CN114077849B - 一种基于部件级融合的发动机健康状态识别方法 - Google Patents
一种基于部件级融合的发动机健康状态识别方法 Download PDFInfo
- Publication number
- CN114077849B CN114077849B CN202111365171.0A CN202111365171A CN114077849B CN 114077849 B CN114077849 B CN 114077849B CN 202111365171 A CN202111365171 A CN 202111365171A CN 114077849 B CN114077849 B CN 114077849B
- Authority
- CN
- China
- Prior art keywords
- component
- sample
- engines
- samples
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000036541 health Effects 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012952 Resampling Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000003862 health status Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 230000005856 abnormality Effects 0.000 description 8
- 239000000446 fuel Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000007800 oxidant agent Substances 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
Classifications
-
- 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
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input 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
- G06N3/045—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Engines (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于部件级融合的发动机健康状态识别方法,以航天发动机稳态运行阶段多部件的多个传感器通道采集到的一维信号作为原始数据,统一对每个通道信号进行预处理,按照通道采集信息所在位置进行数据部件级划分,并划分训练集和测试集,通过训练集的健康样本生成异常样本并将其加入训练集;分别构部件级卷积神经网络作为部件智能状态识别模型,模型通过对训练集各部件多源数据进行自适应特征提取及融合,实现对航天发动机部件级的健康状态智能识别,并使用部件状态融合模型对部件识别结果进行融合完成整体状态的智能识别;将模型用于测试集的部件健康状态识别及整体状态融合识别,并对结果进行评估。
Description
技术领域
本发明涉及航天发动机健康状态识别技术领域,特别涉及一种基于部件级融合的发动机健康状态识别方法。
背景技术
航天发动机是航天工程不可或缺的重要动力源,由于泵在高压、高速、易燃、易腐蚀条件下工作,极易发生异常。这些异常一旦发生就会造成严重后果,故有必要在航天发动机试车过程中进行相关的数据监测并进行运行状态识别,以便能及时发现问题并进行维修,避免由于航天发动机健康状态异常导致的事故。
航天发动机由燃料发生器、主涡轮、氧泵、燃料一级泵、燃料二级泵及推力室等多个部件组成。传统的航天发动机状态识别方法多采用数据驱动的方法,关注于对整体状态进行识别,只能判断设备状态而无法对各部件异常的状况及其与总体的关系进行分析。无法对异常具体部位及维修策略做出对应指导。且实际样本采集过程中存在着异常样本较少的问题。
现有融合方法对各通道的实际物理意义考虑不充分,使得同部件的监测数据难以有效融合,影响了健康状态识别的效果。因此,需要研究基于部件级融合的发动机状态识别方法。对原始多源监测数据根据采集部位不同完成部件级划分,并对各部件监测数据选择对应的部件级卷积神经网络完成各部件的状态识别,并使用自注意力算法完成对各部件识别结果的融合及整体状态识别和各部件异常与整体异常的相关性分析。基于部件级融合的航天发动机状态识别方法能完成发动机部件级状态识别及整体状态识别。
发明内容
本发明的目的在于提供一种基于部件级融合的发动机健康状态识别方法,以克服现有技术存在的缺陷,本发明对原始多源监测数据完成了部件级的划分,以实现发动机部件级状态识别,并融合部件级识别结果得到整体健康状态,以判断部件识别的正确性,实现对航天发动机实际运行过程中可能发生的部件异常状态及整体异常状态的识别。
为达到上述目的,本发明采用如下技术方案:
一种基于部件级融合的发动机健康状态识别方法,包括以下步骤:
步骤1:以航天发动机稳态运行阶段多个部件的多个传感器通道采集到的一维信号作为多源信号,对各传感器通道的一维信号进行预处理,根据各传感器通道一维信号采集的位置完成信号的部件级划分,并划分部件级数据的训练集和测试集;
步骤2:使用加噪重采样的异常数据生成方法,以步骤1中部件级数据的训练集的健康样本为基础生成异常样本,并将异常样本并入训练集;
步骤3:对各部件分别构建部件级卷积神经网络作为部件级状态智能识别模型,对步骤2得到的各部件训练集分别进行学习,模型通过对各部件多源数据进行自适应特征融合及提取,实现对航天发动机部件级状态的智能识别;
步骤4:构建注意力融合网络作为整体状态智能识别模型,对步骤3得到的部件级状态的智能识别结果进行融合,实现航天发动机整机的状态智能识别。
进一步地,步骤1对各传感器通道的一维信号进行的预处理包括,对每个传感器通道的一维信号分别进行标准化处理,对标准化处理的样本进行采样与标签添加。
进一步地,所述标准化处理具体为:对各传感器通道的一维信号分别进行线性函数归一化处理,得到归一化信号,其计算式为:
式中,Xi为第i个传感器通道采集的一维信号序列,Xmax为序列的最大值,Xmin为序列的最小值,为第i个传感器通道归一化后的信号。
进一步地,每个传感器通道的一维信号有统一的时间序列,对标准化之后的多源信号进行统一采样,得到的各样本长度相同,且单个样本之间不存在重叠部分,单个样本表示为:
式中,X表示样本,M表示样本中各传感器通道的采样数据,m表示样本中的具体数据,L为传感器通道数,N为样本长度。
进一步地,步骤1中的多源信号来自多组发动机,其中部分发动机状态健康,其余发动机存在异常,分别对各发动机采集到的信号进行样本采集,并根据发动机运行状态对样本添加对应标签,异常发动机采集的样本整体标签为0,健康发动机采集的样本整体标签为1。
进一步地,步骤1中的部件级数据来自发动机的不同部位,分别为:推力室数据、燃气发生器数据、氧化剂数据以及燃料数据;根据各传感器通道来源的不同部位,对原始多源信号进行通道级数据划分,并根据发动机运行状态对部件样本添加对应标签,健康发动机采集到的各部件数据样本部件标签为0,异常发动机采集到各部件数据的样本不设置标签。
进一步地,步骤1中按照样本来源的发动机对预处理后的样本进行划分,将部分采集于异常发动机的部件样本作为训练集,将其余健康发动机及异常发动机采集到的部件样本作为测试集。
进一步地,步骤2中的加噪重采样的异常数据生成方法包括信号高斯加噪法和重采样叠加法,高斯加噪法用公式表示如下:
XA=Tdata(XG+GN)
其中,XG为训练集中某正常样本的某通道数据,XA为经过高斯加噪法生成的数据,GN为高斯加噪法添加的经过原始信号重构的噪声数据,用公式表示如下:
其中,loc为正态分布的均值,scale为整体分布的标准差,s为输出值,Normal()为高斯分布函数的标准形式,Pn为高斯噪声的生成系数,如下式所示:
其中,snr为设定的信噪比;
重叠采样法用公式表示如下:
XF=ηF[λFXG+(1-λF)×resample(XG)]
其中,XF为经过重采样叠加法生成的数据,ηF为缩放因子,其取值范围为(0.5,1.5),λF为叠加因子,其取值范围为[0,1),resample()为重采样叠加函数。
进一步地,在步骤2中,以训练集中某条健康样本为基础,随机从[1,L]中选取整数LA,并随机从本条健康样本中选取LA个传感器通道用高斯加噪法进行处理,得到一条包含高斯噪声的样本,然后随机从[1,L]中选取整数LB,并随机从这条高斯加噪样本中选取LB个传感器通道采用重采样叠加法处理,得到一条异常样本。
进一步地,步骤3中部件级卷积神经网络包括长短期记忆层、一维卷积层、最大池化层和全连接层,模型输入为各部件对应传感器的多源数据,模型输出为部件级健康状态智能识别结果;
步骤4中注意力融合网络包括自注意力层及全连接层,模型输入为部件级健康状态智能识别结果,输出为整体健康状态智能识别结果。
与现有技术相比,本发明具有以下有益的技术效果:
1)本发明提出的加噪重采样负样本生成方法,以正常数据为基础,对原始信号进行高斯加噪,或随机添加模拟异常特征成分,以生成异常样本用于模型训练。实验结果表明,生成的异常样本能有效提高模型在部件状态智能识别过程中的表现。
2)本发明构建的分部件特征提取融合和部件级卷积神经网络,可以通过对各部件多源数据进行自适应特征提取及融合,实现各部件健康状态的识别,并对各部件健康状态信息进行融合,得到整体的健康状态识别结果。
3)本发明基于异常数据生成、部件级数据划分和模型融合方法,发明了一种基于部件级融合的发动机健康状态识别方法,有效解决了发动机状态识别过程中部件状态识别困难的问题,对维修策略提供指导,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为部件级网络训练流程图;
图3为部件级网络测试融合流程图;
图4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。
一种基于部件级融合的发动机健康状态识别方法,参见图1,包括以下步骤:
步骤1:以航天发动机稳态运行阶段多个部件的多个传感器通道采集到的一维信号作为多源信号,对各通道信号进行预处理,对各传感器通道的采集信号分别进行线性函数归一化处理,得到归一化信号,其计算式为:
式中,Xi为第i个传感器通道采集的信号序列,Xmax为序列的最大值,Xmin为序列的最小值,为第i个通道归一化后的信号。
归一化的数据将各通道数据的范围缩放到[0,1]区间,保留了各通道的信息以便于对多源数据进行特征提取和融合,且使用归一化处理后的数据训练模型能够加快模型的训练速度,提高模型泛化能力。
每个传感器通道的一维信号有着统一的时间序列,对标准化之后的多源信号进行统一采样,得到的各样本长度相同,且单个样本之间不存在重叠部分,单个样本表示为:
式中,X表示样本,M表示样本中各传感器通道的采样数据,m表示样本中的具体数据,L为传感器通道数,N为样本长度。
多源信号来自多组发动机,其中部分发动机无运行异常,其余发动机存在运行异常,分别对各发动机采集到的信号进行样本采集,并根据发动机运行状态对样本添加对应标签,无异常发动机采集的样本整体标签为0,异常发动机采集的样本整体标签为1。
单组多源传感器信号的通道来自发动机的不同部位,分别为:推力室数据,燃气发生器数据,氧化剂数据,燃料数据。根据各传感器通道来源的不同部位,对原始多源信号进行部件级数据划分,并根据发动机运行状态对部件样本添加对应标签,健康发动机采集到的各部件数据样本部件标签为0,异常发动机采集到各部件数据的样本不设置标签。
