CN109115501A - 一种基于cnn与svm的民航发动机气路故障诊断方法 - Google Patents

一种基于cnn与svm的民航发动机气路故障诊断方法 Download PDF

Info

Publication number
CN109115501A
CN109115501A CN201810763325.3A CN201810763325A CN109115501A CN 109115501 A CN109115501 A CN 109115501A CN 201810763325 A CN201810763325 A CN 201810763325A CN 109115501 A CN109115501 A CN 109115501A
Authority
CN
China
Prior art keywords
layer
fault
gas circuit
svm
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810763325.3A
Other languages
English (en)
Inventor
钟诗胜
付旭云
张永健
付松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology Weihai
Original Assignee
Harbin Institute of Technology Weihai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology Weihai filed Critical Harbin Institute of Technology Weihai
Priority to CN201810763325.3A priority Critical patent/CN109115501A/zh
Publication of CN109115501A publication Critical patent/CN109115501A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于CNN与SVM的民航发动机气路故障诊断方法，包括获取民航发动机气路状态数据；构造训练集和测试集；利用训练集对CNN模型进行训练；利用训练完成的CNN模型对测试集中的样本进行特征挖掘，组成测试样本特征集；利用测试样本特征集训练SVM对各种故障进行分类；将待诊断的民航发动机气路状态数据输入训练完的CNN模型得到待测样本特征，并利用所述SVM进行分类，得到气路故障类型。本发明利用卷积神经网络直接对矩阵进行处理，既考虑了输入参数随时间变化的关系，又考虑了输入参数之间的关系；同时利用SVM进行分类，很好地解决了民航发动机故障样本不足的局限，能够有效且准确的实现民航发动机气路故障诊断。

Description

一种基于CNN与SVM的民航发动机气路故障诊断方法
技术领域
本发明涉及民航发动机技术领域，尤其涉及一种基于CNN与SVM的民航发动机气路故障诊断方法。
背景技术
民航发动机气路状态数据是典型的多维时间序列数据，对民航发动机气路进行故障诊断时，需要综合各个监控的气路性能参数的变化趋势，才能得到更为精确的故障诊断。通过对民航发动机制造商(Original Equipment Manufacturer,OEM)反馈给航空公司的客户通知报告(Customer Notification Report,CNR)可发现，OEM厂家主要是利用排气温度变化量(Delta Exhaust Gas Temperature,DEGT)、排气温度裕度变化量(Exhaust GasTemperature Margin,EGTM)、核心机转速变化量(Delta Core Speed,DN2)、燃油流量变化值(Delta Fuel Flow,DFF)四个性能参数，对民航发动机气路故障进行诊断。
图1a至图1d所示为一个民航发动机发生HPT叶片烧蚀故障时的各性能参数的变化图。图1a中T1表示发动机被OEM厂家确定为开始出现异常时的循环点，T2表示发动机被OEM厂家诊断为故障的循环点；A点是发动机被诊断为故障时各性能参数的值，B点是发动机开始发生异常时各参数性能参数的值；表示T2时刻和T1时刻之间间隔的飞行循环数。从图1a至图1d中可以看出，从T1时刻到T2时刻，当民航发动机发生HPT叶片烧蚀故障时，气路性能参数变化趋势均发生了显著的变化，其中DEGT持续减小、EGTM持续增大、DFF持续减小以及DN2持续增大，对于同一台发动机，是相同的。根据上述分析思路，对其他故障类型进行相同的分析，得到气路故障类型和气路监控性能参数的变化趋势的关系如表1所示。
表1民航发动机气路故障类型与各性能参数变化趋势关系表
其中，EGT Index代表排气温度指示故障，TAT Index代表进口总温指示故障，HPT_Blade代表HPT叶片烧蚀故障。
结合图1a至图1d和表1可知，对民航发动机气路故障进行诊断时，不仅需要考虑性能参数关于时间序列的变化趋势，还需要考虑参数间的相互变化关系。但仅凭故障类型和监控参数变化趋势之间的关系进行故障诊断并不准确，如图2所示为某型号民航发动机发生EGT指示故障时性能参数DEGT和EGTM的变化趋势，仅根据表1参数变化趋势的对应关系无法判断该台民航发动机是否发生故障，而OEM厂家却诊断出该台民航发动机出现EGT指示故障。因此，为了提高民航发动机气路故障诊断的精确度以及诊断模型泛化性，需要对民航发动机气路状态特征进行深度挖掘，得到民航发动机在发生故障时的深度特征，以提高对故障类型的辨识度。
但目前大多数故障诊断方法只能对向量进行输入，因此需要将民航发动机气路状态数据进行向量化(序列化)后，才能运行计算进行诊断，如图3所示。将民航发动机状态数据进行序列化后，显然丢失了不同性能参数之间的变化关系，即丢失了相关性Cr，而性能参数间的关系对民航发动机的状态判断具有很大影响。
卷积神经网络(Convolutional Neural Network,CNN)可以直接对矩阵进行处理，对于民航发动机气路状态参数而言，这样既考虑了输入参数之间的关系，也考虑了输入参数随时间变化的关系。但CNN是典型的有监督深度神经网络，目前基于CNN的故障诊断模型都是直接利用CNN进行分类，这种方法实现的前提是每个类别的样本足够多，就目前的卷积神经网络而言，即便每类样本有几百个，依旧会使网络陷入过拟合。而民航发动机在飞行的过程中故障案例比较少，因此直接利用CNN方法对民航发动机气路故障进行分类是不可能实现的。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是解决现有技术中的机器学习故障诊断方法对民航发动机气路故障诊断时，需将气路状态数据序列化，从而丢失民航发动机参数间相互关系的影响，造成对民航发动机状态判断不准确的问题，以及民航发动机故障样本过少，难以直接利用CNN方法对民航发动机气路故障进行诊断的问题。
(二)技术方案
为了解决上述技术问题，本发明提供了一种基于CNN与SVM的民航发动机气路故障诊断方法，包括：
