CN110261773A - 一种航空发电机故障征兆提取方法及系统 - Google Patents

Abstract

本发明公开了一种航空发电机故障征兆提取方法，包括采集发电机各种故障类型下信号，构建训练集；构建长短时记忆网络，用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优，用训练集训练长短时记忆网络；利用训练好的长短时记忆网络，对输入的信号进行故障征兆提取。同时公开了相应的系统。本发明采用改进混合蛙跳算法对长短时记忆网络的初始化参数进行优化，通过训练好的长短时记忆网络对故障征兆进行提取，提取效率高，准确率高；同时本发明还具有良好的数据自适应能力、收敛速度快及鲁棒性强。

Description

一种航空发电机故障征兆提取方法及系统

技术领域

本发明涉及一种航空发电机故障征兆提取方法及系统，属于航空发电机状态监测与故障诊断技术领域。

背景技术

随着我国综合国力的不断提升带动了航空航天技术的高速发展，飞机正面向多电/全电技术方向全面发展，从而使得飞机上的用电设备不断增多，航空电源系统的在整个飞机系统中的重要性不言而喻。航空发电机是航空电源的核心部件，一旦航空发电机发现故障，不仅直接影响到航空电源供电系统，而且也会对飞机各机载设备的正常运行产生影响，严重时将直接导致重大航空事故。因此深入开展对航空发电机故障诊断技术研究，具有重要的意义。

征兆提取是故障诊断技术中的难点，征兆提取的效果将直接影响到故障诊断的准确性，现有的征兆提取采用基于信号分析处理方法，这种方法效率低、准确率不高。

发明内容

本发明提供了一种航空发电机故障征兆提取方法及系统，解决了现有故障征兆提取方法效率、准确率不高的问题。

为了解决上述技术问题，本发明所采用的技术方案是：

一种航空发电机故障征兆提取方法，包括，

采集发电机各种故障类型下信号，构建训练集；

构建长短时记忆网络，用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优，用训练集训练长短时记忆网络；

利用训练好的长短时记忆网络，对输入的信号进行故障征兆提取。

采集的信号包括发电机励磁电流信号、发电机三相输出电压、发电机机械振动信号和转轴扭力信号。

将采集的信号按预设长度截取成不同的片段，所有片段构成样本集，从样本集中按预设的比例提取样本构成训练集。

改进混合蛙跳算法的子群进化规则为：

p'_w＝p_w+d_s(k+1),(-d_max≤d_s(k+1)≤d_max)

其中，d_s(k+1)、d_s(k)分别为第k+1和k次迭代青蛙个体的调整矢量，γ为迭代自适应调节因子，γ_max和γ_min分别为自适应调节因子的最大值和最小值，d_max为每个蛙最大移动距离，r₁(.)、r₂(.)均为0到1之间的随机数，p_w为子群中自适应最差的蛙，p'_w为更新后的子群中自适应最差的蛙，p_b为子群中自适应最优的蛙，p_x为种群中自适应最优的蛙，λ为调整矢量系数，i_nter表示子群的第i_nter次迭代，i_nter∈[1,N]，N为子群迭代次数。

在改进混合蛙跳算法的子群进化过程中，响应于子群中自适应最差蛙的调整矢量大于等于预设判定矢量，继续利用子群中自适应最优的蛙对自适应最差蛙进行进化；响应于子群中自适应最差蛙的调整矢量小于预设判定矢量，利用种群中自适应最优的蛙对子群中自适应最差蛙进行进化。

在长短时记忆网络训练过程中，利用元学习的自学习能力确定代价函数、学习率和最大迭代次数。

一种航空发电机故障征兆提取系统，包括，

训练集构建模块：采集发电机各种故障类型下信号，构建训练集；

训练模块：构建长短时记忆网络，用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优，用训练集训练长短时记忆网络；

