CN110285976A - 基于dbn的多维时序信息驱动航空发动机故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于DBN的多维时序信息驱动航空发动机气路故障诊断方法，包括：收集航空发动机ACARS数据；归一化处理，利用小波包变换方法提取参数内时序信息，利用动态时间归整方法提取参数间相关信息；将参数内时序信息与参数间相关信息向量化，转化为一维向量；训练故障诊断模型，故障诊断模型先利用DBN对输入的一维向量进行深度特征提取，再利用SVM基于深度特征提取结果进行故障诊断；利用训练好的故障诊断模型对测试集提取得到的发动机样本特征进行故障识别；统计故障诊断模型的故障识别结果，并进行评价；利用保存的故障诊断模型对航空发动机ACARS数据进行故障识别，得到诊断结果。该方法可以充分利用数据的多维时序信息，有效处理数据高维特征。

Description

基于DBN的多维时序信息驱动航空发动机故障诊断方法

技术领域

本发明涉及航空发动机技术领域，尤其涉及一种基于DBN的多维时序信息驱动航空发动机故障诊断方法。

背景技术

航空发动机作为飞机的核心部件，由于长期工作在高温、高压等恶劣条件下，非常容易发生故障，导致飞机无法正常飞行。所以，有必要进行发动机故障诊断，从而提高发动机安全性、可靠性，延长发动机寿命以及降低航空公司投入的维修费用。目前，很多航空发动机故障检测方法都基于发动机制造商(Original Equipment Manufacturer，OEM)提供的性能参数小偏差数据。航空公司不仅需要向OEM支付高昂的费用来获取性能参数小偏差数据，而且航空公司与OEM之间的合作一旦中断，航空公司将无法有效地进行发动机故障检测，容易导致不安全飞行事件以及巨大经济损失。因此，需要一种数据来替代性能参数小偏差。根据航空公司提供的飞机历史飞行数据，发现飞机通信寻址与报告系统(AircraftCommunications Addressing and Reporting System，ACARS)数据是比较合适的选择。

ACARS数据属于典型的多维时间序列(Multivariate Time Series，MTS)，同时记录了多个发动机参数随时间变化的时序数据。ACARS数据相对于性能参数小偏差数据有以下两个特点：一方面，在每次飞行的巡航过程中，ACARS数据参数较多，而性能参数小偏差数据通常较少；另一方面，ACARS数据中各参数之间相关关系复杂，同时每个参数包含的噪声多，发动机故障模式通常隐藏在多参数的复杂变化中，而性能参数小偏差数据消除了发动机工况变化带来的影响，可以明显地反映发动机运行状态。传统的发动机故障诊断方法在利用ACARS数据进行故障诊断时有以下两个问题：一方面，传统的特征提取方法如主成分分析(Principal Component Analysis，PCA)、线性判别分析(Linear DiscriminantAnalysis，LDA)等难以挖掘航空发动机数据间的深层特征。另一方面，数据内部既包含参数间的相关信息，也包含参数内部随时间变化的信息。目前，传统故障诊断方法仅仅将多维发动机数据向量化，以一维向量作为故障诊断模型的输入，这可能会损失各参数间的相关信息以及参数随时间变化的时序信息，导致模型诊断能力下降，引起误诊、漏诊等现象。

发明内容

本发明的目的是针对上述至少一部分问题，提供一种方法来挖掘航空发动机ACARS数据内部特征并解决多维时序问题。

为了实现上述目的，本发明提供了一种基于DBN的多维时序信息驱动航空发动机气路故障诊断方法，包括如下步骤：

S1、收集航空发动机ACARS数据，构建发动机样本数据集，并进行训练集与测试集的划分；

S2、对所述训练集与所述测试集的数据进行归一化处理，利用小波包变换方法提取发动机样本参数内时序信息，利用动态时间归整方法提取发动机样本参数间相关信息；

S3、将所述参数内时序信息与所述参数间相关信息向量化，转化为一维向量，作为发动机样本特征；

S4、利用所述训练集提取得到的发动机样本特征训练故障诊断模型，所述故障诊断模型先利用深度置信网络对输入的一维向量进行深度特征提取，再利用支持向量机基于深度特征提取结果进行故障诊断；

