CN111159820A - 一种基于差分模糊自适应共振网络的发动机喘振诊断方法 - Google Patents
一种基于差分模糊自适应共振网络的发动机喘振诊断方法 Download PDFInfo
- Publication number
- CN111159820A CN111159820A CN202010005635.6A CN202010005635A CN111159820A CN 111159820 A CN111159820 A CN 111159820A CN 202010005635 A CN202010005635 A CN 202010005635A CN 111159820 A CN111159820 A CN 111159820A
- Authority
- CN
- China
- Prior art keywords
- data
- engine
- surge
- data set
- parameter
- 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
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
-
- 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
- F04D27/02—Surge control
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本发明公开了一种基于差分模糊自适应共振网络的发动机喘振诊断方法,包括:实时采集当前发动机部件参数数据,并将数据输入到训练好的模糊自适应共振网络中,进而得出输出结果,结合所述输出结果实现对发动机故障部件的定义及原因分析;其中,训练所述模糊自适应共振网络的具体步骤包括:S1:收集数据;S2:整理数据;S3:训练网络;S4:定义输出。本发明利用发动机历史状态参数数据对网络进行训练,并在实时监测过程中,根据发动机的实时状态参数数据,来不断训练网络,达到在线学习效果,并且实现发动机状态的精细划分。
Description
技术领域
本发明涉及故障诊断技术领域,更具体的说是涉及一种基于差分模糊自适应共振网络的发动机喘振诊断方法。
背景技术
发动机性能及其当前工作状态直接影响整个飞机的运行情况。航空发动机喘振故障是影响其性能和安全的主要因素之一,严重时直接导致发动机的损毁,对飞机安全构成巨大威胁,因此对喘振故障的诊断显得尤为重要,我们需要了解喘振故障发生时,发动机的哪个部件的哪些参数表现异常,也即是故障原因分析。
发动机在运行过程中,由于进气口的大气环境(温度和高度)以及流场变化(气流畸变指数)或者发动机设计中导流叶片角度、叶顶间隙的不合理都可能导致发动机发生喘振;当发动机累积运行时间过长,部件呈现一定退化态(腐蚀、积垢、磨损、性能退化),引起发动机本身参数的变化(流通能力降低、效率降低、截面变小、损耗增减),亦容易发生喘振,喘振发生时,由于不同的部件异常所引起的发动机喘振特征参数(压气机进出口温度、压气机进出口压力、压气机转速、燃油流量、喷口温度等)也会有不同的变化趋势,因此喘振故障发生时,识别故障原因是很有必要的且有迹可循。
传统的发动机喘振故障定位方法主要表现在:一方面,基于模型的故障诊断方法,通过建立发动机非线性模型进行故障模拟,并通过算法实时对发动机的流量和效率变化量进行监测实现对个别部件的诊断及定位,该方法的缺点在于缺乏对发动机整体状态的把控;另一方面,基于数据驱动的故障诊断方法,通过收集多维历史故障数据信息,对数据进行处理后,采用非线性模型(卡尔曼滤波模型、支持向量机等)或神经网络(深度置信网络、径向基神经网络等)对故障部件进行定位,然而该类方法依赖于对历史数据信息的学习,而在实际监测发动机状态信息时,不能跟随当前状态更新网络,因此准确度依旧不高。
因此,提供一种能够根据发动机的实时状态参数数据来不断训练网络的基于差分模糊自适应共振网络的发动机喘振诊断方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于差分模糊自适应共振网络的发动机喘振诊断方法,能够更加准确地对发动机喘振原因进行分析和诊断。
为了实现上述目的,本发明采用如下技术方案:
一种基于差分模糊自适应共振网络的发动机喘振诊断方法,包括:
实时采集当前发动机部件参数数据,并将数据输入到训练好的模糊自适应共振网络中,进而得出输出结果,结合所述输出结果实现对发动机故障部件的定位及原因分析;
其中,训练所述模糊自适应共振网络的具体步骤包括:
S1:收集数据:收集发动机部件参数数据,引入差分运算,计算每个参数的隶属度;
S2:整理数据:将所述参数数据整理成模糊自适应共振网络能处理的形式,作为训练数据集;
S3:训练网络:将所述训练数据集输入所述模糊自适应共振网络中,对所述模糊自适应共振网络进行训练,直至网络输出模式满足分类需求;
