CN112881018A - 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 - Google Patents

Abstract

本发明提出一种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，首先采集航空发动机不同工作状态中，处于正常状态以及传感器不同故障状态下，航空发动机控制系统中若干可测传感器数据，构成样本数据集；对采集的传感器数据进行预处理后，对于每种健康状态的预处理后的样本数据，通过模式梯度谱熵的方法进行处理，得到对应谱熵图；其中模式梯度谱熵方法中的最大结构元素尺度λ_max的取值，采用粒子群算法来自适应地确定；以谱熵图作为输入，训练CNN网络；并利用训练好的CNN模型得到传感器实时故障诊断结果。本发明能够提高传感器故障诊断准确率，高效准确的识别复杂非线性的航空发动机系统的故障模式，满足鲁棒性要求，对噪声干扰不敏感。

Description

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

技术领域

本发明属于航空发动机控制系统故障诊断领域，具体涉及一种基于改进模式梯度谱熵和卷积神经网络的航空发动机控制系统传感器的智能故障诊断方法。

背景技术

航空发动机控制系统是在高速、高负荷、长时间高温环境条件下工作的复杂热力机械。航空发动机作为飞机的心脏，起着至关重要的作用，对安全性要求很高。由于航空发动机控制系统依赖于传感器的测量数据工作，因此一旦传感器发生故障，结果将是灾难性的。因此，对航空发动机进行传感器故障进行检测、隔离和调节是提高其可靠性的关键。

航空发动机的复杂结构导致复杂的信号传输路径和噪声耦合，这使得故障诊断极具挑战性。传统的基于模型的故障诊断方案具有固有的局限性，例如干扰大，由于建模不确定性和非线性复杂性的增加导致模型准确性低，难以获得故障信息和阈值设计，因此有必要寻找更有效的故障特征提取和故障诊断方法。自从大数据出现以来，随着海量数据的挖掘和应用，数据驱动的故障诊断方法迅速兴起和发展，成为研究重点。基于深度学习的故障诊断是典型的数据驱动方法之一，其中包括卷积神经网络(CNN)。CNN具有强大的特征学习、表征能力和抗噪功能，可以对传感器故障进行自动模式识别，解决固定阈值难以适应发动机工作中的不确定性和多变工况问题，具有较强的鲁棒性，将其应用在故障诊断领域具有很大优势。

但是由于直接构建的基于CNN的故障诊断方法由于传感器信号是长时间序列数据，因此存在计算量大，运行时间长的问题。此外，CNN在处理二维(2D)图像方面具有不可替代的优势，但是直接处理一维(1D)数据的效率很低，尤其是对于非平稳、非线性、低信噪比并具有随机波动的一维复杂数据(例如发动机信号)。一些学者通过将一维数据直接转化为二维数据来解决此问题。例如有文献将256*1数据重塑为16*16数据作为CNN网络的输入。但是这种方法缺乏根据且效果不理想，训练模型的性能较差，不能满足现代故障诊断对快速性、高精度的要求，仍然需要更快、更可靠的自动化诊断过程。

发明内容

航空发动机控制系统建立数学模型困难，故障诊断的效果往往受到模型精度的制约；且故障诊断中常使用固定阈值，难以适应发动机工作中的不确定性和多变工况问题，不能满足故障诊断技术对准确率的要求；传感器信号是长时间序列数据，直接构建的基于CNN的故障诊断方法存在计算量大，运行时间长的问题，且直接处理一维(1D)数据的效率很低，不能够满足对诊断快速性和准确性的要求。

为解决上述问题，提高传感器故障诊断准确率，高效准确的识别复杂非线性的航空发动机系统的故障模式，同时满足鲁棒性的要求，对噪声干扰不敏感，我们采用模式梯度谱熵和卷积神经网络进行航空发动机控制系统传感器的故障诊断，而模式梯度谱熵(PGSE)的关键参数(结构元素(SE)尺度λ)值通常根据经验参数并通过人工干预确定，难以针对复杂的航空发动机控制系统实现快速准确估计，增加了故障诊断中的不确定性。为此，本发明引入粒子群算法来自适应地确定模式梯度谱熵的关键参数，相应提出了一种基于改进模式梯度谱熵和卷积神经网络的航空发动机控制系统传感器的故障诊断方法。

本发明的技术方案为：

所述一种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，包括以下步骤：

步骤1：采集航空发动机的不同工作状态中，航空发动机处于正常状态以及传感器不同故障状态下，航空发动机控制系统中的若干可测传感器数据，构成样本数据集；每个工作状态下的数据包括健康数据和多种传感器故障下的数据；并对传感器不同健康状态设定编号；

步骤2：对采集的传感器数据进行预处理：

其中，x为待预处理的样本数据向量，x_i为某一样本数据向量中的第i个样本数据，N为样本数据向量中的样本个数，f为预处理后的样本数据向量，所有传感器的样本数据向量组合得到预处理后的样本数据集；

步骤3：对于每种健康状态的预处理后的样本数据，通过模式梯度谱熵的方法进行处理，得到对应谱熵图，从而将样本数据集中的一维传感器故障信号变换成适应于CNN处理的RGB图像；其中模式梯度谱熵方法中的最大结构元素尺度λ_max的取值，采用粒子群算法来自适应地确定；

步骤4：对得到的谱熵图进行边缘裁剪，使得处理后的谱熵图的大小符合CNN能够处理的像素尺寸大小要求；根据设定的编号，对模式梯度谱熵分析后的数据按照健康状态设置标签进行标记；

步骤5：将样本数据集中的训练集数据对应的谱熵图输入CNN模型，对CNN模型进行训练，并使用样本数据集中的验证集验证训练好的CNN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，否则调整模型参数继续进行训练；

步骤6：得到训练好的CNN模型后，对于航空发动机控制系统传感器的实时测量数据，在进行预处理和PGSE分析得到谱熵图后，将谱熵图输入到训练好的CNN模型中，得到的输出结果为传感器故障诊断的结果。

进一步的，步骤3中对预处理后的样本数据集进行模式梯度谱熵方法处理的过程为：设定结构元素尺度λ，将λ从1变化到λ_max，计算不同尺度下，发动机传感器信号的模式梯度谱熵值PGSE，并以λ_max为横坐标，PGSE为纵坐标，得到谱熵图。

进一步的，步骤3中采用粒子群算法来自适应地确定最大结构元素尺度λ_max的取值的过程为：

(1)初始化粒子群，设置参数包括群体规模K，最大迭代次数T，学习因子c₁和c₂,最大惯性权重w_max，最小惯性权重w_min，位置最大值X_max，位置最小值X_min，速度最大值V_max，速度最小值V_min；初始化每个粒子的位置x_i和速度v_i；

(2)根据误分类样本数与训练样本数之间的误分类率ERR，计算并比较适应度值，计算每个粒子的适应度值fit[j]：

fit[j]＝ERR

其中，j表示第j个粒子，W_j预测≠W_j标签表示预测值与样本的实际值不一致；

(3)更新最优粒子：对每个粒子，用它的适应度值fit[j]和极值P_j比较；如果fit[j]＜P_j，则用fit[j]替换掉P_j；对每个粒子，用它的适应度值fit[j]和全局极值P_g比较；如果fit[j]＜P_g，则用fit[j]替换P_g；

(4)迭代更新粒子的速度x_j和速度v_j：

v_j(t+1)＝v_j(t)+c₁r₁(p_j-x_j(t))+c₂r₂(p_g-x_j(t))

x_j(t+1)＝x_j(t)+v_j(t+1)

(5)进行边界条件处理；

(6)判断粒子群算法终止条件是否满足，若满足预先设定的误差或超过了设定的迭代次数，则结束寻优操作，输出寻优结果；否则返回(2)。

进一步的，模式梯度谱熵值PGSE通过以下公式确定：

其中

q₁(λ)＝PGS(f,λ,g)/∑PGS(f,λ,g)

基本的形态学操作(膨胀、腐蚀、开操作、闭操作)分别定义为：

(fΘg)(n)＝min[f(n+m)-g(m)]

其中，f为预处理后的样本数据向量，g为定义在G＝{0,1,…M}上的用来提取故障形态特征的结构元素；n∈0,1,2,…,N-1，m∈0,1,2,…,M-1。

进一步的，所述结构元素选择平面型结构元素。

进一步的，所述可测传感器数据包括油门杆角度传感器数据，进气道温度，低压转速，高压转速，压缩机入口温度，压缩机出口压力，高压涡轮出口温度，低压涡轮出口温度和低压涡轮出口压力。

进一步的，所述传感器不同健康状态包括正常情况、偏置故障、尖峰故障、开路故障、漂移故障、短路故障和周期性干扰。

进一步的，所述CNN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。

进一步的，所述CNN模型的训练过程为：

1、设置CNN模型的初始参数和重要的特征参数；

2、输入具有标签的谱熵图，谱熵图进入卷积层，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；

3、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；针对传感器的健康状况，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；

4、计算交叉熵损失函数F(y_c,y_l)和准确率AC(y_c,y_l)；

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，y_c表示神经网络传感器故障信号的输出，y_l是传感器故障信号的标记结果；

其中，sum为求和函数，y_c表示神经网络传感器故障信号的输出，y_l是传感器故障信号的标记结果，N为y_c的维数；y_c＝＝y_l表示当y_c＝y_l时，输出为1，否则输出为0；

5、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：F(y_c,y_l)最小，否则返回上一步；

6、当达到设定的最大迭代周期时，模型训练结束。

有益效果

(1)该方法具有良好的鲁棒性、特征提取和噪声滤波能力。

(2)该方法只使用发动机传感器输出来训练神经网络，不需要发动机模型，从而进一步提升故障诊断系统的快速性和故障检测率，故障检测准确率高达97％。

(3)该方法可实现高效的识别复杂非线性的航空发动机系统中的故障模式。

(4)该方法融合了IPGSE和CNN的优点，取长补短。CNN具有强大的学习能力和表征能力，但是计算复杂，且直接处理一维传感器数据的效率很低。PGSE是CNN的良好补充，一是其计算简单，易于硬件在线实现，能够减少CNN的计算时间，使准确的CNN在线诊断成为可能；二是PGSE可以充分考虑多个时标上的动态特性以及信号的远程相关信息，包含更多的故障特征；最重要的是，它将一维信号转换为谱熵图作为CNN的输入，以充分发挥CNN的优势。

(5)PSO算法具有强大的参数全局优化能力，使用该算法来自适应地优化PGSE的SE最大尺度，可以提高所提出方法的特征提取效果。与随机或经验选择的关键参数相比，通过PSO选择的最优参数增加了不同故障之间的区分度，有利于有效的模式识别，提高了故障诊断的准确性。

(6)该方法采用离线学习，在线运行的方式，可用于航空发动机控制系统的实时测量数据的故障诊断。

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从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：算法流程图；

图2：CNN网络模型架构；

图3：不同故障的PGSE；

图4：不同长度的平面型结构元素；

图5：故障分类；

图6：PSO算法优化流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明为了准确识别复杂非线性的航空发动机控制系统传感器的故障模式，并且对噪声干扰不敏感，同时能够精确对多种故障模式进行分类，提出了一种基于改进模式梯度谱熵和卷积神经网络的航空发动机控制系统传感器故障诊断方法。

本实施例中，事先对航空发动机控制系统传感器故障按照故障发生原因进行分类，如图5所示：

(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；

基于上述故障分类，分别采集航空发动机的不同工作状态中，航空发动机处于正常状态以及传感器不同故障状态下，航空发动机控制系统中的若干可测传感器数据，构成样本数据集；每个工作状态下的数据包括健康数据和多种传感器故障下的数据。

本实施例中，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数据：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。

之后对样本数据集中的数据进行预处理：

其中，x为待预处理的样本数据向量，x_i为某一样本数据向量中的第i个样本数据，N为样本数据向量中的样本个数，f为预处理后的样本数据向量，所有传感器的样本数据向量组合得到预处理后的样本数据集。

对于预处理后的样本数据集，将其分为训练集和验证集两部分，其中训练集占比70％，用于训练CNN网络模型，验证集占比30％，用于验证训练好的CNN网络模型的性能。

对于每种健康状态的预处理后的样本数据集，通过模式梯度谱熵的方法进行处理，得到谱熵图，从而将样本数据集中的一维传感器故障信号变换成适应于CNN处理的RGB图像，同时也完整保留并更加充分的体现了故障信息，其中PGSE的关键参数(最大结构元素(SE)尺度λ_max)值由粒子群算法(PSO)来自适应地确定。具体过程如下：

设定结构元素(SE)尺度λ，将λ从1变化到λ_max，计算不同尺度下，发动机传感器信号的模式梯度谱熵值PGSE，并以λ_max为横坐标，PGSE为纵坐标，得到谱熵图；

其中

q₁(λ)＝PGS(f,λ,g)/∑PGS(f,λ,g)

基本的形态学操作(膨胀、腐蚀、开操作、闭操作)分别定义为：

(fΘg)(n)＝min[f(n+m)-g(m)]

其中，f为预处理后的样本数据向量，g为定义在G＝{0,1,…M}上的用来提取故障形态特征的结构元素；n∈0,1,2,…,N-1，m∈0,1,2,…,M-1。由于平面结构元素计算简单，本实施例选择平面型结构元素。

为克服依赖经验选择λ_max时的缺点，使用粒子群算法(PSO)来自适应地确定这个重要参数以改进PGSE，求得使故障误分类率最小的λ_max，其流程如下：

(1)初始化粒子群，设置参数包括群体规模K＝100，最大迭代次数T＝200,学习因子c₁＝1.5,c₂＝1.5,最大惯性权重w_max＝0.9，最小惯性权重w_min＝0.8，位置最大值X_max＝30，位置最小值X_min＝0，速度最大值V_max＝5，速度最小值V_min＝-5。初始化每个粒子的位置x_i和速度v_i。

(2)根据误分类样本数与训练样本数之间的误分类率ERR，计算并比较适应度值，计算每个粒子的适应度值fit[j]。

fit[j]＝ERR

其中，j表示第j个粒子，W_j预测≠W_j标签表示预测值与样本的实际值不一致。

(3)更新最优粒子。对每个粒子，用它的适应度值fit[j]和极值P_j比较。如果fit[j]＜P_j，则用fit[j]替换掉P_j。对每个粒子，用它的适应度值fit[j]和全局极值P_g比较。如果fit[j]＜P_g，则用fit[j]替换P_g。

(4)迭代更新粒子的速度x_j和速度v_j。

v_j(t+1)＝v_j(t)+c₁r₁(p_j-x_j(t))+c₂r₂(p_g-x_j(t))

x_j(t+1)＝x_j(t)+v_j(t+1)

(5)进行边界条件处理。

(6)判断算法终止条件是否满足，若满足预先设定的误差或超过了设定的迭代次数，则结束寻优操作，输出寻优结果；否则返回步骤(2)。

该算法中的粒子种群中有K＝100个粒子，每个粒子的维度为1(只求得一个优化变量λ_max)。个体极值就是粒子在最好位置所得到的目标函数的值。全局极值就是在所有粒子的个体极值中最大或最小的那个值，与之对应的就是全局最优粒子的位置。故存在个体极值和全局极值。

对得到的谱熵图进行边缘裁剪，使得处理后的谱熵图的大小符合CNN能够处理的像素尺寸大小要求。并根据设定的编号，对模式梯度谱熵分析后的数据按照健康状态设置标签进行标记，标记的标签即为所属健康状态的编号。

具体对于CNN模型，通过以下过程建立CNN模型及训练：

本实施例中采用的CNN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。

如图2所示，所述CNN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。

具体训练过程为：

1、设置CNN模型的初始参数和重要的特征参数；

2、输入具有标签的3通道RGB图像即谱熵图，谱熵图进入卷积层，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；

3、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；

4、计算交叉熵损失函数F(y_c,y_l)和准确率AC(y_c,y_l)；

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，y_c表示神经网络传感器故障信号的输出，y_l是传感器故障信号的标记结果。

其中，sum为求和函数，y_c表示神经网络传感器故障信号的输出，y_l是传感器故障信号的标记结果，N为y_c的维数。y_c＝＝y_l表示当y_c＝y_l时，输出为1，否则输出为0；

5、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(y_c,y_l)最小，否则返回上一步；

6、当达到设定的最大迭代周期时，模型训练结束。

CNN模型训练完成后，使用验证集验证训练完成的CNN模型，即将验证集的数据输入到训练好的CNN模型中，计算模型的准确率AC(y_c,y_l)，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，否则调整模型参数继续进行训练。本实施例中，CNN模型训练完成后，使用验证集的数据验证训练好的CNN-PGSE模型，验证后得到模型的故障诊断准确率达97％，平均计算时间为246s。

得到训练好的CNN模型后，对于航空发动机控制系统传感器的实时测量数据，在进行预处理和PGSE分析得到谱熵图后；然后将谱熵图输入到训练好的CNN模型中，得到的输出结果为传感器故障诊断的结果。

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，其特征在于：包括以下步骤：

步骤1：采集航空发动机的不同工作状态中，航空发动机处于正常状态以及传感器不同故障状态下，航空发动机控制系统中的若干可测传感器数据，构成样本数据集；每个工作状态下的数据包括健康数据和多种传感器故障下的数据；并对传感器不同健康状态设定编号；

步骤2：对采集的传感器数据进行预处理：

其中，x为待预处理的样本数据向量，x_i为某一样本数据向量中的第i个样本数据，N为样本数据向量中的样本个数，f为预处理后的样本数据向量，所有传感器的样本数据向量组合得到预处理后的样本数据集；

步骤3：对于每种健康状态的预处理后的样本数据，通过模式梯度谱熵的方法进行处理，得到对应谱熵图，从而将样本数据集中的一维传感器故障信号变换成适应于CNN处理的RGB图像；其中模式梯度谱熵方法中的最大结构元素尺度λ_max的取值，采用粒子群算法来自适应地确定；

步骤4：对得到的谱熵图进行边缘裁剪，使得处理后的谱熵图的大小符合CNN能够处理的像素尺寸大小要求；根据设定的编号，对模式梯度谱熵分析后的数据按照健康状态设置标签进行标记；

步骤5：将样本数据集中的训练集数据对应的谱熵图输入CNN模型，对CNN模型进行训练，并使用样本数据集中的验证集验证训练好的CNN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，否则调整模型参数继续进行训练；

步骤6：得到训练好的CNN模型后，对于航空发动机控制系统传感器的实时测量数据，在进行预处理和PGSE分析得到谱熵图后，将谱熵图输入到训练好的CNN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所述一种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，其特征在于：步骤3中对预处理后的样本数据集进行模式梯度谱熵方法处理的过程为：设定结构元素尺度λ，将λ从1变化到λ_max，计算不同尺度下，发动机传感器信号的模式梯度谱熵值PGSE，并以λ_max为横坐标，PGSE为纵坐标，得到谱熵图。

3.根据权利要求2所述一种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，其特征在于：步骤3中采用粒子群算法来自适应地确定最大结构元素尺度λ_max的取值的过程为：

(1)初始化粒子群，设置参数包括群体规模K，最大迭代次数T，学习因子c₁和c₂,最大惯性权重w_max，最小惯性权重w_min，位置最大值X_max，位置最小值X_min，速度最大值V_max，速度最小值V_min；初始化每个粒子的位置x_i和速度v_i；

(2)根据误分类样本数与训练样本数之间的误分类率ERR，计算并比较适应度值，计算每个粒子的适应度值fit[j]：

fit[j]＝ERR

其中，j表示第j个粒子，W_j预测≠W_j标签表示预测值与样本的实际值不一致；

(3)更新最优粒子：对每个粒子，用它的适应度值fit[j]和极值P_j比较；如果fit[j]＜P_j，则用fit[j]替换掉P_j；对每个粒子，用它的适应度值fit[j]和全局极值P_g比较；如果fit[j]＜P_g，则用fit[j]替换P_g；

(4)迭代更新粒子的速度x_j和速度v_j：

v_j(t+1)＝v_j(t)+c₁r₁(p_j-x_j(t))+c₂r₂(p_g-x_j(t))

x_j(t+1)＝x_j(t)+v_j(t+1)

(5)进行边界条件处理；

(6)判断粒子群算法终止条件是否满足，若满足预先设定的误差或超过了设定的迭代次数，则结束寻优操作，输出寻优结果；否则返回(2)。

4.根据权利要求3所述一种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，其特征在于：模式梯度谱熵值PGSE通过以下公式确定：

其中

q₁(λ)＝PGS(f,λ,g)/∑PGS(f,λ,g)

基本的形态学操作(膨胀、腐蚀、开操作、闭操作)分别定义为：

(fΘg)(n)＝min[f(n+m)-g(m)]

其中，f为预处理后的样本数据向量，g为定义在G＝{0,1,…M}上的用来提取故障形态特征的结构元素；n∈0,1,2,…,N-1，m∈0,1,2,…,M-1。

5.根据权利要求4所述一种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，其特征在于：所述结构元素选择平面型结构元素。

6.根据权利要求1所述一种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，其特征在于：所述可测传感器数据包括油门杆角度传感器数据，进气道温度，低压转速，高压转速，压缩机入口温度，压缩机出口压力，高压涡轮出口温度，低压涡轮出口温度和低压涡轮出口压力。

7.根据权利要求1所述一种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，其特征在于：所述传感器不同健康状态包括正常情况、偏置故障、尖峰故障、开路故障、漂移故障、短路故障和周期性干扰。

8.根据权利要求1所述一种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，其特征在于：所述CNN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。

9.根据权利要求8所述一种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，其特征在于：所述CNN模型的训练过程为：

1、设置CNN模型的初始参数和重要的特征参数；

2、输入具有标签的谱熵图，谱熵图进入卷积层，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；

3、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；针对传感器的健康状况，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；

4、计算交叉熵损失函数F(y_c，y_l)和准确率AC(y_c，y_l)；

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，y_c表示神经网络传感器故障信号的输出，y_l是传感器故障信号的标记结果；

其中，sum为求和函数，y_c表示神经网络传感器故障信号的输出，y_l是传感器故障信号的标记结果，N为y_c的维数；y_c＝＝y_l表示当y_c＝y_l时，输出为1，否则输出为0；

5、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:F(y_c，y_l)最小，否则返回上一步；

6、当达到设定的最大迭代周期时，模型训练结束。

Images