CN110701087A - 基于单分类超限学习机的轴流压气机气动失稳检测方法 - Google Patents

基于单分类超限学习机的轴流压气机气动失稳检测方法 Download PDF

Info

Publication number
CN110701087A
CN110701087A CN201910911227.4A CN201910911227A CN110701087A CN 110701087 A CN110701087 A CN 110701087A CN 201910911227 A CN201910911227 A CN 201910911227A CN 110701087 A CN110701087 A CN 110701087A
Authority
CN
China
Prior art keywords
data
classification
elm
axial flow
sample
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
CN201910911227.4A
Other languages
English (en)
Inventor
董鑫源
林鹏
曹九稳
戴浩桢
韦吉祥
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.)
Hangzhou Dianzi University
Hangzhou Electronic Science and Technology University
Original Assignee
Hangzhou Electronic Science and Technology University
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 Hangzhou Electronic Science and Technology University filed Critical Hangzhou Electronic Science and Technology University
Priority to CN201910911227.4A priority Critical patent/CN110701087A/zh
Publication of CN110701087A publication Critical patent/CN110701087A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/01—Purpose of the control system
    • F05D2270/10—Purpose of the control system to cope with, or avoid, compressor flow instabilities
    • F05D2270/101—Compressor surge or stall
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于单分类超限学习机的轴流压气机气动失稳检测方法。首先对采集到的动态压力信号，进行去趋势项与平滑处理和滑动窗口法做数据截取；其次选取多个时域统计特征来描述所截取的每段窗口数据，通过自编码器采用ELM算法作为优化算法，对动态压力数据特征进行编码和解码处理，得到描述该工况下压力数据的二次重构特征；将只包含正常工况下的数据特征作为单分类超限学习机的输入，进行模型训练；最后将包含正常和气动失稳工况的测试数据按照时间顺序输入已训练的单分类模型，通过对数据特征的分类，实现对气动失稳的检测。本发明通过计算简单且高效的OC‑ELM进行快速识别分类，准确率高，为轴流压气机的气动失稳检测提供了有效且便利的工具。