S1、获取民航发动机气路状态数据并构造多个正常状态数据矩阵和多个故障征候数据矩阵；
S2、构造训练集和测试集，其中训练集全部由所述正常状态数据矩阵组成，测试集由所述故障征候数据矩阵及所述正常状态数据矩阵组成；
S3、利用所述训练集对CNN模型进行训练，训练完成后，保持CNN模型参数不变；
S4、利用训练完成的所述CNN模型对所述测试集中的样本进行特征挖掘，提取所述测试集中所有样本的状态特征，组成测试样本特征集；
S5、利用所述测试样本特征集训练SVM对各种故障进行分类，训练完成后，保存SVM；
S6、将待诊断的民航发动机气路状态数据输入训练完的所述CNN模型得到待测样本特征，并利用所述SVM进行分类，得到气路故障类型。
优选地，所述步骤S1包括：
S1-1、通过民航发动机的客户通知报告和维修报告中的民航发动机气路状态数据，获得民航发动机l的故障时间tl，以及故障时间tl前m飞行循环的气路性能参数；
S1-2、将每台民航发动机故障前m飞行循环的气路性能参数按飞行时序进行分组，根据对民航发动机故障数据的分析，将离故障时间tl最近的一组选为故障征候组，其余各组为正常状态组；
S1-3、根据故障征候组的各气路性能参数的数据构建故障征候数据矩阵，根据正常状态组的各气路性能参数的数据构建正常状态数据矩阵。
优选地，所述气路性能参数包括：民航发动机的排气温度变化量、燃油流量变化值、核心机转速变化量和排气温度裕度变化量。
优选地，所述步骤S1-2中，设Yn＝{ym,ym-1,...,y1}表示民航发动机第n种气路性能参数在故障时间tl前m个连续飞行循环的数据序列，进行分组时，根据每组飞行循环数r将每个气路性能参数序列分成k个子序列，式中表示非整数·的整数部分取值符号；
分组后的民航发动机第n个气路性能参数表示为如下形式：
式中，Yn,2,...,Yn,k表示正常状态组，Yn,1表示故障征候组；
所述步骤S1-3中，令Mj＝[Y1j T Y2j T ... Ynj T]T，j＝1,2,3,…,k，Yij表示故障时第i个性能参数分组后的第j组数据，i＝1,2,…,n，其中，[·]T表示矩阵的转置；当且仅当j＝1时，M1＝[Y11 T Y21 T ... Yn1 T]T表示故障征候数据矩阵，其余为正常状态数据矩阵。
优选地，所述步骤S1或S2中，将所述正常状态数据矩阵标签为“0”，对不同的故障类型的所述故障征候数据矩阵进行相应的标签。
优选地，所述步骤S3中的CNN模型包括至少一个卷积层、至少一个池化层、至少一个全连接层和一个分类器；
其中，所述卷积层计算过程如下：
其中，表示第l层的第i个卷积核，表述卷积核的权重；表示第l层中第j个被卷积的局部区域，表示区域中神经元系数；表示第l层中第j个被卷积的局部区域对应的偏置；W,W'分别表示卷积核的长度和宽度；f(x)表示Relu激活函数。
优选地，所述步骤S4中利用训练完成的所述CNN模型对所述测试集中的样本进行特征挖掘时，将所述CNN模型中第一个全连接层的输入向量作为该样本通过卷积提取的状态特征，从而得到包括所述测试集中所有样本的状态特征的测试样本特征集。
优选地，所述正常状态数据矩阵和所述故障征候数据矩阵的尺寸均为4×10。
优选地，第一层：第一卷积层，卷积核大小为2×2、个数为8，对输入矩阵进行卷积操作，输出到第二卷积层；
第二层：第二卷积层，卷积核大小为3×3、个数为9，输出到池化层；
第三层：池化层，池化层尺寸大小为2×2，池化方法为平均池化，输出到全连接层；
第四层：全连接层，输出神经元到softmax层；
第五层：softmax层，利用softmax函数实现分类器。
优选地，所述步骤S3中利用所述训练集对所述CNN模型进行训练时，批量大小为100，迭代次数为140。
(三)有益效果
本发明的上述技术方案具有如下优点：本发明提出一种基于CNN与SVM的民航发动机气路故障诊断方法，该方法首先在大量的民航发动机实际健康数据基础上，利用CNN建立民航发动机气路状态特征提取模型，采用足够多的正常状态的数据对CNN进行训练，避免网络陷入过拟合；而后利用该模型对民航发动机气路故障进行特征挖掘，通过多层卷积和池化操作挖掘出来的特征作为SVM(Support Vector Machine，支持向量机)的输入进行分类，从而达到故障诊断的目的。本发明利用卷积神经网络直接对矩阵进行处理，既考虑了输入参数随时间变化的关系，又考虑了输入参数之间的关系；同时利用SVM进行分类，很好地解决了民航发动机故障样本不足的局限，能够有效且准确的实现民航发动机气路故障诊断。
附图说明
图1a是一个故障样本DEGT变化趋势图；
图1b是一个故障样本EGTM变化趋势图；
图1c是一个故障样本DN2变化趋势图；
图1d是一个故障样本DFF变化趋势图；
图2是另一个故障样本DEGT和EGTM变化趋势图；
图3是现有技术中民航发动机气路状态数据序列化示意图；
图4是本发明实施例一民航发动机气路故障诊断方法步骤图；
图5是本发明实施例二正常状态数据矩阵和故障征候数据矩阵示意图；
图6是本发明实施例二卷积神经网络基本结构示意图；
图7是本发明实施例二卷积层中局部连接核权值共享示意图；
图8是本发明实施例二卷积过程原理示意图；
图9是本发明实施例二最大池化操作过程示意图；
图10是本发明实施例二平均池化操作过程示意图；
图11是本发明实施例三民航发动机气路故障诊断方法技术路线图；
图12是本发明实施例四批量大小与故障识别率之间的关系示意图；
图13是本发明实施例四迭代次数与故障识别率之间的关系示意图；
图14a至图14c是本发明实施例四中两层卷积层卷积核个数与故障识别率之间的关系示意图。
图中：1：输入矩阵；2：第一卷积层；3：第一池化层；4：第二卷积层；5：第二池化层；6：全连接层；7：Softmax层。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
如图4所示，本发明实施例提供的一种基于CNN与SVM的民航发动机气路故障诊断方法，包括：
S1、获取民航发动机气路状态数据并构造多个正常状态数据矩阵和多个故障征候数据矩阵，其中，民航发动机的正常状态数据矩阵代表实际正常飞行的正常样本，故障征候数据矩阵代表出现了故障征兆的故障样本。
S2、构造训练集和测试集，其中训练集全部由民航发动机的正常状态数据矩阵组成，测试集由民航发动机的故障征候数据矩阵及正常状态数据矩阵组成。
优选地，在步骤S1或S2中，将正常状态数据矩阵标签为“0”，对不同的故障类型的故障征候数据矩阵进行相应的标签，例如“1”、“2”、“3”分别对应EGT指示故障、TAT指示故障和HPT叶片烧蚀故障。
S3、利用所述训练集对CNN模型进行训练，训练完成后，保持CNN模型参数不变。
S4、利用训练完成的所述CNN模型对所述测试集中的样本进行特征挖掘，提取所述测试集中所有样本的状态特征，组成测试样本特征集。
S5、利用所述测试样本特征集训练SVM对各种故障进行分类，训练完成后，保存SVM。
S6、将待诊断的民航发动机气路状态数据输入训练完的所述CNN模型得到待测样本特征，并利用所述SVM对待测样本特征进行分类，得到气路故障类型，实现气路故障诊断。
