CN111259532A - 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 - Google Patents
基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 Download PDFInfo
- Publication number
- CN111259532A CN111259532A CN202010031001.8A CN202010031001A CN111259532A CN 111259532 A CN111259532 A CN 111259532A CN 202010031001 A CN202010031001 A CN 202010031001A CN 111259532 A CN111259532 A CN 111259532A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- sensor
- frequency
- signal
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G06N3/045—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于3DCNN‑JTFA的航空发动机控制系统传感器的故障诊断方法,在航空发动机‑传感器的数学模型基础,建立了故障生成器;将航空发动机飞行数据与故障生成器输出信号进行随机混合,得到样本数据集;通过JTFA方法对样本数据集处理得到时频图;对样本数据集按照故障类型进行标签训练3DCNN模型;将航空发动机控制系统传感器的实时测量数据输入到3DCNN‑JTFA模型中,经过预处理、JTFA分析得到时频图、设标签、3DCNN进行分类等步骤,完成实时的故障检测和隔离。本发明将JTFA、3DCNN和多次二元分类技术相结合,采用离线学习,在线运行的方式,将其用于诊断实验中,且对噪声干扰不敏感,提高了诊断效率。同时设计了故障生成器,解决了数据不匹配的问题。
Description
技术领域
本发明属于航空发动机控制系统传感器故障诊断领域,涉及一种基于 3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法。
背景技术
航空发动机是是长期工作在高转速、高负荷和高温环境下的复杂热力机械,对可靠性和安全性要求极高。航空发动机控制系统以传感器测量信号为基础进行工作,但由于传感器测量数据多、分布广、且其安装部位特殊,长时间工作在高温、高压、强振动的工况中,是控制系统中最容易发生故障的部件。传感器一旦故障有可能导致整个控制系统失效,造成严重的经济损失。因此,对传感器进行及时、有效的故障诊断,以提高航空发动机的安全性和可靠性,具有十分重要的意义。
已有文献表明,目前航空发动机控制系统传感器故障诊断的研究主要有:基于数学模型的方法(如卡尔曼滤波器模型)、基于信号的方法(如小波方法)、基于知识的方法(如如神经网络、支持向量机等智能算法)。基于数学模型的诊断技术较为成熟,但受到模型精度的制约,对航空发动机控制系统这类非线性的复杂系统来说建立数学模型十分困难,故障诊断系统的可靠性可能随着建模不确定性和非线性复杂性的增加而下降。基于信号的方法不需进行建模,但小波变换法存在着无法区分过程正常波动与传感器故障、在噪声较大时会失效两个缺点。张高钱设计了一种基于BP(Back Propagation) 神经网络的传感器故障诊断系统,但浅层网络存在过拟合、维数灾难、参数选择困难等问题,且浅层网络假设靠人工经验抽取样本特征作为输入,容易出现数据利用不足、对干扰敏感及信息丢失等问题。
在专利CN106226074A中公开了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法,实现了对轴承的振动诊断。但该方法存在着一定的缺陷:(1)使用小波灰度图作为卷积神经网络的输入,未能完全提取故障的特征信息;(2)卷积神经网络结构十分复杂,存在着过拟合的问题。而且对于航空发动机控制系统传感器来说,它的故障类型多种多样,不是简单的二元问题,不仅要识别出是否发生了故障,还要进行故障隔离。此外,航空发动机控制系统大多数处在正常运作的情况,故障情况是极少数,因此存在着故障数据与正常数据不对称的问题,严重影响故障诊断的准确度。
综上所述,为了高效准确的识别复杂非线性的航空发动机系统中潜在的故障模式,对噪声干扰不敏感,并可以精确对多种故障模式进行分类,同时解决故障数据不匹配的问题,本发明提出了一种用于航空发动机控制系统传感器的故障诊断方法。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法,首先建立航空发动机-传感器的数学模型,设计故障生成器,生成大量的故障数据,以解决数据不匹配的问题。然后离线训练模型,即对预处理过的航空发动机控制系统传感器信号进行JTFA(Joint time-frequency analysis) 分析后输入3DCNN中,训练并验网络模型。最后将该训练好的网络模型用于航空发动机控制系统传感器的在线诊断,将实时测量的传感器信号进行预处理后,进行JTFA 分析,然后将得到的时频图输入到训练好的3DCNN模型进行诊断分析,得到所述航空发动机控制系统传感器的故障诊断结果。该方法诊断精度较高,提高了诊断效率,降低了维修费用。
技术方案
一种基于3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法,其特征在于步骤如下:
步骤1:利用部件法建立航空发动机的状态变量数学模型,以二阶惯性元件作为传感器的数学模型,二阶惯性元件描述为
其中,ξ为传感器的阻尼比,wn为传感器的自然频率,τ为延迟时间;
