CN109190304B - 一种航空发动机全包线内气路部件故障特征提取及故障识别方法 - Google Patents
一种航空发动机全包线内气路部件故障特征提取及故障识别方法 Download PDFInfo
- Publication number
- CN109190304B CN109190304B CN201811200056.6A CN201811200056A CN109190304B CN 109190304 B CN109190304 B CN 109190304B CN 201811200056 A CN201811200056 A CN 201811200056A CN 109190304 B CN109190304 B CN 109190304B
- Authority
- CN
- China
- Prior art keywords
- fault
- envelope
- engine
- gas path
- aero
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010033307 Overweight Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种航空发动机全包线内气路部件故障特征提取及故障识别方法，包括：采用ReliefF算法计算包线内不同飞行条件下的典型气路部件故障模式的影响权值，选择典型故障模式特征，依据影响权值结合包线内工作状态条件参数对待选故障特征降序排列；根据序列将待选故障特征依次增加形成新的特征子集，采用基于ELM故障诊断模型识别典型故障模式，根据包线内气路部件故障识别精度的波动量确定气路部件故障特征，发动机气路部件故障特征用于进一步气路部件故障诊断。本发明解决了航空发动机全包线内不同工作状态下的气路故障特征提取和故障识别问题，拓展了现有航空发动机气路故障诊断的适用边界，降低了用于发动机气路部件故障诊断的参数维数。
Description
技术领域
本发明属于航空发动机气路故障诊断技术领域，具体涉及一种航空发动机全包线内气路部件故障特征提取及故障识别方法。
背景技术
航空发动机作为飞机的关键部件之一，其可靠性直接影响飞机的飞行安全。而航空发动机经常在恶劣的环境条件下工作，飞行包线宽广，气路参数之间存在复杂耦合关系，为了提高其包线内不同工况下安全性、可靠性和经济性，有必要对发动机进行全包线内实时状态监测和故障诊断。
随着机器学习的兴起，出现了基于极限学习机(ELM)故障诊断模型识别典型故障模式的方法。但是用于极限学习机故障诊断的故障数据维数过多，容易造成数据冗余，而且目前的航空发动机故障诊断技术中并没有相关的故障特征集能用于全包线内不同飞行条件和不同工作状态下的故障模式识别，因此需要利用ReliefF(Relevant Features)特征提取算法筛选出最优故障特征集。
ReliefF算法是一种经典的过滤式特征选择算法，可以解决多类问题。该算法根据特征对近距离样本的区分能力进行评估，计算不同故障特征的影响权值系数。不过使用该算法进行特征提取有一定的局限性，因为它提取不同飞行条件和工作状态下的故障数据的特征各自不同，无法在全包线内使用同一个故障特征集，这对于航空发动机的气路部件故障诊断是不现实的。因此在此基础上，本发明赋予不同工作点和工况不同的权重，然后采用加权平均的方法，得到每个故障特征适用于全包线内的影响权值并降序排列，根据ELM模型的识别精度波动量确定最优故障特征集，有效地将航空发动机气路故障诊断范围扩展到了全包线，并降维简化了ELM故障诊断模型拓扑结构。
发明内容
本发明使用ReliefF算法对航空发动机包线内典型故障模式进行分析处理，计算包线内不同飞行条件和不同换算转速下的典型气路部件故障模式的影响权值系数，并赋予不同的权重，进行加权平均，得到每个特征的总的影响权值，降序排列，根据序列将特征依次增加形成新的特征子集，再用ELM算法诊断故障，根据识别精度的波动量是否超出波动阈值来确定最优的气路部件故障特征集，最后用ELM故障诊断模型对所选的故障特征进行仿真验证。这使得能用于基于ELM算法的航空发动机故障诊断的飞行条件扩展到了全包线，并达到了降维的目的，这简化了计算的复杂性。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种航空发动机全包线内气路部件故障特征提取方法，包括以下步骤：
步骤1)根据发动机在飞行包线不同工作点、不同工作状态下的典型气路故障模式数据，采用ReliefF算法计算其特征影响权值，对所述特征影响权值进行加权计算并降序排列得到待选气路故障特征影响权值序列；
步骤2)根据所述待选气路故障特征影响权值序列将待选气路故障特征依次增加形成新的特征子集，采用ELM故障诊断模型获得各特征子集下的典型气路故障识别精度，依据识别精度波动量确定包线内最优气路故障特征。