优选地，首先对待诊断的民航发动机气路状态数据进行预处理，形成待诊断样本，其次利用训练完的CNN模型对待诊断样本进行特征挖掘，得到待诊断特征集，最后利用训练完的SVM对待诊断特征集的状态特征进行分类，得到气路故障类型，实现气路故障诊断。
本发明运用CNN与SVM建立了民航发动机气路故障诊断模型，实现了民航发动机气路故障诊断，其中：
在对民航发动机气路状态数据进行处理及表征时，针对目前大多数故障诊断方法需要将民航发动机气路状态数据进行序列化而忽略了民航发动机各参数间相互关系影响，导致故障诊断容易出现偏差的问题，本发明利用CNN建立民航发动机气路状态特征提取模型，在考虑民航发动机参数随时间变化趋势的同时，考虑各参数间的变化关系，提高故障诊断的准确性。
在利用CNN对民航发动机故障样本进行特征挖掘时，由于民航发动机在实际飞行过程中故障样本较少、正常样本足够多，若直接用正常样本和故障样本对CNN模型进行训练，由于实际故障样本较少，会使CNN模型出现严重的过拟合问题，虽然CNN模型在训练时会表现出非常高的精度，但在测试集上测试的精度几乎为零，从而使CNN模型失效。本发明先利用大量的正常样本对CNN模型进行训练，待CNN模型训练完成后，再利用该CNN模型对民航发动机气路故障样本进行特征挖掘，这样可以在挖掘到故障特征的同时，很好的避免由于故障样本较少带来的网络过拟合风险。提取特征最终的目的是进行更好的分类，本发明采用支持向量机对最终挖掘的特征进行分类，从而达到有效、准确进行故障诊断的目的。
实施例二
本实施例二与实施例一基本相同，相同之处不再赘述，不同之处在于，步骤S1包括：
S1-1、通过民航发动机的客户通知报告(Customer Notification Report,CNR)和维修报告中的民航发动机气路状态数据，获得民航发动机l的故障时间tl，即故障确认点所对应时刻，以及故障时间tl前m飞行循环的气路性能参数。
优选地，考虑到OEM厂家主要是利用DEGT、DFF、DN2和EGTM四个气路性能参数，对民航发动机气路故障进行诊断。本实施例中，气路性能参数包括民航发动机的排气温度变化量(DEGT)、燃油流量变化值(DFF)、核心机转速变化量(DN2)和排气温度裕度变化量(EGTM)。
民航发动机气路状态数据中各气路性能参数可表示为如下式(1)的形式：
S1-2、将每台民航发动机故障前m飞行循环的气路性能参数按飞行时序进行分组，根据对民航发动机故障数据的分析，将离故障时间tl，即离故障确认点，最近的一组选为故障征候组，其余各组为正常状态组。
优选地，设Yn＝{ym,ym-1,...,y1}表示民航发动机第n种气路性能参数在故障时前m个连续飞行循环的数据序列，进行分组时，根据每组飞行循环数r将每个气路性能参数序列分成k个子序列，式中表示非整数·的整数部分取值符号；
分组后的民航发动机第n种气路性能参数表示为如下式(2)的形式：
式(2)中，Yn,2,...,Yn,k表示正常状态组，Yn,1表示故障征候组。
由于本发明提供的方法主要对民航发动机气路故障进行诊断，根据对OEM的故障预报数据分析，其选取的故障征候循环数(图1中T2时刻和T1时刻之间的飞行循环数)从5到130不等，且只有少数故障征候循环数超过10，进一步优选地，将每台民航发动机故障前m飞行循环的气路性能参数按飞行时序进行分组时，每组包括10个飞行循环，即r的取值为10，选取10个循环作为故障指征数据的区间段能够满足大部分的故障诊断需求。
S1-3、根据故障征候组的各气路性能参数的数据构建故障征候数据矩阵，根据正常状态组的各气路性能参数的数据构建正常状态数据矩阵。
优选地，令Mj＝[Y1j T Y2j T ... Ynj T]T，其中，[·]T表示矩阵的转置，j＝1,2,3,…,k，不同的j对应不同的时段；i＝1,2,…,n，不同的i对应不同种类的气路性能参数，Yij表示故障时第i种气路性能参数分组后的第j组数据。矩阵Mj可具体表示为图5所示形式。当且仅当j＝1时，M1＝[Y11 T Y21 T ... Yn1 T]T表示故障征候数据矩阵，j取其他值时，矩阵Mj表示正常状态数据矩阵。
优选地，在获得多个状态矩阵(状态矩阵包括故障征候数据矩阵和正常状态数据矩阵)后，若状态矩阵的尺寸不满足4×10，则可去除该状态矩阵，或对该状态矩阵的尺寸进行调整，另取一部分对应的数据补全该状态矩阵。
优选地，步骤S3中的CNN模型包括至少一个卷积层、至少一个池化层、至少一个全连接层和一个分类器。
卷积神经网络是典型的深度有监督神经网络，主要由卷积层、池化层、全连接层和分类器组成。其中卷积层和池化层组成滤波级对输入数据进行特征学习，而全连接层和分类器组成分类级对学习到的特征进行分类，滤波级和分类级两级参数是共同训练得到的。
在卷积神经网络中通过卷积层和池化层对输入数据进行特征学习，所以通常卷积神经网络包含多个卷积层和池化层，最后输入到分类器进行分类，优选地，其具体结构如图6所示，最左侧为输入矩阵1，CNN模型依次包括第一卷积层2、第一池化层3、第二卷积层4、第二池化层5、全连接层6和所述分类器，所述分类器为softmax层7。
卷积层中每个节点的输入是输入矩阵的局部区域，通过卷积核对该局部区域进行卷积操作从而得到输入矩阵更抽象更高的特征，局部区域大小取决于卷积核尺寸大小。
卷积层中最主要的两个特点是权值共享和局部相连，均是通过卷积核来实现的，局部相连，即：让隐藏层的每个节点只与上层的小部分输入节点相连；权值共享，即：让隐含层的所有节点有相同的权重，具体如图7所示，图7中的ωi,i＝1,2,3代表权值。通过局部相连和权值共享可以很好地减少CNN模型的网络参数，大大的降低了CNN模型的复杂度，加快了网络的训练速度。
卷积层的核心是卷积，在进行卷积操作时，卷积核与被卷积区域的神经元对应的系数相乘，得到一个卷积值y，然后以步长为s依次左右上下移动卷积核，例如卷积核可依次从左向右移动步长s(移动至最右侧后返回最左侧并向下移动步长s)，重复上述操作，直至卷积核遍历完输入矩阵的所有区域，如图8所示，箭头所示方向为移动方向，左侧为输入矩阵，中间为卷积核，右侧为卷积特征图。完成卷积操作之后，需要对卷积的结果加一个偏置，然后利用一个非线性的激活函数f(x)，得到最终的输出结果，卷积层具体计算过程如下式(3)所示：
式(3)中，表示第l层的第i个卷积核，表述卷积核的权重；
表示第l层中第j个被卷积的局部区域，表示区域中神经元系数；
表示第l层中第j个被卷积的局部区域对应的偏置；
W,W'表示卷积核的长度和宽度；
f(x)表示Relu(Recitified Linear Unit，修正线性单元)激活函数。
池化层是对特征图进行局部采样，在保留特征图基本信息的同时，还可以非常有效地缩小特征图的尺寸，从而减少全连接层中的参数。使用池化层的目的是既可以加快计算速度，又可以防止过拟合问题。池化过程和卷积过程类似，也都是通过过滤器对输入矩阵上的每个k*k(k为过滤器边长)的局部区域进行特征映射，并以步长s移动，如图9和图10所示，图9和图10中左侧为输入矩阵，中间为池化方法，右侧为输出结果，图9为步长为2、过滤器为2*2的最大池化操作过程，图10为步长为2、过滤器为2*2的平均池化操作过程。