将航空发动机状态变量数学模型与传感器的数学模型进行串联,为航空发动机控制系统的数学模型;
步骤2:对故障按照故障发生原因进行分类,编号方法:
(a)正常情况,无故障原因,编号为0;
(b)偏置故障,故障原因为偏置电流或偏置电压等,编号为1;
(c)尖峰故障,故障原因为电源和地线中的随机干扰、浪涌、电火花放电D/A变换器中的毛刺等,编号为2;
(d)开路故障,故障原因为信号线断、芯片管脚没连上等,编号为3;
(e)漂移故障,故障原因为温漂等,编号为4;
(f)短路故障,故障原因为污染引起的桥路腐蚀线路短接等,编号为5;
(g)周期性干扰,故障原因为电源50Hz干扰等,编号为6;
步骤3、建立故障生成器:输入带有高斯白噪声的阶跃信号经过航空发动机控制系统模型后得到一个输出信号,按照步骤2模型的输出信号进行处理,得到不同类型的模拟故障信号;
(a)正常情况:航空发动机控制系统模型的输出信号,数值在1附近波动;
(b)偏置故障:在航空发动机控制系统模型的输出信号上加一恒定或随机的小信号;
(c)尖峰故障:在航空发动机控制系统模型的输出信号上加一个脉冲信号;
(d)开路故障:航空发动机控制系统模型的输出信号接近最大值,最大值为1.5 左右;
(e)漂移故障:使航空发动机控制系统模型的输出信号信号以某一速率偏移原信号;
(f)短路故障:使航空发动机控制系统模型的输出信号接近于零;
(g)周期性干扰:在航空发动机控制系统模型的输出信号上叠加某一频率的信号,然后在模型的输出信号中随机加入环境噪声影响的高斯白噪声,得到的信号为故障生成器的输出信号;
步骤4:将航空发动机在不同飞行条件下和不同工作状态下的飞行记录数据,与故障生成器生成的大量的输出信号进行随机混合后,得到航空发动机控制系统传感器的样本数据集;样本数据集包括航空发动机控制系统九个关键的可测传感器;
步骤5:对样本数据集中的数据进行预处理;
其中
式中,x(k)为待处理的传感器信号,xi(k)为样本数据集中第i个传感器信号,y(k)为处理后的信号;
步骤6:通过JTFA方法处理航空发动机控制系统传感器的样本数据集,得到时频图,具体步骤如下:
(61)对基函数Amor小波进行尺度变换和平移,在不同的时间尺度和频率尺度下对航空发动机控制系统传感器信号进行不同分辨率的分解,Amor小波的中心频率 Fc为0.8125Hz,选择尺度因子为p∈[1,100],平移因子为q∈[1,1ength],length为传感器信号的长度,采样频率fs为100;
其中:p为对应于频率信息的缩放因子,即尺度参数;q为对应于时空信息的平移因子,即变换参数;ψ(x)为Amor小波Analytic Morlet(Gabor)Wavelet的函数,为ψ(x)的复共轭;Wf(p,q)为小波变换后的信号,f(x)为传感器信号的频谱;通过对小波系数矩阵的标准化,得到时频图的像素矩阵,并在信号随p、q变化的特定时频范围内求解;
(62)在选定的尺度因子范围中,按照从小到大,步长为1的顺序选择尺度因子;在不同的尺度因子下,对预处理后的传感器信号的不同部分产生不同的小波系数;根据尺度与频率之间的关系将尺度序列转化为频率序列和小波系数,频率序列和时间序列画出传感器信号的以得到信号的3通道RGB时频图,其中x轴为时间序列,y轴为频率序列,图像的颜色代表信号的能量大小,用小波系数表示;
尺度与频率的关系为
Fa=Fc×fs/p
其中,Fa为频率,Fc为小波的中心频率,fs为采样频率,p为尺度;
(63)对时频图进行边缘裁剪,使得处理后的时频图的大小具有保证3DCNN能够处理的像素;
将样本数据集中的一维传感器故障信号变换成适应于3DCNN处理的3维RGB图像,包含时域和频域信息的特征谱,即时频图,包含更多的故障信息;
步骤7:按照步骤2中故障的编号,对JTFA分析后的样本数据集中的传感器信号按照故障类型设标签进行标记,标记的标签即为所属故障类型的编号;将标记后的样本数据集划分为两部分:样本数据集的前70%为训练集,用于训练3DCNN模型;样本数据集的后30%为验证集,用于验证训练好的3DCNN模型的性能;
步骤8:训练3DCNN模型直至达到训练要求,训练过程如下:
(81)设置3DCNN模型的初始参数和重要的特征参数;
(82)输入标签后的3通道RGB图像即时频图,时频图进入卷积层,卷积层C1 有6个大小为5×5的滤波器,步长为1;输出第一层特征图;第一层特征图经过大小为2×2的最大池化层P1后,输出第二次特征图;卷积层C2有16个大小为5×5的滤波器,步长为1,输出第三层特征图;第三层特征图经过大小为2×2的最大池化层 P2后,输出第四层特征图;
(83)第四层特征图进入全连接层,三个全连接层包含的神经元数量分别为120,84和7,输出层为7×1;前两个全连接层后加入dropout层,使用Softmax回归模型作为最后一个全连接层,进行故障分类;针对传感器的7种健康状况,6种故障和正常情况,采用多次二元分类技术,进行故障分类;将区别传感器的正常情况和故障情况,分辨出故障所属的类型,完成传感器的故障检测和隔离;
(84)计算交叉熵损失函数F(yc,yl)和准确率AC(yc,yl);
其中,n表示训练数据的维数;Class是需要对信号进行分类的标记类别;yc表示神经网络传感器故障信号的输出,yl是传感器故障信号的标记结果;
其中,sum为求和函数,yc表示神经网络传感器故障信号的输出,yl是传感器故障信号的标记结果,N为yc的维数;yc==yl表示当yc=yl时,输出为1,否则输出为 0;
(85)采用BP算法和自适应矩估计Adam算法训练网络直至达到目标,即 F(yc,yl)最小,否则转入步骤(84);
(86)当达到设定的最大迭代周期时,模型训练结束,否则转入步骤(84);
步骤9:3DCNN模型训练完成后,使用验证集验证训练好的3DCNN模型,即将验证集的数据输入到训练好的3DCNN模型中,计算模型的准确率AC(yc,yl),若模型的准确率达到要求,则表示模型的离线训练阶段完成,否则转入步骤8继续进行训练;
