是使用高维空间的线性映射，而是使用深度神经网络来学习低维潜在空间中输入数据的非线性表示；
6...
【专利技术属性】
技术研发人员：张营，位家顺，李德文，李爱，孙宁，闵永军，
申请(专利权)人：南京林业大学，
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。