优选的：所述步骤1)中根据飞行包线内不同工作点不同工作状态下的气路故障模式数据，采用ReliefF算法处理分析气路故障数据获得待选气路故障特征的具体步骤如下：
步骤1.1)将发动机模型在包线内不同工作点不同工作状态的气路故障模式数据进行标准化处理，得到训练数据集D，所述气路故障模式数据由各个传感器的测量参数组成；
步骤1.2)初始化特征权值向量W(A)＝0，A＝1,2,...,p，采用ReliefF算法计算包线内不同工作点不同工作状态下的气路故障特征影响权值；A表示气路故障特征，p表示特征数目；
步骤1.3)对不同工作点不同工作状态下气路故障特征影响权值进行加权计算，确定待选气路故障特征并降序排列。
优选的：所述步骤1.2)中采用ReliefF算法计算包线内不同工作点不同工作状态下的气路故障特征影响权值的具体步骤如下：
步骤1.2.1)从故障模式训练集D中随机选择一个样本记为Ri(i＝1,...,m)，在样本空间里，找到与样本Ri同类的k个最近邻Hi，从不同类样本中找到k个最近邻Mj(C)；m为抽样次数，C表示不同于A的样本类别；
步骤1.2.2)采用ReliefF算法迭代更新航空发动机包线内不同工作点和不同工作状态下的气路故障特征影响权值。
优选的：所述步骤1.2.2)中用ReliefF算法迭代更新航空发动机包线内不同工作点、不同工作状态下的气路故障特征影响权值的具体步骤如下：
步骤1.2.2.1)更新航空发动机包线内不同工作点每个特征影响权值
其中diff(A,Ri,Hj)表示样本Ri与样本Hi关于特征A的距离；m为抽样次数；P(C)表示第C类目标的概率；class(Ri)表示样本Ri拥有的类标签；
步骤1.2.2.2)迭代更新航空发动机包线内不同工作状态下的气路故障特征影响权值，直至所有样本训练完成。
优选的：所述步骤1.3)中确定全包线内的待选气路故障特征并降序排列的具体步骤如下：
步骤1.3.1)换算转速为100％时权重为Wn,1，其余换算转速权重为Wn,2，典型工作点的权重为We,1，其余工作点权重均为We,2，对所有工况下气路故障模式数据的气路故障特征影响权值进行加权平均计算；
步骤1.3.2)对加权平均后的发动机全包线内气路故障特征权值系数降序排列。
优选的：所述步骤2)中根据序列将特征依次增加形成新的特征子集，用于ELM模型的故障模式识别的具体步骤如下：
步骤2.1)将ELM故障诊断模型输入层权值和隐含层偏置随机初始化，隐含层激活函数为sigmoid函数；
步骤2.2)基于ELM模型将得到所有特征子集分别用于发动机故障模式识别，根据识别精度波动量是否超出波动阈值V，从待选气路故障特征中确定最优气路故障特征集。
基于上述方法的航空发动机全包线内气路部件故障识别方法，根据最优故障特征集，基于ELM故障诊断模型利用测试数据完成气路故障诊断验证，具体步骤为：
步骤3.1)根据最优气路故障特征集，将筛选所得数据集分为训练数据集和测试数据集；
步骤3.2)利用训练数据集训练ELM故障诊断模型，再代入测试数据集进行气路故障诊断。
有益效果：本发明设计的一种航空发动机全包线内气路部件故障特征提取及故障识别方法，解决了现有的航空发动机包线内气路故障诊断中，适用边界不够宽、有用的特征参数不明、参数维数过多的问题，能拓展到全包线，也可以做到最优故障特征提取和降维简化，对于发动机健康管理、降低维修成本有着积极促进的作用。
附图说明
图1是本发明设计的一种航空发动机全包线内气路部件故障特征提取及故障识别方法简化流程图。
图2是本发明设计的一种航空发动机全包线内气路部件故障特征提取及故障识别方法详细流程图。
图3涡扇发动机气路工作截面标识图。
图4是飞行包线内工作点的选取策略。
图5加权平均后的特征权重。
图6不同工作点测试分类准确率随特征数的变化情况(1)。
图7不同工作点测试分类准确率随特征数的变化情况(2)。
图8不同工作点测试分类准确率随特征数的变化情况(3)。
具体实施方式
下面结合附图对本发明的具体实施方式作更进一步的说明。
本发明说明的一种航空发动机全包线内气路部件故障特征提取及故障识别方法，具体包括以下步骤：
步骤1)根据发动机在飞行包线不同工作点、不同工作状态下的典型故障模式数据，采用ReliefF算法计算其气路故障特征影响权值，加权计算得到包线内不同工作状态的待选气路故障特征影响权值，按降序排列；
步骤1.1)将发动机模型在包线内不同工作点不同工作状态的故障模式数据进行标准化处理，得到训练数据集D，所述故障模式数据由各个传感器的测量参数组成；
步骤1.2)初始化特征权值向量W(A)＝0，A＝1,2,...,p，采用ReliefF算法计算包线内不同工作点不同工作状态下的气路故障特征影响权值，A代表气路故障特征，p代表特征数目；
步骤1.2.1)从故障模式训练集D中随机选择一个样本记为Ri，找到与样本Ri同类的k个最近邻(即与Ri的距离相对于其它样本更近)Hi，从不同类样本中找到k个最近邻Mj(C)；i＝1,2,…,m，j＝1,2,…,k。m为抽样次数，C表示不同于A的样本类别。