池化层的计算是采用较简单的最大值或平均值计算。最大值计算，即：取被映射的局部区域中最大值作为映射结果，称为最大值池化(max pooling)，具体计算过程如下式(4)所示：
平均值计算，即：取被映射的局部区域中平均值作为映射结果，称为平均值池化(Average Pooling)，具体计算过程如下式(5)所示：
式中，表示池化层中第i张特征图中被池化区域神经元的系数。此部分式(4)和式(5)中所用字母与式(3)中所用字母指代相同，在此不再重复。
Softmax回归(Softmax Regression)是Logistic回归的推广，Logistic回归只能处理二分类问题，而Softmax Regression可以处理多分类问题。
假设m个训练样本分别来自k种类别，其构成的训练集为{(x(1),y(1)),(x(2),y(2)),(x(3),y(3)),...,(x(k),y(k))}，其中x(i)∈Rn+1，其标签y(i)∈{1,2,3,4,...,k}。则SoftmaxRegression的假设函数如下式(6)所示：
其中，向量hθ(x(i))中的每一行元素p(y(i)＝j|x(i)；θ)表示样本xi属于第j类的概率。θ1,θ2,...,θk为模型的参数向量，θj∈Rn+1代表第j类别所对应的参数，可以用矩阵形式表示，如下式(7)所示：
此时模型的代价函数可以用如下式(8)表示：
其中1{表达式}表示指示函数，如果表达式为真，则指示函数取值为1，否则为0。因此根据代价函数可以得出将样本x(i)归类于第j类的概率如下式(9)所示：
训练模型的目的是寻找θ使得代价函数J(θ)最小，利用梯度下降方法来寻找最优解。通过计算，代价函数的梯度如下式(10)所示：
并且每次循环更新公式如下式(11)所示：
其中，j＝1,2,3,...,k，k为类别数。
通过上述分析可知，卷积神经网络通过多次卷积和池化对输入矩阵进行特征挖掘，然后再通过全连接层连接到分类器进行分类。但是民航发动机故障样本过少而正常样本足够多，如果直接利用CNN进行分类，将会使CNN模型陷入严重的过拟合。
鉴于此，本发明首先使用正常样本对CNN模型进行训练，建立民航发动机气路状态特征提取模型，而后利用CNN模型对故障样本进行特征挖掘，挖掘出来的特征不再通过全连接层连接分类器直接进行分类，而是优选地，步骤S4中利用训练完成的所述CNN模型对测试集中的样本进行特征挖掘时，将CNN模型中第一个全连接层的输入向量作为该样本通过卷积提取的最终特征，从而得到包括所述测试集中所有样本的状态特征的测试样本特征集，最后利用支持向量机对测试样本特征集中的这些故障特征进行诊断。
实施例三
如图11所示，本实施例的主要技术路径与实施例一基本相同，主要技术路径可分为三大步：(1)样本预处理，对应步骤S1和S2；(2)训练CNN网络，建立民航发动机气路状态特征提取模型，对应步骤S3；(3)故障诊断，对应步骤S4、S5和S6。相同之处不再赘述，不同之处在于：
本实施例在步骤S5中通过故障识别率评估SVM，优选地，步骤S5中利用所述测试样本特征集训练SVM对各种故障进行分类，包括：
S5-1、将所述测试样本特征集按照设定的比例分开，分别构造特征训练集和特征测试集；特征训练集和特征测试集的样本比例可选1:1。
S5-2、使用步骤S5-1中的所述特征训练集初步训练SVM。
S5-3、初步训练完成后，使用步骤S5-2中的所述特征测试集对SVM进行测试并评估。
采用精度值prec作为评估指标，评估测试的效果好坏，精度值prec计算公式如下式(12)所示：
式中，tp为准确识别出的故障数量，即该验证样本是ai类故障，计算方法正确地将其归类于ai类故障(分类结果与标签正确对应)，fp为假异常点的数量，即该验证样本不是ai类故障，计算方法错误地将其归类于ai类故障(分类结果与标签不对应)，此处ai表示任一种故障类型。
实施例四
本实施例四与实施例三基本相同，相同之处不再赘述，不同之处在于：
本实施例通过对某航空公司的民航发动机维修报告和CNR分析整理，共获取了30组排气温度指示故障(EGT Index)预报案例样本，22组进口总温指示故障(TAT Index)预报案例样本、20组HPT叶片烧蚀故障(HPT_Blade)预报案例样本和3368组正常样本。
本实施例中首先从3368组正常样本中随机选取3000组样本对CNN模型进行训练，训练好后，利用CNN模型对剩余的368组正常样本和所有的故障样本进行特征提取，最后利用提取的特征训练和测试SVM。
卷积神经网络的结构参数设计对最终特征挖掘的好坏有着较大的影响，因此，选择合适的参数才能建立一个有效的民航发动机气路状态特征提取模型。对卷积神经网络影响较大的参数包括：卷积核大小及个数、迭代次数、批量尺寸大小。在讨论这些参数对卷积神经网络的影响时，为了降低讨论的复杂性，保持其他参数设为默认设置。
默认设置如下：为了减小CNN模型的复杂度，默认设置两个卷积层(第一卷积层和第二卷积层)，其中第一卷积层的卷积核大小为2×2、个数为6，第二卷积层的卷积核大小为3×3、个数为8；考虑到输入的状态矩阵(故障征候数据矩阵和正常状态数据矩阵)的尺寸均为4×10，输入尺寸较小，所以本实施例默认设置一个池化层，池化层尺寸大小为2×2，池化方法为平均池化，池化层连接于第二卷积层；批量大小默认设置为100；迭代次数默认设置为100。下面将对这些参数对CNN模型最终特征提取的好坏进行分析和研究，以选取合理的参数。
(1)批量大小的设计
在训练卷积神经网络时，每次更新网络参数所需要的损失函数并不是从全样本集训练获得，而是从全样本集中随机选取一组样本进行训练获得，这样一组样本所包含样本的个数就是一个批量大小(batch size)。Batch size过大，训练完一次全样本集所需的迭代次数减小，但会使网络的收敛精度陷入不同的局部极值；Batch size过小，会存在不收敛的风险，并且训练完一次全样本集所需的时间更长。而在合理的范围内增大batch size，不仅使训练一次全样本集所需的时间减小，对于相同数据量的处理速度加快，而且随着batchsize的增大，其确定的网络收敛方向越准，引起训练振荡越小。
下面主要讨论batch size对CNN特征提取能力的影响，为保证在同一标准下进行比较，除batch size以外，其他参数保持默认不变。为了充分研究batch size对CNN提取特征能力的影响，本实施例将batch size分别设为5、10、20、30、40、50、60、70、80、90、100、110、120、130、140、150、160。为了消除结果的随机性，每次计算重复5次，取结果的平均值，最终结果如图12所示。
当bitch size为5、10、20、30时，不收敛。
如图12，当batch size在50～100之间时，batch size变化对最终分类的正确率(总识别率)的影响并不大；当batch size大于100时，随着batch size的增大，虽然EGT指示故障识别率变化不大，TAT指示故障识别率、正常样本识别率以及总识别率均随之逐渐减小，但HTP叶片烧蚀故障识别率显著减小。