步骤10:以航空发动机控制系统传感器的实时测量数据,重复步骤5进行预处理和步骤6,JTFA分析得到时频图;然后将时频图输入到训练好的3DCNN模型中,得到的输出结果为传感器故障诊断的结果。
所述样本数据集包括航空发动机控制系统九个关键的测传感器:油门杆角度传感器PLA,进气道温度T1,低压转速NL,高压转速NH,压缩机入口温度T25,压缩机出口压力P3,高压涡轮出口温度T4.5,低压涡轮出口温度T5和低压涡轮出口压力P5。
所述的3DCNN模型在经典的卷积神经网络模型LeNet5的基础上进行了改进,即模型添加了dropout层以解决过拟合问题,采用了BP算法和Adam算法优化调整网络参数,采用softmax回归模型和多次二元分类技术,实现对7种健康状况,正常情况和6种故障类型的分类。
所述3DCNN模型包含1个3维输入层,2个卷积层、2个池化层,3个全连接层和1个输出层;前2个全连接层添加了dropout层以解决过拟合问题。
有益效果
本发明提出的一种基于3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法,(1)建立航空发动机-传感器的数学模型,在此基础上,通过对航空发动机控制系统常见的故障进行原因和故障分类、编号和故障模拟,建立了故障生成器;(2)收集航空发动机飞行记录仪数据,与故障生成器输出的大量传感器故障信号进行随机混合,构建航空发动机控制系统传感器的样本数据集,数据集包括航空发动机九个关键的可测传感器;(3)对航空发动机控制系统传感器信号的数据进行预处理;(4)通过 JTFA方法对航空发动机控制系统传感器的样本数据集进行分析,以得到时频图;(5) 对样本数据集按照故障类型进行标签,标签即为所属故障类型的编号(3DCNN是一种有监督学习网络);(6)设置3DCNN模型的初始参数和重要的特征参数,将处理后的时频图输入网络,训练3DCNN模型并进行验证;(7)3DCNN模型训练完成后,使用验证集的数据验证训练好的3DCNN-JTFA模型,若模型的准确率达到要求,则表示模型的离线训练阶段完成,否则继续进行训练;(8)将航空发动机控制系统传感器的实时测量数据输入到3DCNN-JTFA模型中,即经过预处理、JTFA分析得到时频图、设标签、3DCNN进行分类等步骤,完成实时的故障检测和隔离。本发明将JTFA、 3DCNN和多次二元分类技术相结合,采用离线学习,在线运行的方式,将其用于诊断实验中,数据显示该方法能够高效准确的进行航空发动机控制系统传感器多种故障的检测和隔离,且对噪声干扰不敏感,提高了诊断效率。同时设计了故障生成器,解决了数据不匹配的问题。
本发明技术方案与现有技术相比,本发明提供的基于3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法,其采用时频分析方法对传感器信号进行处理,将一维的传感器故障信号变换成适应于3DCNN处理的多维矩阵:一种包含时域和频域信息的特征谱。将处理过的时频图输入至训练好的3DCNN模型对航空发动机控制系统传感器进行故障诊断分析,提取传感器故障信号更深、更本质的特征,通过多次二元分类技术,能够准确识别出故障信号并能够分辨出故障的类型,得到所述航空发动机控制系统传感器的故障诊断结果,诊断精度较高,且提高了诊断效率。同时建立航空发动机控制系统-传感器的模型,设计故障生成器,生成大量的故障数据,以解决故障数据和正常数据不匹配的问题。
附图说明
图1是本发明的结构框图
图2是3DCNN模型的结构示意图
图3是故障的分析和模拟机理图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明实施例包括以下步骤:
故障生成器阶段:
(1)采用部件法建立航空发动机状态变量模型,以二阶惯性元件作为传感器的数学模型,建立航空发动机-传感器的数学模型;
二阶惯性元件描述为:
其中,ξ为传感器的阻尼比,wn为传感器的自然频率,τ为延迟时间;
将航空发动机状态变量数学模型与传感器的数学模型进行串联,为航空发动机控制系统的数学模型;
(2)在航空发动机控制系统-传感器的数学模型的基础上,通过对航空发动机控制系统常见的六种故障类型进行的分析和模拟,模型的输入为阶跃信号,输入信号经过航空发动机-传感器模型后得到一个输出信号,在故障原因分析和编号的基础上,对模型的输出信号进行处理以进行故障模拟,并在模型的输入和输出信号中随机加入环境噪声影响(高斯白噪声),最终建立了故障生成器,以解决数据不匹配问题;
对故障按照故障发生原因进行分类,编号方法:
(a)正常情况,无故障原因,编号为0;
(b)偏置故障,故障原因为偏置电流或偏置电压等,编号为1;
(c)尖峰故障,故障原因为电源和地线中的随机干扰、浪涌、电火花放电D/A变换器中的毛刺等,编号为2;
(d)开路故障,故障原因为信号线断、芯片管脚没连上等,编号为3;
(e)漂移故障,故障原因为温漂等,编号为4;
(f)短路故障,故障原因为污染引起的桥路腐蚀线路短接等,编号为5;
(g)周期性干扰,故障原因为电源50Hz干扰等,编号为6;
步骤3、建立故障生成器:输入带有高斯白噪声的阶跃信号经过航空发动机控制系统模型后得到一个输出信号,按照步骤2模型的输出信号进行处理,得到不同类型的模拟故障信号;
(a)正常情况:航空发动机控制系统模型的输出信号,数值在1附近波动;
(b)偏置故障:在航空发动机控制系统模型的输出信号上加一恒定或随机的小信号;
(c)尖峰故障:在航空发动机控制系统模型的输出信号上加一个脉冲信号;
(d)开路故障:航空发动机控制系统模型的输出信号接近最大值,最大值为1.5 左右;
(e)漂移故障:使航空发动机控制系统模型的输出信号信号以某一速率偏移原信号;
(f)短路故障:使航空发动机控制系统模型的输出信号接近于零;