识别模块：利用训练好的长短时记忆网络，对输入的信号进行故障征兆提取。

训练模块包括改进混合蛙跳算法模块；

改进混合蛙跳算法模块：用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优；

改进混合蛙跳算法的子群进化规则为：

p'_w＝p_w+d_s(k+1),(-d_max≤d_s(k+1)≤d_max)

其中，d_s(k+1)、d_s(k)分别为第k+1和k次迭代青蛙个体的调整矢量，γ为迭代自适应调节因子，γ_max和γ_min分别为自适应调节因子的最大值和最小值，d_max为每个蛙最大移动距离，r₁(.)、r₂(.)均为0到1之间的随机数，p_w为子群中自适应最差的蛙，p'_w为更新后的子群中自适应最差的蛙，p_b为子群中自适应最优的蛙，p_x为种群中自适应最优的蛙，λ为调整矢量系数，i_nter表示子群的第i_nter次迭代，i_nter∈[1,N]，N为子群迭代次数。

训练模块包括改进混合蛙跳算法模块；

改进混合蛙跳算法模块：用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优；

在改进混合蛙跳算法的子群进化过程中，响应于子群中自适应最差蛙的调整矢量大于等于预设判定矢量，继续利用子群中自适应最优的蛙对自适应最差蛙进行进化；响应于子群中自适应最差蛙的调整矢量小于预设判定矢量，利用种群中自适应最优的蛙p_x对子群中自适应最差蛙p_b进行进化。

训练模块包括长短时记忆网络训练模块；

长短时记忆网络训练模块：用训练集训练长短时记忆网络；在长短时记忆网络训练过程中，利用元学习的自学习能力确定代价函数、学习率和最大迭代次数。

本发明所达到的有益效果：本发明采用改进混合蛙跳算法对长短时记忆网络的初始化参数进行优化，通过训练好的长短时记忆网络对故障征兆进行提取，提取效率高，准确率高；同时本发明还具有良好的数据自适应能力、收敛速度快及鲁棒性强。

附图说明

图1为本发明的流程图；

图2为长短时记忆网络单元结构图；

图3为改进混合蛙跳算法的流程图；

图4为长短时记忆网络结构图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种航空发电机故障征兆提取方法，其中，故障征兆就是故障特征，因此又称航空发电机故障特征提取方法，包括以下步骤：

步骤1，发电机故障类型分析。

建立发电机仿真模型，对发电机的故障类型进行仿真分析，确定发电机主要的故障类型。发电机故障可以分为电气故障和机械故障两大类；其中，电气故障又分为定子故障、转子故障及旋转整流器故障等；机械故障又分为轴承故障及转轴故障等。选取可测的信号，目前最常用的测试信号包括发电机励磁电流信号、发电机三相输出电压、发电机机械振动信号和转轴扭力信号。

步骤2，采集发电机各种故障类型下信号，构建训练集和测试集。

利用电压传感器、电流传感器、振动传感器和扭力传感器进行信号采集，并采集的信息进行存储，形成原始信息。

将采集的信号按预设长度(300个数据点的长度)截取成不同的片段，所有片段存储于同一个数组，构成样本集，对样本进行归一化处理，从样本集中按预设的比例提取归一化后的样本构成训练集和测试集，训练集和测试集的比例为1：1；

归一化公式如下：

其中，为归一化后的一个样本的列向量，x_n为归一化前的第n′个样本列向量，x_mean表示由x_n组成向量的均值，x_mean的向量长度与x_n相同，x_std为x_n的标准差。

步骤3，构建长短时记忆网络，用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优，用训练集训练长短时记忆网络。

31)设定所需训练的长短时记忆网络的网络结构，即设定网络的层数、最大迭代次数、每层网络的长短时记忆单元个数及单元中的激活函数。

如图2所示，长短时记忆网络单元通过三个门控和记忆单元Cell来对信息进行保护和控制，其中由输入门控、输出门控和遗忘门控这些不同类型的门控来对信息进行控制，利用记忆单元Cell来保存长期的状态，在这里各个门控和记忆单元Cell的流向为：

f_t＝σ(w_f[h_t-1,x_t]+b_f)

i_t＝σ(w_i[h_t-1,x_t]+b_i)

o_t＝σ(w_o[h_t-1,x_t]+b_o)

C_t＝f_t*C_t-1+i_t*tanh(w_c[h_t-1,x_t]+b_c)

h_t＝o_t*tanh(C_t)

其中，x_t为t时刻输入，f_t、i_t、o_t分别为t时刻遗忘门控、输入门控和输出门控的输出值，C_t-1和h_t-1分别为t-1时刻的记忆单元Cell和长短时记忆网络(LSTM)单元的输出值，w_f、w_i、w_o和w_c分别为遗忘门控、输入门控和输出门控和记忆单元Cell的权值，b_f、b_i、b_o和b_c分别为遗忘门控、输入门控和输出门控和记忆单元Cell的偏置，C_t和h_t分别为t时刻的记忆单元Cell和长短时记忆网络(LSTM)单元的输出值，σ为sigmoid激活函数，tanh为tanh激活函数，sigmoid激活函数和tanh激活函数的数学表达式如下：

其中，x为sigmoid激活函数和tanh函数的自变量，即三个门控和记忆单元Cell的输入变量，e为自然常数。

32)利用改进混合蛙跳算法对长短时记忆网络隐含层的初始权值和偏置寻优。

如图3所示，改进混合蛙跳算法的机制如下：

A1)设定改进混合蛙跳算法的种群蛙的总个数为F、子群个数为m、子群中蛙的个数为n、每个子群的迭代次数为N、子群中自适应最优和最差蛙分别为p_b和p_w、种群中自适应最优蛙为p_x、每个蛙最大移动距离为d_max及种群的总迭代次数为iter_max。

A2)将长短时记忆网络随机产生的隐含层中的权值和偏置作为改进混合蛙跳算法的的初始蛙群。

A3)将F个蛙按照蛙的自适应值进行降序排序，分别为f₁,f₂,...,f_F，其中自适应最优蛙为p_x＝f₁，并将f_i按顺序分配为m个子群分别为Y₁,Y₂,...,Y_m，每个子群中含有n个蛙，其中F＝m·n。

A4)子群进化。

子群进化规则为：

p'_w＝p_w+d_s(k+1),(-d_max≤d_s(k+1)≤d_max)

其中，d_s(k+1)、d_s(k)分别为第k+1和k次迭代青蛙个体的调整矢量，γ为迭代自适应调节因子，γ_max和γ_min分别为自适应调节因子的最大值和最小值，d_max为每个蛙最大移动距离，r₁(.)、r₂(.)均为0到1之间的随机数，p_w为子群中自适应最差的蛙，p'_w为更新后的子群中自适应最差的蛙，p_b为子群中自适应最优的蛙，p_x为种群中自适应最优的蛙，λ为调整矢量系数，i_nter表示子群的第i_nter次迭代，i_nter∈[1,N]。

这里对现有的子群进化规则进行了改进，解决现有规则存在子群最优适应值附近进化力度不强，同时随着不断迭代蛙群趋于稳定，缺乏自我学习的能力，导致后期进化能力下降和收敛效果较差等问题。

利用子群中自适应最优蛙p_b对最差蛙p_w进行进化，响应于子群中自适应最差蛙的调整矢量大于等于预设判定矢量，继续利用子群中自适应最优的蛙对自适应最差蛙进行进化；响应于子群中自适应最差蛙的调整矢量小于预设判定矢量，利用种群中自适应最优的蛙对子群中自适应最差蛙进行进化，这样避免了在子群交流过程中蛙群的自适应值很接近造成子群无效的迭代交流，同时判断子群迭代次数是否达到最大迭代次数N，若满足结束子群进化，否则继续子群进化。

A5)对进化后的各子群进行信息混合交流，并将种群中的蛙按自适应值重新进行降序排序f₁',f₂',...,f_F'，记录自适应最优蛙p_x＝f₁'，并将向量按顺序分为m个子群Y₁',Y₂',...,Y_m'_m，每个子群中含有n个蛙。

A6)判断种群迭代次数是否达到最大迭代次数iter_max，若满足最大迭代次数结束改进混合蛙跳算法，否则继续重复A4～A5，直至迭代次数达到最大的迭代次数，结束算法。

33)训练长短时记忆网络。

长短时记忆网络的结构如图4所示，将改进混合蛙跳算法寻优的参数作为最终长短时记忆网络优化后的初始权值和偏置，并利用训练集训练长短时记忆网络。

在长短时记忆网络训练过程中，利用元学习(元学习，也称为“学会学习”，是深度学习的一个研究热点)的自学习能力确定代价函数、学习率和最大迭代次数。学习不同的代价函数(例如均方差、平均绝对值和交叉熵等代价函数)、学习率(例如0.001、0.003、0.006等)和迭代次数(1000次、2000次、5000次等)对网络的性能影响，通过元学习的学习先验和学习策略理论获取上述参数，不在通过手动选取参数。

步骤4，利用训练好的长短时记忆网络，对输入的信号进行故障征兆提取。

在将训练好的长短时记忆网络进行实际应用之前，先通过测试集对该网络进行整体性能测试，即将测试集样本输入长短时记忆网络，获得故障征兆，然后将故障征兆输入分类器进行故障识别，若故障识别率较高，则表面该网络性能较好，可提取出了有效的故障征兆，然后进行实际应用。

为了验证上述网络的征兆提取能力，以旋转整流器空载开路故障为例，分别选取堆栈自编码器(Stacked Auto Encoder，SAE)和不同结构的长短时记忆网络(Long Short-Term Memory，LSTM)对频谱幅值进行征兆提取，之后利用softmax对提取的征兆进行分类。分类结果如表1：

表1 不同方法的对比表

方法	诊断正确率％
		SAE-softmax	88.8％
单层LSTM-softmax	86.4％
		双层LSTM-softmax	90.8％
本发明	92％

从上表可以看出，上述方法采用改进混合蛙跳算法对长短时记忆网络的初始化参数进行优化，通过训练好的长短时记忆网络对故障征兆进行提取，提取效率高，准确率高；同时该方法还具有良好的数据自适应能力、收敛速度快及鲁棒性强。

一种航空发电机故障征兆提取系统，包括，

训练集构建模块：采集发电机各种故障类型下信号，构建训练集；

训练模块：构建长短时记忆网络，用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优，用训练集训练长短时记忆网络；

识别模块：利用训练好的长短时记忆网络，对输入的信号进行故障征兆提取。

训练模块包括改进混合蛙跳算法模块；改进混合蛙跳算法模块：用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优。

训练模块包括改进混合蛙跳算法模块；改进混合蛙跳算法模块：用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优；在改进混合蛙跳算法的子群进化过程中，响应于子群中自适应最差蛙的调整矢量大于等于预设判定矢量，继续利用子群中自适应最优的蛙对自适应最差蛙进行进化；响应于子群中自适应最差蛙的调整矢量小于预设判定矢量，利用种群中自适应最优的蛙p_x对子群中自适应最差蛙p_b进行进化。

训练模块包括长短时记忆网络训练模块；长短时记忆网络训练模块：用训练集训练长短时记忆网络；在长短时记忆网络训练过程中，利用元学习的自学习能力确定代价函数、学习率和最大迭代次数。

一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行航空发电机故障征兆提取方法。

一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行航空发电机故障征兆提取方法的指令。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.一种航空发电机故障征兆提取方法，其特征在于：包括，

采集发电机各种故障类型下信号，构建训练集；

构建长短时记忆网络，用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优，用训练集训练长短时记忆网络；

利用训练好的长短时记忆网络，对输入的信号进行故障征兆提取。

2.根据权利要求1所述的一种航空发电机故障征兆提取方法，其特征在于：采集的信号包括发电机励磁电流信号、发电机三相输出电压、发电机机械振动信号和转轴扭力信号。

3.根据权利要求1所述的一种航空发电机故障征兆提取方法，其特征在于：将采集的信号按预设长度截取成不同的片段，所有片段构成样本集，从样本集中按预设的比例提取样本构成训练集。

4.根据权利要求1所述的一种航空发电机故障征兆提取方法，其特征在于：改进混合蛙跳算法的子群进化规则为：

p'_w＝p_w+d_s(k+1),(-d_max≤d_s(k+1)≤d_max)

其中，d_s(k+1)、d_s(k)分别为第k+1和k次迭代青蛙个体的调整矢量，γ为迭代自适应调节因子，γ_max和γ_min分别为自适应调节因子的最大值和最小值，d_max为每个蛙最大移动距离，r₁(.)、r₂(.)均为0到1之间的随机数，p_w为子群中自适应最差的蛙，p'_w为更新后的子群中自适应最差的蛙，p_b为子群中自适应最优的蛙，p_x为种群中自适应最优的蛙，λ为调整矢量系数，i_nter表示子群的第i_nter次迭代，i_nter∈[1,N]，N为子群迭代次数。

5.根据权利要求1所述的一种航空发电机故障征兆提取方法，其特征在于：在改进混合蛙跳算法的子群进化过程中，响应于子群中自适应最差蛙的调整矢量大于等于预设判定矢量，继续利用子群中自适应最优的蛙对自适应最差蛙进行进化；响应于子群中自适应最差蛙的调整矢量小于预设判定矢量，利用种群中自适应最优的蛙对子群中自适应最差蛙进行进化。

6.根据权利要求1所述的一种航空发电机故障征兆提取方法，其特征在于：在长短时记忆网络训练过程中，利用元学习的自学习能力确定代价函数、学习率和最大迭代次数。

7.一种航空发电机故障征兆提取系统，其特征在于：包括，

训练集构建模块：采集发电机各种故障类型下信号，构建训练集；

训练模块：构建长短时记忆网络，用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优，用训练集训练长短时记忆网络；

识别模块：利用训练好的长短时记忆网络，对输入的信号进行故障征兆提取。

8.根据权利要求7所述的一种航空发电机故障征兆提取系统，其特征在于：训练模块包括改进混合蛙跳算法模块；

改进混合蛙跳算法模块：用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优；

改进混合蛙跳算法的子群进化规则为：

p'_w＝p_w+d_s(k+1),(-d_max≤d_s(k+1)≤d_max)

其中，d_s(k+1)、d_s(k)分别为第k+1和k次迭代青蛙个体的调整矢量，γ为迭代自适应调节因子，γ_max和γ_min分别为自适应调节因子的最大值和最小值，d_max为每个蛙最大移动距离，r₁(.)、r₂(.)均为0到1之间的随机数，p_w为子群中自适应最差的蛙，p'_w为更新后的子群中自适应最差的蛙，p_b为子群中自适应最优的蛙，p_x为种群中自适应最优的蛙，λ为调整矢量系数，i_nter表示子群的第i_nter次迭代，i_nter∈[1,N]，N为子群迭代次数。

9.根据权利要求7所述的一种航空发电机故障征兆提取系统，其特征在于：训练模块包括改进混合蛙跳算法模块；

改进混合蛙跳算法模块：用改进混合蛙跳算法对长短时记忆网络的初始化参数进行寻优；

在改进混合蛙跳算法的子群进化过程中，响应于子群中自适应最差蛙的调整矢量大于等于预设判定矢量，继续利用子群中自适应最优的蛙对自适应最差蛙进行进化；响应于子群中自适应最差蛙的调整矢量小于预设判定矢量，利用种群中自适应最优的蛙p_x对子群中自适应最差蛙p_b进行进化。

10.根据权利要求7所述的一种航空发电机故障征兆提取系统，其特征在于：训练模块包括长短时记忆网络训练模块；

长短时记忆网络训练模块：用训练集训练长短时记忆网络；在长短时记忆网络训练过程中，利用元学习的自学习能力确定代价函数、学习率和最大迭代次数。