CN112749789A - 基于自联想型神经网络的航空发动机多重故障诊断器 - Google Patents
基于自联想型神经网络的航空发动机多重故障诊断器 Download PDFInfo
- Publication number
- CN112749789A CN112749789A CN202011595565.0A CN202011595565A CN112749789A CN 112749789 A CN112749789 A CN 112749789A CN 202011595565 A CN202011595565 A CN 202011595565A CN 112749789 A CN112749789 A CN 112749789A
- Authority
- CN
- China
- Prior art keywords
- network
- self
- layer
- neural network
- fault
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 101
- 238000003745 diagnosis Methods 0.000 title description 30
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012886 linear function Methods 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 96
- 238000000034 method Methods 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000446 fuel Substances 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013524 data verification Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种基于自联想型神经网络的航空发动机多重故障诊断器，包括八个自联想神经网络；八个自联想神经网络根据最接近输入和降噪性能最佳的标准来寻找最佳的自联想型神经网络结构，之后保持该结构分别根据正常模型和故障模型的仿真数据和改进型反向传播算法调整网络的权值；根据残差和设定阈值的关系判断发动机的故障情况。本发明可以对航空发动机进行有效的故障诊断与隔离，可以同时诊断并隔离出单个部件故障和多个传感器故障，可以有效的避免由于停飞等原因造成的经济损失，可以避免一些不必要的部件更换；可以有效的保证发动机具有较高的稳定性和可靠性，保证发动机安全工作，充分发挥发动机的性能，提高飞机的安全性和性能。
Description
技术领域
本发明涉及航空发动机控制技术领域，尤其涉及一种基于自联想型神经网络的航空发动机多重故障诊断器。
背景技术
航空发动机由于其工作过程复杂多变且工况严峻，针对其设计控制系统则更加困难，加之现代的控制系统要求其有较高的精准度和优良的可靠性。航空发动机作为飞机的心脏，起着至关重要的作用，安全性要求也极高，故障诊断对其可靠性的提升是必不可少的。总的来说，故障诊断既是判断故障是否出现并确定其出现的位置，并且估计故障严重程度的一系列运算过程。故障诊断与隔离(fault detection and ioslation， FDI)的目的是为了增加系统的可靠性、可用性以及安全性。
航空发动机作为飞机组成的重要部件，控制系统的发展都需要满足其可靠性和稳定性的指标。发动机的各个部件由于长期工作在高温高压的工况下，加上外界对发动机腐蚀等原因，主要部件的性能也会随着服役年限逐渐退化。为了维持发动机较高的可靠性，在提高部件的性能之外，关键的技术就在于故障的实时诊断。
目前所提出的故障诊断方法中存在诸多问题。首先，面对一般的故障诊断方法均需要对被诊断对象进行建模，而航空发动机由于其数学模型相当复杂而且具有高度的非线性，建模过程存在很大的困难。而单纯的基于信号的处理方式又完全避开了模型，忽略了发动机模型中的一些实际特点。因此，需要一种合适的诊断方法既可以避免模型建立的麻烦又可以从反应模型的特点。其次，故障诊断系统都需要对传感器测得的发动机数据进行数据校验。如今运用最成熟的算法就是卡尔曼滤波。但是卡尔曼滤波的算法实际上比较复杂，往往需要多步的迭代。而且发动机测量数据众多，故障诊断又需要实时进行，所以如何对多个数据同时快速的进行校验、滤去噪声是提高诊断系统性能的关键。然后，发动机的故障存在多种情况，其中就包括了部件故障与传感器故障。目前诸多故障诊断技术可以完成故障的诊断与隔离，但是都需要分两步或者多步进行。根据对诊断快速性的要求，需要诊断系统能够对故障的检测、隔离、恢复同时进行。
发明内容
为解决现有技术存在的问题，本发明提出一种基于自联想型神经网络的航空发动机多重故障诊断器，能够对发动机的故障进行快速准确的诊断，可以诊断出传感器故障，同时又可以高效的诊断出部件故障，有效的避免由于停飞等原因造成的经济损失，可以避免一些不必要的部件更换；可以有效的保证发动机具有较高的稳定性和可靠性，保证发动机安全工作，充分发挥发动机的性能，提高飞机的安全性和性能。
本发明的技术方案为：
所述一种基于自联想型神经网络的航空发动机多重故障诊断器，其特征在于：包括八个自联想神经网络；