当batch size等于100时，TAT指示故障识别率、HTP叶片烧蚀故障识别率以及正常样本识别率和总识别率均达到最优，同时EGT指示故障识别率也达到90％以上。因此，综合故障识别率和训练时间成本，可将batch size设为100。
(2)迭代次数的设计
卷积神经网络通过迭代不断的拟合和逼近样本，迭代次数过少，会导致拟合效果较差；迭代次数过多，网络误差不再减小，而训练时间会继续增加。所以选择合适的迭代次数，在满足诊断精度的同时，还需降低训练时间。
下面主要讨论迭代次数对CNN的影响，为保证在同一标准下进行比较，除迭代次数以外，批量大小根据上文结论设为100，其他参数保持默认设置不变。为了充分研究迭代次数对CNN提取特征能力的影响，本实施例将迭代次数分别设为1、5、10、20、30、40、50、60、70、80、90、100、110、120、130、140、150、160。为了消除结果的随机性，每次计算重复5次，取结果的平均值，最终结果如图13所示。
如图13，最终结果显示，随着迭代次数的增加，故障分类的正确率(故障识别率)随之增加，尤其是HTP叶片烧蚀故障识别率随着迭代次数的增加而显著增加。当迭代次数大于100时，随着迭代次数增加，故障识别率均超过90％且趋于稳定；当迭代次数等于140时，故障识别率到达最优。因此，综合考虑训练时间和故障识别率，在本实施例的样本数量下，迭代次数选取140次最为合理。
(3)卷积核尺寸大小的设计
卷积核尺寸越大，能感受到输入矩阵的视野越大，学习能力越强，但需要训练的参数越多，CNN模型的复杂度大大增强；卷积核尺寸越小，可以很好降低训练参数的个数以及计算复杂度，但感受视野变小，学习能力变差。
下面主要探讨不同卷积核尺寸对CNN特征特征提取能力的影响。除两个卷积层卷积核尺寸大小外，根据前文结论将Batch size大小设置为100、迭代次数设为140次，其他参数保持默认设置不变。一般情况下，卷积核尺寸比输入矩阵尺寸小，现将两个卷积层的卷积核尺寸大小分别用k1×k1和k2×k2表示，由于本实施例输入矩阵尺寸大小为4×10，所以k1和k2均要小于4。因此，两个卷积核边长(k1,k2)组合只能为(2，2)、(2，3)、(3，2)以及(3，3)，下面将对以上尺寸组合的特征提取能力进行探讨，每次计算重复5次，取结果的平均值，结果如表2所示。
表2故障识别率与卷积核尺寸之间的关系
比较表2中的第3、4组和1、2组的故障分类结果可以看出，当第二卷积层卷积核尺寸大小为3×3时，分类效果明显优于当其尺寸为2×2时的效果，因此可以将第二卷积层卷积核尺寸设为3×3。比较第4组和第3组的故障分类结果可以发现，当第一卷积层卷积核尺寸为2×2时，故障分类效果要好于其尺寸为3×3时的效果，因此可以将第一卷积层卷积核尺寸设为2×2。综上分析，在本实施例样本的条件下，将第一卷积层卷积核尺寸设为2×2，第二卷积层卷积核尺寸设为3×3。
(4)卷积核个数的设计
在进行卷积操作时，卷积核的个数和特征图的数量是相对应的，有几个卷积核就能提取到几张特征图。卷积核个数过少，无法对输入图片特征进行充分挖掘；卷积核个数过多，随着训练参数的增加，CNN模型越复杂，所需样本数量增加，训练时间增长。因此，需要选择合适的卷积核个数，既能充分挖掘到样本的特征，还能尽量减小CNN模型的复杂度。
下面主要探讨卷积核个数对CNN模型特征提取能力的影响，并选取合适的卷积核个数。在探讨卷积核个数的影响时，除卷积核个数以外，根据前文结论将迭代次数设为140、批量大小设为100，其余参数保持默认设置不变。由于本实施例默认设计两个卷积层，一般情况下，第二卷积层卷积核个数大于第一卷积层卷积核个数。此外，本实施例最终利用SVM对特征进行分类，提取出的特征维数不宜过高，因此本实施例设定第二卷积层卷积核个数最多不超过10个。理论上只要满足上述两个条件，两个卷积层卷积核个数可以为任意组合，但这样组合起来太过复杂，所以本实施例在研究过程中将第二卷积层卷积核个数设为8、9、10。为了消除结果的随机性，每次计算重复5次，取结果的平均值，最终结果如图14a至图14c所示，其中图14a对应第二卷积层卷积核个数为8，图14b对应第二卷积层卷积核个数为9，图14c对应第二卷积层卷积核个数为10。
如图14a至图14c，最终结果显示，故障识别率随着两个卷积层卷积核个数的增加而增大。当第二卷积层的卷积核个数一定时，随着第一卷积层的卷积核个数的增加，故障识别率随之增加，但当第一卷积层的卷积核个数增加到一定的数量后，故障识别率不再变化或变化很小，而训练时间和CNN模型复杂度却随之增加。因此，在本实施例的样本数量条件下，实际设计卷积核个数时，将第一卷积层卷积核个数设为8，第二卷积层卷积核个数设为9，可以在保证较高的正确率的同时大大降低了CNN模型的复杂度。
综上，本实施例中，CNN模型包括：
第一层：第一卷积层，卷积核大小为2×2、个数为8，对输入矩阵进行卷积操作，输出到第二卷积层；
第二层：第二卷积层，卷积核大小为3×3、个数为9，输出到池化层；
第三层：池化层，池化层尺寸大小为2×2，池化方法为平均池化，输出到全连接层；
第四层：全连接层，输出神经元到softmax层；
第五层：softmax层，利用softmax函数实现分类器。
利用CNN模型对原始数据进行特征提取，然后利用SVM对特征进行分类，为了验证本实施例提出的故障诊断方法对民航发动机气路故障具有良好的识别能力，本实施例做了三组对比，第一组直接利用SVM对民航发动机气路故障进行分类诊断；第二组直接利用CNN对民航发动机气路故障进行识别诊断；第三组利用SDAE(Stacked DenoisingAutoencoder，堆叠降噪自动编码器)与SVM建立气路故障诊断模型对民航发动机气路故障进行识别诊断。
根据对卷积神经网络结构参数的设计和分析，CNN的参数设置如下：batch size大小为100，迭代次数为140，第一卷积层卷积核尺寸大小为2×2、个数为8，第二卷积层卷积核尺寸大小为3×3、个数为9，池化层过滤器尺寸大小为2×2、采用平均池化方法。
SDAE的参数设置如下：batch size大小为10，迭代次数为500，SDAE模型结构由一个输入层、一个中间层和一个输出层组成，输入层节点数为40个、中间层节点个数为60个、输出层节点个数为40。
SVM核函数选用多项式核。每次计算重复10次，取结果的平均值作为最终的故障识别率，结果如表3所示。
表3不同模型故障识别率对比
其中，“SVM”代表第一组直接利用SVM进行分类诊断；“CNN”代表第二组直接利用CNN进行识别诊断；“SDAE+SVM”代表第三组利用SDAE与SVM建立气路故障诊断模型进行识别诊断；“CNN+SVM”代表本发明提供的利用CNN与SVM建立气路故障诊断模型进行识别诊断。从表3中可以看出这四种方法在训练集上的训练精度都能达到100％，但是在测试集上的测试精度存在着明显的差异。直接利用CNN方法的测试精度最差，不能检测出三种故障类型，这是因为故障样本数量太少，导致训练CNN时出现了过拟合问题，再次说明了样本数量对于CNN方法的重要性。其次，直接利用SVM方法的测试精度也非常差，尤其是对于EGT指示故障和HPTB故障(HPT_Blade)，这是因为原始序列样本中参数属性之间存在冗余，导致SVM分类效果较差。相对于前两种方法，SDAE+SVM方法与CNN+SVM方法具有更优秀的故障诊断能力，均能对三种故障类型进行有效的检测。虽然在总体的诊断精度上SDAE+SVM方法略优于CNN+SVM诊断方法，但是在具体的故障分类上面，CNN+SVM方法要优于SDAE+SVM方法。从表3中不难看出，CNN+SVM方法在每类故障的检测率都在90％以上，这是因为CNN+SVM综合考虑了各参数之间的相关性和参数时间序列性，以至其对故障更加敏感。在民航发动机健康管理工程实践中，故障检测率一般比精度更重要。这是因为精度降低会增加工作量，但是故障检测率降低则会减少飞行安全性。两者相比，安全毫无疑问是更加重要的。因此，相比于SDAE+SVM方法，本发明提供的基于CNN与SVM的方法更加适合于民航发动机健康管理的工程实践。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于CNN与SVM的民航发动机气路故障诊断方法，其特征在于，包括：
S1、获取民航发动机气路状态数据并构造多个正常状态数据矩阵和多个故障征候数据矩阵；
S2、构造训练集和测试集，其中训练集全部由所述正常状态数据矩阵组成，测试集由所述故障征候数据矩阵及所述正常状态数据矩阵组成；
S3、利用所述训练集对CNN模型进行训练，训练完成后，保持CNN模型参数不变；
S4、利用训练完成的所述CNN模型对所述测试集中的样本进行特征挖掘，提取所述测试集中所有样本的状态特征，组成测试样本特征集；
S5、利用所述测试样本特征集训练SVM对各种故障进行分类，训练完成后，保存SVM；
S6、将待诊断的民航发动机气路状态数据输入训练完的所述CNN模型得到待测样本特征，并利用所述SVM进行分类，得到气路故障类型。
2.根据权利要求1所述的民航发动机气路故障诊断方法，其特征在于，所述步骤S1包括：
S1-1、通过民航发动机的客户通知报告和维修报告中的民航发动机气路状态数据，获得民航发动机l的故障时间tl，以及故障时间tl前m飞行循环的气路性能参数；
S1-2、将每台民航发动机故障前m飞行循环的气路性能参数按飞行时序进行分组，根据对民航发动机故障数据的分析，将离故障时间tl最近的一组选为故障征候组，其余各组为正常状态组；
S1-3、根据故障征候组的各气路性能参数的数据构建故障征候数据矩阵，根据正常状态组的各气路性能参数的数据构建正常状态数据矩阵。
3.根据权利要求2所述的民航发动机气路故障诊断方法，其特征在于：
所述气路性能参数包括：民航发动机的排气温度变化量、燃油流量变化值、核心机转速变化量和排气温度裕度变化量。
4.根据权利要求2所述的民航发动机气路故障诊断方法，其特征在于：
所述步骤S1-2中，设Yn＝{ym,ym-1,...,y1}表示民航发动机第n种气路性能参数在故障时间tl前m个连续飞行循环的数据序列，进行分组时，根据每组飞行循环数r将每个气路性能参数序列分成k个子序列，
式中表示非整数·的整数部分取值符号；
分组后的民航发动机第n个气路性能参数表示为如下形式：
式中，Yn,2,...,Yn,k表示正常状态组，Yn,1表示故障征候组；
所述步骤S1-3中，令Mj＝[Y1j T Y2j T ... Ynj T]T，j＝1,2,3,…,k，Yij表示故障时第i个性能参数分组后的第j组数据，i＝1,2,…,n，其中，[·]T表示矩阵的转置；当且仅当j＝1时，M1＝[Y11 T Y21 T ... Yn1 T]T表示故障征候数据矩阵，其余为正常状态数据矩阵。
5.根据权利要求1所述的民航发动机气路故障诊断方法，其特征在于：
所述步骤S1或S2中，将所述正常状态数据矩阵标签为“0”，对不同的故障类型的所述故障征候数据矩阵进行相应的标签。
6.根据权利要求1所述的民航发动机气路故障诊断方法，其特征在于：
所述步骤S3中的CNN模型包括至少一个卷积层、至少一个池化层、至少一个全连接层和一个分类器；
其中，所述卷积层计算过程如下：
其中，表示第l层的第i个卷积核，表述卷积核的权重；表示第l层中第j个被卷积的局部区域，表示区域中神经元系数；表示第l层中第j个被卷积的局部区域对应的偏置；W,W'分别表示卷积核的长度和宽度；f(x)表示Relu激活函数。
7.根据权利要求1所述的民航发动机气路故障诊断方法，其特征在于：
所述步骤S4中利用训练完成的所述CNN模型对所述测试集中的样本进行特征挖掘时，将所述CNN模型中第一个全连接层的输入向量作为该样本通过卷积提取的状态特征，从而得到包括所述测试集中所有样本的状态特征的测试样本特征集。
8.根据权利要求3所述的民航发动机气路故障诊断方法，其特征在于：
所述正常状态数据矩阵和所述故障征候数据矩阵的尺寸均为4×10。
9.根据权利要求8所述的民航发动机气路故障诊断方法，其特征在于，所述CNN模型包括：
第一层：第一卷积层，卷积核大小为2×2、个数为8，对输入矩阵进行卷积操作，输出到第二卷积层；
第二层：第二卷积层，卷积核大小为3×3、个数为9，输出到池化层；
第三层：池化层，池化层尺寸大小为2×2，池化方法为平均池化，输出到全连接层；
第四层：全连接层，输出神经元到softmax层；
第五层：softmax层，利用softmax函数实现分类器。
10.根据权利要求9所述的民航发动机气路故障诊断方法，其特征在于：
所述步骤S3中利用所述训练集对所述CNN模型进行训练时，批量大小为100，迭代次数为140。
CN201810763325.3A 2018-07-12 2018-07-12 一种基于cnn与svm的民航发动机气路故障诊断方法 Pending CN109115501A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810763325.3A CN109115501A (zh) 2018-07-12 2018-07-12 一种基于cnn与svm的民航发动机气路故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810763325.3A CN109115501A (zh) 2018-07-12 2018-07-12 一种基于cnn与svm的民航发动机气路故障诊断方法

Publications (1)

Publication Number Publication Date
CN109115501A true CN109115501A (zh) 2019-01-01

Family

ID=64862630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810763325.3A Pending CN109115501A (zh) 2018-07-12 2018-07-12 一种基于cnn与svm的民航发动机气路故障诊断方法

Country Status (1)

Country Link
CN (1) CN109115501A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934335A (zh) * 2019-03-05 2019-06-25 清华大学 基于混合深度学习的高铁道岔故障诊断方法
CN110162015A (zh) * 2019-05-29 2019-08-23 张婧 一种基于公共饮水装置的故障诊断方法
CN110244689A (zh) * 2019-06-11 2019-09-17 哈尔滨工程大学 一种基于判别性特征学习方法的auv自适应故障诊断方法
CN110276115A (zh) * 2019-06-12 2019-09-24 上海交通大学 基于燃机叶片型线参数的气路故障诊断方法
CN110702417A (zh) * 2019-09-27 2020-01-17 东方航空技术有限公司 一种航空发动机egt指示故障诊断方法
CN110727669A (zh) * 2019-10-10 2020-01-24 国网辽宁省电力有限公司电力科学研究院 一种电力系统传感器数据清理装置及清理方法
CN110749447A (zh) * 2019-11-27 2020-02-04 淮安信息职业技术学院 利用大数据的装载机发动机故障诊断方法
CN110992361A (zh) * 2019-12-25 2020-04-10 创新奇智(成都)科技有限公司 基于代价平衡的发动机紧固件检测系统及检测方法
CN111259993A (zh) * 2020-03-05 2020-06-09 沈阳工程学院 一种基于神经网络的故障诊断方法及装置
CN111768022A (zh) * 2020-05-09 2020-10-13 中国煤矿机械装备有限责任公司 煤机生产设备的设备检测方法及装置
CN111766067A (zh) * 2020-07-10 2020-10-13 中国人民解放军空军工程大学 基于深度学习的机务外场飞机发动机故障预测方法
CN111796173A (zh) * 2020-08-13 2020-10-20 广东电网有限责任公司 局部放电模式识别方法、计算机设备和存储介质
CN111856299A (zh) * 2020-07-29 2020-10-30 中国联合网络通信集团有限公司 电源状态的确定方法、装置及设备
CN112527547A (zh) * 2020-12-17 2021-03-19 中国地质大学（武汉） 一种基于自动卷积神经网络的机械智能故障预测方法
CN112749764A (zh) * 2021-01-28 2021-05-04 厦门大学 一种基于qar数据的航空发动机运行状态分类方法
CN112766303A (zh) * 2020-12-23 2021-05-07 湖南大学 一种基于cnn的航空发动机故障诊断方法
CN113158537A (zh) * 2021-01-18 2021-07-23 中国航发湖南动力机械研究所 基于lstm结合注意力机制的航空发动机气路故障诊断方法
CN113469217A (zh) * 2021-06-01 2021-10-01 桂林电子科技大学 一种基于深度学习的无人驾驶汽车导航传感器异常检测方法
CN113704073A (zh) * 2021-09-02 2021-11-26 交通运输部公路科学研究所 一种汽车维修记录库异常数据的检测方法
CN114391093A (zh) * 2019-09-17 2022-04-22 日产自动车株式会社 异常判定装置以及异常判定方法
CN117034080A (zh) * 2023-08-08 2023-11-10 南京航空航天大学 基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599907A (zh) * 2016-11-29 2017-04-26 北京航空航天大学 多特征融合的动态场景分类方法与装置
CN106874957A (zh) * 2017-02-27 2017-06-20 苏州大学 一种滚动轴承故障诊断方法
CN106908736A (zh) * 2017-03-17 2017-06-30 哈尔滨工业大学 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法
CN106952250A (zh) * 2017-02-28 2017-07-14 北京科技大学 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置
CN108182452A (zh) * 2017-12-29 2018-06-19 哈尔滨工业大学（威海） 基于分组卷积自编码器的航空发动机故障检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599907A (zh) * 2016-11-29 2017-04-26 北京航空航天大学 多特征融合的动态场景分类方法与装置
CN106874957A (zh) * 2017-02-27 2017-06-20 苏州大学 一种滚动轴承故障诊断方法
CN106952250A (zh) * 2017-02-28 2017-07-14 北京科技大学 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置
CN106908736A (zh) * 2017-03-17 2017-06-30 哈尔滨工业大学 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法
CN108182452A (zh) * 2017-12-29 2018-06-19 哈尔滨工业大学（威海） 基于分组卷积自编码器的航空发动机故障检测方法及系统

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934335A (zh) * 2019-03-05 2019-06-25 清华大学 基于混合深度学习的高铁道岔故障诊断方法
CN110162015A (zh) * 2019-05-29 2019-08-23 张婧 一种基于公共饮水装置的故障诊断方法
CN110162015B (zh) * 2019-05-29 2022-09-02 张婧 一种基于公共饮水装置的故障诊断方法
CN110244689A (zh) * 2019-06-11 2019-09-17 哈尔滨工程大学 一种基于判别性特征学习方法的auv自适应故障诊断方法
CN110276115B (zh) * 2019-06-12 2023-02-10 上海交通大学 基于燃机叶片型线参数的气路故障诊断方法
CN110276115A (zh) * 2019-06-12 2019-09-24 上海交通大学 基于燃机叶片型线参数的气路故障诊断方法
CN114391093A (zh) * 2019-09-17 2022-04-22 日产自动车株式会社 异常判定装置以及异常判定方法
CN114391093B (zh) * 2019-09-17 2023-10-24 日产自动车株式会社 异常判定装置以及异常判定方法