按照样本来源的发动机对预处理后的样本进行划分,将部分采集于健康发动机的部件样本作为训练集,将其余健康发动机及异常发动机采集到的部件样本作为测试集。
根据各通道传感器信号采集的位置完成信号的部件级划分,并划分训练集和测试集;
步骤2:使用加噪重采样的异常数据生成方法,以步骤1中部件级数据的训练集健康样本为基础生成异常样本,并将其并入训练集。
加噪重采样的异常数据生成方法包括信号高斯加噪法和重采样叠加法,高斯加噪法用公式表示如下:
XA=Tdata(XG+GN)
其中,XG为训练集中某正常样本的某通道数据,XA为经过高斯加噪法生成的数据,GN为高斯加噪法添加的经过原始信号重构的噪声数据,用公式表示如下:
其中,loc为正态分布的均值,scale为整体分布的标准差,s为输出值,Normal()为高斯分布函数的标准形式,Pn为高斯噪声的生成系数如下式所示:
其中,snr为设定的信噪比。
重叠采样法用公式表示如下:
XF=ηF[λFXG+(1-λF)×resample(XG)]
其中,XF为经过重采样叠加法生成的数据,ηF为缩放因子其取值范围为(0.5,1.5),λF为叠加因子其取值范围为[0,1),resample()为重采样叠加函数。
加噪重采样的负样本生成方法基于设备退化机理,在正常样本上添加异常特征,以改变样本的时频域特征,完成异常数据的生成,并用于模型的训练。
利用高斯信号加噪和重采样叠加这两种异常数据生成方法,以训练集中某条健康样本为基础,随机从[1,L]中选取整数LA,并随机从本条健康样本中选取LA个通道用高斯加噪法进行处理,得到一条包含高斯噪声的样本,然后随机从[1,L]中选取整数LB,并随机从这条高斯加噪样本中选取LB个通道采用重采样叠加法处理,得到一条异常样本。
步骤3:对各部件分别构建部件级卷积神经网络作为部件级状态智能识别模型,该模型结合了长短期记忆层(LSTM)、一维卷积层(1D-CNN)、最大池化层、全连接层完成模型的构建,结构如图2所示,模型对步骤2得到的各部件训练集分别进行学习,模型通过对各部件多源数据进行自适应特征融合及提取,实现对航天发动机部件级健康状态的智能识别。
步骤4:构建自注意力融合网络作为整体状态智能识别模型,该模型结合了自注意力层,全连接层完成模型的构建,结构如图3所示,对步骤3得到的部件级健康状态智能识别结果进行融合,实现航天发动机整机的状态智能识别。
部件级状态识别结果由于获取的原始数据部件状态的不明确性,仅能完成异常可能性的判断,通过使用部件级智能状态识别结果的融合进行整体健康状态的智能识别,能够完成部件级状态识别结果可靠性的验证,证明此部件级状态识别方法的有效性。
本发明能够用于发动机实际运行中健康状态和部件异常状态及整机异常状态的智能识别,并有效解决无异常样本下航天液体发动机部件级健康状态智能识别的问题。
本发明对原始多源监测数据根据采集部位不同完成部件级划分,并对各部件监测数据选择对应的部件级卷积神经网络完成各部件的状态识别,并使用自注意力算法完成对各部件识别结果的融合及整体状态识别和各部件异常与整体异常的相关性分析。基于部件级融合的航天发动机状态识别方法能完成发动机部件级状态识别及整体状态识别。
下面结合具体实施例对本发明做进一步详细描述:
基于某发动机数据集对该方法进行验证,该方法可以取得超过95%的准确率,并可为各部件的健康状态识别做进一步的指导,这表明了所提出方法在无异常样本下基于部件级融合的液体发动机健康状态识别方法的有效性。
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 (3)
1.一种基于部件级融合的发动机健康状态识别方法,其特征在于,包括以下步骤:
步骤1:以航天发动机稳态运行阶段多个部件的多个传感器通道采集到的一维信号作为多源信号,对各传感器通道的一维信号进行预处理,根据各传感器通道一维信号采集的位置完成信号的部件级划分,并划分部件级数据的训练集和测试集;
对各传感器通道的一维信号进行的预处理包括,对每个传感器通道的一维信号分别进行标准化处理,对标准化处理的样本进行采样与标签添加;
所述标准化处理具体为:对各传感器通道的一维信号分别进行线性函数归一化处理,得到归一化信号,其计算式为:
式中,Xi为第i个传感器通道采集的一维信号序列,Xmax为序列的最大值,Xmin为序列的最小值,Xinorm为第i个传感器通道归一化后的信号;
每个传感器通道的一维信号有统一的时间序列,对标准化之后的多源信号进行统一采样,得到的各样本长度相同,且单个样本之间不存在重叠部分,单个样本表示为:
式中,X表示样本,M表示样本中各传感器通道的采样数据,m表示样本中的具体数据,L为传感器通道数,N为样本长度;
多源信号来自多组发动机,其中部分发动机状态健康,其余发动机存在异常,分别对各发动机采集到的信号进行样本采集,并根据发动机运行状态对样本添加对应标签,异常发动机采集的样本整体标签为0,健康发动机采集的样本整体标签为1;
按照样本来源的发动机对预处理后的样本进行划分,将部分采集于异常发动机的部件样本作为训练集,将其余健康发动机及异常发动机采集到的部件样本作为测试集;
步骤2:使用加噪重采样的异常数据生成方法,以步骤1中部件级数据的训练集的健康样本为基础生成异常样本,并将异常样本并入训练集;
加噪重采样的异常数据生成方法包括信号高斯加噪法和重采样叠加法,高斯加噪法用公式表示如下:
XA=Tdata(XG+GN)
其中,XG为训练集中某正常样本的某通道数据,XA为经过高斯加噪法生成的数据,GN为高斯加噪法添加的经过原始信号重构的噪声数据,用公式表示如下:
其中,loc为正态分布的均值,scale为整体分布的标准差,s为输出值,Normal()为高斯分布函数的标准形式,Pn为高斯噪声的生成系数,如下式所示:
其中,snr为设定的信噪比;
重叠采样法用公式表示如下:
XF=ηF[λFXG+(1-λF)×resample(XG)]
其中,XF为经过重采样叠加法生成的数据,ηF为缩放因子,其取值范围为(0.5,1.5),λF为叠加因子,其取值范围为[0,1),resample()为重采样叠加函数;
以训练集中某条健康样本为基础,随机从[1,L]中选取整数LA,并随机从本条健康样本中选取LA个传感器通道用高斯加噪法进行处理,得到一条包含高斯噪声的样本,然后随机从[1,L]中选取整数LB,并随机从这条高斯加噪样本中选取LB个传感器通道采用重采样叠加法处理,得到一条异常样本;
步骤3:对各部件分别构建部件级卷积神经网络作为部件级状态智能识别模型,对步骤2得到的各部件训练集分别进行学习,模型通过对各部件多源数据进行自适应特征融合及提取,实现对航天发动机部件级状态的智能识别;
步骤4:构建注意力融合网络作为整体状态智能识别模型,对步骤3得到的部件级状态的智能识别结果进行融合,实现航天发动机整机的状态智能识别。
2.根据权利要求1所述的一种基于部件级融合的发动机健康状态识别方法,其特征在于,步骤1中按照样本来源的发动机对预处理后的样本进行划分,将部分采集于异常发动机的部件样本作为训练集,将其余健康发动机及异常发动机采集到的部件样本作为测试集。
3.根据权利要求1所述的一种基于部件级融合的发动机健康状态识别方法,其特征在于,步骤3中部件级卷积神经网络包括长短期记忆层、一维卷积层、最大池化层和全连接层,模型输入为各部件对应传感器的多源数据,模型输出为部件级健康状态智能识别结果;
步骤4中注意力融合网络包括自注意力层及全连接层,模型输入为部件级健康状态智能识别结果,输出为整体健康状态智能识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111365171.0A CN114077849B (zh) | 2021-11-17 | 2021-11-17 | 一种基于部件级融合的发动机健康状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111365171.0A CN114077849B (zh) | 2021-11-17 | 2021-11-17 | 一种基于部件级融合的发动机健康状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114077849A CN114077849A (zh) | 2022-02-22 |
CN114077849B true CN114077849B (zh) | 2024-04-05 |
Family
ID=80283726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111365171.0A Active CN114077849B (zh) | 2021-11-17 | 2021-11-17 | 一种基于部件级融合的发动机健康状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114077849B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512170B (zh) * | 2022-11-23 | 2023-04-07 | 南京航空航天大学 | 面向低品质数据的滚动轴承智能诊断方法、装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3327419A1 (en) * | 2016-11-29 | 2018-05-30 | STS Defence Limited | Engine health diagnostic apparatus and method |
CN110502991A (zh) * | 2019-07-18 | 2019-11-26 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
CN111241673A (zh) * | 2020-01-07 | 2020-06-05 | 北京航空航天大学 | 用于噪声环境工业设备的健康状态预测方法 |
WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
CN112200244A (zh) * | 2020-10-09 | 2021-01-08 | 西安交通大学 | 一种基于递阶对抗训练的航天发动机异常智能检测方法 |
-
2021
- 2021-11-17 CN CN202111365171.0A patent/CN114077849B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3327419A1 (en) * | 2016-11-29 | 2018-05-30 | STS Defence Limited | Engine health diagnostic apparatus and method |
WO2020156348A1 (zh) * | 2019-01-31 | 2020-08-06 | 青岛理工大学 | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 |
CN110502991A (zh) * | 2019-07-18 | 2019-11-26 | 武汉理工大学 | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 |
CN111241673A (zh) * | 2020-01-07 | 2020-06-05 | 北京航空航天大学 | 用于噪声环境工业设备的健康状态预测方法 |
CN112200244A (zh) * | 2020-10-09 | 2021-01-08 | 西安交通大学 | 一种基于递阶对抗训练的航天发动机异常智能检测方法 |
Non-Patent Citations (2)
Title |
---|
基于自适应模糊神经网络的发动机故障诊断;马继昌;司景萍;牛嘉骅;王二毛;;噪声与振动控制(第02期);全文 * |
深度残差网络在脉搏信号亚健康检测中的应用;艾玲梅;薛亚庆;李天东;;计算机技术与发展(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114077849A (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Multiscale convolutional neural network with feature alignment for bearing fault diagnosis | |
Song et al. | Self-adaptive multivariate variational mode decomposition and its application for bearing fault diagnosis | |
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 | |
Jiang et al. | Non-dominated solution set based on time–frequency infograms for local damage detection of rotating machines | |
Sun et al. | A robust approach of multi-sensor fusion for fault diagnosis using convolution neural network | |
CN114077849B (zh) | 一种基于部件级融合的发动机健康状态识别方法 | |
CN110595778B (zh) | 一种基于mmf与igra风电机组轴承故障诊断方法 | |
Lu et al. | Unbalanced bearing fault diagnosis under various speeds based on spectrum alignment and deep transfer convolution neural network | |
CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
Lu et al. | GAN-LSTM predictor for failure prognostics of rolling element bearings | |
Wang et al. | Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network | |
Jin et al. | Fault diagnosis of bearing based on refined piecewise composite multivariate multiscale fuzzy entropy | |
Li et al. | Rotating machinery fault diagnosis based on typical resonance demodulation methods: a review | |
Pająk et al. | Identification of reliability states of a ship engine of the type Sulzer 6AL20/24 | |
Li et al. | Transformer-based meta learning method for bearing fault identification under multiple small sample conditions | |
Zhang et al. | Fault diagnosis with bidirectional guided convolutional neural networks under noisy labels | |
Cui et al. | A spectral coherence cyclic periodic index optimization-gram for bearing fault diagnosis | |
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 | |
Yang et al. | Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis | |
Shu et al. | DBF-CNN: A double-branch fusion residual CNN for diagnosis of induction motor broken rotor bar | |
Liu et al. | Sinc-based multiplication-convolution network for small-sample fault diagnosis and edge application | |
Qi et al. | A new deep fusion network for automatic mechanical fault feature learning | |
CN114089136A (zh) | 基于人工智能的高压电缆局放检测与缺陷诊断系统 | |
CN114330413A (zh) | 牵引电机轴承的故障类型辨识及定位方法 |
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 |