Description

基于单分类超限学习机的轴流压气机气动失稳检测方法
技术领域
本发明涉及轴流压气机气动失稳检测方法，具体涉及基于多层单分类超限学习机的轴流压气机气动失稳检测方法。
背景技术
轴流压气机作为航空发动机的核心部件之一，广泛应用于军用和大型民用飞机的动力装置中。当前航空发动机的发展趋势是追求更高的单级压比和更少的级数。单级压比的提高和级数的减少，必然要求压气机叶片负荷越来越高，导致发动机稳定裕度的减少和抗干扰能力的下降，更容易引起流动分离，即气动失稳现象的发生。气动失稳的发生不但使发动机性能(推力、经济性)大为恶化，限制发动机的工作范围，而且更严重的是它们会引起发动机突然熄火，或引起压气机叶片剧烈振动以致叶片断裂而造成整台发动机的损坏。因此，轴流压气机气动失稳检测的研究对提高系统的安全性和可靠性具有重要的研究意义和工程应用价值。
目前，关于轴流压气机气动失稳检测面临诸多挑战。一、轴流压气机从正常转速进入气动失稳状态的数据并没有明确的界限；二、轴流压气机气动失稳状态的异常数据难以获取，且数据量很少，导致正常与异常数据分布不平衡；三、现有的异常检测单分类器针对高维大数据样本时，往往存在表征能力不够，识别率低等问题；四、数据本身存在噪声，噪声对正常数据产生影响，而且和异常数据难以区分。
已知现有的异常检测方法中，基于传统的决策树、支持向量机、最近邻等方法进行异常检测不仅准确率不高，而且面对高维不均衡数据集时，对数据的表征能力不够，导致训练效果差且无法满足实时性的需求。因此，如何在更一般的数据集中通过一种优异的算法获得表征能力强泛化性能好识别率高训练速度快的异常检测模型是一个核心问题。本文采用了一种基于多层自编码器和超限学习机(Extreme Learning Machine，ELM)算法的多层单分类超限学习机来进行轴流压气机气动失稳检测。
ELM是一种简单易用、有效的单隐层前馈神经网络学习算法。它在异常检测分类上有以下几点优势：(1)ELM在输入层和隐藏层之间采用随机权重。我们可以多次训练相同的数据集，这给不同的分类精度不同的输出空间。(2)ELM是一个更简单的前馈神经网络学习算法。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数，这样就会非常容易产生局部最优解。而ELM在确定网络参数的过程中，只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解。因此，ELM学习速度比传统人工神经网络更快且泛化性能更好，可以最快地实现模型的训练和测试。
ELM的输出为
Figure BDA0002214750280000021
其中：βi是隐层节点和输出节点之间的权重，G(ai,bi,x)是隐层输出函数。h(x)＝[G(a1,b1,x),...,G(aL,bL,x)]T是隐层相对于输入x的输出向量。ELM的关键在于最小化训练误差和输出权重范数。
即最小化
Figure BDA0002214750280000022
以及||β||。
ELM算法总结如下：给定训练集{(xi,ti)|xi∈Rn,ti∈Rm,i＝1,2,...N}，隐层节点输出函数g(w,b,x)和隐层节点数L。
(1)随机分配隐层节点的参数(wi,bi)，i＝1,2...,L。
(2)计算隐层输出矩阵Η。
(3)计算隐层节点和输出节点之间的权重β＝H+T。
H+是隐层输出矩阵H的Moore-Penrose广义逆矩阵，可以使用正交投影法、正交化法和奇异值分解等方法计算得到。
发明内容
本发明的目的是针对现有检测算法中存在的问题，提供一种基于单分类超限学习机的轴流压气机气动失稳检测方法，是一种更快更高效的异常检测方法。
本发明的具体技术方案通过如下步骤实现：
步骤1、数据预处理
1-1、去趋势项与平滑处理：采集压气机机匣壁面周向动态压力数据(包含正常和气动失稳两部分工况数据)，采用常规的滑动平均法和五点三次平滑法做去趋势项和平滑处理。
1-2、数据截取：为了便于快速处理和实时检测，采用滑动窗口方法对数据进行截取(选取窗口大小和滑动距离为转子周期T的倍数，1T为64个采样点，滑动距离为32个采样点)。
步骤2、特征选取
2-1、选取时域统计特征：对每个滑动窗口中的数据选取12个时域统计特征。时域统计特征分别为：平均值、均方值、均方根值、方均根值、方差、标准差、峰值、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标。
步骤3、输入训练样本归一化处理：
3-1、将步骤2提取的时域统计特征作为输入训练样本
Figure BDA0002214750280000031
其中
Figure BDA0002214750280000032
表示第i个样本的第α个时域统计特征，α＝12表示时域统计特征个数，
Figure BDA0002214750280000033
作为样本标签，表示其为正常转速样本，训练集只包含正常转速样本，N为总的训练样本数量。
步骤4、样本数据二次特征提取
4-1、归一化后的训练样本
Figure BDA0002214750280000034
即ELM-AE的输入和输出矩阵；
4-2、随机生成隐层输入权值矩阵
Figure BDA0002214750280000035
和正交化偏置向量矩阵
Figure BDA0002214750280000036
将输入数据映射到相同或者不同的数据维度空间：hk＝g(akxα+bk)，(ak)Tak＝I,(bk)Tbk＝1，其中：g()表示激活函数，k＝1,2,...,K为ELM-AE个数；
4-3、求解ELM-AE的输出权值矩阵
设ELM-AE个数为K,输入输出层神经元数量为d,隐含层神经元数量为以及每个隐含层的正则化参数
Figure BDA0002214750280000039
若
Figure BDA00022147502800000310
或即对于稀疏及压缩的特征表达：
Figure BDA0002214750280000041
若
Figure BDA0002214750280000042
即对于等维度的特征映射，βk＝H-1XA,(βk)Tβk＝I,(k＝1,2,...,K)；则
Figure BDA0002214750280000043
表示隐含层输出矩阵，即经过K个ELM-AE提取的特征矩阵。
步骤5、分类学习的输出权重β计算
5-1、经过多层ELM-AE网络得到输出X'＝[x'1,x'2,...,x'N]，输入层神经元数量为d,ELM分类层隐含神经元数量为L以及ELM分类层的正则化参数C；
若
Figure BDA0002214750280000044
若
Figure BDA0002214750280000045
隐藏层输出节点矩阵为且
5-2、得到实际输出
Figure BDA0002214750280000048
步骤6、计算单分类器阈值θ
6-1、计算实际输出Y与样本标签T的误差，
Figure BDA0002214750280000049
6-2、将得到的误差
Figure BDA00022147502800000410
进行从大到小排序,得到
Figure BDA00022147502800000411
其中
Figure BDA00022147502800000412
和
Figure BDA00022147502800000413
分别表示最大和最小的误差距离；
6-3、设置一个阈值参数μ，得到阈值θ＝εfloor(μ·N)；
步骤7、输入测试数据进行测试
7-1、给定一系列测试样本
Figure BDA00022147502800000414
其中
Figure BDA00022147502800000415
表示第i个样本，
Figure BDA0002214750280000051
表示其为正常转速样本，
Figure BDA0002214750280000052
表示其旋转失速样本，P为总共的测试样本数量；
7-2、输入到多层ELM-AE得到每层输出
Figure BDA0002214750280000053
令最后一层ELM-AE输出为Y'＝[y'1,y'2,...,y'N]；
7-3、输入到ELM分类层得到Yβ＝β·Y'，计算实际输出与样本标签T的误差距离
Figure BDA0002214750280000054
7-4、将得到的误差
Figure BDA0002214750280000055
与单分类器阈值θ比较；
Figure BDA0002214750280000056
步骤8、旋转失速时间检测
将包含正常和气动失稳工况下的测试数据集作为训练完成的多层单分类超限学习机模型的输入，设测试输出的第一个为-1的样本标签为
Figure BDA0002214750280000057
P为总测试样本数量。由步骤1的滑动窗口方法得到旋转失速的窗口节点为
Figure BDA0002214750280000058
即为轴流压气机进入旋转失速的时间。
本发明与现有技术相比，具有如下优点和有益效果：
本发明采用的是超限学习机自编码器(ELM-AE)算法进行异常检测数据的特征提取，该算法是一种比普通自编码(AE)算法更为高效的自编码算法，它利用ELM替换原始自编码器进行特征提取的BP梯度下降法，可以快速处理较高维度的输入数据，提取其主要信息，实现对原始数据的特征提取。通过多个ELM-AE神经网络叠加增强了特征提取能力，特别是针对异常检测中的高维不均衡大数据集。最后将提取得到的特征通过ELM单分类器进行检测识别，分类速度快泛化性能更好，满足实时性和处理更一般性数据要求。
本发明相对于基于传统决策树、支持向量机和最近邻的异常检测算法，可以更为快速高效地提取主要信息并降维，再进行识别分类。准确率更高，泛化性能更好。不仅适用于小数据集也同样适用于高维大数据集，具有普适性。对于今后的实际应用具有重要的意义。
本发明测试了轴流压气机实测信号的异常检测效果，具有复杂情况下较强的抗干扰能力和实时性，基于ELM-AE和ELM单分类器相结合的多层单分类超限学习机算法能准确识别轴流压气机从正常工况进入气动失稳的样本数据，确定轴流压气机即将进入气动失稳的时间。
附图说明
图1为本发明实施例中轴流压气机气动失稳检测方法的流程图；
图2为本发明实施例中某一轴流压气机从正常到气动失稳工况下的动态压力数据图；
图3为单隐层前馈神经网络示意图；
图4为ELM-AE网络结构图；
图5为多层单分类超限学习机网络结构图；
图6为多层单分类超限学习机流程示意图；
图7为检测到轴流压气机进入气动失稳的时间点
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本实施例是一种基于单分类超限学习机的轴流压气机气动失稳检测方法。通过采集轴流压气机从正常转速到气动失稳过程的多组动态压力数据，经过预处理之后提取每个窗口数据的时域特征指标，将只包含正常转速的样本数据作为训练集进行模型训练，然后将包含正常转速和旋转失速的样本数据作为测试集，可以快速、准确地检测气动失稳发生的时间。
以下结合图1对本发明的实施方法作进一步说明。
步骤1、数据预处理
1-1、首先在压气机机匣内壁安装动态压力传感器，在2500r/min、2700r/min、2900r/min的转速下获取失稳前和失稳过程的动态压力信号，采样频率为1000HZ，图2显示了采集的原始数据信号。在数据采集过程中，一方面由于传感器频率范围外低频性能的不稳定性以及传感器周围的环境干扰，往往会偏离基线，偏离基线随时间变化的整个过程被称为信号的趋势项，直接影响信号的正确性，常用滑动平均法消除趋势项。另一方面由于不规则的随机干扰信号的频带较宽，有时高频成分所占比例还很大，为了削弱干扰信号的影响，常用五点三次滑动平均法对采样数据做平滑处理。
1-2、经数据处理后的动态压力信号利用滑动窗口实现数据截取，每个窗口长度为一个转子周期包含64个采样点，窗口滑动距离为32个采样点。
步骤2、特征提取
2-1、对步骤2截取的每个窗长数据提取12个时域特征指标，每隔一个旋转周期提取时域统计特征作为输入训练样本。
步骤3、输入训练样本归一化处理：
3-1、对于步骤2提取的时域统计特征作为输入训练样本
Figure BDA0002214750280000071
做标准归一化处理，其中
Figure BDA0002214750280000072
表示第i个样本，α＝12表示时域统计特征个数，
Figure BDA0002214750280000073
作为样本标签表示其为正常转速样本，训练集只包含正常转速样本，N为总的训练样本数量。
步骤4、样本数据二次特征提取
4-1、归一化后的训练样本
Figure BDA0002214750280000074
即ELM-AE的输入和输出矩阵；图3显示了单隐层前馈神经网络的基本结构，也就是ELM算法的框架。图4显示了单个ELM-AE的网络结构，也就是自编码器采用了ELM算法作为优化算法，加快了自编码器的训练速度，增强了泛化能力。
4-2、随机生成隐层输入权值矩阵
Figure BDA0002214750280000081
和正交化偏置向量矩阵
Figure BDA0002214750280000082
将输入数据映射到相同或者不同的数据维度空间：hk＝g(akxα+bk)，(ak)Tak＝I,(bk)Tbk＝1，其中：g()表示激活函数，(k＝1,2,...,K)为ELM-AE个数；
4-3、求解ELM-AE的输出权值矩阵
设ELM-AE个数为K＝3,输入输出层神经元数量为d,隐含层神经元数量为
Figure BDA0002214750280000084
以及每个隐含层的正则化参数取
Figure BDA0002214750280000086
即对于压缩的特征表达，
Figure BDA0002214750280000087
βk＝H-1XA,(βk)Tβk＝I,(k＝1,2,...,K)，其中：
Figure BDA0002214750280000088
表示隐含层输出矩阵，即经过K个ELM-AE提取的特征矩阵。
步骤5、分类学习的输出权重β计算
5-1、图5即为本发明采用方法的网络结构，三层ELM-AE堆叠后再通过一个无隐含层的ELM分类层。
经过多层ELM-AE网络得到输出X'＝[x'1,x'2,...,x'N]，输入层神经元数量为d,ELM分类层隐含神经元数量为L以及ELM分类层的正则化参数C，取
Figure BDA0002214750280000089
隐藏层输出节点矩阵为
Figure BDA00022147502800000810
且
5-2、得到实际输出
Figure BDA00022147502800000812
步骤6、计算单分类器阈值θ
6-1、计算实际输出Y与样本标签T的误差，
Figure BDA0002214750280000091
6-2、将得到的误差
Figure BDA0002214750280000092
进行从大到小排序,得到
Figure BDA0002214750280000093
其中
Figure BDA0002214750280000094
和
Figure BDA0002214750280000095
分别表示最大和最小的误差距离；
6-3、设置一个阈值参数μ，得到阈值为θ＝εfloor(μ·N)；
步骤7、输入测试数据进行测试
7-1、给定一系列测试样本其中
Figure BDA0002214750280000097
表示第i个样本，
Figure BDA0002214750280000098
表示其为正常转速样本，
Figure BDA0002214750280000099
表示其气动失稳样本，P为总共的测试样本数量；
7-2、输入到多层ELM-AE得到每层输出
Figure BDA00022147502800000910
令最后一层ELM-AE输出为Y'＝[y'1,y'2,...,y'N]；
7-3、输入到ELM分类层得到Yβ＝β·Y'，计算实际输出与样本标签T的误差距离
Figure BDA00022147502800000911
7-4、将得到的误差距离与单分类器阈值θ比较；
Figure BDA00022147502800000913
步骤8、检测时间
如图6所示，首先取训练数据(仅正常时域特征数据集)输入到多层ELM-AE进行二次特征提取，再通过ELM分类层(无隐含层)进行分类输出实际结果，根据得到的实际输出与样本标签的误差排序，通过阈值参数确定阈值。之后将待测试的样本输入训练好的异常检测模型，得到测试数据实际输出和样本标签的误差，大于阈值的归为异常类，小于等于阈值的为正常类。图7显示了由多层随机神经网络检测到的第一个为-1的异常类样本标签为
Figure BDA00022147502800000914
P为总测试样本数量，由滑动窗口方法得到气动失稳的窗口节点
Figure BDA0002214750280000101
即为轴流压气机即将进入气动失稳的时间。
通过实施例的实验结果可以看出，本发明能直观、有效地判断出即将进入气动失稳的时间。本发明的识别结果可以作为轴流压气机发生气动失稳检测，为提前采取主动控制，避免事故的恶化提供重要参考。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.基于单分类超限学习机的轴流压气机气动失稳检测方法，其特征在于对采集的动态压力信号预处理之后，利用滑动窗口方法实现数据截取，从每个窗口数据提取多个时域统计特征；将正常工况下压力数据的时域统计特征经过多层ELM-AE自编码器编码和解码处理，得到二次重构的特征；将重构的特征作为ELM最后一层的输入，获得ELM的实际输出；通过实际输出与正常类标签的误差，设置最优阈值参数来区分正常和异常数据；最后将包含正常和气动失稳工况下的测试样本数据作为该多层单分类超限学习机的输入，实现对轴流压气机气动失稳检测。
2.根据权利要求1所述的基于单分类超限学习机的轴流压气机气动失稳检测方法，其特征在于具体包含如下步骤：
步骤1、数据预处理：
步骤2、选取时域统计特征：对每个滑动窗口中的数据选取12个时域统计特征；
步骤3、输入训练样本归一化处理；
步骤4、样本数据二次特征提取；
步骤5、计算分类学习的输出权重β；
步骤6、计算单分类器阈值θ
步骤7、输入测试数据进行测试；
步骤8、旋转失速时间检测。
3.根据权利要求1或2所述的基于单分类超限学习机的轴流压气机气动失稳检测方法，其特征在于步骤1具体实现如下：
1-1、去趋势项与平滑处理：采集压气机机匣壁面周向动态压力数据，采用常规的滑动平均法和五点三次平滑法做去趋势项和平滑处理；动态压力数据包含正常和气动失稳两部分工况数据；
1-2、数据截取：采用滑动窗口方法对数据进行截取，选取窗口大小和滑动距离为转子周期T的倍数，1T为64个采样点，滑动距离为32个采样点。
4.根据权利要求3所述的基于单分类超限学习机的轴流压气机气动失稳检测方法，其特征在于步骤2所选取的时域统计特征为：平均值、均方值、均方根值、方均根值、方差、标准差、峰值、波形指标、峰值指标、脉冲指标、裕度指标、峭度指标。
5.根据权利要求4所述的基于单分类超限学习机的轴流压气机气动失稳检测方法，其特征在于步骤步骤3所述的输入训练样本归一化处理,具体实现如下：
3-1.将步骤2提取的时域统计特征作为输入训练样本：
Figure FDA0002214750270000021
其中
Figure FDA0002214750270000022
表示第i个样本的第α个时域统计特征，α＝12表示时域统计特征个数，
Figure FDA0002214750270000023
作为样本标签，表示其为正常转速样本，训练集只包含正常转速样本，N为总的训练样本数量。
6.根据权利要求5所述的基于单分类超限学习机的轴流压气机气动失稳检测方法，其特征在于步骤4所述的样本数据二次特征提取，具体实现步骤如下：
4-1、归一化后的训练样本
Figure FDA0002214750270000024
即ELM-AE的输入和输出矩阵；
4-2、随机生成隐层输入权值矩阵
Figure FDA0002214750270000025
和正交化偏置向量矩阵
Figure FDA0002214750270000026
将输入数据映射到相同或者不同的数据维度空间：hk＝g(akxα+bk)，(ak)Tak＝I,(bk)Tbk＝1，其中：g()表示激活函数，k＝1,2,...,K为ELM-AE个数；
4-3、求解ELM-AE的输出权值矩阵
Figure FDA0002214750270000027
设ELM-AE个数为K,输入输出层神经元数量为d,隐含层神经元数量为
Figure FDA0002214750270000028
以及每个隐含层的正则化参数
Figure FDA0002214750270000029
若
Figure FDA00022147502700000210
或
Figure FDA00022147502700000211
即对于稀疏或压缩的特征表达，
Figure FDA00022147502700000212
若
Figure FDA00022147502700000213
即对于等维度的特征映射，βk＝H-1XA,(βk)Tβk＝I,k＝1,2,...,K；其中：
Figure FDA00022147502700000214
表示隐含层输出矩阵，即经过K个ELM-AE提取的特征矩阵。
7.根据权利要求6所述的基于单分类超限学习机的轴流压气机气动失稳检测方法，其特征在于步骤5所述的计算分类学习的输出权重β，具体实现如下：
5-1、经过多层ELM-AE系统得到输出X'＝[x′1,x′2,...,x′N]，输入层神经元数量为d,ELM分类层隐含神经元数量为L以及ELM分类层的正则化参数C；
若
Figure FDA0002214750270000031
若
Figure FDA0002214750270000032
隐藏层输出节点矩阵为
Figure FDA0002214750270000033
且
Figure FDA0002214750270000034
5-2、得到实际输出
8.根据权利要求7所述的基于单分类超限学习机的轴流压气机气动失稳检测方法，其特征在于步骤6所述的计算单分类器阈值θ，具体实现如下：
6-1、计算实际输出Y与样本标签T的误差，
Figure FDA0002214750270000036
6-2、将得到的误差
Figure FDA0002214750270000037
从大到小排序,得到
Figure FDA0002214750270000038
其中
Figure FDA0002214750270000039
和分别表示最大和最小的误差距离；
6-3、设置一个阈值参数μ，得到阈值为θ＝εfloor(μ·N)。
9.根据权利要求8所述的基于单分类超限学习机的轴流压气机气动失稳检测方法，其特征在于步骤7所述的输入测试数据进行测试，具体实现如下：
7-1、给定一系列测试样本
Figure FDA00022147502700000311
其中
Figure FDA00022147502700000312
表示第i个样本，
Figure FDA0002214750270000041
表示其为正常转速样本，
Figure FDA0002214750270000042
表示其旋转失速样本，P为总的测试样本数量；
7-2、输入到多层ELM-AE得到每层输出令最后一层ELM-AE输出为Y'＝[y′1,y′2,...,y′N]；
7-3、输入到ELM分类层得到Yβ＝β·Y'，计算实际输出与样本标签T的误差
Figure FDA0002214750270000044
7-4、将得到的误差
Figure FDA0002214750270000045
与单分类器阈值θ比较：
Figure FDA0002214750270000046
10.根据权利要求9所述的基于单分类超限学习机的轴流压气机气动失稳检测方法，其特征在于步骤8所述的旋转失速时间检测具体实现如下：
将包含正常和气动失稳工况下的测试数据集输入已经训练完成的多层单分类超限学习机，设输出的第一个为-1的样本标签为
Figure FDA0002214750270000047
P为总测试样本数量；由步骤1的滑动窗口方法得到气动失稳的窗口节点为
Figure FDA0002214750270000048
即为轴流压气机气动失稳的检测时间。
CN201910911227.4A 2019-09-25 2019-09-25 基于单分类超限学习机的轴流压气机气动失稳检测方法 Pending CN110701087A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910911227.4A CN110701087A (zh) 2019-09-25 2019-09-25 基于单分类超限学习机的轴流压气机气动失稳检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910911227.4A CN110701087A (zh) 2019-09-25 2019-09-25 基于单分类超限学习机的轴流压气机气动失稳检测方法

Publications (1)

Publication Number Publication Date
CN110701087A true CN110701087A (zh) 2020-01-17

Family

ID=69197200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910911227.4A Pending CN110701087A (zh) 2019-09-25 2019-09-25 基于单分类超限学习机的轴流压气机气动失稳检测方法

Country Status (1)

Country Link
CN (1) CN110701087A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112393860A (zh) * 2020-12-09 2021-02-23 杭州拓深科技有限公司 一种基于类内距离约束自编码器的消防管网漏水监测方法
CN112614298A (zh) * 2020-12-09 2021-04-06 杭州拓深科技有限公司 一种基于类内交互约束分层单分类的复合烟感监测方法
CN113568819A (zh) * 2021-01-31 2021-10-29 腾讯科技（深圳）有限公司 异常数据检测方法、装置、计算机可读介质及电子设备
WO2023115598A1 (zh) * 2021-12-22 2023-06-29 大连理工大学 一种基于生成式对抗网络的平面叶栅定常流动预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105716857A (zh) * 2016-01-20 2016-06-29 中国人民解放军军械工程学院 一种行星齿轮箱健康状态评估方法
CN106682688A (zh) * 2016-12-16 2017-05-17 华南理工大学 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
CN109858509A (zh) * 2018-11-05 2019-06-07 杭州电子科技大学 基于多层随机神经网络单分类器异常检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105716857A (zh) * 2016-01-20 2016-06-29 中国人民解放军军械工程学院 一种行星齿轮箱健康状态评估方法
CN106682688A (zh) * 2016-12-16 2017-05-17 华南理工大学 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法
CN109858509A (zh) * 2018-11-05 2019-06-07 杭州电子科技大学 基于多层随机神经网络单分类器异常检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钟明等: "风扇/压气机失稳辨识系统设计与验证", 《燃气涡轮试验与研究》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112393860A (zh) * 2020-12-09 2021-02-23 杭州拓深科技有限公司 一种基于类内距离约束自编码器的消防管网漏水监测方法
CN112614298A (zh) * 2020-12-09 2021-04-06 杭州拓深科技有限公司 一种基于类内交互约束分层单分类的复合烟感监测方法
CN112393860B (zh) * 2020-12-09 2022-12-20 杭州拓深科技有限公司 一种基于类内距离约束自编码器的消防管网漏水监测方法
CN113568819A (zh) * 2021-01-31 2021-10-29 腾讯科技（深圳）有限公司 异常数据检测方法、装置、计算机可读介质及电子设备
CN113568819B (zh) * 2021-01-31 2024-04-16 腾讯科技（深圳）有限公司 异常数据检测方法、装置、计算机可读介质及电子设备
WO2023115598A1 (zh) * 2021-12-22 2023-06-29 大连理工大学 一种基于生成式对抗网络的平面叶栅定常流动预测方法

Similar Documents

Publication Publication Date Title
CN110701087A (zh) 基于单分类超限学习机的轴流压气机气动失稳检测方法
CN109582003B (zh) 基于伪标签半监督核局部费舍尔判别分析轴承故障诊断方法
CN110132598B (zh) 旋转设备滚动轴承故障噪声诊断算法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN108709745B (zh) 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法
Yin et al. Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis
WO2023123593A1 (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN111238843B (zh) 一种基于快速谱峭度分析的风机健康评价方法
CN112200244B (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
CN109297713B (zh) 基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法
CN110516305B (zh) 基于注意机制元学习模型的小样本下故障智能诊断方法
CN110500217B (zh) 基于可测数据特征的柴油机共轨系统油泵故障检测方法
CN111680875B (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
CN108509701B (zh) 一种基于振动信号的旋转机械故障直接智能诊断方法
CN109241849B (zh) 面向智能电厂汽轮机主机的特征分解选择与故障诊断方法
CN112070104A (zh) 主变压器局部放电识别方法
CN112393934A (zh) 基于稀疏自编码与极限学习机的风电机组故障诊断方法
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN114169377A (zh) 基于g-mscnn的有噪环境中滚动轴承故障诊断方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
Gao et al. An approach to intelligent fault diagnosis of cryocooler using time-frequency image and CNN
CN114487129A (zh) 基于声发射技术的柔性材料的损伤识别方法
Yu et al. Rolling bearing fault feature extraction and diagnosis method based on MODWPT and DBN

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

Application publication date: 20200117

RJ01 Rejection of invention patent application after publication