CN110702417A (zh) * 2019-09-27 2020-01-17 东方航空技术有限公司 一种航空发动机egt指示故障诊断方法
CN110727669B (zh) * 2019-10-10 2023-10-13 国网辽宁省电力有限公司电力科学研究院 一种电力系统传感器数据清理装置及清理方法
CN110727669A (zh) * 2019-10-10 2020-01-24 国网辽宁省电力有限公司电力科学研究院 一种电力系统传感器数据清理装置及清理方法
CN110749447B (zh) * 2019-11-27 2021-04-16 淮安信息职业技术学院 利用大数据的装载机发动机故障诊断方法
CN110749447A (zh) * 2019-11-27 2020-02-04 淮安信息职业技术学院 利用大数据的装载机发动机故障诊断方法
CN110992361A (zh) * 2019-12-25 2020-04-10 创新奇智(成都)科技有限公司 基于代价平衡的发动机紧固件检测系统及检测方法
CN111259993A (zh) * 2020-03-05 2020-06-09 沈阳工程学院 一种基于神经网络的故障诊断方法及装置
CN111768022A (zh) * 2020-05-09 2020-10-13 中国煤矿机械装备有限责任公司 煤机生产设备的设备检测方法及装置
CN111766067A (zh) * 2020-07-10 2020-10-13 中国人民解放军空军工程大学 基于深度学习的机务外场飞机发动机故障预测方法
CN111856299A (zh) * 2020-07-29 2020-10-30 中国联合网络通信集团有限公司 电源状态的确定方法、装置及设备
CN111796173A (zh) * 2020-08-13 2020-10-20 广东电网有限责任公司 局部放电模式识别方法、计算机设备和存储介质
CN112527547B (zh) * 2020-12-17 2022-05-17 中国地质大学（武汉） 一种基于自动卷积神经网络的机械智能故障预测方法
CN112527547A (zh) * 2020-12-17 2021-03-19 中国地质大学（武汉） 一种基于自动卷积神经网络的机械智能故障预测方法
CN112766303A (zh) * 2020-12-23 2021-05-07 湖南大学 一种基于cnn的航空发动机故障诊断方法
CN112766303B (zh) * 2020-12-23 2024-03-29 湖南大学 一种基于cnn的航空发动机故障诊断方法
CN113158537A (zh) * 2021-01-18 2021-07-23 中国航发湖南动力机械研究所 基于lstm结合注意力机制的航空发动机气路故障诊断方法
CN112749764B (zh) * 2021-01-28 2022-09-13 厦门大学 一种基于qar数据的航空发动机运行状态分类方法
CN112749764A (zh) * 2021-01-28 2021-05-04 厦门大学 一种基于qar数据的航空发动机运行状态分类方法
CN113469217A (zh) * 2021-06-01 2021-10-01 桂林电子科技大学 一种基于深度学习的无人驾驶汽车导航传感器异常检测方法
CN113704073A (zh) * 2021-09-02 2021-11-26 交通运输部公路科学研究所 一种汽车维修记录库异常数据的检测方法
CN113704073B (zh) * 2021-09-02 2024-06-04 交通运输部公路科学研究所 一种汽车维修记录库异常数据的检测方法
CN117034080A (zh) * 2023-08-08 2023-11-10 南京航空航天大学 基于堆嵌式去噪自动编码器的机载变换器电气故障诊断方法

Similar Documents

Publication Publication Date Title
CN109115501A (zh) 一种基于cnn与svm的民航发动机气路故障诊断方法
Wen et al. A new ensemble residual convolutional neural network for remaining useful life estimation
CN110609524B (zh) 一种工业设备剩余寿命预测模型及其构建方法和应用
CN112580263B (zh) 基于时空特征融合的涡扇发动机剩余使用寿命预测方法
CN108334936A (zh) 基于迁移卷积神经网络的故障预测方法
US11756349B2 (en) Electronic control unit testing optimization
CN109141847B (zh) 一种基于mscnn深度学习的飞机系统故障诊断方法
CN110515781B (zh) 一种复杂系统状态监测及故障诊断方法
Huang et al. Machine fault detection for intelligent self-driving networks
CN113255546B (zh) 一种用于飞机系统传感器故障的诊断方法
CN105606914A (zh) 一种基于iwo-elm的航空功率变换器故障诊断方法
CN116893336B (zh) 高低压开关设备及其方法
CN112434390A (zh) 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法
CN115510950A (zh) 基于时间卷积网络的飞行器遥测数据异常检测方法及系统
CN114492645A (zh) 基于多源异构数据自适应融合的电机轴承故障诊断方法
CN111079348B (zh) 一种缓变信号检测方法和装置
CN116384224A (zh) 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法
WO2019178930A1 (zh) 一种机械设备故障诊断方法
CN117075582A (zh) 一种基于dsecmr-vae的工业过程广义零样本故障诊断方法
van den Hoogen et al. An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis
CN113551904B (zh) 基于层次机器学习的齿轮箱多类型并发故障诊断方法
CN113158537B (zh) 基于lstm结合注意力机制的航空发动机气路故障诊断方法
CN114357372A (zh) 一种基于多传感器数据驱动的飞机故障诊断模型生成方法
CN111598161A (zh) 一种基于cnn迁移学习的发动机气路状态诊断系统
Tamilselvan et al. Multi-sensor health diagnosis using deep belief network based state classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190101