S5、利用训练好的所述故障诊断模型对所述测试集提取得到的发动机样本特征进行故障识别；

S6、统计所述故障诊断模型的故障识别结果，并进行评价；若评价结果为合格，则保存当前的故障诊断模型，若不合格，则返回步骤S1；

S7、获取航空发动机ACARS数据，利用保存的故障诊断模型进行故障识别，得到诊断结果。

优选地，所述步骤S2中利用小波包变换方法提取发动机样本参数内时序信息时，包括如下步骤：

选取小波基函数ψ(t)和分解层数n；

对输入数据进行小波包分解，得到2ⁿ个小波包系数集；

计算每个小波包系数集的能量并以能量作为输入数据的参数内时序信息。

优选地，所述步骤S2中，利用小波包变换方法提取发动机样本参数内时序信息时，小波基函数ψ(t)为db1、bior1.1或haar小波；分解层数n的范围为2～4。

优选地，所述步骤S2中利用动态时间归整方法提取发动机样本参数间相关信息，包括如下步骤：

以多维时间序列Y∈R^m×n表示输入数据，其中m表示变量个数，n表示每个变量的长度；

随机选择两个变量和其中1≤h≤m，1≤g≤m，且h≠g，利用曼哈顿距离作为距离度量方法，计算变量Q和P中各点之间的距离，得到相应的距离矩阵D∈R^n×n；

利用距离矩阵D构造弯曲路径W＝{w_i},i＝1,2,...k,...,K；

基于弯曲路径W，利用动态规划法求解Q与P之间的最优路径距离，作为输入数据的参数间相关信息。

优选地，所述步骤S4中，所述故障诊断模型基于深度置信网络和支持向量机构成；其中，深度置信网络包括多个受限玻尔兹曼机与一个顶层分类器；支持向量机为非线性支持向量机。

优选地，所述步骤S6中，统计所述故障诊断模型的故障识别结果，利用混淆矩阵与准确率进行评价；

所述混淆矩阵中，以TP表示正常样本分类正确的数量，TN表示故障样本分类正确的数量，FN表示正常样本分类错误的数量，FP表示故障样本分类错误的数量，定义准确率Accuracy为被正确分类的样本数占样本总数的比例，表达式为：

优选地，所述步骤S1中，收集航空发动机ACARS数据包括：飞行高度、风扇指示转速、核心机指示转速、油温、大气总温、排气温度、油温、燃油流量及马赫数。

优选地，所述步骤S1中构建发动机样本数据集时，将每个发动机样本保存为9×T的矩阵，T为正整数，范围为25～35。

本发明还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的基于DBN的多维时序信息驱动航空发动机气路故障诊断方法。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现如上述任一项所述的基于DBN的多维时序信息驱动航空发动机气路故障诊断方法。

本发明的上述技术方案具有如下优点：本发明从多维时间序列信息入手，提出了一种基于DBN的多维时序信息驱动航空发动机气路故障诊断方法，该方法首先采用参数间相关信息与参数内时序信息分开提取的策略，利用小波包变换(Wavelet PacketTransform，WPT)与动态时间归整(Dynamic Time Warping，DTW)方法挖掘各参数随时间变化的信息与参数间的相关信息；然后，将两部分特征组成特征向量输入到深度置信网络(Deep Belief Network，DBN)进行深度特征提取；最后，利用支持向量机(Support VectorMachine，SVM)进行故障诊断。利用该方法基于WPT和DTW方法实现多维时序信息特征提取，并基于DBN和SVM构建航空发动机气路故障诊断模型，避免了传统数据驱动模型在多维时序信息分类中的不足，有效提高了故障诊断性能。

