CN111898644B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111898644B CN111898644B CN202010627898.0A CN202010627898A CN111898644B CN 111898644 B CN111898644 B CN 111898644B CN 202010627898 A CN202010627898 A CN 202010627898A CN 111898644 B CN111898644 B CN 111898644B
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- intelligent
- state
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
Abstract
本发明公开了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,以航天液体发动机稳态运行阶段多个传感器通道采集的一维信号作为多源数据,对各通道信号进行统一的预处理,并划分训练集和测试集;基于时序追踪的故障数据生成方法,通过训练集无故障样本生成故障样本,并将其并入训练集;然后构建循环卷积神经网络作为智能状态识别模型,模型通过对训练集多源数据进行自适应的融合及特征提取,实现对航天液体发动机健康状态智能识别;最后,将模型用于测试集的健康状态智能识别,并对结果进行量化评估。本发明能够用于发动机实际运行中健康状态和异常状态的智能识别,并有效解决无故障样本下的航天液体发动机健康状态智能识别问题。
Description
技术领域
本发明涉及航天液体发动机故障诊断技术领域,具体涉及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。
背景技术
航天液体发动机作为多过程、强耦合的复杂非线性系统,不仅关键部件多,而且工作环境极端,工况变化剧烈,一旦发动机发生故障,可能会造成巨大的经济损失,甚至是人员伤亡。因此,对发动机运行状态进行健康状态监测和识别具有重要价值。
航天液体发动机的运行状态通过多通道传感器数据进行监测,传统分析方法通常将各个数据源进行孤立的分析和统计,并通过对各个通道设定指标来判别发动机健康状态,这种方法和指标未实现多数据源信息的综合利用,难以全面系统的表征发动机的运行状态。随着深度学习的发展和广泛应用,数据驱动的算法在设备健康状态识别领域引起人们重视,以其强大的自适应特征融合及特征提取能力在设备状态监测的研究中取得了非常大的进步。
航天液体发动机在验收期的地面热试车状态监测数据难以收集到故障数据,而系统实际运行中存在故障风险且可能发生的故障模式复杂多样。现有数据驱动智能算法的良好表现依赖于对大量的正常数据和大量异常数据的学习,如果没有故障样本,模型将无法得到有效训练,无法识别系统实际运行可能发生的其他故障模式。因此,研究无故障样本下航天液体发动机健康状态智能识别方法,用于解决航天液体发动机热试车故障数据收集困难,而发动机实际热试车存在故障风险的问题有重要价值。
发明内容
本发明的目的在于提供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,以克服现有技术存在的问题,本发明实现对发动机实际运行过程中可能发生的故障状态进行识别。
为达到上述目的,本发明采用如下技术方案:
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,包括以下步骤:
步骤1:以航天液体发动机运行状态下多个传感器通道采集的一维信号作为多源数据,对各通道信号进行预处理,并划分训练集和测试集;
步骤2:使用基于时序追踪的故障数据生成方法,以训练集无故障样本为基础生成故障样本,并将其并入训练集;
步骤3:构建循环卷积神经网络作为智能状态识别模型,对步骤2得到的训练集进行学习,模型通过对多源数据进行自适应的融合及特征提取,实现对航天液体发动机健康状态智能识别。
进一步地,在所述步骤3之后还包括:
步骤4:用步骤3中训练的智能状态识别模型对测试集数据进行健康状态智能识别,并对识别结果进行量化评估。
进一步地,步骤1中对一维信号进行的预处理包括,对各通道信号分别进行统一的归一化处理,对归一化信号采样并添加标签。
进一步地,对每个传感器通道采集的信号分别进行归一化处理,得到归一化信号,其计算式为:
进一步地,各通道信号具有统一的时间序列,对归一化后的多通道信号进行统一的采样,采集的各个样本长度相同,且样本之间不存在重叠,样本表示为:
式中,M表示样本,X表示样本中某通道的采样数据,S为通道数,x表示样本中的具体数据,N为样本长度。
进一步地,步骤1中的多源数据来源于多组发动机,其中部分发动机运行无故障,其余发动机运行存在故障,对不同发动机采集到的信号分别进行多次采样,并根据发动机运行状态对样本添加对应标签,无故障发动机采集的样本标签为0,故障发动机采集的样本标签为1。
进一步地,步骤1中将预处理后的样本按照发动机来源进行划分,训练集包括部分无故障发动机采集到的样本,测试集包括其余无故障发动机及故障发动机采集到样本。
进一步地,步骤2中的基于时序追踪的故障数据生成方法包括幅值锐化法和重采样叠加法,两种方法用公式表示如下:
其中XG为训练集中某正常样本的某通道数据,XA为经过幅值锐化法生成的数据,sign(·)取各数据点的正负号,ηA为缩放因子且ηA∈(0.5,1.5),λA为叠加因子且λA∈[0,1),γ为锐化因子且γ>1;
XF=ηF[λFXG+(1-λF)×resample(XG,ft,fs)]
其中XF为经过重采样叠加法生成的数据,ηF为缩放因子且ηF∈(0.5,1.5),λF为叠加因子且λF∈[0,1),resample(·)为MATLAB中的重采样函数,ft为目标采样频率,fs为原采样频率。