S4:定义输出:构建标记数据集,并将所述标记数据集输入所述模糊自适应共振网络中,对输出模式进行定义。
优选的,S1的具体内容包括:
S11:构建发动机模型:选定发动机型号,并通过仿真软件进行发动机模型的构建,根据所述发动机型号所对应的各个部件的参数信息建立模型,主要部件包括:进气道、压气机、燃烧室、涡轮、喷管;
S12:仿真试验:进行逼喘试验,获取发动机部件的喘振过程中的参数信息,所述参数信息包括:压气机进出口压力、压气机进出口温度、燃烧室进口温度、涡轮进出口温度、涡轮进出口压力、喷管压力和温度;
S13:完成收集数据:在喘振周期的时间范围内,设置数据采集周期,按照所述数据采集周期进行数据的收集,将隶属度引入网络的输入层L0层;
所述隶属度的具体引入方法如下:
引入差分运算,在每一次所述逼喘试验中采集喘振及喘振发生前一采集时刻的参数数据,计算参数数据在喘振发生时刻的变化;
计算每个参数数据的变化率,取绝对值后求和,每个参数的隶属度则为该参数变化率占总和的比例;
将隶属度分配完毕后部署到模糊自适应共振网络的所述输入层L0层。
优选的,S2的具体内容包括:
将所采集到的参数数据组成参数数据组,所述参数数据组中的每个参数的数值均为浮点型,由所述参数数据组组成所述训练数据集;
所述参数数据组的形式为:压气机进出口压力、压气机进出口温度、燃烧室进口温度、涡轮进出口温度、涡轮进出口压力、喷管压力、喷管温度。
优选的,S3的具体内容包括:
S31:将所述训练数据集输入至所述输入层L0,所述输入层L0根据参数数据的隶属度对所述训练数据集进行计算得到初步的模糊数据集,并进行归一化处理提交到竞争层L1;
S32:竞争层L1结合来自输入层L0的归一化后的训练数据集I和来自类别表示层L2的权值向量W进行输入数据集检查和警戒性测试;
其中输入数据集检查通过判断函数进行,计算判断函数FAj,比较判断函数,并选取相应的输出模式作为获胜类型;
警戒性测试通过警戒函数进行,将FMj与警戒参数ρ进行比较,根据比较大小来判断警戒性测试是否通过;
S33:通过警戒性测试的获胜类型进行权值匹配值更新,并激活表示层L2神经元,并参与下一次输入数据集检查和警戒性测试;
未通过警戒性测试的获胜类型则使表示层L2神经元无效,若表示层L2中还有其他神经元则进一步参与输入数据集检查和警戒性测试警戒性测试,若表示层L2中不存在其他神经元,则在表示层L2中建立新的神经元,参与下一次输入数据集检查和警戒性测试。
优选的,所述判断函数FAj的具体计算方法为:
所述警戒性测试FMj的具体计算方法为:
所述权值匹配更新的具体计算方法为:
其中,I表示输入信号的向量集合,Wj为权值,M为输入向量维数,α为加权因子,Wj1为各通道权值,初始化为1;β表示学习因子,ρ表示警戒参数,β和ρ均属于(0,1)区间。
优选的,S4的具体内容为:
S41:再次进行发动机逼喘仿真试验,按照S2中数据收集方法进行数据收集,所收集的数据集为具有明显喘振特征的数据组以及正常运行状态的数据组;
S42:数据收集完成后,根据引起喘振的异常参数类型,为数据集进行不同类型的标记,标记完成后,依次将数据集输入至训练后的模糊自适应共振网络中,观察所输入数据集的输出分布情况;
S43:根据不同类型标记的数据集的输出分布,定义网络的输出模式。
优选的,S43的具体内容为:
将按照发动机运行状态正常进行标记的数据集集中分布的输出模式定义为正常状态的输出;
将按照大气环境参数异常进行标记的数据集集中分布的输出模式定义为大气环境引起喘振的输出,其中大气环境参数包括:飞行高度、大气温度、气流畸变指数;
将按照油门所控制的燃油流量异常进行标记的数据集集中分布的输出模式定义为燃油流量异常引起喘振的输出;
将按照压气机质量流量异常进行标记的数据集集中分布的输出模式定义为质量流量异常引起喘振的输出。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于差分模糊自适应共振网络的发动机喘振诊断方法,可以实现实时监测发动机并进行发动机喘振故障原因分析的效果,本发明利用发动机历史状态参数数据对网络进行训练,并在实时监测过程中,根据发动机的实时状态参数数据,来不断训练网络,达到在线学习效果,并且实现发动机状态的精细划分。
本发明中所采用的模糊自适应共振网络可以实现对发动机状态的实时分类,考虑到故障部件的定位问题,在进行网络训练的时候,将输出模式划分为正常模式以及其他由于不同部件的不同种类参数异常导致喘振故障的其他模式,从而实现发动机喘振故障识别。这样在监测过程中能够更加准确的对当前所输的发动机性能参数数据进行状态分类,达到良好的喘振故障定位效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种基于差分模糊自适应共振网络的发动机喘振诊断方法中训练模糊自适应共振网络的具体步骤流程图;