(g)周期性干扰:在航空发动机控制系统模型的输出信号上叠加某一频率的信号,然后在模型的输出信号中随机加入环境噪声影响的高斯白噪声,得到的信号为故障生成器的输出信号;
离线训练并验证网络模型阶段:
(4)收集航空发动机在不同飞行条件下和不同工作状态下的飞行记录仪数据,与故障生成器输出的大量传感器故障信号进行随机混合,构建航空发动机控制系统传感器的样本数据集。数据集包括航空发动机九个关键的可测传感器:油门杆角度传感器 PLA,进气道温度T1,低压转速NL,高压转速NH,压缩机入口温度T25,压缩机出口压力P3,高压涡轮出口温度T4.5,低压涡轮出口温度T5和低压涡轮出口压力P5;
(5)对所述训练集与所述验证集的数据下x(k)进行预处理,减小在信号采集过程中产生的测量信号的误差,减小计算复杂度;
其中
式中,x(k)为待处理的传感器信号,xi(k)为数据集中第i个传感器信号,y(k)为处理后的信号。
(6)通过JTFA方法对航空发动机控制系统传感器的样本数据集进行分析,以得到时频图:将一维的传感器故障信号变换成适应于3DCNN处理的3维RGB图像(一种包含时域和频域信息的特征谱,即时频图),将信号检测问题转化为图像识别问题。其中时频图的颜色代表信号的能量大小,包含更多的故障信息。具体步骤如下:
(61)对Amor小波进行尺度变换和平移,在不同的时间尺度和频率尺度下对航空发动机控制系统传感器信号进行不同分辨率的分解,Amor小波的中心频率为 0.8125Hz,选择尺度因子为p∈[1,100],平移因子为q∈[1,1ength](length为传感器信号的长度),采样频率为100;
其中:p为对应于频率信息的缩放因子,即尺度参数;q为对应于时空信息的平移因子,即变换参数;ψ(x)为Amor小波(Analytic Morlet(Gabor)Wavelet)的函数,为ψ(x)的复共轭。Wf(p,q)为小波变换后的信号,f(x)为传感器信号的频谱。通过对小波系数矩阵的标准化,得到时频图的像素矩阵,并在信号随p、q变化的特定时频范围内求解。
(62)在选定的尺度因子范围中,按照从小到大,步长为1的顺序选择尺度因子;在不同的尺度因子下,对预处理后的传感器信号的不同部分产生不同的小波系数;根据尺度与频率之间的关系将尺度序列转化为频率序列和小波系数,频率序列和时间序列画出传感器信号的以得到信号的3通道RGB时频图,其中x轴为时间序列,y轴为频率序列,图像的颜色代表信号的能量大小,用小波系数表示;
尺度与频率的关系为
Fa=Fc×fs/p
其中,Fa为频率,Fc为小波的中心频率,fs为采样频率,p为尺度;
对预处理后的传感器信号的不同部分产生不同的系数,将尺度序列转化为频率序列,结合小波系数,频率序列和时间序列画出传感器信号的时频图;
(63)对时频图进行边缘裁剪和下采样,使得处理后的时频图的大小具有保证3DCNN能够处理的像素;
将样本数据集中的一维传感器故障信号变换成适应于3DCNN处理的3维RGB图像,包含时域和频域信息的特征谱,即时频图,包含更多的故障信息;
(7)航空发动机控制系统传感器常见的故障有6种类型,对故障进行编号,并对不同类故障的传感器信号的时频图按照故障类型进行标签,标签即为所属故障类型的编号(3DCNN是一种有监督学习网络);
按照故障的编号,对JTFA分析后的样本数据集中的传感器信号按照故障类型设标签进行标记,标记的标签即为所属故障类型的编号。
(8)设置3DCNN模型的初始参数和重要的特征参数,将处理后的时频图输入网络,训练3DCNN模型并进行验证。3DCNN模型具有自动提取特征的能力,网络通过卷积和池化操作,自动挖掘信号中深层次的故障特征信息。所述3DCNN模型包含1 个输入层(3维时频图),2个卷积层、2个池化层,3个全连接层(前2个全连接层添加了dropout层,以解决过拟合问题)和1个输出层,是一种深度学习模型。具体步骤如下:
(81)设置3DCNN模型的初始参数和重要的特征参数;
(82)输入标签后的大小为3×224×224的3通道RGB图像(时频图),时频图进入卷积层。卷积层C1有6个大小为5×5的滤波器(步长为1),输出第一层特征图,大小为6×220×220。第一层特征图经过大小为2×2的最大池化层P1后,输出第二次特征图,大小为6×110×110。卷积层C2有16个大小为5×5的滤波器(步长为1),输出第三层特征图,大小为6×106×106。第三层特征图经过大小为2×2的最大池化层 P2后,输出第四层特征图,大小为6×53×53。
(83)第四层特征图进入全连接层,三个全连接层包含的神经元数量分别为120,84和7,输出层为7×1。前两个全连接层后加入dropout层,选择Softmax回归模型作为最后一个全连接层,以进行故障分类任务,针对传感器的7种健康状况(6种故障和正常情况),采用多次二元分类技术,不仅能将区别正常情况和故障情况,还分辨出故障所属的类型,完成传感器的故障检测和隔离;
(84)计算F(yc,yl)和AC(yc,yl)。F(yc,yl)为交叉熵损失函数,AC(yc,yl)为故障诊断的准确率。采用BP算法对3DCNN的模型参数进行微调,使训练误差最小;采用自适应矩估计(Adam)算法对网络进行优化。优化过程用于计算实际值与预测值之间的误差,可以快速更新可训练参数(权重和偏差)并进行微调,直到训练误差/损失函数最小,再求出准确率。
其中,n表示训练数据的维数。Class是需要对信号进行分类的标记类别。yc表示神经网络传感器故障信号的输出,yl是传感器故障信号的标记结果。
其中,sum为求和函数,yc表示神经网络传感器故障信号的输出,yl是传感器故障信号的标记结果,N为yc的维数;
(85)采用BP算法和自适应矩估计(Adam)算法训练网络直至达到目标,即 F(yc,yl)最小,否则转入步骤(64);
(86)当达到设定的最大迭代周期时,模型训练结束,否则转入步骤(84)。