附图说明

图1是本发明实施例中基于DBN的多维时序信息驱动航空发动机气路故障诊断方法流程图；

图2是三层小波包分解树形示意图；

图3是本发明实施例中基于WPT和DTW方法的特征提取流程图；

图4是DBN结构示意图；

图5是本发明实施例中基于DBN的多维时序信息驱动航空发动机气路故障诊断方法框架图；

图6是本发明实施例中ACARS数据构建的二维矩阵示意图；

图7是本发明实施例中不同基小波函数在分解层数分别设置为1时的能量变化图；

图8是本发明实施例中不同基小波函数在分解层数分别设置为2时的能量变化图；

图9是本发明实施例中不同基小波函数在分解层数分别设置为3时的能量变化图；

图10是本发明实施例中不同基小波函数在分解层数分别设置为4时的能量变化图。

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1至图5所示，本发明实施例提供的一种基于DBN的多维时序信息驱动航空发动机气路故障诊断方法，包括如下步骤：

S1、收集航空发动机ACARS数据，构建发动机样本数据集，并进行训练集与测试集的划分；

S2、对所述训练集与所述测试集的数据进行归一化处理，利用小波包变换方法提取发动机样本参数内时序信息，利用动态时间归整方法提取发动机样本参数间相关信息；

S3、将所述参数内时序信息与所述参数间相关信息向量化，转化为一维向量，作为发动机样本特征；

S4、利用所述训练集提取得到的发动机样本特征训练故障诊断模型，所述故障诊断模型先利用深度置信网络对输入的一维向量进行深度特征提取，再利用支持向量机基于深度特征提取结果进行故障诊断；

S5、利用训练好的所述故障诊断模型对所述测试集提取得到的发动机样本特征进行故障识别；

S6、统计所述故障诊断模型的故障识别结果，并进行评价；若评价结果为合格，则保存当前的故障诊断模型，若不合格，则返回步骤S1；

S7、获取航空发动机ACARS数据，利用保存的故障诊断模型进行故障识别，得到诊断结果。

本发明所提供的基于DBN的多维时序信息驱动航空发动机气路故障诊断方法，对于航空发动机ACARS数据，采用时序信息与相关性信息分开提取的策略，利用WPT方法挖掘发动机样本参数随时间的变化情况，利用DTW方法挖掘参数间的相关性特征，并且，该方法还基于DBN和SVM构建航空发动机气路故障诊断模型，避免了传统数据驱动模型在多维时序信息分类中的不足，可有效提高诊断性能。

WPT可以对输入信号进行低频、高频部分的分解，充分利用了信号的内部信息。WPT通过多尺度下的时频变换，得到一组小波包系数，然后基于小波包系数构建特征向量，从而达到对原始信号进行特征提取的目的。小波包变换将输入的时间序列f(t)映射到2n个小波包子空间中，从而实现特征提取。时间序列f(t)经过三层分解得到图2所示的分解树形图，图中A表示高频信号，D表示低频信号，序号1、2、3表示小波包分解层数。

优选地，所述步骤S2中，利用WPT方法提取发动机样本参数内时序信息时，包括如下步骤：

步骤1、选取小波基函数ψ(t)和分解层数n；

步骤2、对输入的时间序列数据f(t)进行小波包分解，得到2ⁿ个小波包系数集。小波包系数集{μ_n(t)}_n∈Z定义如下：

其中，{g_n}_n∈Z为正交小波函数对应的高通滤波器，{h_n}_n∈Z为正交尺度函数对应的低通滤波器；

步骤3、计算每个小波包系数集的能量并以能量作为输入的参数内时序信息。

由于小波包变换是线性变换的一种形式，满足能量守恒定律，那么，将时间序列f(t)进行n层分解会得到2ⁿ个小波包系数集，第i个小波系数集包含m_i个小波系数，可以得到信号分解前后能量守恒公式：

其中，i＝1,2,...,2ⁿ，j＝1,2,...,m_i，第i个小波系数集上的能量表示为：

由此，可以将小波包分解得到的每个小波系数集上的能量作为时间序列f(t)的特征，即f(t)经过n层小波包分解后可以用2ⁿ个能量值来表示。得到的结果可表示为能量向量V1。

DTW方法的核心思想是将某一时间序列进行拉伸或者压缩，直到两个时间序列的长度一致，在这个过程中，被拉伸或者压缩的时间序列的时间轴会发生扭曲、弯转，以便对两个时间序列进行对比分析。借鉴DTW方法可以对两个时间序列进行相似性度量的思想，采用DTW方法计算每个样本参数间的距离，并将其作为参数之间的相关性表示。