进一步地,步骤2中,以训练集中某一条无故障样本为基础,从[1,S]中随机选取整数sA,并从这条无故障样本中随机选取sA个通道用幅值锐化法进行处理,得到一条幅值锐化样本,然后从[1,S]中随机选取整数sF,并从这条幅值锐化样本中随机选取sF个通道用重采样叠加法进行处理,得到一条故障样本。
进一步地,步骤3中构建的循环卷积神经网络,以长短期记忆(LSTM)层和一维卷积层(1D-CNN)为基础,并通过添加最大池化层、全连接层及Dropout完成模型的构建,模型输入为多源数据,模型输出为发动机健康状态智能识别结果。
进一步地,步骤4中的量化评估的对象为测试集中来自于同一台发动机的所有样本,对状态识别的量化指标包括,识别置信度及故障程度,公式表示如下:
其中Deg表示故障程度,ceil(·)为向上取整函数。
与现有技术相比,本发明具有以下有益的技术效果:
1)本发明提出的时序追踪法,以正常数据为基础,对其幅值进行随机的锐化处理,或添加随机的模拟故障特征频率成分,以生成故障样本用于模型训练。实验验证结果表明,生成的故障样本用于模型训练能显著地提高模型在智能状态识别中的表现。
2)本发明构建的循环卷积神经网络,可直接实现多源数据的自适应融合,并对时序中各点的特征以及序列的隐含状态特征进行自适应的提取,最后通过对提取的发动机本征特征与运行状态进行非线性映射,实现对输入样本的状态识别。
3)本发明基于故障数据生成和多源数据融合方法,发明了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,有效解决了解决发动机故障数据收集困难,而发动机实际运行存在故障风险的问题,有一定的实际应用潜力。
附图说明
图1为本发明方法的流程图;
图2为循环卷积神经网络的结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明,以便本领域的技术人员更好地理解本发明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。为了便于描述,附图中仅示出了与有关发明相关的部分。还需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
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,参见图1,包括以下步骤:
步骤1:以航天液体发动机运行状态下多个传感器通道采集的一维信号作为多源数据,对各通道信号进行预处理,首先,对每个传感器通道采集的信号分别进行归一化处理,得到归一化信号,其计算式为:
归一化处理将各通道数据分别缩放至[-1,1]区间,一方面保留了各通道幅值信息,有利于多源数据的融合和特征提取,另一方面归一化后的数据更有利于模型的训练,加快模型训练,提高模型泛化能力。
对于收集到的多源数据,各通道信号具有统一的时间序列,对归一化后的多通道信号进行统一的采样,采集的各个样本长度相同,且样本之间不存在重叠,样本表示为:
式中,M表示样本,X表示样本中某通道的采样数据,S为通道数,x表示样本中的具体数据,N为样本长度。
多源数据的信号来源于多组发动机,其中部分发动机运行无故障,其余发动机运行存在故障,对不同发动机采集到的信号分别进行多次采样,并根据发动机运行状态对样本添加对应标签,无故障发动机采集的样本标签为0,故障发动机采集的样本标签为1。
将预处理后的样本按照发动机来源进行划分,训练集包括部分无故障发动机采集到的样本,测试集包括其余无故障发动机及故障发动机采集到样本。这样的划分,可以在保证无故障样本下的模型训练的前提下,实现更全面的模型测试和评估。
步骤2:使用基于时序追踪的故障数据生成方法,以步骤1中训练集无故障样本为基础生成故障样本,并将其并入训练集。
基于时序追踪的故障数据生成方法包括幅值锐化法和重采样叠加法,两种方法用公式表示如下:
其中XG为训练集中某正常样本的某通道数据,XA为经过幅值锐化法生成的数据,sign(·)取各数据点的正负号,ηA为缩放因子且ηA∈(0.5,1.5),λA为叠加因子且λA∈[0,1),γ为锐化因子且γ>1;
XF=ηF[λFXG+(1-λF)×resample(XG,ft,fs)]
其中XF为经过重采样叠加法生成的数据,ηF为缩放因子且ηF∈(0.5,1.5),λF为叠加因子且λF∈[0,1),resample(·)为MATLAB中的重采样函数,ft为目标采样频率,fs为原采样频率。
时序追踪方法基于振动机理及设备退化机理,在正常样本时间序列的对应时序位置上添加故障特征,以改变样本的时域特征和频域特征,从而生成故障数据,并用于模型的训练。
利用幅值锐化法和重采样叠加法两种故障数据生成方法,以训练集中某一条无故障样本为基础,从[1,S]中随机选取整数sA,并从这条无故障样本中随机选取sA个通道用幅值锐化法进行处理,得到一条幅值锐化样本,然后从[1,S]中随机选取整数sF,并从这条幅值锐化样本中随机选取sF个通道用重采样叠加法进行处理,得到一条故障样本。。
步骤3:构建循环卷积神经网络作为智能状态识别模型,该模型以长短期记忆(LSTM)层和一维卷积层(1D-CNN)为基础,并通过添加最大池化层、全连接层及Dropout完成模型的构建,结构如图2所示,模型对步骤2得到的训练集进行学习,通过对多源数据进行自适应的融合及特征提取,实现对航天液体发动机健康状态智能识别。
步骤4:用步骤3中训练的智能状态识别模型对测试集数据进行健康状态智能识别,并对识别结果进行量化评估,其中,量化评估的对象为测试集中来自于同一台发动机的所有样本,对状态识别的量化指标包括,识别置信度及故障程度,公式表示如下:
其中Deg表示故障程度,ceil(·)为向上取整函数。