在线运行网络模型阶段:
3.在线运行网络模型阶段
(8)将航空发动机控制系统传感器的实时测量数据输入到3DCNN-JTFA模型中,即经过预处理(处理方式与上述步骤相同)、JTFA分析得到时频图(处理方式与上述步骤相同)、设标签(处理方式与上述步骤相同)、3DCNN进行分类等步骤,完成实时的故障检测和隔离。结果证明在线故障诊断的准确率较高。
3DCNN模型训练完成后,使用验证集的数据验证训练好的3DCNN-JTFA模型, 验证后得到模型的故障诊断准确率高达97%。
Claims (4)
1.一种基于3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法,其特征在于步骤如下:
步骤1:利用部件法建立航空发动机的状态变量数学模型,以二阶惯性元件作为传感器的数学模型,二阶惯性元件描述为
其中,ξ为传感器的阻尼比,wn为传感器的自然频率,τ为延迟时间;
将航空发动机状态变量数学模型与传感器的数学模型进行串联,为航空发动机控制系统的数学模型;
步骤2:对故障按照故障发生原因进行分类,编号方法:
(a)正常情况,无故障原因,编号为0;
(b)偏置故障,故障原因为偏置电流或偏置电压等,编号为1;
(c)尖峰故障,故障原因为电源和地线中的随机干扰、浪涌、电火花放电D/A变换器中的毛刺等,编号为2;
(d)开路故障,故障原因为信号线断、芯片管脚没连上等,编号为3;
(e)漂移故障,故障原因为温漂等,编号为4;
(f)短路故障,故障原因为污染引起的桥路腐蚀线路短接等,编号为5;
(g)周期性干扰,故障原因为电源50Hz干扰等,编号为6;
步骤3、建立故障生成器:输入带有高斯白噪声的阶跃信号经过航空发动机控制系统模型后得到一个输出信号,按照步骤2模型的输出信号进行处理,得到不同类型的模拟故障信号;
(a)正常情况:航空发动机控制系统模型的输出信号,数值在1附近波动;
(b)偏置故障:在航空发动机控制系统模型的输出信号上加一恒定或随机的小信号;
(c)尖峰故障:在航空发动机控制系统模型的输出信号上加一个脉冲信号;
(d)开路故障:航空发动机控制系统模型的输出信号接近最大值,最大值为1.5左右;
(e)漂移故障:使航空发动机控制系统模型的输出信号信号以某一速率偏移原信号;
(f)短路故障:使航空发动机控制系统模型的输出信号接近于零;
(g)周期性干扰:在航空发动机控制系统模型的输出信号上叠加某一频率的信号,然后在模型的输出信号中随机加入环境噪声影响的高斯白噪声,得到的信号为故障生成器的输出信号;
步骤4:将航空发动机在不同飞行条件下和不同工作状态下的飞行记录数据,与故障生成器生成的大量的输出信号进行随机混合后,得到航空发动机控制系统传感器的样本数据集;样本数据集包括航空发动机控制系统九个关键的可测传感器;
步骤5:对样本数据集中的数据进行预处理;
其中
式中,x(k)为待处理的传感器信号,xi(k)为样本数据集中第i个传感器信号,y(k)为处理后的信号;
步骤6:通过JTFA方法处理航空发动机控制系统传感器的样本数据集,得到时频图,具体步骤如下:
(61)对基函数Amor小波进行尺度变换和平移,在不同的时间尺度和频率尺度下对航空发动机控制系统传感器信号进行不同分辨率的分解,Amor小波的中心频率Fc为0.8125Hz,选择尺度因子为p∈[1,100],平移因子为q∈[1,1ength],length为传感器信号的长度,采样频率fs为100;
其中:p为对应于频率信息的缩放因子,即尺度参数;q为对应于时空信息的平移因子,即变换参数;ψ(x)为Amor小波Analytic Morlet(Gabor)Wavelet的函数,为ψ(x)的复共轭;Wf(p,q)为小波变换后的信号,f(x)为传感器信号的频谱;通过对小波系数矩阵的标准化,得到时频图的像素矩阵,并在信号随p、q变化的特定时频范围内求解;
(62)在选定的尺度因子范围中,按照从小到大,步长为1的顺序选择尺度因子;在不同的尺度因子下,对预处理后的传感器信号的不同部分产生不同的小波系数;根据尺度与频率之间的关系将尺度序列转化为频率序列和小波系数,频率序列和时间序列画出传感器信号的以得到信号的3通道RGB时频图,其中x轴为时间序列,y轴为频率序列,图像的颜色代表信号的能量大小,用小波系数表示;
尺度与频率的关系为
Fa=Fc×fs/p
其中,Fa为频率,Fc为小波的中心频率,fs为采样频率,p为尺度;
(63)对时频图进行边缘裁剪,使得处理后的时频图的大小具有保证3DCNN能够处理的像素;
将样本数据集中的一维传感器故障信号变换成适应于3DCNN处理的3维RGB图像,包含时域和频域信息的特征谱,即时频图,包含更多的故障信息;
步骤7:按照步骤2中故障的编号,对JTFA分析后的样本数据集中的传感器信号按照故障类型设标签进行标记,标记的标签即为所属故障类型的编号;将标记后的样本数据集划分为两部分:样本数据集的前70%为训练集,用于训练3DCNN模型;样本数据集的后30%为验证集,用于验证训练好的3DCNN模型的性能;
步骤8:训练3DCNN模型直至达到训练要求,训练过程如下:
(81)设置3DCNN模型的初始参数和重要的特征参数;
(82)输入标签后的3通道RGB图像即时频图,时频图进入卷积层,卷积层C1有6个大小为5×5的滤波器,步长为1;输出第一层特征图;第一层特征图经过大小为2×2的最大池化层P1后,输出第二次特征图;卷积层C2有16个大小为5×5的滤波器,步长为1,输出第三层特征图;第三层特征图经过大小为2×2的最大池化层P2后,输出第四层特征图;
(83)第四层特征图进入全连接层,三个全连接层包含的神经元数量分别为120,84和7,输出层为7×1;前两个全连接层后加入dropout层,使用Softmax回归模型作为最后一个全连接层,进行故障分类;针对传感器的7种健康状况,6种故障和正常情况,采用多次二元分类技术,进行故障分类;将区别传感器的正常情况和故障情况,分辨出故障所属的类型,完成传感器的故障检测和隔离;
