CN111175054A - 一种基于数据驱动的航空发动机故障诊断方法 - Google Patents

一种基于数据驱动的航空发动机故障诊断方法 Download PDF

Info

Publication number
CN111175054A
CN111175054A CN202010017901.7A CN202010017901A CN111175054A CN 111175054 A CN111175054 A CN 111175054A CN 202010017901 A CN202010017901 A CN 202010017901A CN 111175054 A CN111175054 A CN 111175054A
Authority
CN
China
Prior art keywords
fault diagnosis
data
diagnosis model
training
neural network
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.)
Granted
Application number
CN202010017901.7A
Other languages
English (en)
Other versions
CN111175054B (zh
Inventor
崔建国
李国庆
崔霄
蒋丽英
于明月
刘利秋
赵雪莹
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.)
Shenyang Aerospace University
Original Assignee
Shenyang Aerospace 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 Shenyang Aerospace University filed Critical Shenyang Aerospace University
Priority to CN202010017901.7A priority Critical patent/CN111175054B/zh
Publication of CN111175054A publication Critical patent/CN111175054A/zh
Application granted granted Critical
Publication of CN111175054B publication Critical patent/CN111175054B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明提供一种基于数据驱动的航空发动机故障诊断方法，涉及航空发动机故障诊断技术领域。本发明的方法为将获取的数据样本集分为训练样本集和测试样本集；建立初始深度自编码神经网络；并对其进行预训练,得到深度自编码神经网络；根据深度自编码神经网络建立故障诊断模型；对故障诊断模型进行训练并微调，得到基于深度自编网络的航空发动机故障诊断模型，并将测试样本集输入到基于深度自编网络的航空发动机故障诊断模型中输出航空发动机的工作状态，其中故障诊断模型输出[1 0]则表示为健康状态，输出[0 1]则表示为故障状态。本方法可以更加快速、有效地诊断出航空发动机的故障，较大提高发动机的故障诊断准确率，提高工作效率。

Description

一种基于数据驱动的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故障诊断技术领域，尤其涉及一种基于数据驱动的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主要动力装置，是一个极其复杂的系统，其长期工作在恶劣的高空环境中，属于典型的故障易发系统。航空发动机的健康状态会直接或间接对飞行器飞行安全产生严重影响。由于复杂的内部结构和多变的外部工作环境，航空发动机采集的监测数据具有非线性和高维特性等特征，很难被传统的故障诊断技术准确有效地挖掘和识别。深度学习的不断发展为故障诊断技术提供了新的解决方案。深度学习网络是通过构建多层神经网络，逐层学习和提取数据特征，最终实现对数据复杂特征信息的挖掘。目前，深度学习理论已成功应用于图像识别和语音处理等领域。传统航空发动机故障诊断方法多采用浅层故障诊断模型，在模型训练时，浅层的故障诊断模型无法解决数据量日益增大的故障诊断问题，模型的故障诊断能力明显不足。深层网络结构能够随着网络层数的增加，可以提取复杂数据的本质特征，从而解决了浅层故障诊断模型所遇到的问题。然而，在建立传统的深层故障诊断模型时，随着隐含层数目的增加，会导致整个网络的参数确定困难，反向误差传递的效果会随着传递的层数增加，传递效果越来越差，训练速度慢。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于数据驱动的航空发动机故障诊断方法，本方法可以快速、有效地对航空发动机的故障状态进行诊断检查。
为解决上述技术问题，本发明所采取的技术方案是：
本发明提供一种基于数据驱动的航空发动机故障诊断方法，包括如下步骤：
步骤1：根据航空发动机采集的监测数据构造初始数据样本集，对初始样本集内的参数数据进行归一化处理，形成数据样本集；
步骤2：构建训练样本集和测试样本集；将数据样本集分为训练集和测试集，其中训练样本集包括预训练数据样本集和微调数据样本集；预训练数据样本集包括有标签预训练数据样本和无标签预训练数据样本，所述微调数据样本集和测试样本集内数据均为有标签的数据样本；
步骤3：建立初始深度自编码神经网络；设置隐含层层数为N，各隐含层神经元个数为M，将初始深度自编码神经网络的各层参数初始化为随机数值；所述初始深度自编码神经网络内包括N个自编码器；
步骤4：对初始深度自编码神经网络进行预训练,确定深度自编码神经网络；使用无标签的预训练数据样本集，通过对各稀疏自编码器的训练，完成对深度自编码神经网络的预训练，确定深度自编码网络各层之间连接参数值，得到深度自编码神经网络；
步骤5：建立基于深度自编码神经网络的故障诊断模型；建立具有两个神经元节点的Softmax分类器，该分类器输出[1 0]表示为健康状态，输出[0 1]表示为故障状态；将深度自编码神经网络的输出值直接输入给Softmax分类器，Softmax分类器的输出即为故障诊断模型的输出，得到基于深度自编码神经网络的故障诊断模型；
步骤6：对基于深度自编码神经网络的故障诊断模型进行训练并微调，确定深度自编码网络诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型；
步骤7：将测试样本集输入到基于深度自编网络的航空发动机故障诊断模型中，得到航空发动机的工作状态，其中故障诊断模型输出[1 0]则表示为健康状态，故障诊断模型输出[0 1]则表示为故障状态。
所述步骤1中所述监测数据包括低压转子转速、涡轮落压比、压气机可调叶片角度、低压涡轮后排气压力、低压涡轮后燃气温度、高压转子转速、滑油回油温度、滑油压差、机匣振动、进口空气总温、高压压气机出口空气压力、高压压气机进口空气总温、喷口喉部直径、加力内涵燃油流量计量活门位移、加力外涵燃油流量计量活门位移、增压泵出口燃油温度、滑油液位、舱压参数数据。
所述步骤1中归一化处理公式如下所示：
X′＝(X-Xmin)/(Xmax-Xmin)
其中X′代表X归一化后数据，X为输入样本数据，Xmin为输入样本数据中各参数的最小值，Xmax为输入样本数据中各参数的最大值。
所述步骤2中所述的训练样本集和测试样本集内都包括正常状态监测数据和故障状态监测数据。
所述步骤6还包括如下步骤：
步骤6.1：对基于深度自编码神经网络故障诊断模型进行训练；将预训练数据样本集中有标签的数据样本输入至基于深度自编码神经网络的故障诊断模型中，将有标签的数据样本作为基于深度自编码神经网络的故障诊断模型的输入，将数据对应的标签作为基于深度自编码神经网络的故障诊断模型的输出，对故障诊断模型进行训练，初步确定模型中的参数，得到初始故障诊断模型；
步骤6.2：对初始故障诊断模型中的参数进行微调，最终确定初始故障诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型。
所述步骤步骤6.2具体包括如下步骤：
步骤6.2.1：将微调数据样本集输入至初始故障诊断模型中，得到诊断模型的输出值；利用如下误差函数公式计算输出值与标签之间的误差J(w,b)：
Figure BDA0002359604350000031
其中，y为输出目标值，hw,b(x)为输出层的实际输出值，w为网络中的连接权值，b为网络中的偏置值；
步骤6.2.2：分别计算误差函数对所有层各神经元的偏导数；
步骤6.2.3：对相邻的两层网络，利用后一层各神经元偏导数和前一层各神经元的输出值对该两个神经元之间的参数值进行修正；修正公式如下：
Figure BDA0002359604350000032
其中，θ为网络参数，θ(l+1)为第l+1次迭代更新后的参数，θ(l)为第l次迭代更新后的参数，J(l)(θ)为误差函数，η为学习率；
步骤6.2.4：在初始故障诊断模型的所有参数修正之后，得到修正后的诊断模型；采用步骤6.2.1中的误差函数公式，重新计算此次修正所得的故障诊断模型的全局误差；
步骤6.2.5：判断上述修正所得的故障诊断模型的误差是否小于设定的阈值T或训练次数是否超过设定的最大迭代次数L；若不满足要求，则返回步骤6.2.1，进行迭代计算；若满足要求，则故障诊断初始模型微调结束，此时得到的故障诊断模型即为基于深度自编网络的航空发动机故障诊断最终模型。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于数据驱动的航空发动机故障诊断方法，本方法采用深度自编码网络对航空发动机进行故障诊断，相较于传统的航空发动机故障诊断方法，本方法克服了多隐含层神经网络参数训练困难、训练速度慢等缺点，同时解决了局部收敛和梯度消失等问题。因此与传统的故障诊断方法相比，可以更加快速、有效地诊断出航空发动机的故障，可以较大提高发动机的故障诊断准确率。深度自编码网络能够提高工程现场无标签样本的利用率，具有很好的可扩展性。同时深度自编码网络可以将神经网络模块化，提高工作效率。
附图说明
图1为本发明实施例提供的方法流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本实施例的方法如下所述。
本发明提供一种基于数据驱动的航空发动机故障诊断方法，包括如下步骤：
步骤1：根据航空发动机采集的监测数据构造初始数据样本集，对初始样本集相关参数数据进行归一化处理，形成数据样本集；所述监测数据包括低压转子转速、涡轮落压比、压气机可调叶片角度、低压涡轮后排气压力、低压涡轮后燃气温度、高压转子转速、滑油回油温度、滑油压差、机匣振动、进口空气总温、高压压气机出口空气压力、高压压气机进口空气总温、喷口喉部直径、加力内涵燃油流量计量活门位移、加力外涵燃油流量计量活门位移、增压泵出口燃油温度、滑油液位、舱压参数等数据；
归一化处理公式如下所示：
X′＝(X-Xmin)/(Xmax-Xmin)
其中X′代表X归一化后数据，X为输入样本数据，Xmin为输入样本数据中各参数的最小值，Xmax为输入样本数据中各参数的最大值；
本实施例中使用某型航空发动机采集的监测数据，通过该型号发动机的理论学习对众多监测参数进行分析，选取能够较好反应发动机状态的参数作为故障诊断模型输入项的输入，如：滑油压差、滑油回油温度、高压转子转速、油门杆位置、低压转子转速、涡轮落压比等18个参数。根据选择的数据，将航空发动机划分为健康和故障两种工作状态，用标签“[1 0]”表示健康状态，标签“[0 1]”表示故障状态。
步骤2：构建训练样本集和测试样本集；将数据样本集分为训练集和测试集，其中训练样本集包括预训练数据样本集和微调数据样本集；所述的预训练数据样本集包括有标签预训练数据样本和无标签预训练数据样本，微调数据样本集和测试样本集内数据均为有标签的数据样本；所述的训练样本集和测试样本集内都包括正常状态监测数据和故障状态监测数据。
本实施例中在网络模型的预训练阶段采用无标签数据，其中包含正常数据和故障类或近似故障类数据；网络微调阶段采用少量的含有标签的数据。
步骤3：建立初始深度自编码神经网络；设置隐含层层数为N，各隐含层神经元个数为M，将初始深度自编码神经网络的各层参数初始化为随机数值；所述初始深度自编码神经网络内包括N个自编码器；具体步骤如下：
步骤3.1：第一个稀疏自编码器的构建。在创建的深度自编码神经网络中，将输入层与第一个隐含层作为第一个稀疏自编码器的输入层与隐含层，同时第一个稀疏自编码器的输出层与其输入层规模相同，构建并初始化第一个稀疏自编码器；
步骤3.2：第二个稀疏自编码器的构建。在创建的深度自编码神经网络中，将第一个隐含层与第二个隐含层作为第二个稀疏自编码器的输入层与隐含层，同时第二个稀疏自编码器的输出层与其输入层规模相同，构建并初始化第二个稀疏自编码器；
步骤3.3：第N个稀疏自编码器的构建，依次类推，可构建并初始化N个稀疏自编码器。
本实施例中初始深度自编码神经网络的输入层神经元个数为18，隐含层为2层，各隐含层中的神经元个数均设为100，输出层神经元个数为2。最大迭代次数设定为400，学习速率设为0.01，稀疏性参数为0.1，权重衰减系数为0.002，稀疏惩罚项权重为3；
步骤4：对初始深度自编码神经网络进行预训练,确定深度自编码神经网络。使用无标签的预训练数据样本集，通过对各稀疏自编码器的训练，完成对深度自编码神经网络的预训练，确定深度自编码网络各层之间连接参数值，得到深度自编码神经网络；通过对各自编码器的训练，实现对深度自编码神经网络的预训练，具体步骤如下：
步骤4.1：第一个稀疏自编码器的训练。将无标签的预训练数据样本集输入第一个稀疏自编码器中，稀疏自编码器输出层的目标值等于输入层的输入值，训练第一个稀疏自编码器；
步骤4.2：第二个稀疏自编码器的训练。将训练后第一个稀疏自编码器的隐含层输出值作为第二个稀疏自编码器输入层的输入值，第二个稀疏自编码器输出层的目标值等于该稀疏自编码器输入层的输入值，训练第二个稀疏自编码器；
步骤4.3：第N个稀疏自编码器的训练；依次类推，可完成N个稀疏自编码器的训练；
通过对N个稀疏自编码器的训练，确定深度自编码网络各层之间连接参数的初值，得到深度自编码神经网络，深度自编码神经网络的输出即为深度自编码神经网络输入样本数据的特征；
本实施例中，对创建的深度自编码神经网络进行预训练时，选取训练样本集中的400组预训练数据样本，其中320组为无标签数据(含有健康数据与故障数据，其中健康数据和故障数据比例为4:1)，80组为有标签数据(含有健康数据与故障数据，其中健康数据和故障数据比例为1:1)。采用以上无标签数据320组，对创建的各稀疏自编码器进行训练，完成对深度自编码神经网络的预训练，确定深度自编码网络各层之间连接参数值，得到预训练后的深度自编码神经网络。
步骤5：建立基于深度自编码神经网络的故障诊断模型；建立具有两个神经元节点的Softmax分类器，该分类器输出[1 0]表示为健康状态，输出[0 1]表示为故障状态；将深度自编码神经网络的输出值直接输入给Softmax分类器，完成基于深度自编码神经网络故障诊断模型的创建，此时，Softmax分类器的输出即为故障诊断模型的输出，得到基于深度自编码神经网络的故障诊断模型；
本方法中，网络的输出层选择了Softmax分类器，其输出结果为不同条件下的概率值。即输出层神经元的输出值范围为[0,1]，且和等于1。通过输出层不同神经元输出值之间的比较，将输出值最大的神经元节点记为1，其余记为0。
步骤6：对基于深度自编码神经网络的故障诊断模型进行训练并微调，确定深度自编码网络诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断；将有标签训练集作为基于深度自编码神经网络的故障诊断模型的输入，将数据对应的标签作为基于深度自编码神经网络的故障诊断模型的输出层，根据误差反向传播算法对深度自编码神经网络模型进行训练，得到基于深度自编网络的航空发动机故障诊断的最终模型；
步骤6.1：对基于深度自编码神经网络故障诊断模型进行训练；将预训练数据样本集中有标签的数据样本输入至基于深度自编码神经网络的故障诊断模型中，将有标签的数据样本作为基于深度自编码神经网络的故障诊断模型的输入，将数据对应的标签作为基于深度自编码神经网络的故障诊断模型的输出，对故障诊断模型进行训练，初步确定模型中的参数，得到初始故障诊断模型；
本实施方式中从400组预训练数据样本中选取含有标签的80组数据样本(其中健康数据为40组，故障数据为40组)对深度自编网络航空发动机故障诊断模型进行训练。
步骤6.2：对初始故障诊断模型中的参数进行微调，最终确定初始故障诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型；
本实施方式中选取训练样本集中的另外200组微调数据样本(其中包含健康数据样本150组，故障数据样本50组)，对训练后的故障诊断模型进行参数微调，确定深度自编码网络故障诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型。
所述步骤步骤6.2具体包括如下步骤：
步骤6.2.1：将微调数据样本集输入至初始故障诊断模型中，得到诊断模型的输出值；利用如下误差函数公式计算输出值与标签之间的误差J(w,b)：
Figure BDA0002359604350000061
其中，y为输出目标值，hw,b(x)为输出层的实际输出值，w为网络中的连接权值，b为网络中的偏置值；
步骤6.2.2：分别计算误差函数对所有层各神经元的偏导数；
步骤6.2.3：对相邻的两层网络，利用后一层各神经元偏导数和前一层各神经元的输出值对该两个神经元之间的参数值进行修正；修正公式如下：
Figure BDA0002359604350000071
其中，θ为网络参数，θ(l+1)为第l+1次迭代更新后的参数，θ(l)为第l次迭代更新后的参数，J(l)(θ)为误差函数，η为学习率；
步骤6.2.4：在初始故障诊断模型的所有参数修正之后，得到修正后的诊断模型；采用步骤6.2.1中的误差函数公式，重新计算此次修正所得的故障诊断模型的全局误差；
步骤6.2.5：判断上述修正所得的故障诊断模型的误差是否小于设定的阈值T或训练次数是否超过设定的最大迭代次数L；若不满足要求，则返回步骤6.2.1，进行迭代计算；若满足要求，则故障诊断初始模型微调结束，此时得到的故障诊断模型即为基于深度自编网络的航空发动机故障诊断最终模型；
对深度自编码神经网络模型进行调整；将监测数据作为深度自编码神经网络模型的输入层，将监测数据对应的标签作为深度自编码神经网络模型的输出层，根据BP算法(误差反向传播算法)对深度自编码神经网络模型进行训练，得到基于深度自编网络的航空发动机故障诊断模型；
根据所提出的方法在预训练的基础上对参数进行了进一步微调，从而可以更加有效地提取和学习数据样本的信息特征，进而可以克服局部收敛和梯度消失等问题，因此与传统的故障诊断方法相比，可以较大提高发动机的故障诊断准确率。
步骤7：获取测试集中的任一待测监测数据，将该数据作为基于深度自编网络的航空发动机故障诊断模型的输入，得到航空发动机的工作状态，其中故障诊断模型输出[1 0]则表示为健康状态，故障诊断模型输出[0 1]则表示为故障状态。
本实施例中选取测试数据样本200组，其中包含健康数据样本100组，故障数据样本100组。将测试数据样本输入基于深度自编网络的航空发动机故障诊断模型中，得到航空发动机的工作状态，其中故障诊断模型输出[1 0]则表示为健康状态，故障诊断模型输出[01]则表示为故障状态。得到测试数据样本的故障诊断准确率为98％。
本发明将深度学习的优势应用于航空发动机的故障诊断领域，创建了基于深度自编码神经网络的航空发动机故障诊断模型，为进一步检验模型的诊断效果，在使用相同数据集的前提下，采用了其他几种常用的故障诊断方法对航空发动机进行故障诊断；
表1不同方法的故障诊断结果
序号 故障诊断模型 诊断准确率
1 基于深度自编网络的航空发动机故障诊断模型 98％
2 BP 80％
3 GRNN 85％
4 RBF 84％
5 LSSVM 88％
如表1所示，研究表明，预训练深度自编码神经网络对于网络模型的创建十分重要，采用增加预训练样本集的容量，可以得到更精准的发动机故障诊断模型。本发明提出的基于深度自编码网络的航空发动机故障诊断方法较其他经典神经网络故障诊断方法具有更高的准确性，在航空发动机故障诊断领域具有很高的应用和推广价值。
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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部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权利要求所限定的范围。

Claims (6)

1.一种基于数据驱动的航空发动机故障诊断方法，其特征在于：包括如下步骤：
步骤1：根据航空发动机采集的监测数据构造初始数据样本集，对初始样本集内的参数数据进行归一化处理，形成数据样本集；
步骤2：构建训练样本集和测试样本集；将数据样本集分为训练集和测试集，其中训练样本集包括预训练数据样本集和微调数据样本集；预训练数据样本集包括有标签预训练数据样本和无标签预训练数据样本，所述微调数据样本集和测试样本集内数据均为有标签的数据样本；
步骤3：建立初始深度自编码神经网络；设置隐含层层数为N，各隐含层神经元个数为M，将初始深度自编码神经网络的各层参数初始化为随机数值；所述初始深度自编码神经网络内包括N个自编码器；
步骤4：对初始深度自编码神经网络进行预训练,确定深度自编码神经网络；使用无标签的预训练数据样本集，通过对各稀疏自编码器的训练，完成对深度自编码神经网络的预训练，确定深度自编码网络各层之间连接参数值，得到深度自编码神经网络；
步骤5：建立基于深度自编码神经网络的故障诊断模型；建立具有两个神经元节点的Softmax分类器，该分类器输出[1 0]表示为健康状态，输出[0 1]表示为故障状态；将深度自编码神经网络的输出值直接输入给Softmax分类器，Softmax分类器的输出即为故障诊断模型的输出，得到基于深度自编码神经网络的故障诊断模型；
步骤6：对基于深度自编码神经网络的故障诊断模型进行训练并微调，确定深度自编码网络诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型；
步骤7：将测试样本集输入到基于深度自编网络的航空发动机故障诊断模型中，得到航空发动机的工作状态，其中故障诊断模型输出[1 0]则表示为健康状态，故障诊断模型输出[0 1]则表示为故障状态。
2.根据权利要求1所述的一种基于数据驱动的航空发动机故障诊断方法，其特征在于：所述步骤1中所述监测数据包括低压转子转速、涡轮落压比、压气机可调叶片角度、低压涡轮后排气压力、低压涡轮后燃气温度、高压转子转速、滑油回油温度、滑油压差、机匣振动、进口空气总温、高压压气机出口空气压力、高压压气机进口空气总温、喷口喉部直径、加力内涵燃油流量计量活门位移、加力外涵燃油流量计量活门位移、增压泵出口燃油温度、滑油液位、舱压参数数据。
3.根据权利要求1所述的一种基于数据驱动的航空发动机故障诊断方法，其特征在于：所述步骤1中归一化处理公式如下所示：
X′＝(X-Xmin)/(Xmax-Xmin)
其中X′代表X归一化后数据，X为输入样本数据，Xmin为输入样本数据中各参数的最小值，Xmax为输入样本数据中各参数的最大值。
4.根据权利要求1所述的一种基于数据驱动的航空发动机故障诊断方法，其特征在于：所述步骤2中所述的训练样本集和测试样本集内都包括正常状态监测数据和故障状态监测数据。
5.根据权利要求1所述的一种基于数据驱动的航空发动机故障诊断方法，其特征在于：所述步骤6还包括如下步骤：
步骤6.1：对基于深度自编码神经网络故障诊断模型进行训练；将预训练数据样本集中有标签的数据样本输入至基于深度自编码神经网络的故障诊断模型中，将有标签的数据样本作为基于深度自编码神经网络的故障诊断模型的输入，将数据对应的标签作为基于深度自编码神经网络的故障诊断模型的输出，对故障诊断模型进行训练，初步确定模型中的参数，得到初始故障诊断模型；
步骤6.2：对初始故障诊断模型中的参数进行微调，最终确定初始故障诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型。
6.根据权利要求5所述的一种基于数据驱动的航空发动机故障诊断方法，其特征在于：所述所述步骤步骤6.2具体包括如下步骤：
步骤6.2.1：将微调数据样本集输入至初始故障诊断模型中，得到诊断模型的输出值；利用如下误差函数公式计算输出值与标签之间的误差J(w,b)：
Figure FDA0002359604340000021
其中，y为输出目标值，hw,b(x)为输出层的实际输出值，w为网络中的连接权值，b为网络中的偏置值；
步骤6.2.2：分别计算误差函数对所有层各神经元的偏导数；
步骤6.2.3：对相邻的两层网络，利用后一层各神经元偏导数和前一层各神经元的输出值对该两个神经元之间的参数值进行修正；修正公式如下：
Figure FDA0002359604340000022
其中，θ为网络参数，θ(l+1)为第l+1次迭代更新后的参数，θ(l)为第l次迭代更新后的参数，J(l)(θ)为误差函数，η为学习率；
步骤6.2.4：在初始故障诊断模型的所有参数修正之后，得到修正后的诊断模型；采用步骤6.2.1中的误差函数公式，重新计算此次修正所得的故障诊断模型的全局误差；
步骤6.2.5：判断上述修正所得的故障诊断模型的误差是否小于设定的阈值T或训练次数是否超过设定的最大迭代次数L；若不满足要求，则返回步骤6.2.1，进行迭代计算；若满足要求，则故障诊断初始模型微调结束，此时得到的故障诊断模型即为基于深度自编网络的航空发动机故障诊断最终模型。
CN202010017901.7A 2020-01-08 2020-01-08 一种基于数据驱动的航空发动机故障诊断方法 Expired - Fee Related CN111175054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010017901.7A CN111175054B (zh) 2020-01-08 2020-01-08 一种基于数据驱动的航空发动机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010017901.7A CN111175054B (zh) 2020-01-08 2020-01-08 一种基于数据驱动的航空发动机故障诊断方法

Publications (2)

Publication Number Publication Date
CN111175054A true CN111175054A (zh) 2020-05-19
CN111175054B CN111175054B (zh) 2021-12-03

Family

ID=70624898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010017901.7A Expired - Fee Related CN111175054B (zh) 2020-01-08 2020-01-08 一种基于数据驱动的航空发动机故障诊断方法

Country Status (1)

Country Link
CN (1) CN111175054B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695631A (zh) * 2020-06-12 2020-09-22 泽恩科技有限公司 基于sae的检定故障特征提取方法、装置、设备以及介质
CN111832617A (zh) * 2020-06-05 2020-10-27 上海交通大学 发动机冷态测试故障诊断方法
CN111967202A (zh) * 2020-08-08 2020-11-20 西北工业大学 一种基于人工智能的航空发动机极速性能数字孪生方法
CN112231975A (zh) * 2020-10-13 2021-01-15 中国铁路上海局集团有限公司南京供电段 一种基于铁路供电设备可靠性分析的数据建模方法及系统
CN112947385A (zh) * 2021-03-22 2021-06-11 华中科技大学 一种基于改进Transformer模型的飞行器故障诊断方法和系统
CN113255546A (zh) * 2021-06-03 2021-08-13 成都卡莱博尔信息技术股份有限公司 一种用于飞机系统传感器故障的诊断方法
CN113378887A (zh) * 2021-05-14 2021-09-10 太原理工大学 一种乳化液泵故障分级诊断方法
CN113447271A (zh) * 2020-11-30 2021-09-28 中国人民解放军火箭军工程大学 一种基于修正偏导数的航空发动机气路在线监测方法
CN113700558A (zh) * 2021-09-01 2021-11-26 哈尔滨工业大学（威海） 柴油发动机空气系统故障检测方法
CN114371002A (zh) * 2021-12-30 2022-04-19 天津理工大学 基于dae-cnn的行星齿轮箱故障诊断方法
CN115270606A (zh) * 2022-07-01 2022-11-01 中国航发沈阳发动机研究所 一种航空发动机一体化加力后框架流量分配预测方法
CN115372007A (zh) * 2022-08-04 2022-11-22 中国航发沈阳发动机研究所 一种确定涡扇发动机性能衰减参数的方法及装置
CN112347917B (zh) * 2020-11-05 2023-05-16 北京信息科技大学 一种燃气轮机故障诊断方法、系统、设备及存储介质
CN116383737A (zh) * 2023-06-05 2023-07-04 四川大学 基于聚类对比学习的旋转机械故障诊断方法及系统
WO2023123593A1 (zh) * 2021-12-30 2023-07-06 浙大城市学院 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN116774719A (zh) * 2023-08-18 2023-09-19 成都庆龙航空科技有限公司 一种无人机飞行参数自诊断方法及系统
WO2023227071A1 (zh) * 2022-05-25 2023-11-30 中国电子科技集团公司第十研究所 一种多模型融合的航空电子产品健康评估方法
WO2024045246A1 (zh) * 2022-08-30 2024-03-07 大连理工大学 一种针对航空发动机故障预测的脉冲回声状态网络模型
CN117763933A (zh) * 2023-02-28 2024-03-26 沈阳航空航天大学 基于深度学习的固体火箭发动机时间序列参数预测方法和预测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484682A (zh) * 2014-12-31 2015-04-01 中国科学院遥感与数字地球研究所 一种基于主动深度学习的遥感图像分类方法
US20180101784A1 (en) * 2016-10-05 2018-04-12 D-Wave Systems Inc. Discrete variational auto-encoder systems and methods for machine learning using adiabatic quantum computers
CN108416086A (zh) * 2018-01-25 2018-08-17 大连理工大学 一种基于深度学习算法的航空发动机全包线模型自适应修正方法
CN109000930A (zh) * 2018-06-04 2018-12-14 哈尔滨工业大学 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
CN109035488A (zh) * 2018-08-07 2018-12-18 哈尔滨工业大学（威海） 基于cnn特征提取的航空发动机时间序列异常检测方法
CA2997489A1 (en) * 2017-08-18 2019-02-18 Tata Consultancy Services Limited Method and system for health monitoring and fault signature identification

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484682A (zh) * 2014-12-31 2015-04-01 中国科学院遥感与数字地球研究所 一种基于主动深度学习的遥感图像分类方法
US20180101784A1 (en) * 2016-10-05 2018-04-12 D-Wave Systems Inc. Discrete variational auto-encoder systems and methods for machine learning using adiabatic quantum computers
CA2997489A1 (en) * 2017-08-18 2019-02-18 Tata Consultancy Services Limited Method and system for health monitoring and fault signature identification
CN108416086A (zh) * 2018-01-25 2018-08-17 大连理工大学 一种基于深度学习算法的航空发动机全包线模型自适应修正方法
CN109000930A (zh) * 2018-06-04 2018-12-14 哈尔滨工业大学 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
CN109035488A (zh) * 2018-08-07 2018-12-18 哈尔滨工业大学（威海） 基于cnn特征提取的航空发动机时间序列异常检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张懋石: ""基于深度学习的飞行器动力系统故障诊断"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
石鑫等: ""基于深度自编码网络的电力变压器故障诊断"", 《电力自动化设备》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832617A (zh) * 2020-06-05 2020-10-27 上海交通大学 发动机冷态测试故障诊断方法
CN111832617B (zh) * 2020-06-05 2022-11-08 上海交通大学 发动机冷态测试故障诊断方法
CN111695631A (zh) * 2020-06-12 2020-09-22 泽恩科技有限公司 基于sae的检定故障特征提取方法、装置、设备以及介质
CN111967202A (zh) * 2020-08-08 2020-11-20 西北工业大学 一种基于人工智能的航空发动机极速性能数字孪生方法
CN112231975A (zh) * 2020-10-13 2021-01-15 中国铁路上海局集团有限公司南京供电段 一种基于铁路供电设备可靠性分析的数据建模方法及系统
CN112347917B (zh) * 2020-11-05 2023-05-16 北京信息科技大学 一种燃气轮机故障诊断方法、系统、设备及存储介质
CN113447271A (zh) * 2020-11-30 2021-09-28 中国人民解放军火箭军工程大学 一种基于修正偏导数的航空发动机气路在线监测方法
CN112947385A (zh) * 2021-03-22 2021-06-11 华中科技大学 一种基于改进Transformer模型的飞行器故障诊断方法和系统
CN113378887B (zh) * 2021-05-14 2022-07-05 太原理工大学 一种乳化液泵故障分级诊断方法
CN113378887A (zh) * 2021-05-14 2021-09-10 太原理工大学 一种乳化液泵故障分级诊断方法
CN113255546B (zh) * 2021-06-03 2021-11-09 成都卡莱博尔信息技术股份有限公司 一种用于飞机系统传感器故障的诊断方法
CN113255546A (zh) * 2021-06-03 2021-08-13 成都卡莱博尔信息技术股份有限公司 一种用于飞机系统传感器故障的诊断方法
CN113700558A (zh) * 2021-09-01 2021-11-26 哈尔滨工业大学（威海） 柴油发动机空气系统故障检测方法
CN114371002A (zh) * 2021-12-30 2022-04-19 天津理工大学 基于dae-cnn的行星齿轮箱故障诊断方法
CN114371002B (zh) * 2021-12-30 2024-01-09 天津理工大学 基于dae-cnn的行星齿轮箱故障诊断方法
WO2023123593A1 (zh) * 2021-12-30 2023-07-06 浙大城市学院 基于变分模态分解和残差网络的航空轴承故障诊断方法
WO2023227071A1 (zh) * 2022-05-25 2023-11-30 中国电子科技集团公司第十研究所 一种多模型融合的航空电子产品健康评估方法
CN115270606A (zh) * 2022-07-01 2022-11-01 中国航发沈阳发动机研究所 一种航空发动机一体化加力后框架流量分配预测方法
CN115270606B (zh) * 2022-07-01 2024-02-13 中国航发沈阳发动机研究所 一种航空发动机一体化加力后框架流量分配预测方法
CN115372007A (zh) * 2022-08-04 2022-11-22 中国航发沈阳发动机研究所 一种确定涡扇发动机性能衰减参数的方法及装置
CN115372007B (zh) * 2022-08-04 2024-10-15 中国航发沈阳发动机研究所 一种确定涡扇发动机性能衰减参数的方法及装置
WO2024045246A1 (zh) * 2022-08-30 2024-03-07 大连理工大学 一种针对航空发动机故障预测的脉冲回声状态网络模型
CN117763933A (zh) * 2023-02-28 2024-03-26 沈阳航空航天大学 基于深度学习的固体火箭发动机时间序列参数预测方法和预测系统
CN116383737B (zh) * 2023-06-05 2023-08-11 四川大学 基于聚类对比学习的旋转机械故障诊断方法及系统
CN116383737A (zh) * 2023-06-05 2023-07-04 四川大学 基于聚类对比学习的旋转机械故障诊断方法及系统
CN116774719A (zh) * 2023-08-18 2023-09-19 成都庆龙航空科技有限公司 一种无人机飞行参数自诊断方法及系统
CN116774719B (zh) * 2023-08-18 2023-11-07 成都庆龙航空科技有限公司 一种无人机飞行参数自诊断方法及系统