优选地，所述步骤S2中利用DTW方法提取发动机样本参数间相关信息，包括如下步骤：

设多维时间序列Y∈R^m×n，其中m表示变量个数，n表示每个变量的长度。

步骤1、随机选择两个变量和其中1≤h≤m，1≤g≤m，且h≠g。利用曼哈顿距离作为DTW的距离度量方法，计算变量Q和P中各点之间的距离D(i,j)，即y^h与y^g之间的距离，得到相应的距离矩阵D∈R^n×n，距离矩阵D∈R^n×n关于矩阵对角线对称且对角线元素全为0，D(i,j)表示与之间的距离。

DTW距离度量方法有曼哈顿距离、欧式距离以及余弦相似度。曼哈顿距离常用来度量一维向量之间的相似度，由于本发明所针对发动机样本数据内部每个参数序列均为一维向量，所以，选择曼哈顿距离作为DTW中距离度量方法，能够取得更优的结果。

步骤2、利用距离矩阵D构造弯曲路径W＝{w_i},i＝1,2,...k,...,K，弯曲路径W满足三个条件：(1)边界条件：w₁＝D(1,1)，w_K＝D(n,n)，即从D的左上角出发，右下角结束；(2)连续性条件：从W任取相邻的两个距离w_k＝D(a,b)与w_k+1＝D(a′,b′)，有a′-a≤1，b′-b≤1，即不可以跨过某一点进行匹配；(3)单调性条件：0≤a′-a与0≤b′-b，即保证W中的点随着时间前向进行。

步骤3、基于弯曲路径W，利用动态规划法求解Q与P之间的最优路径距离，作为输入数据的参数间相关信息。Q与P之间的最优路径就是累加距离最小的路径，优化目标如下式所示。

利用动态规划法对上式进行求解，从而得到如下递推公式：

Γ(i,j)＝D(i,j)+min(Γ(i-1,j-1),Γ(i-1,j),Γ(i,j-1))；

其中，Γ(0,0)＝0，Γ(0,i)＝∞，Γ(i,0)＝∞，DTW(Q,R)＝Γ(n,n)。

对于每个发动机样本，可以利用上述步骤计算数据集中每个样本参数之间的距离，对于m个变量，可以得到m(m-1)/2个距离，作为变量之间的相关信息，即输入发动机样本的参数间相关信息。得到的结果可表示为距离向量V2。

本发明中不对ACARS数据进行向量化，发动机样本以矩阵的形式输入，矩阵中既包含参数间的相关信息，也包含参数随时间的变化情况。当发动机发生故障时，常常表现为参数的突变。参数突变会引起能量的变化，由此，可以利用小波包分解，利用能量值表示参数内部的时序信息；参数突变过程中，参数之间原本的相关性也会发生变化，因此，可以采用动态时间规整方法来进行参数间相关性的度量。步骤S2的主要目的即实现基于WPT的时序信息提取与基于DTW的相关信息挖掘，每个发动机样本基于WPT_DTW方法的多维时序信息特征提取流程如图3所示。

步骤S3中将WPT得到的能量向量V1与DTW得到的距离向量V2结合，转换成一维特征向量V，即将步骤S2中WPT和DTW方法获得的两部分信息整合，输入到后续故障诊断模型。考虑到一维特征向量特征数比较多，同时收集到的故障样本数量相对较少，因此，步骤S4中利用深度学习模型DBN与SVM共同构建故障分类模型，采用DBN实现维度约减，采用SVM进行故障诊断。

DBN模型结构如图4所示，DBN模型包含多个受限玻尔兹曼机(RestrictedBoltzmann Machine,RBM)与一个顶层分类器，分别对应DBN模型训练的两个阶段：无监督训练和有监督微调。无监督训练过程通过逐层训练RBM实现，得到各层RBM的参数；然后通过分类器的有监督微调，将误差反向传播，对模型参数进行修正。

SVM采用结构风险最小化，具有较高的泛化能力，因此，相对与其他机器学习方法，SVM在处理小样本、非线性及高维模式识别中表现出许多特有的优势。SVM分为线性SVM和非线性SVM。本发明采用非线性SVM，因为实际问题中遇到的大多数都是非线性情况，这时需要利用核函数将非线性数据集映射到某个高维特征空间，在高维特征空间中学习线性SVM。

优选地，步骤S6中统计所述故障诊断模型的故障识别结果，利用混淆矩阵与准确率进行评价。混淆矩阵如表1所示，以TP表示正常样本分类正确的数量，TN表示故障样本分类正确的数量，FN表示正常样本分类错误的数量，FP表示故障样本分类错误的数量。

表1混淆矩阵

为便于比较，同时采用诊断准确率作为模型的评价指标，定义准确率Accuracy为被正确分类的样本数占样本总数的比例，表达式为：

步骤S1至步骤S6对应故障诊断模型的训练与评估，如图5所示，在训练完成后且经认定合格后，该故障诊断模型即可保存下来，在步骤S7中用于对获取航空发动机ACARS数据进行诊断，诊断过程与训练过程相似，先利用WPT和DTW方法获取多维时序数据特征，然后利用训练好的故障诊断模型进行故障诊断，在此不再重复说明。

航空公司针对发动机的故障检测主要基于OEM厂家提供的客户通知单(CustomerNotification Report，CNR)。CNR提供了发动机发生故障的原因、诊断依据、故障类型、发生时刻以及指征发动机故障的性能参数数据等详细信息，据此可以确定ACARS数据的标签，用于后续诊断。

优选地，本发明收集航空发动机ACARS数据，构建发动机样本数据集时，包括：

步骤1、结合OEM提供的CNR以及航空公司提供的历史飞行数据进行ACARS数据的筛选、收集；

步骤2：在发动机ACARS数据预处理阶段，采用格拉布斯准则去除数据中存在的粗大误差点，并利用指数平滑方法进行数据平滑以减小随机噪声带来的影响。

优选地，如表2所示，本发明选取了9个具有代表性的飞机巡航过程中收集的ACARS参数：飞行高度、风扇指示转速、核心机指示转速、油温、大气总温、排气温度、油温、燃油流量及马赫数。通过这些参数可实现故障诊断。进一步地，步骤S1中构建发动机样本数据集时，每一个发动机样本可以表示成大小为9×T的矩阵，T为正整数，范围为25～35，优选为30，如图6所示。

表2选取的9个ACARS参数

在WPT方法中，可变参数有2个：WPT模型的基小波函数和分解层数。基小波函数根据能量变化情况进行选择，因为WPT方法是线性变换，变换前后能量应该守恒，如果原始信号f(t)经过小波包分解以后，能量变化量越小，那么小波包系数重构后与原始信号更加相似，即该小波系数越能代表原始信号。能量变化量计算公式如下：

其中，t表示第t个采样点；T表示总的采样次数，即时间序列长度；n表示分解层数；E_i表示第i个小波系数集上的能量。

除了选取基小波函数外，还需要确定小波包分解层数。分解层数越大，提取到的特征可能越明显，但是导致计算量大，耗时比较长。因此，分解层数的选取根据模型耗时以及样本情况进行选取。

考虑到本发明所处理的数据为航空发动机ACARS数据，包括多个参数，且正常样本多，故障样本少，针对本发明选取的9个具有代表参数，选取不重复的100个样本，用Python3.5提供的7类共65个基小波函数(从1开始连续编号)逐一求解其在分解层数分别设置为1，2，3，4时的能量变化。每次求解均进行10次取平均值，结果如图7-图10所示。

通过图7-图10可以发现，随着小波包分解层数的增加，能量差也越来越大，但是，当分解层数分别为1，2，3，4时，小波基函数db1(编号1)、bior1.1(编号40)与haar(编号65)对应的能量差均最小，说明最优小波基函数的选取与分解层数无关。

优选地，步骤S2中，利用小波包变换方法提取发动机样本参数内时序信息时，选取小波基函数ψ(t)为db1、bior1.1或haar小波。其中，db1与haar小波表达式相同。相比于bior1.1，由于haar小波只有O(n)的计算复杂度，而且具有正交性与对称性、计算简单等优点，因此，进一步优选haar小波作为基小波函数。

为了确定分解层数，选取haar小波基函数，统计分解层数为1-6时，模型的耗时情况，如表3所示。

表3不同分解层数对应的耗时情况

通过表3可以得到，随着分解层数的增加，模型耗时也成比例的增加。同时，考虑到样本中每个参数序列采样点数相对较少，分解层数太大时难以重组成原始波形，因此，步骤S2中利用小波包变换方法提取发动机样本参数内时序信息时，优选分解层数n为2～4，进一步优选小波包分解层数为2。

结合上述部分的航空发动机ACARS数据参数选取，本发明提供的方法中，所述故障诊断模型的参数优选设置如下：深度置信网络模型深度为4，输入节点数为72，输出节点数为2，第一个隐藏层节点数为60，第二个隐藏层节点数为30，迭代次数为1500次，DBN学习率为0.001；SVM迭代次数为500次，惩罚系数为1，学习率为0.0001，惩罚函数为L2。

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：

由于不同型号的发动机之间，操作特性存在差异，为了尽可能减小这种差异性，本实施例所有收集到的ACARS数据都来自于CFM56-7B系列的发动机。选取飞机巡航过程中收集的9个ACARS参数如表2所示，共收集到755个样本，其中正常样本707个，故障样本48个，样本分布情况如表4所示。其中，每个样本包含9个参数，每个参数取30个采样点。

表4样本分布情况

为了检验本发明所提供的方法的诊断效果，设置三组对比：第一组将多维时间序列向量化，直接利用DBN_SVM模型进行故障诊断，DBN是将多个RBM和Softmax分类器串联起来的模型，DBN_SVM模型则采用SVM作为分类器；第二组将多维时间序列向量化，利用DBN_Softmax模型直接进行故障诊断，DBN_Softmax模型即采用Softmax分类器；第三组将多维时间序列向量化，利用SVM方法直接进行故障诊断。每个方法计算10次，结果取均值作为模型最终的识别情况，各个模型的分类结果统计于表5。

表5不同分类模型下的分类结果

通过表5可以发现，本发明的方法与DBN_SVM分类模型的准确率均很高，分别为94.78％与93.28％，差别不是很明显，但是，本发明方法对故障样本的分类准确率更高，为75％。

采用本发明方法分类正确的样本总数最多，而且对故障样本分类情况好于DBN_SVM模型，说明ACARS数据经过WPT_DTW特征提取后，不同类别更容易区分。对比DBN_SVM模型与DBN_Softmax模型可以发现，DBN_Softmax模型将所有样本诊断为正常样本，没有分类能力，而DBN_SVM对故障样本有一定的分类能力，说明SVM对小样本数据的分类效果好于Softmax。通过对比DBN_SVM模型与SVM模型发现，经过DBN特征提取后，SVM对ACARS的分类能力有所提高。通过上述对比，可以证明本发明方法可以有效利用ACARS数据的高维特征和样本的多维时序信息，对于高维、多维时序数据有很好的分类能力。

综上所述，针对航空发动机ACARS数据多维时序问题，本发明提出了一种基于DBN的多维时序信息驱动航空发动机气路故障诊断模型，并利用某航空公司CFM56-7B系列的发动机ACARS数据对模型进行验证，利用能量差与训练时间对WPT参数进行选取，利用准确率与混淆矩阵评估本发明所提供方法对发动机ACARS数据的分类能力。本发明所提供方法具有如下优势：

(1)本发明提出的基于DBN的多维时序信息驱动的航空发动机气路故障诊断方法可以充分利用样本的多维时序信息以及有效处理样本的高维特征；

(2)WPT和DTW方法作为核心，将发动机样本内部信息与相关信息分开提取，相较于传统模型，充分利用了样本的隐藏特征；

(3)验证过程中发现，没有经过WPT_DTW特征提取的模型输入数据为270维，而经过特征提取后模型输入数据为72维，说明WPT_DTW在进行特征提取的过程中，还起到了降维的作用。

(4)本发明方法分类准确率最高，而且对故障样本的分类能力最好，可以帮助航空公司及时发现故障，具有实际应用意义。

实施例三

本发明还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的基于DBN的多维时序信息驱动航空发动机气路故障诊断方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过电子设备硬件来完成，电子设备包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，该处理器在执行计算机程序时，可包括如上述各方法的实施例的流程。