(84)计算交叉熵损失函数F(yc,yl)和准确率AC(yc,yl);
其中,n表示训练数据的维数;Class是需要对信号进行分类的标记类别;yc表示神经网络传感器故障信号的输出,yl是传感器故障信号的标记结果;
其中,sum为求和函数,yc表示神经网络传感器故障信号的输出,yl是传感器故障信号的标记结果,N为yc的维数;yc==yl表示当yc=yl时,输出为1,否则输出为0;
(85)采用BP算法和自适应矩估计Adam算法训练网络直至达到目标,即F(yc,yl)最小,否则转入步骤(84);
(86)当达到设定的最大迭代周期时,模型训练结束,否则转入步骤(84);
步骤9:3DCNN模型训练完成后,使用验证集验证训练好的3DCNN模型,即将验证集的数据输入到训练好的3DCNN模型中,计算模型的准确率AC(yc,yl),若模型的准确率达到要求,则表示模型的离线训练阶段完成,否则转入步骤8继续进行训练;
步骤10:以航空发动机控制系统传感器的实时测量数据,重复步骤5进行预处理和步骤6,JTFA分析得到时频图;然后将时频图输入到训练好的3DCNN模型中,得到的输出结果为传感器故障诊断的结果。
2.根据权利要求1所述基于3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法,其特征在于:所述样本数据集包括航空发动机控制系统九个关键的测传感器:油门杆角度传感器PLA,进气道温度T1,低压转速NL,高压转速NH,压缩机入口温度T25,压缩机出口压力P3,高压涡轮出口温度T4.5,低压涡轮出口温度T5和低压涡轮出口压力P5。
3.根据权利要求1所述基于3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法,其特征在于:所述的3DCNN模型在经典的卷积神经网络模型LeNet5的基础上进行了改进,即模型添加了dropout层以解决过拟合问题,采用了BP算法和Adam算法优化调整网络参数,采用softmax回归模型和多次二元分类技术,实现对7种健康状况,正常情况和6种故障类型的分类。
4.根据权利要求1所述基于3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法,其特征在于:所述3DCNN模型包含1个3维输入层,2个卷积层、2个池化层,3个全连接层和1个输出层;前2个全连接层添加了dropout层以解决过拟合问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010031001.8A CN111259532B (zh) | 2020-01-13 | 2020-01-13 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010031001.8A CN111259532B (zh) | 2020-01-13 | 2020-01-13 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259532A true CN111259532A (zh) | 2020-06-09 |
CN111259532B CN111259532B (zh) | 2022-05-27 |
Family
ID=70948698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010031001.8A Active CN111259532B (zh) | 2020-01-13 | 2020-01-13 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259532B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898644A (zh) * | 2020-07-02 | 2020-11-06 | 西安交通大学 | 一种无故障样本下航天液体发动机健康状态智能识别方法 |
CN112749764A (zh) * | 2021-01-28 | 2021-05-04 | 厦门大学 | 一种基于qar数据的航空发动机运行状态分类方法 |
CN112881018A (zh) * | 2021-01-07 | 2021-06-01 | 西北工业大学 | 基于改进模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 |
CN112881017A (zh) * | 2021-01-07 | 2021-06-01 | 西北工业大学 | 基于模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 |
CN112989712A (zh) * | 2021-04-27 | 2021-06-18 | 浙大城市学院 | 一种基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
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 |
CN113607205A (zh) * | 2021-08-02 | 2021-11-05 | 中国民航大学 | 一种航空发动机传感器故障检测方法及装置 |
CN114659790A (zh) * | 2022-03-14 | 2022-06-24 | 浙江工业大学 | 一种变转速风电高速轴轴承故障的识别方法 |
CN115204031A (zh) * | 2022-05-13 | 2022-10-18 | 哈尔滨工业大学 | 航空发动机装配过程的振动值预测方法 |