图2附图为本发明实施例提供的一种基于差分模糊自适应共振网络的发动机喘振诊断方法的具体步骤流程图。
图3附图为本发明实施例提供的一种基于差分模糊自适应共振网络的发动机喘振诊断方法中“S3:训练网络”的具体步骤流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
本发明实施例公开了一种基于差分模糊自适应共振网络的发动机喘振诊断方法,包括:
实时采集当前发动机部件参数数据,并将数据输入到训练好的模糊自适应共振网络中,进而得出输出结果,结合输出结果实现对发动机故障部件的定位及原因分析;
其中,如图1所示,训练模糊自适应共振网络的具体步骤包括:
S1:收集数据:收集发动机部件参数数据,引入差分运算,计算每个参数的隶属度;
S2:整理数据:将参数数据整理成模糊自适应共振网络能处理的形式,作为训练数据集;
S3:训练网络:将训练数据集输入模糊自适应共振网络中,对模糊自适应共振网络进行训练,直至网络输出模式满足分类需求;
S4:定义输出:构建标记数据集,并将标记数据集输入模糊自适应共振网络中,对输出模式进行定义。
如图2所示,为了进一步实施上述技术方案,S1的具体内容包括:
S11:构建发动机模型:选定发动机型号,并选取性能良好的仿真软件进行发动机模型的构建,在一种实施方式中,选取发动机型号为JT9D,在MATLAB中构建发动机整体模型,根据该发动机型号对应的各个部件的参数信息建立模型,主要部件包括:进气道、压气机、燃烧室、涡轮、喷管。
S12:仿真试验:改变进气道所接触的大气环境参数如飞行高度、飞行马赫数、大气温度、气流畸变指数等完成发动机喘振复现进行逼喘试验,过程中获取发动机部件的参数信息,包括:压气机进出口压力、压气机进出口温度、燃烧室进口温度、涡轮进出口温度、涡轮进出口压力以及喷管压力和温度。
上述过程为改变大气环境中某一环境参数的逼喘试验,以后的逼喘试验则分别通过改变大气环境中的其他参数以及通过改变其他部件参数:油门阀所控制的燃油流量、压气机质量流量进行多次逼喘,则可产生后续训练网络所需的原始数据。
需要说明的是:不同类型的喘振试验的次数要相同,计算变化率时,多次试验取平均值。
S13:完成收集数据:在喘振周期的时间范围内,数据采集周期为1次/秒,所采集数据类型为:压气机进出口压力、压气机进出口温度、燃烧室进口温度、涡轮进出口温度、涡轮进出口压力以及喷管压力和温度,为保证所训练的网络具有更好的分类识别性能,选用数据集为1000组,将隶属度引入网络的输入层L0层;
所述隶属度的具体引入方法如下:
引入差分运算,在每一次所述逼喘试验中采集喘振及喘振发生前一采集时刻的参数数据,计算参数数据在喘振发生时刻的变化;
计算每个参数数据的变化率,取绝对值后求和,每个参数的隶属度则为该参数变化率占总和的比例;其中将每个参数的变化率表示为如a、b、c、d……,a、b、c、d……属于0到1之间,对每个变化率取绝对值并求和,每个参数的隶属度则表示为A=a/(a+b+c+d)…
将隶属度分配完毕后部署到模糊自适应共振网络的输入层L0层。
需要说明的是:
将隶属度引入网络的输入层L0层加快网络的分类识别过程,能更准确的进行分类。
将参数的变化率作为隶属度计算的依据,当喘振发生时,参数数据的变化率大,则相应分配较大的隶属度,参数数据的变化率较小,则相应分配较小的隶属度;
为了进一步实施上述技术方案,S2的具体内容包括:
将参数数据整理成模糊自适应共振网络能处理的形式,作为训练数据集”。其具体做法如下:模糊自适应共振网络具有无监督学习能力,故参数数据只需包含多次逼喘试验中所收集的不同部件参数变化引发喘振的发动机部件参数数据组,数据组的形式为:[压气机进、出口压力、压气机进、出口温度、燃烧室进口温度、涡轮进、出口温度、涡轮进、出口压力、喷管压力、喷管温度],每个参数的数值均为浮点型。
为了进一步实施上述技术方案,如图3所示:
S3的具体内容包括:
S31:将训练数据集输入至输入层L0,输入层L0根据参数数据的隶属度对训练数据集进行计算得到初步的模糊数据集,并进行归一化处理提交到竞争层L1;
S32:竞争层L1结合来自输入层L0的归一化后的训练数据集I和来自类别表示层L2的权值向量W进行输入数据集检查和警戒性测试;
其中输入数据集检查通过判断函数进行,计算判断函数FAj,比较判断函数,并选取相应的输出模式作为获胜类型;
具体地,通过对每个输出模式对应的反馈权值及对应的输入数据集按照判断函数求值,获得最大的最近的反馈权值,其对应的输出模式为获胜类型,使对应的输出模式同时成为获胜类型;
警戒性测试通过警戒函数进行,将FMj与警戒参数ρ进行比较,根据比较大小来判断警戒性测试是否通过;
具体地,当FMj>ρ时,表示获胜类型与当前输入数据集之间的相似度通过了警戒性测试,获胜类型对应的输出模式为当前输入数据集的输出模式类型,否则未通过警戒性测试。
S33:通过警戒性测试的获胜类型进行权值匹配值更新,并激活表示层L2神经元,并参与下一次输入数据集检查和警戒性测试;
未通过警戒性测试的获胜类型则使表示层L2神经元无效,若表示层L2中还有其他神经元则进一步参与输入数据集检查和警戒性测试,若表示层L2中不存在其他神经元,则在表示层L2中建立新的神经元,参与下一次输入数据集检查和警戒性测试。
为了进一步实施上述技术方案,判断函数FAj的具体计算方法为:
警戒性测试FMj的具体计算方法为:
权值匹配更新的具体计算方法为:
其中,I表示输入信号的向量集合,Wj为权值,M为输入向量维数,α为加权因子,Wj1为各通道权值,初始化为1;β表示学习因子,ρ表示警戒参数,β和ρ均属于(0,1)区间。
需要进一步说明的是:
本实施例采用模糊自适应共振理论神经网络进行数据训练,将输入数据模糊化,经过共振网络的多路选择求最优的逻辑算法,输出与输入数据集具有最大相似度类别的输出层节点,完成对输入数据集的快速分类。
在模糊自适应共振网络结构分为三层,分为输入层L0、竞争层L1和类别表示层L2。在本方案中,将数据集输入至神经网络中,不断调整警戒参数,使输出模式的种类的数量与预期数量一致。
为了进一步实施上述技术方案,S4的具体内容为:
S41:再次进行发动机逼喘仿真试验,按照S2中数据收集方法进行数据收集,所收集的数据集为具有明显喘振特征的数据组以及正常运行状态的数据组,数量为500组;
S42:数据收集完成后,根据引起喘振的异常参数类型,为数据集进行不同类型的标记,标记完成后,依次将数据集输入至训练后的模糊自适应共振网络中,观察所输入数据集的输出分布情况;
S43:根据不同类型标记的数据集的输出分布,定义网络的输出模式。
为了进一步实施上述技术方案,S43的具体内容为:
将按照发动机运行状态正常进行标记的数据集集中分布的输出模式定义为正常状态的输出;
将按照大气环境参数异常进行标记的数据集集中分布的输出模式定义为大气环境引起喘振的输出,其中大气环境参数包括:飞行高度、大气温度、气流畸变指数;
将按照油门所控制的燃油流量异常进行标记的数据集集中分布的输出模式定义为燃油流量异常引起喘振的输出;
将按照压气机质量流量异常进行标记的数据集集中分布的输出模式定义为质量流量异常引起喘振的输出。
在本实施例中:
设定步骤3所训练好的输出模式为4类,分别标为0,1,2,3,但该4类输出模式所代表的具体含义未知,这时,将收集到的正常运行状态的数据组和带有明显喘振特征的数据组按照不同参数类型(大气环境参数、燃油流量、压气机质量流量)导致的喘振的数据集分别标记为红色、绿色、紫色、蓝色等,输入到训练好的网络中,根据输入数据集的分布情况,为0,1,2,3定义标签。
若在0输出模式中,标记为红色的数据集占比最大,则记0输出模式为正常状态输出模式;若在0输出模式中,标记为绿色的数据集占比最大,则记0输出模式为大气环境参数异常导致喘振的输出模式;若在0输出模式中,标记为紫色的数据集占比最大,则记0输出模式为燃油流量导致喘振的输出模式;若在0输出模式中,标记为蓝色的数据集占比最大,则记0输出模式为压气机质量流量导致喘振的输出模式;以此类推,完成0,1,2,3输出模式的定义。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于差分模糊自适应共振网络的发动机喘振诊断方法,其特征在于,包括:
实时采集当前发动机部件参数数据,并将数据输入到训练好的模糊自适应共振网络中,进而得出输出结果,结合所述输出结果实现对发动机故障部件的定位及原因分析;
其中,训练所述模糊自适应共振网络的具体步骤包括:
S1:收集数据:收集发动机部件参数数据,引入差分运算,计算每个参数的隶属度;
S2:整理数据:将所述参数数据整理成模糊自适应共振网络能处理的形式,作为训练数据集;
S3:训练网络:将所述训练数据集输入所述模糊自适应共振网络中,对所述模糊自适应共振网络进行训练,直至网络输出模式满足分类需求;
S4:定义输出:构建标记数据集,并将所述标记数据集输入所述模糊自适应共振网络中,对输出模式进行定义。
2.根据权利要求1所述的一种基于差分模糊自适应共振网络的发动机喘振诊断方法,其特征在于,S1的具体内容包括:
S11:构建发动机模型:选定发动机型号,并通过仿真软件进行发动机模型的构建,根据所述发动机型号所对应的各个部件的参数信息建立模型,主要部件包括:进气道、压气机、燃烧室、涡轮、喷管;
S12:仿真试验:通过所述发动机模型仿真进行一次以上的逼喘试验,获取发动机部件的喘振过程中的参数信息,所述参数信息包括:压气机进出口压力、压气机进出口温度、燃烧室进口温度、涡轮进出口温度、涡轮进出口压力、喷管压力和温度;
S13:完成收集数据:在喘振周期的时间范围内,设置数据采集周期,按照所述数据采集周期进行数据的收集,将隶属度引入网络的输入层L0层;
所述隶属度的具体引入方法如下:
引入差分运算,在每一次所述逼喘试验中采集喘振及喘振发生前一采集时刻的参数数据,计算参数数据在喘振发生时刻的变化;
计算每个参数数据的变化率,取绝对值后求和,每个参数的隶属度则为该参数变化率占总和的比例;
将隶属度分配完毕后部署到模糊自适应共振网络的所述输入层L0层。
3.根据权利要求2所述的一种基于差分模糊自适应共振网络的发动机喘振诊断方法,其特征在于,S2的具体内容包括:
将所采集到的参数数据组成参数数据组,所述参数数据组中的每个参数的数值均为浮点型,由所述参数数据组组成所述训练数据集;
所述参数数据组的形式为:压气机进出口压力、压气机进出口温度、燃烧室进口温度、涡轮进出口温度、涡轮进出口压力、喷管压力、喷管温度。
4.根据权利要求3所述的一种基于差分模糊自适应共振网络的发动机喘振诊断方法,其特征在于,S3的具体内容包括:
S31:将所述训练数据集输入至所述输入层L0,所述输入层L0根据参数数据的隶属度对所述训练数据集进行计算得到初步的模糊数据集,并进行归一化处理提交到竞争层L1;
S32:竞争层L1结合来自输入层L0的归一化后的训练数据集I和来自类别表示层L2的权值向量W进行输入数据集检查和警戒性测试;
其中输入数据集检查通过判断函数进行,计算判断函数FAj,比较判断函数,并选取相应的输出模式作为获胜类型;
警戒性测试通过警戒函数进行,计算警戒函数FMj,将FMj与警戒参数ρ进行比较,根据比较大小来判断警戒性测试是否通过;
S33:通过警戒性测试的获胜类型进行权值匹配值更新,并激活表示层L2神经元,并参与下一次输入数据集检查和警戒性测试;
未通过警戒性测试的获胜类型则使表示层L2神经元无效,若表示层L2中还有其他神经元则进一步参与输入数据集检查和警戒性测试,若表示层L2中不存在其他神经元,则在表示层L2中建立新的神经元,参与下一次输入数据集检查和警戒性测试。
6.根据权利要求4所述的一种基于差分模糊自适应共振网络的发动机喘振诊断方法,其特征在于,S4的具体内容为:
S41:再次进行发动机逼喘仿真试验,按照S2中数据收集方法进行数据收集,所收集的数据集为具有明显喘振特征的数据组以及正常运行状态的数据组;
S42:数据收集完成后,根据引起喘振的异常参数类型,为数据集进行不同类型的标记,标记完成后,依次将数据集输入至训练后的模糊自适应共振网络中,观察所输入数据集的输出分布情况;
S43:根据不同类型标记的数据集的输出分布,定义网络的输出模式。
7.根据权利要求6所述的一种基于差分模糊自适应共振网络的发动机喘振诊断方法,其特征在于,S43的具体内容为:
将按照发动机运行状态正常进行标记的数据集集中分布的输出模式定义为正常状态的输出;
将按照大气环境参数异常进行标记的数据集集中分布的输出模式定义为大气环境引起喘振的输出,其中大气环境参数包括:飞行高度、大气温度、气流畸变指数;
将按照油门所控制的燃油流量异常进行标记的数据集集中分布的输出模式定义为燃油流量异常引起喘振的输出;
将按照压气机质量流量异常进行标记的数据集集中分布的输出模式定义为质量流量异常引起喘振的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005635.6A CN111159820A (zh) | 2020-01-03 | 2020-01-03 | 一种基于差分模糊自适应共振网络的发动机喘振诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005635.6A CN111159820A (zh) | 2020-01-03 | 2020-01-03 | 一种基于差分模糊自适应共振网络的发动机喘振诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111159820A true CN111159820A (zh) | 2020-05-15 |
Family
ID=70561109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010005635.6A Pending CN111159820A (zh) | 2020-01-03 | 2020-01-03 | 一种基于差分模糊自适应共振网络的发动机喘振诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159820A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033036A (zh) * | 2021-02-04 | 2021-06-25 | 中国船级社 | 一种基于参数驱动的泵组机械故障自动模拟方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6301572B1 (en) * | 1998-12-02 | 2001-10-09 | Lockheed Martin Corporation | Neural network based analysis system for vibration analysis and condition monitoring |
US20140003710A1 (en) * | 2012-06-29 | 2014-01-02 | Behavioral Recognition Systems, Inc. | Unsupervised learning of feature anomalies for a video surveillance system |
CN106468751A (zh) * | 2016-09-29 | 2017-03-01 | 河海大学 | 一种基于模糊自适应共振神经网络的变压器绕组状态识别方法 |
CN110119518A (zh) * | 2018-02-06 | 2019-08-13 | 洛阳中科晶上智能装备科技有限公司 | 一种采用神经网络模型诊断发动机故障原因的方法 |
CN110516391A (zh) * | 2019-09-02 | 2019-11-29 | 南京航空航天大学 | 一种基于神经网络的航空发动机动态模型建模方法 |
-
2020
- 2020-01-03 CN CN202010005635.6A patent/CN111159820A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6301572B1 (en) * | 1998-12-02 | 2001-10-09 | Lockheed Martin Corporation | Neural network based analysis system for vibration analysis and condition monitoring |
US20140003710A1 (en) * | 2012-06-29 | 2014-01-02 | Behavioral Recognition Systems, Inc. | Unsupervised learning of feature anomalies for a video surveillance system |
CN106468751A (zh) * | 2016-09-29 | 2017-03-01 | 河海大学 | 一种基于模糊自适应共振神经网络的变压器绕组状态识别方法 |
CN110119518A (zh) * | 2018-02-06 | 2019-08-13 | 洛阳中科晶上智能装备科技有限公司 | 一种采用神经网络模型诊断发动机故障原因的方法 |
CN110516391A (zh) * | 2019-09-02 | 2019-11-29 | 南京航空航天大学 | 一种基于神经网络的航空发动机动态模型建模方法 |
Non-Patent Citations (5)
Title |
---|
G.I. SAINZPALMERO 等: ""Fault detection and fuzzy rule extraction in AC motors by a neuro-fuzzy ART-based system"", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》 * |
侯胜利 等: ""发动机喘振故障检测的神经网络免疫识别模型"", 《振动与冲击》 * |
冯晓芳 等: ""基于直觉模糊理论的模糊神经网络设计"", 《科技资讯》 * |
廖弘毅: ""基于SVD变换和模糊推理的汽轮机故障诊断专家系统研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》 * |
陈进: "《人机交互仿真的生产单元换线决策专家系统设计与应用》", 31 October 2018, 成都:西南交通大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033036A (zh) * | 2021-02-04 | 2021-06-25 | 中国船级社 | 一种基于参数驱动的泵组机械故障自动模拟方法及装置 |
CN113033036B (zh) * | 2021-02-04 | 2023-10-13 | 中国船级社 | 一种基于参数驱动的泵组机械故障自动模拟方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111175054B (zh) | 一种基于数据驱动的航空发动机故障诊断方法 | |
CN106503746B (zh) | 一种基于性能偏移量的航空发动机故障诊断方法 | |
CN111351668B (zh) | 基于优化粒子群算法和神经网络的柴油机故障诊断方法 | |