步骤1.2.2)采用ReliefF算法迭代更新航空发动机包线内不同工作点和不同工作状态下的气路故障特征影响权值。不同工作点是指不同飞行高度和马赫数，不同工作状态是指不同换算转速，因此一个样本点包含飞行高度、马赫数和换算转速三种参数，先计算不同飞行高度和马赫数下的权值，然后在同一工作点分不同换算转速计算权值。
步骤1.2.2.1)更新航空发动机包线内不同工作点每个气路故障特征影响权值
其中diff(A,Ri,Hj)表示样本Ri与样本Hi关于特征A的距离；m为抽样次数；P(C)表示第C类目标的概率；class(Ri)表示样本Ri拥有的类标签；Mj(C)表示第C类目标的第j个样本，j＝1,2,…,k。
步骤1.2.2.2)迭代更新航空发动机包线内不同工作状态下的气路故障特征影响权值，直至所有样本训练完成。
步骤1.3)根据包线内工作点及工作状态，计算加权后的气路故障特征影响权值，确定待选故障特征并降序排列。
步骤1.3.1)换算转速为100％时权重为Wn,1，其余换算转速权重为Wn,2，典型工作点的权重为We,1，其余工作点权重均为We,2，对所有工况下故障模式数据的气路故障特征影响权值进行加权平均计算；
步骤1.3.2)对加权平均后的发动机全包线内气路故障特征影响权值系数降序排列。
步骤2)根据序列将待选气路故障特征依次增加形成新的特征子集，采用ELM故障诊断模型获得各特征子集下的典型故障识别精度，依据识别精度波动量确定包线内典型气路故障特征，并基于该气路故障特征进行发动机包线内气路故障诊断。
步骤2.1)将ELM故障诊断模型输入层权值和隐含层偏置随机初始化，隐含层激活函数为sigmoid函数，基于ELM模型将得到所有特征子集分别用于发动机故障模式识别，根据识别精度波动量是否超出波动阈值V，从待选特征选择精度波动量超出波动阈值V的故障特征为最优故障特征集；
步骤2.2)根据最优故障特征集，基于ELM故障诊断模型利用测试数据完成气路故障诊断验证。
为了验证本发明所设计的一种基于航空发动机全包线内气路部件故障特征提取及故障识别方法的有效性，在MATLAB环境下进行了气路故障特征提取和故障模式识别的数字仿真。
首先利用ReliefF算法，在飞行包线内的不同工作点对已有的传感器特征进行选择。包线内测试的飞行状态点如图4所示，分别选取H＝0m，Ma＝0；H＝15000m，Ma＝0.88；H＝8000m，Ma＝0.42；H＝2000m，Ma＝0.8；H＝42000m，Ma＝0；H＝2000m，Ma＝0.5；H＝8000m，Ma＝0.7；H＝1000m，Ma＝0.33以及H＝10000m，Ma＝1.5，并以发动机60％、70％、80％、90％、100％转速条件作为仿真环境。针对不同故障部件，依次对发动机模型的不同工作点注入故障模式，故障模式如表1所示，并在得到的故障模式数据中加入高斯噪声。再将所有的数据都归一化到[0,1]区间。其中，每种故障模式包含100组样本分别用于训练和测试，因此训练数据和测试数据分别包含1300组样本。
表1涡扇发动机故障模式说明
针对10种传感器参数，即NL、NH、T22、P22、T3、P3、T43、P43、T6、P5，利用ReliefF算法对数据进行特征选择，其中，令最近邻样本个数k＝40，抽样次数m＝100。仿真结果如下所示。
表2 H＝0，Ma＝0不同换算转速下各个特征的预测权值
表3 H＝8，Ma＝0.42不同换算转速下各个特征的预测权值
表4 H＝2，Ma＝0.8不同换算转速下各个特征的预测权值
表5 H＝4.2，Ma＝0不同换算转速下各个特征的预测权值
表6 H＝2，Ma＝0.5不同换算转速下各个特征的预测权值
表7 H＝8，Ma＝0.7不同换算转速下各个特征的预测权值
表8 H＝1，Ma＝0.33不同换算转速下各个特征的预测权值
表9 H＝15，Ma＝0.88不同换算转速下各个特征的预测权值
表10 H＝10，Ma＝1.5不同换算转速下各个特征的预测权值
结合表2到表10的数据对仿真结果进行分析，可以看出，特征的预测权值有正有负，其中数值越大代表该特征对于当前状态下故障的模式识别起到更大的作用，当权值为负数时，则表明该特征在相同故障模式中变化较大而在不同故障模式中变化较小，这样的特征不利于对于故障模式的判断，因此优先考虑将权值为负的特征在样本中去除。通过表2到表10中的数据可以看出，NH、T3和P43在全部飞行状态点下权值较大，故这三种特征在发动机故障模式识别中起到至关重要的作用，而T6和P5在全部飞行状态点下权值较小，故考虑将这两维特征在样本中去除。
考虑到在不同飞行状态点时特征的排序有所不同，并且实际情况下很难将所选特征按照不同换算转速和不同飞行状态点进行划分，故将在5种换算转速和9种飞行状态点下各个特征的权值进行加权平均，换算转速100％和典型工作点权重Wn,1＝We,1＝1.2，其它的权重Wn,2＝We,2＝1，再按照所有点最终计算所得的权值降序排列，其结果如下所示：
表11不同飞行条件下加权故障特征影响权值系数
表12所有点特征权值加权平均后排序结果