US20230194700A1 (en) * | 2021-12-20 | 2023-06-22 | Aptiv Technologies Limited | Fuzzy Labeling of Low-Level Electromagnetic Sensor Data |
CN117060353A (zh) * | 2023-07-31 | 2023-11-14 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137376A (zh) * | 2015-06-30 | 2015-12-09 | 株洲南车时代电气股份有限公司 | 一种机车牵引变流器的中间电压传感器故障诊断方法 |
CN105841961A (zh) * | 2016-03-29 | 2016-08-10 | 中国石油大学(华东) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
CN109489946A (zh) * | 2018-09-21 | 2019-03-19 | 华中科技大学 | 一种旋转机械的故障诊断方法及系统 |
KR101984730B1 (ko) * | 2018-10-23 | 2019-06-03 | (주) 글루시스 | 서버 장애 자동 예측 시스템 및 자동 예측 방법 |
CN110307983A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN-Bagging的无人机轴承故障诊断方法 |
CN110398370A (zh) * | 2019-08-20 | 2019-11-01 | 贵州大学 | 一种基于hts-cnn模型的轴承故障诊断方法 |
-
2020
- 2020-01-13 CN CN202010031001.8A patent/CN111259532B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137376A (zh) * | 2015-06-30 | 2015-12-09 | 株洲南车时代电气股份有限公司 | 一种机车牵引变流器的中间电压传感器故障诊断方法 |
CN105841961A (zh) * | 2016-03-29 | 2016-08-10 | 中国石油大学(华东) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
CN109489946A (zh) * | 2018-09-21 | 2019-03-19 | 华中科技大学 | 一种旋转机械的故障诊断方法及系统 |
KR101984730B1 (ko) * | 2018-10-23 | 2019-06-03 | (주) 글루시스 | 서버 장애 자동 예측 시스템 및 자동 예측 방법 |
CN110307983A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN-Bagging的无人机轴承故障诊断方法 |
CN110398370A (zh) * | 2019-08-20 | 2019-11-01 | 贵州大学 | 一种基于hts-cnn模型的轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
ZHIPENG FENG,MING LIANG,FULEI CHU: "Recent advances in time–frequency analysis methods for machinery fault diagnosis: A review with application examples", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
李春芳,黄建民: "基于小波分析的转子不平衡故障诊断与控制技术研究", 《宇航计测技术》 * |
韩冰洁,缑林峰,毛宁,汪晓明: "一种基于故障匹配的多重故障诊断方法", 《航空计算技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898644A (zh) * | 2020-07-02 | 2020-11-06 | 西安交通大学 | 一种无故障样本下航天液体发动机健康状态智能识别方法 |
CN112881018A (zh) * | 2021-01-07 | 2021-06-01 | 西北工业大学 | 基于改进模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 |
CN112881017A (zh) * | 2021-01-07 | 2021-06-01 | 西北工业大学 | 基于模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 |
CN112749764B (zh) * | 2021-01-28 | 2022-09-13 | 厦门大学 | 一种基于qar数据的航空发动机运行状态分类方法 |
CN112749764A (zh) * | 2021-01-28 | 2021-05-04 | 厦门大学 | 一种基于qar数据的航空发动机运行状态分类方法 |
CN112989712A (zh) * | 2021-04-27 | 2021-06-18 | 浙大城市学院 | 一种基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
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 |