所述自联想神经网络是由大量神经元相互连接构成的网络，它的拓扑结构为层状结构，且不同层的神经元之间没有链接关系，包含了3个隐藏层。第一个隐藏层被称为映射层，第二个隐藏层叫做瓶颈层，第三个隐藏层被称为解映射层。
所述八个自联想神经网络首先利用无噪声无故障的数据，网络的每一层神经元个数从一个相对较小的神经元个数开始逐步确定每层隐藏层的个数，不停的改变网络的结构，根据最接近输入和降噪性能最佳的标准来寻找最佳的自联想型神经网络结构，之后保持该结构分别根据正常模型和故障模型的仿真数据和改进型反向传播算法调整网络的权值。
所述八个自联想神经网络的输入都是传感器测量参数和对应的供油量Wf组成的n维向量m，八个自联想神经网络的输出分别为m1'、m2'、…、m8'，八个自联想神经网络的输入分别与对应的输出比较得到差值r1、r2、…、r8。
进一步的，所述的一种基于自联想型神经网络的航空发动机多重故障诊断器的故障判断依据为：网络的输入与输出信号的差值即残差，判断残差的大小是否在正常范围内，如果超出阈值则故障报警。既无部件故障也无传感器故障：当所有网络的残差都在选定的合适的阈值之下时，此时认为发动机是正常的，既没有部件故障也没有传感器故障；仅有部件故障：部件故障的出现会造成相应的故障模型(自联想型神经网络经过特定故障情况的训练)的残差在阈值之下，其他自联想型神经网络的残差均在阈值之上；仅有传感器故障：只有传感器出现故障时，对应故障传感器的残差会超出阈值，并且发生在所对应的自联想型神经网络中；既有部件故障又有传感器故障：相应的故障模型的残差，除了故障传感器对应的残差在阈值之上，其他残差都在阈值之下，并且其他自联想型神经网络的残差均在阈值之上。
进一步的，所述的自联想型神经网络的输入、映射层和瓶颈层共同表示为一个非线性函数G:Rm→Rf，它可以将输入向量的维数降低而达到设计的要求。该映射可以用以下表达式表示
T＝G(Y)
其中G是一个非线性矢量函数，有多个独立的非线性函数G＝[G1,G2,...,Gf]T。用Ti表示瓶颈层第i个节点的输出或是向量T＝[T1,T2,...,Ti]T,i＝1,2,...f中的第i个元素。Y＝[Y1,Y2,...,Yf]T表示网络的输入。因此，上述映射可以描述成Gi:Rm→R，它的构成为：
Ti＝Gi(Y),i＝1,2,...,f
进一步的，所述的自联想型神经网络的瓶颈层的输出、解映射层和输出层构成了第二层网络，其非线性函数模型为H:Rf→Rm，可以复制一个近似于来自瓶颈层元素输入的值。这个映射可以用如下公式表示：
其中H为非线性矢量函数，由m个非线性函数组成，每一个输出都可以表示为 Hj:Rf→R,则有：
进一步的，所述的改进型反向传播算法是在传统反向传播算法的基础上，权向量按照误差函数E(W)的负梯度方向来修正，直到E(W)达到最小值。因此，权向量的迭代公式为：
W(k+1)＝W(k)+ηG(k)
其中η为常数，表示学习的步长；G(k)为E(W)的负梯度，即：
为了加快反向传播算法的收敛速度，引入动量因子α，从而将W(k+1)＝W(k)+ηG(k)的权向量迭代修正规则改进为：
W(k+1)＝W(k)+ηG(k)+α·ΔW(k)
上式中：
ΔW(k)＝W(k)-W(k-1)
它记忆了上一时刻权向量的修改方向，从而使公式W(k+1)＝W(k)+ηG(k)+α·ΔW(k)的形式类似于共轭梯度算法。动量因子α的取值范围为0<α<1，它的选取对网络的学习的收敛速度有着很重要的调节作用。
进一步的，所述的自联想型神经网络的网络权值的修正需要将网络的映射层、瓶颈层以及解映射层的神经元个数从较少的数量开始，并逐渐增加。网络的权值和阈值通过迭代不断更新使得全网络的均方差最小，也使得输出值尽可能的接近输入值。
进一步的，所述的训练网络所使用的数据来自于Matlab模拟模型，并且所有的输入输出数据都采用离差标准化进行了归一化处理，即使训练数据保持在-1到1之间。
进一步的，所述的自联想型神经网络，在确定了网络结构之后，如果自联想型神经网络在纠正偏差的性能上不足就需要进行再训练。利用来自于故障的传感器的数据作为输入，对网络的权值进行修正，直到输出数据是相对应的正确值，即再训练就是为了使在输入包含偏差和偏移的情况下输出是无误差无噪声的值。
进一步的，所述的发动机的故障包含传感器故障和部件故障，传感器包括进气道出口、风扇出口、压气机出口、高压涡轮后、低压涡轮后的温度和压力传感器，风扇转速和压气机转速传感器。部件故障包含下列8个健康参数的变化，分别是：低压压气机的效率和流通能力、高压压气机的效率和流通能力、低压涡轮的效率和流通能力、高压涡轮的效率和流通能力。
有益效果
与现有技术相比较，本发明的基于自联想型神经网络的航空发动机多重故障诊断器将自联想型神经网络用于航空发动机的故障诊断与隔离上，根据测量数据的特点设计基本的网络结构，再根据模型的仿真数据和网络的反向传播算法，确定网络的具体结构组成，使得自联想神经网络可以明显的降低测量数据的噪声，在传感器失准、噪声逐渐增加的情况下，网络同样具有降低噪声的能力，同时对于测量数据出现奇异值以及测量数据故障均具有良好的数据重构能力。针对航空发动机八种不同的部件故障分别设计八种不同的自联想型神经网络结构，由它们构成的自联想型神经网络的航空发动机多重故障诊断器可以对航空发动机进行有效的故障诊断与隔离，可以同时诊断并隔离出单个部件故障和多个传感器故障。该发明可以有效的避免由于停飞等原因造成的经济损失，可以避免一些不必要的部件更换；可以有效的保证发动机具有较高的稳定性和可靠性，保证发动机安全工作，充分发挥发动机的性能，提高飞机的安全性和性能。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明进行故障诊断与隔离的气路分析原理；
图2是本发明自联想型神经网络中人工神经元模型的示意图；
图3是本发明人工神经元模型的神经元传递函数示意图；
图4是本发明自联想型神经网络的结构；
图5是本发明传感器故障诊断方法示意图；
图6是本发明自联想型神经网络与相关部件故障的对应关系表；
图7是本发明基于自联想型神经网络的航空发动机多重故障诊断器的结构示意图。
具体实施方式
发动机故障诊断主要是利用发动机气路中传感器的测量值来判断此刻系统的性能，由于环境因素等原因，此刻的性能必定与理想状态不同。改变发动机的转速、总温、总压、燃油流量等变量，从而获得所需信息来识别发动机是否出现故障。在诸多文献中利用这种特性进行故障诊断的方法称为气路分析法。
气路分析法的主要目标是检测系统的物理故障，物理故障包含的问题种类很多，就有外界对部件的损伤所造成的异常，其中包括了：叶片的侵蚀和腐蚀、封口磨损、喷嘴堵塞等等。这些物理性故障均会造成发动机或者其部件的热力学性能的改变。发动机部件的状态可以利用一系列独立的性能参数通过数学计算得出。这些性能参数目前广泛使用的是部件的效率和流通能力。
本发明设计的自联想型神经网络的航空发动机多重故障诊断器便是基于气路分析法的原理。图1表示了气路分析法的主要思想。总的来说，这种方法的基本理念就是物理故障会造成发动机部件性能的改变，这些改变可以通过效率和流通能力反应出来，而效率和流通能力改变最直接的表象就是发动机部分测量参数的改变，例如：总温、总压、转速等等。如果一旦观测到发动机的气路参数出现变化，接下来的任务就是分析检测这个故障是由哪个热力学参数或者哪个部件参数的变化所引起的。这就是进一步的对故障进行隔离的概念。
1、自联想型神经网络
自联想型神经网络是在简单的神经网络基础上发展起来的，它通过更改网络的拓扑结构以及激励函数等方法实现不同的网络功能。
在本发明中，网络之间复杂的函数关系是通过输入输出信号来逐步确定的，也就意味着输出会逼近并且收敛于输入。通过选择合理的网络内部结构并且训练该网络，使其有一个完整精确的映射关系。这样的神经网络就可以提供大量的数据来完成诸多任务。另外，通过构建网络输入与输出之间的误差，可以运用误差信号诊断和隔离传感器故障，同样也可以在传感器数据的校验和分析中重建传感器的丢失和故障数据。
神经网络的基本单元称为“神经元”，它是对生物神经元简化和模拟。为了模拟生物神经元，可以将其简化为图2的人工神经元，其中各变量的下标i表示神经网络中第i个神经元。
该神经元是一个多输入(设为n个)、单输出的非线性神经元，其输入输出关系可描述为：
yi＝f(si)
其中，xj(j＝1,2,...,n)来自于其他神经元的输入信号；θi为该神经元的阈值；wij表示神经元j到i的连接权值；si表示神经元的状态。f(·)为某种非线性函数，它将神经元的状态si变换成神经元的输出yi，所以称为神经元的输出函数或者传递函数。
本发明所使用神经元模型中的传递函数f(·)为Sigmoid型，其形式有以下两种：
其函数图像分别如图3的(a)、(b)所示。
自联想型神经网络是由大量神经元相互连接构成的网络，它的拓扑结构为层状结构，且不同层的神经元之间没有链接关系，具体结构如图4所示，其中包含了3个隐藏层。第一个隐藏层被称为映射层。隐藏层的激活功能可以是S型函数、切线双曲线和其他类似非线性函数。第二个隐藏层叫做瓶颈层，它起到的是线型传递函数的功能。瓶颈层的维数应当小于其他的隐藏层的维数。第三个隐藏层被称为解映射层，它具有与映射层相同的激活函数。映射层和解映射层具有相同的神经元个数。
瓶颈层的输出数据将输入层的输出数据进行了压缩。自联想型神经网络的运作是基于主元分析的概念，主元分析是一种多变量的统计方法，可用于对含有噪声的高度相关的测量数据进行分析。采用的是把高维度信息投影到低维子空间并保留主要过程信息的方法，主元分析对于线性和非线性的相关变量均可适用。瓶颈层的输出节点可被视为是输入的相关数据经过压缩的不相关变量与主要部件是一致的。
与主元分析相同，自联想型神经网络中的瓶颈层的目标是将数据压缩成一系列不相关的变量存储在一个新的空间中，并使数据有更低的维数，令数据被处理起来可以更加简单紧凑。
与只包含一层隐藏层的网络结构不同，在自联想型神经网络结构中使用的三层隐藏层的主要原因是需要将数据进行压缩从而滤掉噪声和偏差。根据图4，自联想型神经网络应当被视为两个串联起来的具有单个隐藏层的神经网络结构。其中输入、映射层和瓶颈层共同表示为一个非线性函数G:Rm→Rf，它可以将输入向量的维数降低而达到设计的要求。该映射可以用以下表达式表示
T＝G(Y)
其中G是一个非线性矢量函数，有多个独立的非线性函数G＝[G1,G2,...,Gf]T。用Ti表示瓶颈层第i个节点的输出或是向量T＝[T1,T2,...,Ti]T,i＝1,2,...f中的第i个元素。Y＝[Y1,Y2,...,Yf]T表示网络的输入。因此，上述映射可以描述成Gi:Rm→R，它的构成为：
Ti＝Gi(Y),i＝1,2,...,f
下一层即是所谓的逆变换，是将数据恢复到原来的维数，此时瓶颈层的输出、解映射层和输出层构成了第二层网络，其非线性函数模型为H:Rf→Rm，可以复制一个近似于来自瓶颈层元素输入的值。这个映射可以用如下公式表示：
其中H为非线性矢量函数，由m个非线性函数组成，每一个输出都可以表示为 Hj:Rf→R,则有：
为了不失一般性，子函数G和H必须具有表示任意性质的非线性函数的能力。这可以通过提供给各个子网具有大量节点的单层感知器来实现。映射层是子函数G的隐藏层，同样解映射层是子函数H的隐藏层。
自联想型神经网络需要监督训练，既是对每一个训练样本都有一个指定的期望输出。在输出T未知的情况下是不可能单独训练网络G的。类似的，在期望输出(目标输出是
)已知，但是相应的输出T位置的情况下，网络H也是不可能被单独训练的。因此，对每一层网络独立的进行监督训练是不能实现的。为了避免这个问题，两个网络之间的连接是连续的，这样G的输出可以直接传给H，这样网络的输出和期望输入均是已知的。特别的，
既是G的输入，也是H的期望输出。对于包含3个隐藏层的 G与H连续的网络，瓶颈层是共享的，G的输出即是H的输入。
2、改进型误差反向传播算法
反向传播网络是一种最为常用的前馈网络。反向传播网络的学习采用反向传播算法，即误差反向传播算法，设反向传播网络共有M层(不包含输入层)，第l层节点数为nl，
表示第l层节点k的输出，则
由下两式确定：
其中
为第l层神经元k的状态,神经元状态按公式方式表示，即
上式采用了向量法表示，
为由网络权值组成的系数行向量，y(l-1)为第l-1层的输出列向量。输入层作为第0层处理，因此y(0)＝x，x为输入向量。
给定样本模式{X,Y}后，反向传播网络的权值将被调整，使如下的误差目标函数达到最小：
上式中
为网络的输出，W表示反向传播网络中所有的权值。nM为最后一层(输出层)的节点数。
根据梯度下降最优化方法，可以通过E(W)的梯度来修正权值。连至第l层第i个神经元的权值向量Wi (l)的修正量由下式确定：
对于输出层(第M层)，上式中的δi (l)为：
对于隐藏层：
以上即是反向传播算法。对于给定的输入输出样本，按照上述过程反复迭代计算权值，最终使网络的输出接近期望输出。网络由输入计算输出，再由输出反向调整权值。两个过程反复交替，直到收敛为止。为了解决反向传播算法可能存在陷入局部最小以及收敛速度慢等问题，采用改进型反向传播算法。权向量按照误差函数E(W)的负梯度方向来修正，直到E(W)达到最小值。因此，权向量的迭代公式为：
W(k+1)＝W(k)+ηG(k)
其中η为常数，表示学习的步长；G(k)为E(W)的负梯度，即：
为了加快反向传播算法的收敛速度，引入动量因子α，从而将W(k+1)＝W(k)+ηG(k)的权向量迭代修正规则改进为：
W(k+1)＝W(k)+ηG(k)+α·ΔW(k)
上式中：
ΔW(k)＝W(k)-W(k-1)
它记忆了上一时刻权向量的修改方向，从而使公式W(k+1)＝W(k)+ηG(k) +α·ΔW(k)的形式类似于共轭梯度算法。动量因子α的取值范围为0<α<1，它的选取对网络的学习的收敛速度有着很重要的调节作用。
3、自联想型神经网络的训练
故障诊断与隔离系统的性能以及诊断与隔离部件故障的成功率很大程度上依赖于测量数据的有效性和质量。所有来自于燃气涡轮发动机传感器由于工作在高温、高压等严峻的条件下，测量数据往往都包含了传感器噪声、偏移、漂移以及其他传感器故障。这些传感器的故障和异常现象会导致测量一定程度上偏离真实值，从而导致故障诊断的不准确。
要构建一个完整的网络必要的因素包含了网络的层数以及每一层神经元的个数。要是网络有满足需要的良好性能就需要精确网络的权值、阈值以及激励函数，更特别的是还有修正瓶颈层神经元的个数。要完成这样工作就需要大量的传感器测量数据，这就是的网络的训练。
在网络训练的过程当中，权值需要根据改进误差反向传播算法来进行修正，这样才能使输入输出一致。训练的数据以及网络瓶颈层神经元的个数需要选择恰当，因此网络的内部性能则是通过设定的权值以及可以保留最大信息数来确定的。
要完成网络权值的修正需要将网络的映射层、瓶颈层以及解映射层的神经元个数从较少的数量开始，并逐渐增加。需要注意的是瓶颈层的神经元个数要少于映射层和解映射层的个数，并且映射层和解映射层的神经元个数要相同。要使得一个自联想型神经网络在数据检验上有很好的性能，关键在于给网络提供数量合适的数据使得网络有足够的信息完成权值的修正，更重要的是瓶颈层有恰当的神经元个数。一个具有良好的降噪性能和较低的输入输出误差的网络可以更好的完成数据校验的工作。
网络的权值和阈值通过迭代不断更新使得全网络的均方差最小，也使得输出值尽可能的接近输入值。输入与输出的一致也就表明了网络的内部根据瓶颈层确定的维数对原始数据进行压缩后，依然最大限度的保留了原始数据的相关信息。
在本发明中，训练网络所使用的数据来自于Matlab模拟模型，同时也可以使用带有噪声的真实发动机数据进行训练。但是利用带有噪声的实际数据作为训练数据会造成训练速度变慢、训练误差变大以及降噪性能的降低等缺点。了解了这点之后，采用准确值进行训练，这样可以很快的找到合适的网络结构，之后保持该结构再使用实际数据调整网络的权值。这个过程可以让网络更加符合发动机的具体性能，进而实现网络性能的优化。然而，发动机实际数据都包含了噪声。因此需要注意的是在再训练的阶段一定要在误差函数达到最小前停止训练，这是避免网络出现一般化的情况。换句话说也就是，训练的时间要足够长才能保证训练误差最小，同时训练的时间又不能过长以免网络记住了误差。
首先，为了提升网络的训练能力，传感器的输出数据必须进行归一化处理，即使训练数据保持在-1到1之间。第二，利用无噪声无故障的数据，不停的改变网络的结构，根据最接近输入和降噪性能最佳的标准来寻找最佳网络结构。
在确定了网络结构之后，如果自联想型神经网络在纠正偏差的性能上不足就需要进行第三步，再训练就是为了使在输入包含偏差和偏移的情况下输出是无误差无噪声的值。为了完成这个功能，输入的数据必须来自于故障的传感器，而输出数据必须是相对应的正确值。根据自联想型神经网络两个子网络的功能，噪声在第一个子网络就被滤掉了，该子网络包含了映射层和瓶颈层。子网络的功能是压缩输入的维数，在压缩输入空间维数的时候也就要处理由于测量噪声引起的冗余和随机变化量。第二个子网络的功能就是将压缩后的数据恢复到原来的维数。
根据这个原理，在重新训练的过程只是修复第二个子网络的权值，同时更新具有滤掉噪声的第一个子网络的权值。也就是在再训练的过程中只有两层网络的权值需要更新。
传感器测量值的选取为传感器的测量数据，传感器包括进气道出口、风扇出口、压气机出口、高压涡轮后、低压涡轮后的温度和压力传感器，风扇转速和压气机转速传感器。网络的其他输入输出包括发动机的燃油流量(Wf)，其往往不能直接测得，但是却是气路系统的输入。Wf可以通过飞行员操作的油门杆位置(PLA)确定。
在自联想型神经网络结构的数据校验中，训练数据来自于发动机的仿真模型。由于发动机的各个变量数值的变化范围很广，它们的最大值和最小值之间的差距很大。网络的训练往往需要更有效率的执行输入与目标之间的特定的处理步骤。在训练的过程中发现，网络的训练程序对数据的标准化方法十分的敏感，经过多次实验后，本发明决定采用离差标准化对数据进行处理。因此所有的输入输出数据均进行了归一化处理。
网络的每一层神经元个数都需要在训练时确定，从一个相对较小的神经元个数开始逐步确定每层隐藏层的个数，直到找到最佳的自联想型神经网络结构。在网络最佳化的过程中(既是找到每一个网络最佳的神经元个数)为了确定自联想型神经网络的最佳结构，瓶颈层神经元的个数在3到7之间变化，映射层和解映射层的神经元个数在10到60之间变化。映射层和解映射层的神经元个数对所有结构来说都认作是相等来处理。
利用这样的训练法，每一个自联想型神经网络网络训练输入包含了7000组数据，训练步数在30-60之间。数据的产生来自于发动机燃油流量的变化。该外界条件设定为标准条件。
对于所有进行训练的结果，列出9个不同的结构以及目标函数训练误差JTrain、测试误差JTest以及发动机所有输入所对应输出的噪声变化量的平均值。其中目标函数定义为：
其中yd(n)表示网络的期望输出，yNet(n)表示网络的实际输出。本发明将巡航状态下的一般噪声定义为噪声水平。
选出降噪能力较强、训练误差JTrain和测试误差JTest较小的结构。
4、基于自联想型神经网络的故障诊断
使用一定数量的样本和改进反向传播方法完成对自联想型神经网络结构、权值等参数的设置，此时自联想型神经网络模拟了发动机气路系统里各变量之间的相互作用关系。这使得输入输出尽可能的相符合。因此，当没有故障的数据进入已经训练好的网络时，网络输入与输出之间的差值应该为零。当数据受到污染(也就是一个传感器出现故障)，网络输入和输出的差将不再为零。基于这个原理，自联想型神经网络可以用来诊断传感器是否出现了故障。
图5表示对一组n个测量值的传感器监督系统。根据自联想型神经网络的映射规则将输入mi(i＝1,2,...,n)变为输出mi'(i＝1,2,...,n)。
当第i个传感器的值mi作为故障输入到网络中，网络产生的输出m'i会尽可能接近估计mi的真实值。mi和m'i之间的差值就可以当作故障诊断的指示器。差值的大小如果超出了阈值，则认为该传感器出现故障。
自联想型神经网络在航空涡扇发动机存在气路部件故障的情况下进行故障诊断。一旦故障出现就会造成健康参数或者性能参数的改变，这些参数的改变则会造成发动机测量值和它们之间相互关系的改变。所以，单一的一个利用健康数据训练的自联想型神经网络并不能完全估计发动机在正常或者故障条件下的全部变量。因此，需要使用一系列的自联想型神经网络。每一个神经网络都需要利用健康数据和相对应的故障数据进行训练。因此，每一个网络都充当一个估计的作用，同时估计发动机的健康条件以及发动机最可能出现的故障。
输入输出变量，包括各个传感器的测量值和发动机的燃油流量Wf。发动机的部件故障包含下列8个健康参数的变化，分别是：低压压气机的效率和流通能力、高压压气机的效率和流通能力、低压涡轮的效率和流通能力、高压涡轮的效率和流通能力。图6列出的这8个部件故障用来研究发动机的故障诊断。
所以需要8个模型也就是8个自联想型神经网络，每一个模型表示并关联着发动机的两类性能，一个是故障模式，另一个是正常模式。图6表示每一个网络所对应的发动机故障模型。
图7是本发明基于自联想型神经网络的航空发动机多重故障诊断器的结构示意图，八个自联想神经网络的输入都是测量参数组成的n维向量m，八个自联想神经网络的输出分别为m1'、m2'、…、m8'，八个自联想神经网络的输入分别与对应的输出比较得到差值r1、r2、…、r8。在建立好自联想型神经网络的网络结构以后，残差的产生来自于网络的输出与发动机实际输出之间的差值。以下的四种情况表示发动机工作状态下经常出现故障的情况，同时给出了这四种情况下残差的具体形式。
既无部件故障也无传感器故障：当所有网络的残差都在选定的合适的阈值之下时，此时认为发动机是正常的，既没有部件故障也没有传感器故障。
仅有部件故障：部件故障的出现会造成相应的故障模型(自联想型神经网络经过特定故障情况的训练)的残差在阈值之下，其他自联想型神经网络的残差均在阈值之上。
仅有传感器故障：只有传感器出现故障时，对应故障传感器的残差会超出阈值，并且发生在所对应的自联想型神经网络中。
既有部件故障又有传感器故障：相应的故障模型的残差，除了故障传感器对应的残差在阈值之上，其他残差都在阈值之下，并且其他自联想型神经网络的残差均在阈值之上。
根据自联想型神经网络中残差产生的特性就可以将部件故障从传感器故障中隔离出来。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于自联想型神经网络的航空发动机多重故障诊断器，其特征在于：包括八个自联想神经网络；
所述自联想神经网络是由大量神经元相互连接构成的网络，它的拓扑结构为层状结构，且不同层的神经元之间没有链接关系，包含了3个隐藏层。第一个隐藏层被称为映射层，第二个隐藏层叫做瓶颈层，第三个隐藏层被称为解映射层。
所述八个自联想神经网络首先利用无噪声无故障的数据，网络的每一层神经元个数从一个相对较小的神经元个数开始逐步确定每层隐藏层的个数，不停的改变网络的结构，根据最接近输入和降噪性能最佳的标准来寻找最佳的自联想型神经网络结构，之后保持该结构分别根据正常模型和故障模型的仿真数据和改进型反向传播算法调整网络的权值。
所述八个自联想神经网络的输入都是测量参数组成的n维向量m，八个自联想神经网络的输出分别为m1'、m2'、…、m8'，八个自联想神经网络的输入分别与对应的输出比较得到差值r1、r2、…、r8。
2.根据权利要求1所述的一种基于自联想型神经网络的航空发动机多重故障诊断器，其特征在于：故障判断依据为网络的输入与输出信号的差值即残差，判断残差的大小是否在正常范围内，如果超出阈值则故障报警。既无部件故障也无传感器故障：当所有网络的残差都在选定的合适的阈值之下时，此时认为发动机是正常的，既没有部件故障也没有传感器故障；仅有部件故障：部件故障的出现会造成相应的故障模型(自联想型神经网络经过特定故障情况的训练)的残差在阈值之下，其他自联想型神经网络的残差均在阈值之上；仅有传感器故障：只有传感器出现故障时，对应故障传感器的残差会超出阈值，并且发生在所对应的自联想型神经网络中；既有部件故障又有传感器故障：相应的故障模型的残差，除了故障传感器对应的残差在阈值之上，其他残差都在阈值之下，并且其他自联想型神经网络的残差均在阈值之上。
3.根据权利要求1所述的一种基于自联想型神经网络的航空发动机多重故障诊断器，其特征在于：所述的输入、映射层和瓶颈层共同表示为一个非线性函数G:Rm→Rf，它可以将输入向量的维数降低而达到设计的要求。该映射可以用以下表达式表示
T＝G(Y)
其中G是一个非线性矢量函数，有多个独立的非线性函数G＝[G1,G2,...,Gf]T。用Ti表示瓶颈层第i个节点的输出或是向量T＝[T1,T2,...,Ti]T,i＝1,2,...f中的第i个元素。Y＝[Y1,Y2,...,Yf]T表示网络的输入。因此，上述映射可以描述成Gi:Rm→R，它的构成为：
Ti＝Gi(Y),i＝1,2,...,f
4.根据权利要求1所述的一种基于自联想型神经网络的航空发动机多重故障诊断器，其特征在于：所述的瓶颈层的输出、解映射层和输出层构成了第二层网络，其非线性函数模型为H:Rf→Rm，可以复制一个近似于来自瓶颈层元素输入的值。这个映射可以用如下公式表示：
其中H为非线性矢量函数，由m个非线性函数组成，每一个输出都可以表示为Hj:Rf→R,则有：
5.根据权利要求1所述的一种基于自联想型神经网络的航空发动机多重故障诊断器，其特征在于：所述的改进型反向传播算法是在传统反向传播算法的基础上，权向量按照误差函数E(W)的负梯度方向来修正，直到E(W)达到最小值。因此，权向量的迭代公式为：
W(k+1)＝W(k)+ηG(k)
其中η为常数，表示学习的步长；G(k)为E(W)的负梯度，即：
为了加快反向传播算法的收敛速度，引入动量因子α，从而将W(k+1)＝W(k)+ηG(k)的权向量迭代修正规则改进为：
W(k+1)＝W(k)+ηG(k)+α·ΔW(k)
上式中：
ΔW(k)＝W(k)-W(k-1)
它记忆了上一时刻权向量的修改方向，从而使公式W(k+1)＝W(k)+ηG(k)+α·ΔW(k)的形式类似于共轭梯度算法。动量因子α的取值范围为0<α<1，它的选取对网络的学习的收敛速度有着很重要的调节作用。
6.根据权利要求1所述的一种基于自联想型神经网络的航空发动机多重故障诊断器，其特征在于：所述的网络权值的修正需要将网络的映射层、瓶颈层以及解映射层的神经元个数从较少的数量开始，并逐渐增加。网络的权值和阈值通过迭代不断更新使得全网络的均方差最小，也使得输出值尽可能的接近输入值。
7.根据权利要求1所述的一种基于自联想型神经网络的航空发动机多重故障诊断器，其特征在于：所述的训练网络所使用的数据来自于Matlab模拟模型，并且所有的输入输出数据都采用离差标准化进行了归一化处理，即使训练数据保持在-1到1之间。
8.根据权利要求1所述的一种基于自联想型神经网络的航空发动机多重故障诊断器，其特征在于：所述的自联想性神经网络，在确定了网络结构之后，如果自联想型神经网络在纠正偏差的性能上不足就需要进行再训练。利用来自于故障的传感器的数据作为输入，对网络的权值进行修正，直到输出数据是相对应的正确值，即再训练就是为了使在输入包含偏差和偏移的情况下输出是无误差无噪声的值。
9.根据权利要求1所述的一种基于自联想型神经网络的航空发动机多重故障诊断器，其特征在于：所述的发动机的故障包含传感器故障和部件故障，传感器包括进气道出口、风扇出口、压气机出口、高压涡轮后、低压涡轮后的温度和压力传感器，风扇转速和压气机转速传感器。部件故障包含下列8个健康参数的变化，分别是：低压压气机的效率和流通能力、高压压气机的效率和流通能力、低压涡轮的效率和流通能力、高压涡轮的效率和流通能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011595565.0A CN112749789A (zh) | 2020-12-30 | 2020-12-30 | 基于自联想型神经网络的航空发动机多重故障诊断器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011595565.0A CN112749789A (zh) | 2020-12-30 | 2020-12-30 | 基于自联想型神经网络的航空发动机多重故障诊断器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112749789A true CN112749789A (zh) | 2021-05-04 |
Family
ID=75646705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011595565.0A Pending CN112749789A (zh) | 2020-12-30 | 2020-12-30 | 基于自联想型神经网络的航空发动机多重故障诊断器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112749789A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11687067B2 (en) * | 2019-04-04 | 2023-06-27 | Honeywell International Inc. | Pattern classification system with smart data collection for environmental control system fault isolation |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6804600B1 (en) * | 2003-09-05 | 2004-10-12 | Honeywell International, Inc. | Sensor error detection and compensation system and method |
| CN111506049A (zh) * | 2020-04-27 | 2020-08-07 | 西北工业大学 | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 |
-
2020
- 2020-12-30 CN CN202011595565.0A patent/CN112749789A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6804600B1 (en) * | 2003-09-05 | 2004-10-12 | Honeywell International, Inc. | Sensor error detection and compensation system and method |
| CN111506049A (zh) * | 2020-04-27 | 2020-08-07 | 西北工业大学 | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| HUIHUI LI等: "Multiple Fault Diagnosis of Aeroengine Control System Based on Autoassociative Neural Network", 《2020 11TH INTERNATIONAL CONFERENCE ON MECHANICAL AND AEROSPACE ENGINEERING(ICMAE)》, 27 August 2020 (2020-08-27) * |
| 袁曾燕等: "神经网络在悬索桥故障诊断中的应用", 《江苏电器》, 31 December 2007 (2007-12-31), pages 1 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11687067B2 (en) * | 2019-04-04 | 2023-06-27 | Honeywell International Inc. | Pattern classification system with smart data collection for environmental control system fault isolation |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109857094B (zh) | 基于两阶段卡尔曼滤波算法的航空发动机故障诊断方法 | |
| CN110118128B (zh) | 微型燃气轮机传感器故障诊断和容错控制方法 | |
| Volponi et al. | The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics: a comparative study | |
| CN109635318B (zh) | 一种航空发动机传感器智能解析余度设计方法 | |
| 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 | |
| Kobayashi et al. | Evaluation of an enhanced bank of Kalman filters for in-flight aircraft engine sensor fault diagnostics | |
| Yang et al. | Multiple model-based detection and estimation scheme for gas turbine sensor and gas path fault simultaneous diagnosis | |
| Zhou et al. | A novel compound fault-tolerant method based on online sequential extreme learning machine with cycle reservoir for turbofan engine direct thrust control | |
| CN112801267A (zh) | 动态阈值的航空发动机多重故障诊断器 | |
| CN108897309B (zh) | 基于模糊隶属度的航空发动机传感器故障诊断与隔离方法 | |
| Volponi | Data fusion for enhanced aircraft engine prognostics and health management | |
| CN112749789A (zh) | 基于自联想型神经网络的航空发动机多重故障诊断器 | |
| CN110991024A (zh) | 一种航空发动机控制系统并发故障下的气路部件突变监测方法 | |
| Wu et al. | Ensemble recurrent neural network-based residual useful life prognostics of aircraft engines | |
| CN112906855A (zh) | 动态阈值的变循环发动机多重故障诊断器 | |
| CN113722989B (zh) | 一种基于cps-dp模型的航空发动机寿命预测方法 | |
| Bin et al. | An investigation of artificial neural network (ANN) in quantitative fault diagnosis for turbofan engine | |
| CN112818461A (zh) | 基于自联想型神经网络的变循环发动机多重故障诊断器 | |
| Li et al. | Multiple fault diagnosis of aeroengine control system based on autoassociative neural network | |
| Li et al. | Fault diagnosis and reconstruction for sensor of aeroengine control system based on AANN network | |
| Vladov | Algorithms for diagnostic and parameter of failures of channels of measurement of TV3-117 aircraft engine automatic control system in flight modes based on neural network technologies | |
| Cao et al. | A two-layer multi-model gas path fault diagnosis method | |
| Zhu et al. | Application of adaptive square root cubature Kalman filter in turbofan engine gas path performance monitoring | |
| Xue et al. | Application of Kalman filters for the fault diagnoses of aircraft engine | |
| Bettocchi et al. | Artificial Intelligence for the Diagnostics of Gas Turbines: Part I—Neural Network Approach |
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 |