实施例四

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施方式中基于DBN的多维时序信息驱动航空发动机气路故障诊断方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

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DBN的多维时序信息驱动航空发动机气路故障诊断方法，其特征在于，包括如下步骤：

S1、收集航空发动机ACARS数据，构建发动机样本数据集，并进行训练集与测试集的划分；

S2、对所述训练集与所述测试集的数据进行归一化处理，利用小波包变换方法提取发动机样本参数内时序信息，利用动态时间归整方法提取发动机样本参数间相关信息；

S3、将所述参数内时序信息与所述参数间相关信息向量化，转化为一维向量，作为发动机样本特征；

S4、利用所述训练集提取得到的发动机样本特征训练故障诊断模型，所述故障诊断模型先利用深度置信网络对输入的一维向量进行深度特征提取，再利用支持向量机基于深度特征提取结果进行故障诊断；

S5、利用训练好的所述故障诊断模型对所述测试集提取得到的发动机样本特征进行故障识别；

S6、统计所述故障诊断模型的故障识别结果，并进行评价；若评价结果为合格，则保存当前的故障诊断模型，若不合格，则返回步骤S1；

S7、获取航空发动机ACARS数据，利用保存的故障诊断模型进行故障识别，得到诊断结果。

2.根据权利要求1所述的故障诊断方法，其特征在于，所述步骤S2中利用小波包变换方法提取发动机样本参数内时序信息时，包括如下步骤：

选取小波基函数ψ(t)和分解层数n；

对输入数据进行小波包分解，得到2ⁿ个小波包系数集；

计算每个小波包系数集的能量并以能量作为输入数据的参数内时序信息。

3.根据权利要求2所述的故障诊断方法，其特征在于：所述步骤S2中，利用小波包变换方法提取发动机样本参数内时序信息时，小波基函数ψ(t)为db1、bior1.1或haar小波；分解层数n的范围为2～4。

4.根据权利要求2所述的故障诊断方法，其特征在于，所述步骤S2中利用动态时间归整方法提取发动机样本参数间相关信息，包括如下步骤：

以多维时间序列Y∈R^m×n表示输入数据，其中m表示变量个数，n表示每个变量的长度；

随机选择两个变量和其中1≤h≤m，1≤g≤m，且h≠g，利用曼哈顿距离作为距离度量方法，计算变量Q和P中各点之间的距离，得到相应的距离矩阵D∈R^n×n；

利用距离矩阵D构造弯曲路径W＝{w_i},i＝1,2,...k,...,K；

基于弯曲路径W，利用动态规划法求解Q与P之间的最优路径距离，作为输入数据的参数间相关信息。

5.根据权利要求4所述的故障诊断方法，其特征在于：所述步骤S4中，所述故障诊断模型基于深度置信网络和支持向量机构成；其中，深度置信网络包括多个受限玻尔兹曼机与一个顶层分类器；支持向量机为非线性支持向量机。

6.根据权利要求5所述的故障诊断方法，其特征在于：所述步骤S6中，统计所述故障诊断模型的故障识别结果，利用混淆矩阵与准确率进行评价；

所述混淆矩阵中，以TP表示正常样本分类正确的数量，TN表示故障样本分类正确的数量，FN表示正常样本分类错误的数量，FP表示故障样本分类错误的数量，定义准确率Accuracy为被正确分类的样本数占样本总数的比例，表达式为：

7.根据权利要求6所述的故障诊断方法，其特征在于：所述步骤S1中，收集航空发动机ACARS数据包括：飞行高度、风扇指示转速、核心机指示转速、油温、大气总温、排气温度、油温、燃油流量及马赫数。

8.根据权利要求7所述的故障诊断方法，其特征在于：所述步骤S1中构建发动机样本数据集时，将每个发动机样本保存为9×T的矩阵，T为正整数，范围为25～35。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的基于DBN的多维时序信息驱动航空发动机气路故障诊断方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能够实现如权利要求1至8中任一项所述的基于DBN的多维时序信息驱动航空发动机气路故障诊断方法。