单一的故障模式判别往往不能满足设备实际监测的需求,采用了判别置信度和故障程度来定量的评估设备的运行状态,对来自同一设备的不同样本进行检测和统计,将正确判别比例作为置信度以反映故障判别的有效性,将平均运行状态作为故障程度以反映设备退化水平,从而对设备状态做出多维度、可解释的识别结果。
下面结合具体实施例对本发明做进一步详细描述:
为了更好地说明本发明的技术效果,采用一个具体实施例对本发明进行试验验证。本次实验采用发动机监测多源数据作为数据集,经过本发明方法处理和计算后,对结果进行统计,模型对测试集各机组的状态判别准确率为100%且有较高置信度,对样本的状态判别准确率为92%,并能够定量识别故障程度。这充分表明了所提出的无故障样本下航天液体发动机健康状态智能识别方法的有效性。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (7)
1.一种无故障样本下航天液体发动机健康状态智能识别方法,其特征在于,包括以下步骤:
步骤1:以航天液体发动机稳态运行阶段多个传感器通道采集的一维信号作为多源数据,对各通道信号进行预处理,并划分训练集和测试集;
步骤2:使用基于时序追踪的故障数据生成方法,以步骤1中训练集无故障样本为基础生成故障样本,并将其并入训练集;
其中,基于时序追踪的故障数据生成方法包括幅值锐化法和重采样叠加法,两种方法用公式表示如下:
其中XG为训练集中某正常样本的某通道数据,XA为经过幅值锐化法生成的数据,sign(·)取各数据点的正负号,ηA为缩放因子且ηA∈(0.5,1.5),λA为叠加因子且λA∈[0,1),γ为锐化因子且γ>1;
XF=ηF[λFXG+(1-λF)×resample(XG,ft,fs)]
其中XF为经过重采样叠加法生成的数据,ηF为缩放因子且ηF∈(0.5,1.5),λF为叠加因子且λF∈[0,1),resample(·)为MATLAB中的重采样函数,ft为目标采样频率,fs为原采样频率;
以训练集中某一条无故障样本为基础,从[1,S]中随机选取整数sA,并从这条无故障样本中随机选取sA个通道用幅值锐化法进行处理,得到一条幅值锐化样本,然后从[1,S]中随机选取整数sF,并从这条幅值锐化样本中随机选取sF个通道用重采样叠加法进行处理,得到一条故障样本;
步骤3:构建循环卷积神经网络作为智能状态识别模型,对步骤2得到的训练集进行学习,模型通过对多源数据进行自适应的融合及特征提取,实现对航天液体发动机健康状态智能识别;
其中,构建的循环卷积神经网络,以长短期记忆层和一维卷积层为基础,并通过添加最大池化层、全连接层及Dropout完成模型的构建,模型输入为多源数据,模型输出为发动机健康状态智能识别结果。
2.根据权利要求1所述的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,其特征在于,步骤1中对一维信号进行的预处理包括,对各通道信号分别进行统一的归一化处理,对归一化样本进行采样并添加标签。
5.根据权利要求2所述的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,其特征在于,步骤1中的多源数据来源于多组发动机,其中部分发动机运行无故障,其余发动机运行存在故障,对不同发动机采集到的信号分别进行多次采样,并根据发动机运行状态对样本添加对应标签,无故障发动机采集的样本标签为0,故障发动机采集的样本标签为1。
6.根据权利要求1所述的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,其特征在于,步骤1中将预处理后的样本按照发动机来源进行划分,训练集包括部分无故障发动机采集到的样本,测试集包括其余无故障发动机及故障发动机采集到样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010627898.0A CN111898644B (zh) | 2020-07-02 | 2020-07-02 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010627898.0A CN111898644B (zh) | 2020-07-02 | 2020-07-02 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898644A CN111898644A (zh) | 2020-11-06 |
CN111898644B true CN111898644B (zh) | 2022-10-25 |
Family
ID=73191404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010627898.0A Active CN111898644B (zh) | 2020-07-02 | 2020-07-02 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898644B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834194B (zh) * | 2021-01-22 | 2022-07-12 | 西安交通大学 | 一种无故障样本下基于软目标度量的故障智能检测方法 |
CN113159566B (zh) * | 2021-04-19 | 2022-10-25 | 华南理工大学 | 设备健康阶段检测的自适应收集方法、系统、装置和介质 |
CN113537288B (zh) * | 2021-06-16 | 2024-04-05 | 华北电力大学 | 基于样本信号的修改对目标模型进行训练的方法及系统 |
