CN113569338B - 一种基于时间扩张卷积网络的压气机旋转失速预警方法 - Google Patents
一种基于时间扩张卷积网络的压气机旋转失速预警方法 Download PDFInfo
- Publication number
- CN113569338B CN113569338B CN202110899542.7A CN202110899542A CN113569338B CN 113569338 B CN113569338 B CN 113569338B CN 202110899542 A CN202110899542 A CN 202110899542A CN 113569338 B CN113569338 B CN 113569338B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- surge
- network
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000002243 precursor Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/01—Purpose of the control system
- F05D2270/10—Purpose of the control system to cope with, or avoid, compressor flow instabilities
- F05D2270/101—Compressor surge or stall
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/709—Type of control algorithm with neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于时间扩张卷积网络的压气机旋转失速预警方法，首先，对航空发动机动态压力数据进行预处理，在实验数据中划分出测试数据集和训练数据集。其次，依次构建时间卷积网络模块、构建Resnet‑v网络模块、构建时间扩张卷积网络预测模型，保存最优预测模型。最后，在测试数据上进行实时预测：首先按照时间卷积网络预测模型的输入要求调整测试集数据维度；按时间顺序，通过时间扩张卷积网络预测模型计算每个样本的喘振预测概率；通过时间扩张卷积网络预测模型计算含有协变量与不含协变量的一对样本的实时喘振概率，观察协变量对模型预测效果的提升作用。本发明综合了时域统计特征和变化趋势，提高预测精度；有利于提高发动机主动控制的性能，具有一定的普适性。
Description
技术领域
本发明涉及一种基于时间扩张卷积网络的压气机旋转失速预警方法，属于航空发动机建模与仿真技术领域。
背景技术
航空发动机的性能稳定性直接关系到整机的飞行安全，而气路部件在整体流量、压力和能量方面维稳作用影响着发动机的整体工作状态，在各种常见的气路故障中，压气机旋转失速是其中一种破坏性极强、变化极快的故障，因此对其进行精准识别和及时预警是国内外航空发动机领域的研究重点。一般来说，压气机失稳发展过程主要有稳态、失速先兆、旋转失速和喘振四个阶段，每个阶段表现特征各异，发生机理较为复杂，传播非常迅速。稳定工作时压气机流量减少，压比增大，当流量减少到超过失稳边界时，压气机则会发生流动失稳，导致旋转失速或喘振的发生，流量波动极为剧烈。喘振发生时，发动机内的机械部件往往已经受到实质性损坏，因此，迫切需要将发动机失稳过程终止在旋转失速的初期，在未对部件造成破坏时就可识别早期微小故障征兆，从而给主动控制留出更多时间。
旋转失速的判别通常从压气机的脉动压力信号提取先兆信号的特征来检测失速，检测算法主要包括时域分析法、频域分析法和时频分析法。时域分析法依据压力信号的时域特征变化，利用方差分析、相关性分析等方法判别，计算速度快，方便工程应用，但对信号辅值依赖大，稳定性差，易受噪声影响。频域分析法通过分析信号频谱图的特征变化来检测，但有信号平稳性的前提要求，应用受限。时频分析法将时域信息和频谱特征结合，分析信息的维度增加，对非平稳信号可以更好地分析，但对于表现形态差异大的失速信号通用性不强。
发明内容
针对现有技术中准确性低，可靠性差的问题，本发明提供一种基于时间扩张卷积网络的压气机旋转失速预警方法。
本发明采用的技术方案如下：
一种基于时间扩张卷积网络的压气机旋转失速预警方法，包括以下步骤：
S1.对航空发动机喘振数据进行预处理，包括以下步骤：
S1.1导入测量点的实验数据作为数据集，采用低通滤波器，对压力变化数据进行滤波处理；
S1.2对滤波后数据进行降采样；根据喘振频率的数值分布区间，基于奈奎斯特采样定理，选定降采样率；
S1.3对降采样后数据进行归一化处理，将数据分布通过线性变化映射到[0,1]区间；
S1.4采用滑动窗口技术构建数据集样本，以steps大小的时间步长为单位切分时域数据，每个数据窗口覆盖的采样点组成一个样本，并为每个样本标注喘振与否的标签1或0；
S1.5将整体数据集划分为训练数据集和测试数据集，再将训练数据集按3:1的比例划分为训练集和验证集；
S2.构建时间卷积网络模块，包括以下步骤：
S2.1将每个样本维度调整为(steps,1)，作为时间卷积网络模块的输入，其中steps为时间步；
S2.2搭建基于因果卷积和扩张卷积的扩张卷积模块，时间卷积网络内部每层的基本模块由两个内核大小和扩张因子数值相同的扩张卷积模块组成；在第一个扩张卷积后进行批量归一化处理，引入校正非线性单元ReLU以调整传入下一层的信息，第二个扩张卷积后再进行批量归一化处理，所得特征与上一层提取的特征加和，通过ReLU激活函数计算得到本层的输出特征；
S2.3通过堆叠多个扩张卷积模块组建时间扩张卷积网络，扩大网络接受域，采用跳跃连接保留每个卷积层的输出信息，并采用ReLU激活函数激活得到时间卷积网络模块的输出；
S3.构建Resnet-v网络模块，包括以下步骤：
S3.1考虑到喘振数据特性，设计的Resnet-v网络允许两部分数据输入，其中一部分是历史数据特征，另一部分是数据协变量；计算每个样本的时域统计特征，包括方差、均值、最值等数据特征，外加样本所对应的测量点编号，构成一组协变量特征，将其作为Resnet-v网络模块的输入之一；
S3.2通过一组密集层和批量归一化层处理输入的协变量，再应用ReLU激活函数传入下一组密集层和批量归一化层；将其输出与时间卷积网络获取的数据特征加和，通过ReLU激活函数得到Resnet-v网络的输出；
S4.构建时间扩张卷积网络预测模型，包括以下步骤：
S4.1采用类似Seq2Seq架构来构建时间扩张卷积网络预测模型，分为Encoder和Decoder两部分，其中Encoder部分为时间卷积网络模块，Decoder部分由Resnet-v网络模块和输出密集层组成；
S4.2将Encoder模块的输出特征ht输入Resnet-v网络模块，如步骤S3所述进行运算得到融合输出；
S4. 3Decoder模块的输出密集层接收上步的融合输出，通过密集层、批量归一化层、ReLU激活函数等处理，得到喘振的概率预测值；
S4.4针对喘振数据训练中存在的问题，选用MHL(Modified HuberLoss)作为损失函数；所述HuberLoss作为一种鲁棒性更强的损失函数，能够有效结合MSE和MAE两种损失函数的优点，避免MAE在值为0时不可导问题与MSE受离群点影响大的缺点，其公式为：
其中，y代表真实数据值，f(x)代表当前预测值，δ是决定如何计算误差的超参数，Lδ(y,f(x))为当前计算的损失值。
另外引入影响因子β，β∈[0,1]，用来表示喘振状态的样本(类别为1)被错误分类为非喘振状态(类别为0)的影响大小，定义权重系数β0-1为：
最终损失函数形式为MHL＝β0-1Lδ(y,f(x))。
S4.5保存训练后模型并在验证集上测试，根据验证集评价指标调整模型超参数，评价指标采用F_score指标，保存使评价指标最优的模型得到最终的时间扩张卷积网络预测模型；
所述F_score指标如下：
其中，P为精确率(Precision)，表示被分为正类的样本中实际为正类的比例：
TP为真正例数，FP为假正例数；R为召回率(Recall)，表示样本中正类被正确预测的比例：
TP为真正例数，FN为假负例数。由于正类被预测为负类的，即喘振样本预测为非喘振造成的损失更大，所以β取为2，增大召回率在评估指标中的重要性。
S5.在测试数据上进行实时预测
S5.1获取步骤S1中预处理后划分出的测试集数据，按照时间扩张卷积网络预测模型的输入要求调整数据维度；
S5.2采用训练后的时间扩张卷积网络预测模型计算每个样本的喘振预测概率，并按照时间顺序排序；
S5.3在测试数据中随机选取一组动压变化数据，将输入模型的数据分别整理为带有协变量参数的和不带有协变量参数的两组对比样本，采用训练后的时间扩张卷积网络预测模型，分别给出两组对比数据实时喘振概率，以观察协变量对模型预测效果的帮助性。
本发明的有益效果为：
通过本发明所提供方法对压气机旋转失速预警，相比于以往时域分析方法，综合了压力数据变化趋势和时域统计特征协变量，提高了预测精度。由于模型的输出为喘振预测概率，可以设置不同阈值划分概率以实现分级报警，根据喘振概率高低调整发动机运行状态，因此该方法有利于提高发动机主动控制的性能。本发明基于数据，与发动机结构无关，因此通过训练不同数据集就可以将模型方便地迁移到不同型号发动机上使用，具有一定的普适性。
附图说明
图1为基于时间扩张卷积网络的压气机旋转失速预警方法流程图；
图2为数据预处理流程图；
图3为时间卷积网络结构图；
图4为Resnet-v网络结构图；
图5为时间扩张卷积网络预测模型结构图
图6为时间扩张卷积网络预测模型在测试数据上的预测结果图，其中(a)为进口零级静子尖部动压随时间变化图，(b)为时间扩张卷积网络预测模型给出的喘振预测概率随时间的变化图，(c)为时间扩张卷积网络预测模型给出的预警信号；
图7为协变量对时间扩张卷积网络预测模型预测效果的影响对比图，其中(a)为进口二级静子尖部动压随时间变化图，(b)为输入不带协变量时喘振预测概率随时间的变化图，(c)为输入带有协变量时喘振预测概率随时间的变化图。
具体实施方式
下面结合附图对本发明作进一步说明，本发明依托背景为某型航空发动机喘振实验数据，基于时间扩张卷积网络的压气机旋转失速预警方法流程如图1所示。
图2为数据预处理流程图，实验设置10个测量点，测量从正常到喘振共t秒的动态压力数值，传感器测量频率为6kHz，共记录16组数据；10个测量点分别位于：进口导向叶片静子尖部、零级静子尖部、一级静子尖部(周向三个)、二级静子尖部、三级静子尖部、四级静子尖部、五级静子尖部、出口壁面。数据预处理步骤如下：
S1.采用低通滤波器，对训练数据集中所有测量点测量的压力变化数据滤波处理；
S2.为节约计算资源，对滤波后数据进行降采样，根据喘振频率的数值分布区间，依据奈奎斯特采样定理确定降采样率；
S3.对降采样后数据进行归一化处理，将数据分布通过线性变化映射到[0,1]区间；
S4.采用滑动窗口技术构建数据集样本，按时间步长大小steps切分时域数据，由数据窗口覆盖的采样时刻过程变量组成一个样本，并为每个样本标注喘振与否的标签1或0；
S5.将整体数据集划分为训练数据集和测试数据集，再将训练数据集照按3:1的比例划分为训练集和验证集。
图3为时间卷积网络结构图，构建时间卷积网络模块的步骤如下：
S1.将每个样本维度调整为(steps,1)，作为时间卷积网络模块的输入，其中steps为时间步长大小；
S2.搭建基于因果卷积和扩张卷积的扩张卷积模块，时间卷积网络内部每层的基本模块由两个内核大小和扩张因子数值相同的扩张卷积模块组成。卷积滤波器的宽度k设为2，每层卷积采用11个滤波器，每个扩张卷积层的扩张因子分别为[1、2、4、8、16、32]，使感受野达到128，；在第一个扩张卷积后进行批量归一化处理，引入校正非线性单元ReLU以调整传入下一层的信息，第二个扩张卷积后再进行批量归一化处理。卷积模块之间采取残差连接，直接前步特征信息，同时避免梯度消失。残差连接将本层所得特征与上一层的输出特征加和，即进行xl+1＝f(xl,wl)+xl运算，所得输出再通过ReLU激活函数，最终得到本层的输出特征；
S3.通过堆叠多个扩张卷积模块组建时间卷积网络，扩大网络接受域，通过信息叠加保留每个卷积层的输出特征信息，并采用ReLU激活函数激活得到时间卷积网络模块的输出。
图4为Resnet-v网络结构图，构建Resnet-v网络的步骤如下：
S1.考虑到喘振数据特性，设计的Resnet-v网络允许两部分数据输入，其中一部分是历史数据特征，另一部分是数据协变量；计算每个样本的时域统计特征，包括方差、均值、最值等数据特征，外加样本所对应的测量点编号，构成一组协变量特征，将其作为Resnet-v网络模块的输入之一；
S2.通过一组密集层和批量归一化层处理输入的协变量，再应用ReLU激活函数传入下一组密集层和批量归一化层；将其输出与时间卷积网络获取的数据特征加和，通过ReLU激活函数得到Resnet-v网络的输出。
图5为时间扩张卷积网络预测模型结构图，构建时间扩张卷积网络预测模型的步骤如下：
S1.采用类似Seq2Seq架构来构建时间扩张卷积网络预测模型，分为Encoder和Decoder两部分，其中Encoder部分为时间卷积网络模块，Decoder部分由Resnet-v网络模块和输出密集层组成；
Encoder模块的输出为：
其中，x为当前输入时间序列，t代表当前时刻，w是卷积核；d代表时间卷积网络模块的扩张因子，K代表内核的大小；ht是时间卷积网络模块对t时刻输入数据所提取的特征，代表Encoder模块的输出。
S2.计算数据协变量Xt，同Encoder模块的输出特征ht一起输入到Resnet-v网络模块，得到融合输出为：
δt＝R(Xt)+ht
其中，ht是编码器的输出，Xt是t时刻所输入数据的协变量，R(·)是应用在协变量Xt的残差函数，δt代表Resnet-v网络模块的输出。
S3.Decoder模块的输出密集层接收上步的融合输出δt，根据模型预测任务的要求设计输出密集层运算模式，通过密集层、批量归一化层、激活函数等处理，得到喘振的概率预测值，如下式所示：
Z＝Dense(δt)
其中，Dense是指的根据预测任务设定的输出密集层运算，在当前喘振概率预测任务中具体设置为“dense-BN-ReLU-Dropout-Soft ReLU”结构，其中使用Soft ReLU激活函数是为了满足参数的正定性条件；Z是输出的预测概率估计值。
S4.压气机喘振数据具有以下问题，在一定程度上会影响模型训练效果：
一是简单/困难样本不平衡，失速先兆一般为突尖波形态，在其到来之前数据非常平稳，而喘振发生后数据抖动非常剧烈，数值与前期相比变化较大，这些样本比较容易分类，属于简单样本；从突尖波发展到喘振过程中的样本有小幅波动或基本没有波动，这些样本在识别特征时相对困难；从失速先兆出现到喘振发生之间时间间隔较短，发展迅速，因此简单/困难样本比例不平衡；
二是不同类别的错误分类所造成的影响不同，相比于非喘振状态被判别为喘振状态，将喘振状态错误分为非喘振状态所造成的实际代价远高于前者。
为解决以上问题，选用MHL(Modified HuberLoss)作为损失函数。
HuberLoss作为一种鲁棒性更强的损失函数，有效的结合了MSE和MAE两种损失函数的优点，避免了MAE在值为0时不可导情况与MSE受离群点影响大的缺点，帮助模型对困难样本的学习，其公式为：
另外，针对错误判别所造成的问题，引入影响因子β，β∈[0,1]，用来表示喘振状态的样本(类别为1)被错误分类为非喘振状态(类别为0)的影响大小，定义权重系数β0-1为：
最终损失函数形式为MHL＝β0-1Lδ(y,f(x))。
S5.保存训练后模型并在验证集上测试，根据验证集评价指标调整模型超参数，评价指标采用F_score指标：
其中，P为精确率(Precision)，表示被预测为正类的样本中真实正样本所占比例，即
R为召回率(Recall)，表示真实正样本中被正确预测的比例，即
TP为真正例数，FP为假正例数，FN为假负例数。
由于正类被预测为负类的，即喘振样本预测为非喘振造成的损失更大，所以β取为2，增大召回率在评估指标中的重要性。保存使评价指标最优的模型得到最终时间扩张卷积网络预测模型。
图6为时间扩张卷积网络预测模型在测试数据上的预测结果图，其中(a)为进口零级静子尖部动压实时变化图，(b)为时间扩张卷积网络预测模型给出的喘振预测概率实时变化图，(c)为时间扩张卷积网络预测模型给出的预警信号。图7为协变量对时间扩张卷积网络预测模型预测效果的影响对比图，其中(a)为进口二级静子尖部动压随时间变化图，(b)为输入不带协变量时喘振预测概率随时间的变化图，(c)为输入带有协变量时喘振预测概率随时间的变化图。
在测试数据上进行实时预测的步骤如下：
S1.从零级静子尖部动压数据的预测结果图中(a)可以看出，7.95s开始出现了一个向上的尖波，处于失速初始扰动阶段，随着失速扰动的发展，在8.65s开始有剧烈的波动，彻底发展为失速喘振。按数据预处理中步骤对测试集数据处理，调整数据维度后输入训练后的时间扩张卷积网络预测模型进行预测。结合图6(b)和图6(c)可以看出，在7.95s左右喘振概率从0提升至80％的预测值，随后喘振概率在7.95s到8.25s的区间一直维持较高的预测值，8.3s后由于原始动压的数据处于较为平稳阶段，喘振概率回落，之后在8.62s处喘振概率跟随原始数据的波动而再次升高。根据喘振发生原理，失速先兆的发生代表旋转失速和喘振的大概率出现，因此在7.95s处预判出失速先兆时，系统便在初始扰动阶段给出预警信号，以防对部件造成破坏。
S2.本发明综合考虑历史数据与数据协变量含有的时域特征信息，因此针对协变量对预测效果的改进程度做了对比实验。从二级静子尖部动压数据的预测结果图的图(a)可以看出，7.43s开始出现了一个向上发展的突尖，处于失速初始扰动阶段，随着失速扰动的发展，在7.79s开始有剧烈的波动，彻底发展为失速喘振。同样按数据预处理中步骤对测试集数据处理，一组数据含有协变量信息，一组数据不含协变量信息，调整数据维度后进行预测；图7(b)显示在没有协变量信息辅助下，喘振概率约在7.49s之后上升，比失速初始阶段起始点晚了0.05s，图7(c)显示喘振概率在7.44s之后上升，与失速初始阶段起步时间基本持平，因此表明协变量信息对于喘振概率预测有一定帮助。
以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。
Claims (2)
1.一种基于时间扩张卷积网络的压气机旋转失速预警方法，其特征在于，包括以下步骤：
S1.对航空发动机喘振数据进行预处理，包括以下步骤：
S1.1导入测量点的实验数据作为数据集，对压力变化数据进行滤波处理；
S1.2对滤波后数据进行降采样；
S1.3对降采样后数据进行归一化处理，将数据分布通过线性变化映射到[0，1]区间；
S1.4构建数据集样本，以steps大小的时间步长为单位切分时域数据，每个数据窗口覆盖的采样点组成一个样本，并为每个样本标注喘振与否的标签1或0；
S1.5将整体数据集划分为训练数据集和测试数据集，再将训练数据集按比例划分为训练集和验证集；
S2.构建时间卷积网络模块，包括以下步骤：
S2.1将每个样本维度调整为(steps，1)，作为时间卷积网络模块的输入，其中steps为时间步；
S2.2搭建基于因果卷积和扩张卷积的扩张卷积模块，时间卷积网络内部每层的基本模块由两个内核大小和扩张因子数值相同的扩张卷积模块组成；在第一个扩张卷积后进行批量归一化处理，引入校正非线性单元ReLU以调整传入下一层的信息，第二个扩张卷积后再进行批量归一化处理，所得特征与上一层提取的特征加和，通过ReLU激活函数计算得到本层的输出特征；
S2.3通过堆叠多个扩张卷积模块组建时间扩张卷积网络，扩大网络接受域，采用跳跃连接保留每个卷积层的输出信息，并采用ReLU激活函数激活得到时间卷积网络模块的输出；
S3.构建Resnet-v网络模块，包括以下步骤：
S3.1考虑到喘振数据特性，Resnet-v网络允许两部分数据输入，其中一部分是历史数据特征，另一部分是数据协变量；计算每个样本的时域统计特征，和样本所对应的测量点编号，构成一组协变量特征，将其作为Resnet-v网络模块的输入之一；
S3.2通过一组密集层和批量归一化层处理输入的协变量，再应用ReLU激活函数传入下一组密集层和批量归一化层；将其输出与时间卷积网络获取的数据特征加和，通过ReLU激活函数得到Resnet-v网络的输出；
S4.构建时间扩张卷积网络预测模型，包括以下步骤：
S4.1构建时间扩张卷积网络预测模型，分为Encoder和Decoder两部分，其中Encoder部分为时间卷积网络模块，Decoder部分由Resnet-v网络模块和输出密集层组成；
S4.2将Encoder模块的输出特征ht输入Resnet-v网络模块，如步骤S3所述进行运算得到融合输出；
S4.3 Decoder模块的输出密集层接收上步的融合输出，依次通过密集层、批量归一化层、ReLU激活函数处理，得到喘振的概率预测值；
S4.4针对喘振数据训练中存在的问题，选用MHL作为损失函数，其公式为：
其中，y代表真实数据值，f(x)代表当前预测值，δ是决定如何计算误差的超参数，Lδ(y，f(x))为当前计算的损失值；
另外引入影响因子β，β∈[0，1]，用来表示喘振状态的样本被错误分类为非喘振状态的影响大小，定义权重系数β0-1为：
最终损失函数形式为MHL＝β0-1Lδ(y，f(x))；
S4.5保存训练后模型并在验证集上测试，根据验证集评价指标调整模型超参数，评价指标采用F_score指标，保存使评价指标最优的模型得到最终的时间扩张卷积网络预测模型；
S5.在测试数据上进行实时预测
S5.1获取步骤S1中预处理后划分出的测试集数据，按照时间扩张卷积网络预测模型的输入要求调整数据维度；
S5.2采用训练后的时间扩张卷积网络预测模型计算每个样本的喘振预测概率，并按照时间顺序排序；
S5.3在测试数据中随机选取一组动压变化数据，将输入模型的数据分别整理为带有协变量参数的和不带有协变量参数的两组对比样本，采用训练后的时间扩张卷积网络预测模型，分别给出两组对比数据实时喘振概率；
所述步骤S1.2中，根据喘振频率的数值分布区间，基于奈奎斯特采样定理，选定降采样率；
所述步骤S1.5中，训练集和验证集的比例为3∶1。
2.根据权利要求1所述的一种基于时间扩张卷积网络的压气机旋转失速预警方法，其特征在于，所述步骤S4.5中F_score指标如下：
其中，P为精确率，表示被分为正类的样本中实际为正类的比例：
TP为真正例数，FP为假正例数；R为召回率，表示样本中正类被正确预测的比例：
TP为真正例数，FN为假负例数；β取为2。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110899542.7A CN113569338B (zh) | 2021-08-06 | 2021-08-06 | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 |
| US17/795,095 US20230316051A1 (en) | 2021-08-06 | 2021-09-18 | Pre-alarming method for rotary stall of compressors based on temporal dilated convolutional neural network |
| PCT/CN2021/119187 WO2023010658A1 (zh) | 2021-08-06 | 2021-09-18 | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110899542.7A CN113569338B (zh) | 2021-08-06 | 2021-08-06 | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113569338A CN113569338A (zh) | 2021-10-29 |
| CN113569338B true CN113569338B (zh) | 2022-10-14 |
Family
ID=78170633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110899542.7A Active CN113569338B (zh) | 2021-08-06 | 2021-08-06 | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230316051A1 (zh) |
| CN (1) | CN113569338B (zh) |
| WO (1) | WO2023010658A1 (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114186337A (zh) * | 2021-11-30 | 2022-03-15 | 大连理工大学 | 一种基于多源数据融合的压气机旋转失速预测方法 |
| CN114548555B (zh) * | 2022-02-22 | 2022-09-13 | 大连理工大学 | 一种深度自回归网络的轴流压气机失速喘振预测方法 |
| CN114857062B (zh) * | 2022-04-13 | 2023-03-24 | 大连理工大学 | 一种基于tcn的航空发动机失稳状态检测系统 |
| CN116579230A (zh) * | 2023-03-31 | 2023-08-11 | 中国长江电力股份有限公司 | 基于tcn神经网络的闸门启闭状态实时预警方法及装置 |
| CN116504005B (zh) * | 2023-05-09 | 2024-02-20 | 齐鲁工业大学(山东省科学院) | 一种基于改进CDIL-Bi-LSTM的周界安防入侵信号识别方法 |
| CN117474925B (zh) * | 2023-12-28 | 2024-03-15 | 山东润通齿轮集团有限公司 | 一种基于机器视觉的齿轮点蚀检测方法及系统 |
| CN117609704B (zh) * | 2024-01-23 | 2024-04-19 | 青岛高科通信股份有限公司 | 一种基于神经网络模型的智能电表的电计量误差分析装置 |
| CN117892099B (zh) * | 2024-03-18 | 2024-06-18 | 湖南科技大学 | 基于概率神经网络的风电机组服役效能评估方法和系统 |
| CN117933104B (zh) * | 2024-03-25 | 2024-06-07 | 中国人民解放军国防科技大学 | 固体姿轨控发动机燃气调节阀压强修正方法 |
| CN118521013A (zh) * | 2024-07-25 | 2024-08-20 | 东北大学 | 一种融合先验知识的复杂工业过程产品质量检测方法 |
| CN118551275B (zh) * | 2024-07-26 | 2024-10-11 | 国网山东省电力公司微山县供电公司 | 一种变压器铜损预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
| CN112001128A (zh) * | 2020-06-10 | 2020-11-27 | 大连理工大学 | 一种基于深度学习的轴流压气机失速喘振预测方法 |
| CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
| CN112990536A (zh) * | 2021-01-27 | 2021-06-18 | 广东工业大学 | 一种基于分位数卷积网络的公交到站时间预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3486816A1 (en) * | 2017-11-16 | 2019-05-22 | Institut Pasteur | Method, device, and computer program for generating protein sequences with autoregressive neural networks |
| US11315570B2 (en) * | 2018-05-02 | 2022-04-26 | Facebook Technologies, Llc | Machine learning-based speech-to-text transcription cloud intermediary |
| EP3608844A1 (en) * | 2018-08-10 | 2020-02-12 | Naver Corporation | Methods for training a crnn and for semantic segmentation of an inputted video using said crnn |
| CN112668775A (zh) * | 2020-12-25 | 2021-04-16 | 西安翔迅科技有限责任公司 | 一种基于时序卷积网络算法的空气质量预测方法 |
| CN112580267A (zh) * | 2021-01-13 | 2021-03-30 | 南京航空航天大学 | 基于多分支特征融合网络的航空发动机喘振预测方法 |
-
2021
- 2021-08-06 CN CN202110899542.7A patent/CN113569338B/zh active Active
- 2021-09-18 WO PCT/CN2021/119187 patent/WO2023010658A1/zh active Application Filing
- 2021-09-18 US US17/795,095 patent/US20230316051A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
| CN112001128A (zh) * | 2020-06-10 | 2020-11-27 | 大连理工大学 | 一种基于深度学习的轴流压气机失速喘振预测方法 |
| CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
| CN112990536A (zh) * | 2021-01-27 | 2021-06-18 | 广东工业大学 | 一种基于分位数卷积网络的公交到站时间预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113569338A (zh) | 2021-10-29 |
| WO2023010658A1 (zh) | 2023-02-09 |
| US20230316051A1 (en) | 2023-10-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113569338B (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
| CN112001128B (zh) | 一种基于深度学习的轴流压气机失速喘振预测方法 | |
| CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
| US11669080B2 (en) | Abnormality detection device, abnormality detection method, and program | |
| CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
| CN114297918B (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 | |
| WO2023097705A1 (zh) | 一种基于多源数据融合的压气机旋转失速预测方法 | |
| CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
| CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
| CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
| CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
| CN111637045A (zh) | 一种海洋平台空气压缩机故障诊断方法 | |
| CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
| CN114330517A (zh) | 一种基于神经网络的航空发动机传感器故障自诊断方法 | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| CN115081484A (zh) | 基于crj-oselm算法的航空发动机传感器故障诊断方法 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
| CN109872511B (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
| CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
| CN114548555B (zh) | 一种深度自回归网络的轴流压气机失速喘振预测方法 | |
| CN114357667B (zh) | 一种基于resid递归结构识别的发动机起动状态故障检测方法 | |
| Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network | |
| CN111709191B (zh) | 基于ar模型和字典学习的齿轮性能退化评估方法 | |
| CN113485269B (zh) | 一种基于隐变量模型的工业过程监测方法 | |
| CN117807718B (zh) | 一种基于失效概率预测的航空发动机维护决策设计方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Sun Ximing Inventor after: Li Yuhui Inventor after: Quan Fuxiang Inventor after: Zhang Zhibo Inventor after: Li Hongxin Inventor before: Sun Ximing Inventor before: Li Yuhui Inventor before: Quan Fuxiang |
|
| CB03 | Change of inventor or designer information |