CN111160457B (zh) | 基于软一类极限学习机的涡轴发动机故障检测方法 | |
CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
Balin et al. | A hierarchical structure for ship diesel engine trouble-shooting problem using fuzzy AHP and fuzzy VIKOR hybrid methods | |
CN111159820A (zh) | 一种基于差分模糊自适应共振网络的发动机喘振诊断方法 | |
CN112231971A (zh) | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 | |
CN110826587B (zh) | 基于改进的加权一类支持向量机的涡轴发动机故障检测方法 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN115688609A (zh) | 一种用于航空发动机的智能推力预测及实时预警方法 | |
US20220364478A1 (en) | Training of machine learning models for data-driven decision-making | |
Demirel et al. | Application of fuzzy analytic hierarchy proses for error detection of auxilary systems of ship main diesel engines | |
CN113010981B (zh) | 一种飞机发动机低压引气活门的维修决策方法 | |
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 | |
Wang et al. | A novel scheme for intelligent fault diagnosis of marine diesel engine using the multi-information fusion technology | |
Yao et al. | A novel gas path fault diagnostic model for gas turbine based on explainable convolutional neural network with LIME method | |
Vladov et al. | Modified Neural Network Method for Diagnostics the Helicopters Turboshaft Engines Operational Status at Flight Modes | |
CN113551904A (zh) | 基于层次机器学习的齿轮箱多类型并发故障诊断方法 | |
CN112733872A (zh) | 基于动态半径支持向量数据描述的航空发动机故障检测方法 | |
CN113361558B (zh) | 基于ihpso-kmsvdd的航空发动机故障检测方法 | |
Zhong et al. | Research on fusion diagnosis method of thermal fault of marine diesel engine | |
CN115114977A (zh) | 基于领域对抗神经网络的发动机气路故障诊断方法 | |
Vladov et al. | Neural Network Method for Helicopters Turboshaft Engines Dynamic Efficiency Monitoring | |
CN117421665A (zh) | 一种考虑运行工况的两阶段航空发动机气路故障诊断方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220421 Address after: 100083 No. 37, Haidian District, Beijing, Xueyuan Road Applicant after: BEIHANG University Applicant after: China Aviation Launch Control System Research Institute Address before: 100083 No. 37, Haidian District, Beijing, Xueyuan Road Applicant before: BEIHANG University |
|
TA01 | Transfer of patent application right |