可以看出，NH、P3、T3和P43的权值较高，对分类结果产生的影响较大的正面影响。从P22开始，特征的权值开始为负数，对分类结果产生较小的负面影响。
将样本中的特征按照加权平均后的特征排序结果进行逐一添加，并同样利用ELM算法作为分类器对故障模式进行分类，并将分类准确率以折线图的形式展现。其中ELM隐含层节点数为20，每种故障模式的训练样本和测试样本均为100，一个工作点的训练样本和测试样本则均为1300组样本。其训练阶段的仿真结果如图6、图7、图8所示。
仿真结果可以看出，利用平均后的权值重新特征排序后，ELM算法的分类准确率较高的点出现在特征数4-6个的情形下，再次说明高权值特征在分类时产生的是积极影响，而且影响较大，但是权值为负数的特征在分类时产生的是消极影响，且影响较小，即NH、P3、T3和P43这四维传感器参数对发动机故障模式识别有着重要的影响。从图中也可以看出，取波动阈值V＝2％是比较合适的。前五个特征用于模式识别时诊断精度的波动量都基本超过波动阈值V，从第六个特征开始，每加入一个新的特征，ELM算法对样本的分类准确率的提升都没超过2％，有些甚至还会下降。因此，选定前五个特征，即NH、P3、T3、P43和P22，作为用于在全包线不同飞行条件和不同工作状态下诊断的特征。其测试仿真结果如下：
表13降维后的分类准确率
由于所选的工作点遍布全包线，且用ELM算法分类故障的准确率基本都优于85％，部分优于90％，说明了加权平均后的特征序列适用于全包线内的故障分类。
本发明设计的一种航空发动机全包线内气路部件故障特征提取及故障识别方法，解决了航空发动机全包线内不同工作状态下的气路故障特征提取和故障识别问题，拓展了现有航空发动机气路故障诊断的适用边界，获得了包线内气路故障诊断的特征参数，降低了用于发动机气路部件故障诊断的参数维数，对于发动机健康管理、降低维修成本有着积极促进的作用。
需要指出的是，以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化和替换，都应涵盖在本发明的保护范围内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种航空发动机全包线内气路部件故障特征提取方法，其特征在于：包括以下步骤：
步骤1)根据发动机在飞行包线内不同工作点、不同工作状态下的典型气路故障模式数据，采用ReliefF算法计算其特征影响权值，对所述特征影响权值进行加权计算并降序排列得到待选气路故障特征影响权值序列；
步骤2)根据所述待选气路故障特征影响权值序列将待选气路故障特征依次增加形成新的特征子集，采用ELM故障诊断模型获得各特征子集下的典型气路故障识别精度，依据识别精度波动量确定包线内最优气路故障特征；
所述步骤1)的具体步骤如下：
步骤1.1)将发动机模型在包线内不同工作点不同工作状态的气路故障模式数据进行标准化处理，得到训练数据集D，所述气路故障模式数据由各个传感器的测量参数组成；
步骤1.2)初始化特征权值向量W(A)＝0，A＝1,2,...,p，采用ReliefF算法计算包线内不同工作点不同工作状态下的气路故障特征影响权值；A表示气路故障特征，p表示特征数目；
步骤1.3)对不同工作点不同工作状态下气路故障特征影响权值进行加权计算，确定待选气路故障特征并降序排列。
2.根据权利要求1所述的一种航空发动机全包线内气路部件故障特征提取方法，其特征在于：所述步骤1.2)中采用ReliefF算法计算包线内不同工作点不同工作状态下的气路故障特征影响权值的具体步骤如下：
步骤1.2.1)从故障模式训练集D中随机选择一个样本记为Ri(i＝1,m)，在样本空间里，找到与样本Ri同类的k个最近邻Hi，从不同类样本中找到k个最近邻Mj(C)(j＝1,k)；m为抽样次数，C表示不同于A的样本类别；
步骤1.2.2)采用ReliefF算法迭代更新航空发动机包线内不同工作点和不同工作状态下的气路故障特征影响权值。
3.根据权利要求2所述的一种航空发动机全包线内气路部件故障特征提取方法，其特征在于：所述步骤1.2.2)中用ReliefF算法迭代更新航空发动机包线内不同工作点、不同工作状态下的气路故障特征影响权值的具体步骤如下：
步骤1.2.2.1)更新航空发动机包线内不同工作点每个特征影响权值
其中diff(A,Ri,Hj)表示样本Ri与样本Hi关于特征A的距离；m为抽样次数；P(C)表示第C类目标的概率；class(Ri)表示样本Ri拥有的类标签；
步骤1.2.2.2)迭代更新航空发动机包线内不同工作状态下的气路故障特征影响权值，直至所有样本训练完成。
4.根据权利要求1所述的一种航空发动机全包线内气路部件故障特征提取方法，其特征在于：所述步骤1.3)中确定的待选气路故障特征并降序排列的具体步骤如下：
步骤1.3.1)换算转速为100％时权重为Wn,1，其余换算转速权重为Wn,2，典型工作点的权重为We,1，其余工作点权重均为We,2，对所有工况下气路故障模式数据的气路故障特征影响权值进行加权平均计算；
步骤1.3.2)对加权平均后的发动机全包线内气路故障特征权值系数降序排列。
5.根据权利要求1所述的一种航空发动机全包线内气路部件故障特征提取方法，其特征在于：所述步骤2)中根据所述待选气路故障特征影响权值序列将待选气路故障特征依次增加形成新的特征子集，用于ELM模型的故障模式识别的具体步骤如下：
步骤2.1)将ELM故障诊断模型输入层权值和隐含层偏置随机初始化，隐含层激活函数为sigmoid函数；
步骤2.2)基于ELM模型将得到所有特征子集分别用于发动机故障模式识别，根据识别精度波动量是否超出波动阈值V，从待选气路故障特征中确定最优气路故障特征集。
6.基于权利要求1-5任一所述方法的航空发动机全包线内气路部件故障识别方法，其特征在于，根据最优故障特征集，基于ELM故障诊断模型利用测试数据完成气路故障诊断验证，具体步骤为：
步骤3.1)根据最优气路故障特征集，将筛选所得数据集分为训练数据集和测试数据集；
步骤3.2)利用训练数据集训练ELM故障诊断模型，再代入测试数据集进行气路故障诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811200056.6A CN109190304B (zh) | 2018-10-16 | 2018-10-16 | 一种航空发动机全包线内气路部件故障特征提取及故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811200056.6A CN109190304B (zh) | 2018-10-16 | 2018-10-16 | 一种航空发动机全包线内气路部件故障特征提取及故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109190304A CN109190304A (zh) | 2019-01-11 |
| CN109190304B true CN109190304B (zh) | 2020-12-01 |
Family
ID=64945190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811200056.6A Active CN109190304B (zh) | 2018-10-16 | 2018-10-16 | 一种航空发动机全包线内气路部件故障特征提取及故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190304B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800895A (zh) * | 2019-01-18 | 2019-05-24 | 广东电网有限责任公司 | 一种基于增强现实技术在计量自动化流水线故障预警和维护的方法 |
| CN113157728B (zh) * | 2021-02-23 | 2024-03-19 | 北京科技大学 | 一种地下柴油铲运机循环工况的识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010040901A1 (en) * | 2008-10-07 | 2010-04-15 | Pierre Rustin | Alternative oxidase and uses thereof |
| CN107169514A (zh) * | 2017-05-05 | 2017-09-15 | 清华大学 | 电力变压器故障诊断模型的建立方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
| US9767671B2 (en) * | 2014-11-05 | 2017-09-19 | Intel Corporation | System for determining sensor condition |
| US20160154802A1 (en) * | 2014-12-02 | 2016-06-02 | Nec Laboratories America, Inc. | Quality control engine for complex physical systems |
| CN105976127B (zh) * | 2016-05-24 | 2020-12-08 | 哈尔滨工程大学 | 综合电力推进系统风险评估方法及装置 |
| CN106443447B (zh) * | 2016-09-26 | 2019-05-21 | 南京航空航天大学 | 一种基于iSDAE的航空发电机故障特征提取方法 |
| CN106503746B (zh) * | 2016-11-03 | 2018-07-06 | 哈尔滨工业大学 | 一种基于性能偏移量的航空发动机故障诊断方法 |
| GB201704373D0 (en) * | 2017-03-20 | 2017-05-03 | Rolls-Royce Ltd | Surface defect detection |
-
2018
- 2018-10-16 CN CN201811200056.6A patent/CN109190304B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010040901A1 (en) * | 2008-10-07 | 2010-04-15 | Pierre Rustin | Alternative oxidase and uses thereof |
| CN107169514A (zh) * | 2017-05-05 | 2017-09-15 | 清华大学 | 电力变压器故障诊断模型的建立方法 |
Non-Patent Citations (2)
| Title |
|---|
| Multiclass classification of cancer based on microarray data using extreme learning machine;Khadijah, Rismiyati .ect;《2017 1st International Conference on Informatics and Computational Sciences (ICICoS)》;20180201;159-164 * |
| 基于极限学习机的航空发动机传感器故障诊断;孙毅刚 等;《传感器与微系统》;20141231;第33卷(第8期);23-26 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109190304A (zh) | 2019-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304661B (zh) | 基于tdp模型的诊断预测方法 | |
| CN111259532B (zh) | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 | |
| CN110375987B (zh) | 一种基于深度森林机械轴承故障检测方法 | |
| CN112100865A (zh) | 基于并行cnn模型的航空发动机剩余寿命预测方法 | |
| WO2017024691A1 (zh) | 一种模拟电路故障模式分类方法 | |
| CN106769052A (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
| CN106483449A (zh) | 基于深度学习与复数特征的模拟电路故障诊断方法 | |
| CN105911975A (zh) | 一种航空发动机气路故障融合诊断方法 | |
| CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
| CN105572572B (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
| CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
| CN111343147B (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
| CN109190304B (zh) | 一种航空发动机全包线内气路部件故障特征提取及故障识别方法 | |
| CN107830996A (zh) | 一种飞行器舵面系统故障诊断方法 | |
| CN109813542A (zh) | 基于生成式对抗网络的空气处理机组的故障诊断方法 | |
| CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 | |
| CN109359668A (zh) | 一种航空发动机多故障并发诊断方法 | |
| CN115017943A (zh) | 轴承故障诊断模型训练方法及训练装置 | |
| CN116756652A (zh) | 基于孪生神经网络的高超声速飞行器执行机构故障诊断方法 | |
| US8271233B2 (en) | Method of multi-level fault isolation design | |
| CN101210859A (zh) | 高超声速进气道起动/不起动模式的融合分类测定方法 | |
| CN110347579A (zh) | 基于神经元输出行为模式的深度学习测试用例的选择方法 | |
| CN116844240A (zh) | 基于飞行参数的直升机飞行动作识别方法 | |
| CN109088754A (zh) | 一种通信网络性能故障致因与特征参数关联关系分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |