【技术实现步骤摘要】
本专利技术属于航空发动机气路系统故障诊断领域，涉及一种新型决策加强式一维卷积神经网络(1dcnn)的航空发动机气路故障诊断方法。
技术介绍
1、航空发动机是一个结构复杂的气动热力学系统，长期工作在高温、高压的恶劣条件下。随着工作循环数增加、气路部件磨损等影响，其气路参数都会产生变化，进而引发发动机零部件和性能退化，甚至造成发动机机械故障或者系统崩溃失效。为了减少飞行事故，提高航运经济型，航空发动机的故障检测与健康管理是必要的。其中，气路故障是导致空中停车等飞机事故的主要原因之一，其的维护费用也最高。因此，针对航空发动机的气路故障诊断是国内外研究的热点之一。
2、目前，航空发动机气路故障诊断主要包括基于模型的方法和基于数据驱动的方法。基于模型的方法需要精确的物理模型和真实的基线值，这些都是难以获得的。基于数据的方法不需要建立精确的机理模型，主要通过对数据进行采集、处理、分析，就能得到自动化的诊断模型。在数字化的背景下，相比于基于机理模型的方法，基于数据驱动具有更大的应用前景。
3、数据驱动的方法通常包括多层前馈神经网络，深度置信网络、极限学习机等。卷积神经网络(cnn)具有提取多传感器数据时空维度特征，不需要额外的特征提取器的优势。通过权重共享、空间交互和空间池化，可以降低网络模型的复杂度和参数(陶唐飞,周文洁,况佳臣等.融合多小波分解的深度卷积神经网络轴承故障诊断方法)。但是cnn对于全局特征的提取能力还有待提高(陈小伟,张晴.基于特征感知和更新的显著物体检测)。
4、针对目前技术所存在的不足
技术实现思路
1、本专利技术提出了一种新型决策加强式1dcnn航空发动机气路故障诊断方法。该方法不仅可以有效的诊断不同程度的单一故障，还可以很好的分辨单一故障和混合故障。该方法利用多尺度的决策信息融合提高了模型的全局特征提取能力，并且使用串联的分级提取方式有效的节省了计算时间。
2、本专利技术采用如下技术方案：
3、一种新型决策加强式1dcnn航空发动机气路故障诊断方法，包括以下步骤：
4、步骤一：生成故障原始数据集。利用所诊断的航空发动机型号的模型，通过向其注入故障生成故障原始数据集。例如：当诊断经典的jt9d发动机时，使用其公开的机理模型；
5、向机理模型中多次注入设定的故障条件，得到由发动机气路参数数据组成的故障原始数据集；故障原始数据集中的故障类型包括不同程度的单一故障和不同程度的混合故障；
6、步骤二：构建故障诊断数据集。使用单因素方差分析方法对步骤一中故障原始数据集中的气路参数进行特征选择，选择在各个故障类型中表现出明显差异的气路参数，使用选择后的气路参数建立后续算法使用的故障诊断数据集；
7、使用单因素方差分析选取在各种故障类型中表现出明显差异的气路参数；单因素方差分析方法的原假设h0和备择假设h1定义为：
8、h0:α1＝α2＝...＝αk
9、h1:至少有一组均值不等
10、其中，故障诊断数据集中的每种故障类型数据为一组，αk表示第k组数据的均值；
11、步骤三：构建故障诊断模型。构建基于多尺度1dcnn的故障诊断模型，随机抽取故障诊断数据集中70％的数据作为训练数据集对构建的故障诊断模型进行训练，得到最终的故障诊断模型，包括步骤3-1，3-2，3-3；
12、(3-1)决策加强式1dcnn模型中多尺度卷积部分的构建。故障诊断模型的输入为训练数据集中的数据，每个数据的维度为(通道数×时间步长度＝10×100)；故障诊断模型包括3个串联的卷积模块，每个卷积模块由卷积层、挤压-激励层、正则化层、批归一化层和最大池化层构成；其中，3个卷积模块中卷积层的输出通道数分别设置为30，20，10；
13、所述的挤压-激励层的计算为：
14、首先使用一个全局平均池化操作压缩全局空间信息：
15、
16、其中，z是挤压操作的输出，global(·)是全局平均池化函数，u是挤压操作的输入，t是输入u的时间步长度，u(i)是挤压操作输入数据在时间步i上的值；
17、接下来是激励操作，经过sigmoid函数后，得到权值s，最后将权重s和输入到挤压操作的输入u相乘得到最终调整后的加权输出y；
18、s＝σ(w2δ(w1z))
19、y＝u·s
20、其中，s是每个通道的权重，σ是sigmoid激活函数，w1和w2是可学习参数，δ是relu激活函数，y是经过重新加权的输出；
21、(3-2)决策加强式1dcnn模型中决策加强部分的构建。对于步骤(3-1)中的每个卷积模块，分别使用一个分类模块得到每个卷积模块的诊断结果；其中每个分类模块由全局平均池化层、注意力机制层、全连接层和softmax层构成；分类模块的计算过程如下：
22、ci＝softmax(full(attention(global(xi))))
23、其中，ci是每个分类模块的结果，softmax(·)是softmax函数，full(·)是全连接层函数，attention(·)是注意力函数，global(·)是全局平均池化函数，xi是每个分类模块的输入；
24、(3-3)决策加强式1dcnn模型中诊断输出部分的构建。对于步骤(3-2)中的三个分类模块的分类结果使用一个加权层对softmax结果进行融合，然后使用全连接层和softmax层计算最后的诊断结果；加权层的计算为：
25、
26、其中是of是加权层的输出，n＝3是分类模块的个数,βi是对每个分类模块的权重；
27、(3-4)决策加强式1dcnn的模型训练。随机抽取故障诊断数据集中70％的数据作为训练数据集对构建的故障诊断模型进行训练得到最终的故障诊断模型；
28、步骤四：获得故障诊断结果。将故障诊断数据集中剩余的30％的数据作为测试数据集对最终的故障诊断模型的诊断效果进行评价。
29、本专利技术的有益效果：
30、(1)本专利技术将具有五种不同故障的数据输入到改进的1dcnn模型中；通过融入注意力机制和决策融合的思想，提高了1dcnn模型的泛化能力和全局特征提取能力，从而使改进模型对于不同故障的诊断精度都有提高。
31、(2)本专利技术的附加方面和优点将在下面的具体实施方式中给出，部分将从下面的描述中变得明显，或通过本专利技术的具体实施例了解到。
本文档来自技高网...【技术保护点】
1.一种新型决策加强式1DCNN航空发动机气路故障诊断方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种新型决策加强式1dcnn航空发动机气...
【专利技术属性】
技术研发人员：孙希明，李文娅，汪锐，徐昌一，张子曼，陈竞立，戴嘉美，
申请(专利权)人：大连理工大学，
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。