Also Published As

Publication number Publication date
CN111175054B (zh) 2021-12-03

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
CN108256173B (zh) 一种航空发动机动态过程的气路故障诊断方法及系统
CN114997051A (zh) 一种基于迁移学习的航空发动机寿命预测与健康评估方法
WO2024087128A1 (zh) 针对航空发动机剩余使用寿命预测的多尺度混杂注意力机制建模方法
CN111351668A (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
CN114297910A (zh) 一种基于改进lstm的航空发动机寿命预测方法
CN111160457B (zh) 基于软一类极限学习机的涡轴发动机故障检测方法
CN113283004A (zh) 一种基于迁移学习的航空发动机退化状态故障诊断方法
CN112613186A (zh) 一种基于统计分布特征的航空发动机气路故障融合诊断方法
CN111860791A (zh) 基于相似变换的航空发动机推力估计方法及装置
CN114077867A (zh) 一种基于可迁移神经网络的航空发动机故障诊断方法
Zhong et al. Aero-engine exhaust gas temperature prognostic model based on gated recurrent unit network
CN116028865A (zh) 基于特征扩增的航空发动机故障诊断方法
CN107545112A (zh) 多源无标签数据机器学习的复杂装备性能评估与预测方法
CN114548154A (zh) 一种重要厂用水泵智能诊断的方法及装置
CN114741945A (zh) 一种航空发动机在线故障的诊断方法
CN112116101B (zh) 一种基于群体约减核极限学习机的航空发动机故障诊断方法
Yun et al. Research on gas pressure regulator fault diagnosis based on deep confidence network (DBN) theory
CN113742860B (zh) 一种基于DBN-Bayes算法的涡轴发动机功率估计方法
CN115859177A (zh) 一种航空发动机的故障诊断方法
CN115099362A (zh) 一种基于无监督聚类算法的压气机喘振检测方法
CN113947028A (zh) 一种基于XGBoost和Datawig机器学习的RBCC健康管理方法
Lv et al. Semisupervised fault diagnosis of aeroengine based on denoising autoencoder and deep belief network
Zhou et al. Fault diagnosis of gas turbine actuator based on improved convolutional neural network
Zhong et al. Research on fusion diagnosis method of thermal fault of marine diesel engine

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211203

CF01 Termination of patent right due to non-payment of annual fee