CN113607205A (zh) * | 2021-08-02 | 2021-11-05 | 中国民航大学 | 一种航空发动机传感器故障检测方法及装置 |
CN113607205B (zh) * | 2021-08-02 | 2023-09-19 | 中国民航大学 | 一种航空发动机传感器故障检测方法及装置 |
US20230194700A1 (en) * | 2021-12-20 | 2023-06-22 | Aptiv Technologies Limited | Fuzzy Labeling of Low-Level Electromagnetic Sensor Data |
US12085640B2 (en) * | 2021-12-20 | 2024-09-10 | Aptiv Technologies AG | Fuzzy labeling of low-level electromagnetic sensor data |
CN114659790A (zh) * | 2022-03-14 | 2022-06-24 | 浙江工业大学 | 一种变转速风电高速轴轴承故障的识别方法 |
CN114659790B (zh) * | 2022-03-14 | 2023-12-01 | 浙江工业大学 | 一种变转速风电高速轴轴承故障的识别方法 |
CN115204031A (zh) * | 2022-05-13 | 2022-10-18 | 哈尔滨工业大学 | 航空发动机装配过程的振动值预测方法 |
CN115204031B (zh) * | 2022-05-13 | 2023-06-20 | 哈尔滨工业大学 | 航空发动机装配过程的振动值预测方法 |
CN117060353A (zh) * | 2023-07-31 | 2023-11-14 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111259532B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259532B (zh) | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 | |
Zhou et al. | Fault diagnosis of gas turbine based on partly interpretable convolutional neural networks | |
Gou et al. | Aeroengine control system sensor fault diagnosis based on CWT and CNN | |
CN110132603B (zh) | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 | |
CN115563553B (zh) | 波动工况下深度迁移图卷积网络的航空轴承故障诊断方法 | |
CN111474919B (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN111751133B (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
Gu et al. | An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
Liang et al. | Multibranch and multiscale dynamic convolutional network for small sample fault diagnosis of rotating machinery | |
Xu et al. | New RUL prediction method for rotating machinery via data feature distribution and spatial attention residual network | |
CN116658433A (zh) | 一种耐颗粒型磁力泵智能检测方法及系统 | |
CN112881017A (zh) | 基于模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 | |
CN116032790A (zh) | 调度自动化系统海量数据流异常辨识、诊断和预测方法、装置和系统 | |
Kenyon et al. | Development of an intelligent system for detection of exhaust gas temperature anomalies in gas turbines | |
Muhammad et al. | Fault diagnostic model for rotating machinery based on principal component analysis and neural network | |
Tang et al. | Multi-state data-driven gas path analysis method | |
Zhang et al. | Spatio-temporal fusion model of natural gas pipeline condition monitoring based on convolutional neural network and long short-term memory neural network | |
CN118468197B (zh) | 一种多通道特征融合车联网异常检测方法及系统 |
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 |