CN116305531B (zh) * | 2023-01-13 | 2023-09-15 | 北京控制工程研究所 | 一种航天器健康演化模型建模方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059601A (zh) * | 2019-04-10 | 2019-07-26 | 西安交通大学 | 一种多特征提取与融合的智能故障诊断方法 |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116705A (zh) * | 2013-02-06 | 2013-05-22 | 中国航天科技集团公司第六研究院第十一研究所 | 一种补燃循环火箭发动机故障仿真分析方法 |
EP3239684A1 (en) * | 2016-04-29 | 2017-11-01 | Siemens Aktiengesellschaft | Fault diagnosis during testing of turbine unit |
CN106885697B (zh) * | 2017-03-17 | 2019-09-20 | 华东交通大学 | 基于fcm-hmm的滚动轴承的性能退化评估方法 |
CN108181107B (zh) * | 2018-01-12 | 2019-08-30 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN110516305B (zh) * | 2019-07-26 | 2021-02-12 | 西安交通大学 | 基于注意机制元学习模型的小样本下故障智能诊断方法 |
CN110567720B (zh) * | 2019-08-07 | 2020-12-18 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
CN111259532B (zh) * | 2020-01-13 | 2022-05-27 | 西北工业大学 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
-
2020
- 2020-07-02 CN CN202010627898.0A patent/CN111898644B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059601A (zh) * | 2019-04-10 | 2019-07-26 | 西安交通大学 | 一种多特征提取与融合的智能故障诊断方法 |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111898644A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898644B (zh) | 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 | |
JP7004364B1 (ja) | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN105115594B (zh) | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 | |
CN101614786B (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN111538947B (zh) | 风力发电机轴承故障分类模型的构建方法 | |
CN110336534A (zh) | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 | |
Neupane et al. | Bearing fault detection using scalogram and switchable normalization-based CNN (SN-CNN) | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN108760305B (zh) | 一种轴承故障检测方法、装置及设备 | |
CN104596780A (zh) | 一种动车组制动系统传感器故障的诊断方法 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
Guan et al. | Rolling bearing fault diagnosis based on information fusion and parallel lightweight convolutional network | |
CN116502175A (zh) | 一种图神经网络故障诊断方法、装置和存储介质 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
Li et al. | Transformer-based meta learning method for bearing fault identification under multiple small sample conditions | |
CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
CN114077849B (zh) | 一种基于部件级融合的发动机健康状态识别方法 | |
Xuejiao et al. | A method for rolling bearing life state recognition by combining health indicator and anti-noise deep residual shrinkage network | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |