CN114548555B - 一种深度自回归网络的轴流压气机失速喘振预测方法 - Google Patents

一种深度自回归网络的轴流压气机失速喘振预测方法 Download PDF

Info

Publication number
CN114548555B
CN114548555B CN202210160713.9A CN202210160713A CN114548555B CN 114548555 B CN114548555 B CN 114548555B CN 202210160713 A CN202210160713 A CN 202210160713A CN 114548555 B CN114548555 B CN 114548555B
Authority
CN
China
Prior art keywords
model
data
surge
layer
tpa
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
Application number
CN202210160713.9A
Other languages
English (en)
Other versions
CN114548555A (zh
Inventor
李英顺
弓子勤
孙希明
全福祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202210160713.9A priority Critical patent/CN114548555B/zh
Publication of CN114548555A publication Critical patent/CN114548555A/zh
Application granted granted Critical
Publication of CN114548555B publication Critical patent/CN114548555B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06N3/04—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
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Mechanical Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明提供一种深度自回归网络的轴流压气机失速喘振预测方法，属于航空发动机建模与仿真技术领域。首先，使用某型航空发动机喘振实验数据，对数据进行挑选以及预处理，将数据划分为训练集和测试集。其次，搭建基于注意力机制的深度自回归网络模型并进行训练，利用最终训练好的模型，在测试集上进行实时预测，并给出模型损失及评价指标。最后，采用预测模型对测试数据进行实时预测，按时间顺序给出喘振概率随时间变化趋势。本发明采用注意力机制有效的捕捉实验数据的特征实现对喘振概率的准确预测，能够提高预测稳定性和精确度；有利于提高发动机主动控制的性能，具有一定的普适性。

Description

一种深度自回归网络的轴流压气机失速喘振预测方法
技术领域
本发明涉及一种基于注意力机制的深度自回归网络的轴流压气机失速喘振概率预测方法，属于航空发动机建模与仿真技术领域。
背景技术
航空发动机是人类工业史上“皇冠上的明珠”，体现了一个国家的科技最高水平。压气机是高性能航空发动机的关键部件，它通过叶片高速旋转提高空气压力并且在提供高压比的同时也限制了发动机的稳定工作范围，它对于航空发动机的稳定性和安全性起着至关重要的作用，喘振和旋转失速是压气机气体流动不稳定故障的两种重要表现形式。
压气机喘振的主要特征是产生气流中断现象，气流沿压气机轴线方向发生低频率(几赫兹或十几赫兹)、高振幅的振荡，严重时发生流动阻塞甚至倒流。喘振一旦发生，会对航空发动机产生非常严重的损害。旋转失速是一种不稳定流动现象，它会显著降低航空发动机性能。大量研究表明，旋转失速是喘振的先兆，喘振是旋转失速极度发展的后果，因此对旋转失速进行快速准确的预测成为航空发动机领域要迫切解决的难题。
当前，国内外的压气机旋转失速故障检测和判别方法有两种：一种是通过建立模型的方法，对压气机进行主动控制，当压气机出现喘振先兆时抑制压气机的扰动继续发生，防止进入喘振状态。第二种是根据压气机压力信号的时域特征或频域特征进行喘振预测算法研究。其中基于压力信号时域特征的传统算法主要有：短时能量法、自相关函数法、方差分析法、变化率法、压差法、统计特征法等，基于压力信号频域特征的传统喘振检测算法主要有：频谱分析法、小波分析法、频域幅值法等。
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注意力机制的深度自回归网络(TPA-DeepAR，Temporal Pattern Attention DeepAutoregressiveRecurrent Networks)的轴流压气机失速喘振概率预测方法。
为了达到上述目的，本发明采用的技术方案如下：
一种深度自回归网络的轴流压气机失速喘振预测方法，具体为一种基于注意力机制的深度自回归网络的轴流压气机失速喘振预测方法，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获取某型号航空发动机喘振实验数据，剔除实验数据中由于传感器故障产生的无效数据；
S1.2对剩余有效数据依次进行降采样处理和滤波处理；
S1.3对滤波处理后的数据进行归一化、平滑化处理；
S1.4为保证测试结果的客观性，将实验数据划分为测试数据集和训练数据集；
S1.5通过时间窗切分训练数据集，每个时间窗覆盖的数据点组成一个样本，并将训练数据集按4：1的比例划分为训练集和验证集；
S2.构建基于注意力机制的深度自回归网络模型，即TPA-DeepAR模型，包括以下步骤：
S2.1将每个样本维度调整为(w,1)，作为TPA-DeepAR模型的输入，其中w代表时间窗长度；
S2.2搭建嵌入层将输入样本的维度从(w,1)转换为(w,m)，m为指定的维度，将样本的特征从一维分散到m个维度；
S2.3搭建LSTM层，将嵌入层的输出作为LSTM层的输入，LSTM层输出w个隐藏向量{ht-w+1,ht-w+2,……,ht}，每一个隐藏向量的维度为m。
S2.4搭建注意力层，LSTM层输出的w个隐藏向量{ht-w+1,ht-w+2,……,ht}作为注意力层的输入，经过注意力层对相关维度加权，最终输出一个隐藏向量
Figure BDA0003513904290000021
S2.5搭建高斯层，高斯层由两个全连接层组成，将注意力层输出的隐藏向量
Figure BDA0003513904290000022
作为高斯层的输入，高斯层的两个全连接层的输出分别为参数μ和参数σ，因此高斯层的输出会确定一个高斯分布，这样模型就实现了拟合高斯分布的目的；
S2.6采用拟合的高斯分布进行多次随机采样，得到预测点的数据，并依据这些采样点得到预测点的不同分位数以实现概率预测；
S3.构建S2中提到的注意力层:
S3.1注意力层的输入为LSTM层的输出{ht-w+1,ht-w+2,……,ht}，输入数据的维度为(w,m),除了最后一个隐藏向量ht以外，将其他w-1个隐藏向量组成隐状态矩阵H＝{ht-w+1,ht-w+2,……,ht-1}；
S3.2采用k个卷积核捕捉H的信号模式得到HC矩阵，增强模型对特征的学习能力。
S3.3隐藏向量ht与HC矩阵通过得分函数进行相似度计算得到注意力权重αi，利用注意力权重αi对HC每一行加权求和，得到向量vt；
S3.4最后将ht和vt拼接，输入一个全接连层得到一个新的隐藏向量输出
Figure BDA0003513904290000023
S4.TPA-DeepAR模型损失函数及评价指标：
S4.1针对TPA-DeepAR模型，模型在前向传播时输出的是预测高斯分布的参数μ和σ，传统的用于回归的损失函数无法处理μ，σ，y_true(样本的真实标签)三者的关系，因此采用的损失函数具体如下：
假设样本服从高斯分布y_true～(μ,σ2),则其似然函数为：
Figure BDA0003513904290000031
其对数似然函数为：
Figure BDA0003513904290000032
其中，n表示样本个数，y_true是已知的，表示样本的真实标签，μ和σ是模型预测的高斯分布的参数，似然函数描述的是对于参数μ和σ形成的分布，出现y_true这个样本点的概率的大小。
因此通过最大化对数似然函数来学习网络参数，即参数μ和σ形成的分布可以最大概率的出现y_true这个样本点，相应的模型训练的损失函数可以确定为-lnL(μ,σ2)。
S4.2基于损失函数，在步骤S1得到的训练集上对TPA-DeepAR模型进行权重更新，最终生成模型的初步预测模型。
S4.3采用初步预测模型在步骤S1得到的验证集上进行测试，获取F2评价指标，根据F2指标，混淆矩阵以及ROC曲线调整TPA-DeepAR模型参数，以达到更优，保存各项评价指标表现最优的TPA-DeepAR预测模型；
其中，所述的F2指标为：
Figure BDA0003513904290000033
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：
Figure BDA0003513904290000034
其中，TP为真正例数，FP为假正例数，R为召回率(recall)，表示在所有实际为正类的样本中，被正确地判断为正类的比例：
Figure BDA0003513904290000035
其中，FN为假负例数。
将TP，FP，TN，FN四个指标一起呈现在2*2表格中，就会得到混淆矩阵，表格的第一象限到第四象限分别为TP，FP，FN，TN。其中，TN为真负例数。
得到混淆矩阵后，矩阵第二象限和第四象限的数值越大越好，反之，第一象限和第三象限的数值越小越好。
在所有实际为负例的样本中，被错误地判断为正例的比例为FPR：FPR＝FP/(FP+TN)。以FPR为横轴，R为纵轴，得到ROC曲线。所述的ROC曲线越靠近左上角，TPA-DeepAR模型的召回率越高，其假正例和假反例总数最少，预测效果越好。
S5.采用最终TPA-DeepAR预测模型对测试集进行实时预测：
S5.1.按照预处理的步骤对测试集数据进行预处理，调整测试集数据维度后输入到已经训练好的TPA-DeepAR模型中进行测试；
S5.2.依照时间顺序,用TPA-DeepAR预测模型给出每个测试集样本的喘振预测概率，得到测试集样本的实时喘振概率。
本发明的有益效果为：
本发明所提供的预测方法对压气机动压实验数据进行时间相关性特征的学习，捕捉其中微小失速先兆信号，计算输出喘振预测概率，并及时给出喘振是否发生的警示信号。与传统方法对比，该预测方法采用注意力机制选择相关维度进行注意力加权，能有效的捕捉实验数据的特征实现对喘振概率的准确预测，提高了预测稳定性和精确度。同时该方法输出预测概率的多个分位数，方便系统根据不同的分位数进行预警。该方法可以根据实时输出的喘振概率判断喘振是否发生，及时反馈给发动机控制系统，从而调整发动机运行状态，为压气机主动控制方法争取时间。
附图说明
图1为基于注意力机制的深度自回归网络的轴流压气机失速喘振预测方法流程图；
图2为数据预处理流程图；
图3为TPA-DeepAR模型结构图；
图4为注意力机制结构图；
图5为TPA-DeepAR模型在测试数据上的预测结果图，其中(a)为二级静子尖部动压p2随时间变化图，(b)为TPA-DeepAR模型给出的喘振预测概率随时间的变化图，(c)为TPA-DeepAR模型给出的预警信号；
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号航空发动机喘振实验数据，基于注意力机制的深度自回归网络的轴流压气机失速喘振预测方法流程如图1所示。
图2为数据预处理流程图，数据预处理步骤如下：
S1.对航空发动机喘振数据进行预处理。
S1.1获取某型号航空发动机喘振实验数据，剔除实验数据中由于传感器故障产生的无效数据；实验数据共16组，每组实验包含10个测量点所测量的从正常到喘振共10s的动态压力数值，传感器测量频率为6kHz，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；
S1.2对剩余有效数据依次进行降采样处理和滤波处理；
S1.3对滤波处理后的数据进行归一化、平滑化处理；
S1.4为保证测试结果的客观性，将实验数据划分为测试数据集和训练数据集；
S1.5通过时间窗切分训练数据集，每个时间窗覆盖的数据点组成一个样本，并将训练数据集按4：1的比例划分为训练集和验证集；
图3为TPA-DeepAR模型结构图。
S2.构建TPA-DeepAR模型的步骤如下：
S2.1将每个样本维度调整为(w,1)，作为TPA-DeepAR模型的输入，其中w代表时间窗长度；
S2.2搭建嵌入层将输入样本的维度从(w,1)转换为(w,m)，m为指定的维度，将样本的特征从一维分散到m个维度；
S2.3搭建LSTM层，将嵌入层的输出作为LSTM层的输入，LSTM层输出w个隐藏向量{ht-w+1,ht-w+2,……,ht}，每一个隐藏向量的维度为m；
S2.4在最后一个时间步的隐藏向量ht输出后，添加注意力层，LSTM层输出的w个隐藏向量{ht-w+1,ht-w+2,……,ht}作为注意力层的输入，注意力层对这些隐藏向量的m个维度添加注意力，选择相关维度加权，更好的捕捉隐藏向量的特征，最终输出一个新的隐藏向量
Figure BDA0003513904290000051
S2.5搭建高斯层，高斯层由两个全连接层组成，将隐藏向量
Figure BDA0003513904290000052
作为高斯层的输入，两个全连接层的输出分别为参数μ和参数σ，高斯层的输出会确定一个高斯分布，这样模型就实现了拟合高斯分布的目的；
S2.6采用拟合的高斯分布进行多次随机采样，得到预测点的数据，并依据这些采样点可以得到预测点的不同分位数以实现概率预测，本发明采用预测点的0.5分位数作为输出的喘振概率；
图4为注意力层的结构图
S3.构建注意力层的步骤如下：
S3.1原始序列经过嵌入层和LSTM层处理后，得到样本每个时间步的隐藏向量{ht-w+1,ht-w+2,……,ht}，每个隐藏向量的维度为m，除了最后一个隐藏向量ht以外，将其他w-1个隐藏向量组成隐状态矩阵H＝{ht-w+1,ht-w+2,……,ht-1}；
隐状态矩阵的行向量代表单个维度在所有时间步下的状态，即同一维度的所有时间步构成的向量。
隐状态矩阵的列向量代表单个时间步的状态，即同一时间步下所有维度构成的向量。
S3.2利用卷积捕获可变的信号模式形成矩阵HC；
Figure BDA0003513904290000061
卷积配置为k个卷积核，w为时间窗长度，卷积核尺寸为1×T(T代表注意力所覆盖的范围，令T＝w-1)，将上述卷积核沿隐状态矩阵H的行向量计算卷积，提取该变量在该卷积核范围内的时间模式矩阵
Figure BDA0003513904290000062
Figure BDA0003513904290000063
表示H矩阵的第i个行向量和第j个卷积核作用的结果值。
S3.3隐藏向量ht与HC矩阵通过得分函数(scoring function)进行相似度计算得到注意力权重αi，选择得分函数为：
Figure BDA0003513904290000064
其中，Wa为权重。
利用sigmoid进行归一化，得到注意力权重αi，便于选择多维度：
Figure BDA0003513904290000065
最后利用注意力权重αi对
Figure BDA0003513904290000066
每一行加权求和，得到向量vt:
Figure BDA0003513904290000067
最后将ht和vt拼接，输入一个全接连层得到一个新的隐藏向量
Figure BDA0003513904290000068
作为输出；
Figure BDA0003513904290000069
其中，Wh和Wv为权重。
S4.TPA-DeepAR模型损失函数及评价指标：
S4.1针对TPA-DeepAR模型，模型在前向传播时输出的是预测高斯分布的μ和σ，传统的用于回归的损失函数无法处理μ，σ，y_true(样本的真实标签)三者的关系，因此采用的损失函数具体如下：
假设样本服从高斯分布y_true～(μ,σ2),则其似然函数为：
Figure BDA00035139042900000610
其对数似然函数为：
Figure BDA00035139042900000611
其中n表示样本个数，y_true是已知的，表示样本的真实标签，μ和σ是模型预测的高斯分布的参数，似然函数描述的是对于参数μ和σ形成的分布，出现y_true这个样本点的概率的大小。
因此通过最大化对数似然函数来学习网络参数，即参数μ和σ形成的分布可以最大概率的出现y_true这个样本点，相应的模型训练的损失函数可以确定为-lnL(μ,σ2)。
S4.2基于损失函数，在步骤S1得到的训练集上对TPA-DeepAR模型进行权重更新，最终生成模型的初步预测模型。
S4.3采用初步预测模型在步骤S1得到的验证集上进行测试，获取F2评价指标，根据F2指标，混淆矩阵以及ROC曲线调整TPA-DeepAR模型参数，以达到更优，保存各项评价指标表现最优的TPA-DeepAR预测模型；
其中，所述的F2指标为：
Figure BDA0003513904290000071
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：
Figure BDA0003513904290000072
其中，TP为真正例数，FP为假正例数，R为召回率(recall)，表示在所有实际为正类的样本中，被正确地判断为正类的比例：
Figure BDA0003513904290000073
其中，FN为假负例数。
将TP，FP，TN，FN四个指标一起呈现在2*2表格中，就会得到混淆矩阵，表格的第一象限到第四象限分别为TP，FP，FN，TN。
其中，TN为真负例数。得到混淆矩阵后，矩阵第二象限和第四象限的数值越大越好，反之，第一象限和第三象限的数值越小越好。
在所有实际为负例的样本中，被错误地判断为正例的比例为FPR：FPR＝FP/(FP+TN)。以FPR为横轴，R为纵轴，得到ROC曲线。所述的ROC曲线越靠近左上角，TPA-DeepAR模型的召回率越高，其假正例和假反例总数最少，预测效果越好。
S5.采用最终TPA-DeepAR预测模型对测试集进行实时预测；图5为TPA-DeepAR预测模型在测试数据上的预测结果图，其中(a)为二级静子尖部动压p2随时间变化图，(b)为TPA-DeepAR预测模型给出的喘振预测概率随时间的变化图，(c)为TPA-DeepAR预测模型根据预测概率给出的预警信号。在测试数据上进行实时预测的步骤如下：
S5.1按照预处理的步骤对测试集数据进行预处理，调整测试集数据维度后输入到已经训练好的TPA-DeepAR模型中；测试集数据为二级静子尖部位置的动态压力数据，从图(a)中可以看出，7.48s开始出现了一个向下发展的突尖，处于失速初始扰动阶段，随着失速扰动的发展，在7.826s开始有剧烈的波动，彻底发展为失速喘振。
S5.2依照时间顺序,用TPA-DeepAR预测模型给出每个测试集数据的喘振预测概率；观察图(b)，可以看到预测概率曲线在7.488s左右识别出初始扰动，喘振概率迅速上升，随后保持着较高的喘振概率，直到7.68s左右原始动压数据恢复到平稳状态，喘振概率曲线也迅速回落，之后伴随原始动压数据的波动再次上升。当初始扰动发生后，旋转失速和喘振大概率会发生，一旦发生就会产生非常严重的影响，因此为喘振概率预测曲线设定阈值，当超过阈值后给出预警信号，实现在初始扰动阶段就做出预警。因此TPA-DeepAR预测模型可以及时对初始扰动阶段的微小变化做出反应，并根据扰动的发展输出喘振概率值。
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 (3)

1.一种深度自回归网络的轴流压气机失速喘振预测方法，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，将实验数据划分为测试数据集和训练数据集后，再将训练数据集按比例划分为训练集和验证集；
S2.构建基于注意力机制的深度自回归网络模型，即TPA-DeepAR模型，包括以下步骤：
S2.1将每个样本维度调整为(w，1)，作为TPA-DeepAR模型的输入，其中w代表时间窗长度；
S2.2搭建嵌入层将输入样本的维度从(w，1)转换为(w，m)，m为指定的维度，将样本的特征从一维分散到m个维度；
S2.3搭建LSTM层，将嵌入层的输出作为LSTM层的输入，LSTM层输出w个隐藏向量{ht-w+ 1ht-w+2，......，ht}，每一个隐藏向量的维度为m；
S2.4搭建注意力层，LSTM层输出的w个隐藏向量{ht-w+1ht-w+2，......，ht}作为注意力层的输入，经过注意力层对相关维度加权，最终输出一个隐藏向量
Figure FDA0003513904280000011
S2.5搭建高斯层，所述高斯层由两个全连接层组成，将注意力层输出的隐藏向量
Figure FDA0003513904280000012
作为高斯层的输入，高斯层的两个全连接层的输出分别为参数μ和参数σ，因此高斯层的输出会确定一个高斯分布，这样模型能够实现拟合高斯分布的目的；
S2.6采用拟合的高斯分布进行多次随机采样，得到预测点的数据，并依据这些采样点得到预测点的不同分位数以实现概率预测；
S3.构建S2中所述的注意力层：
S3.1注意力层的输入为LSTM层的输出{ht-w+1ht-w+2，......，ht}，输入数据的维度为(w，m)，除了最后一个隐藏向量ht以外，将其他w-1个隐藏向量组成隐状态矩阵H＝{ht-w+1，ht-w+2，......，ht-1}；
S3.2采用k个卷积核捕捉H的信号模式得到HC矩阵，增强模型对特征的学习能力；
S3.3隐藏向量ht与HC矩阵通过得分函数进行相似度计算得到注意力权重αi，利用注意力权重αi对HC每一行加权求和，得到向量vt；
S3.4最后将ht和vt拼接，输入一个全接连层得到一个新的隐藏向量输出
Figure FDA0003513904280000013
S4.TPA-DeepAR模型损失函数及评价指标：
S4.1针对TPA-DeepAR模型，模型在前向传播时输出的是预测高斯分布的参数μ和σ，采用的损失函数具体如下：
假设样本服从高斯分布y_true～(μ，σ2)，则其似然函数为：
Figure FDA0003513904280000014
其对数似然函数为：
Figure FDA0003513904280000021
其中，n表示样本个数，y_true是已知的，表示样本的真实标签，μ和σ是模型预测的高斯分布的参数，似然函数描述的是对于参数μ和σ形成的分布，出现y_true这个样本点的概率的大小；
因此通过最大化对数似然函数来学习网络参数，即参数μ和σ形成的分布可以最大概率的出现y_true这个样本点，相应的模型训练的损失函数可以确定为-lnL(μ,σ2)；
S4.2基于损失函数，在步骤S1得到的训练集上对TPA-DeepAR模型进行权重更新，最终生成模型的初步预测模型；
S4.3采用初步预测模型在步骤S1得到的验证集上进行测试，获取F2评价指标，根据F2指标，混淆矩阵以及ROC曲线调整TPA-DeepAR模型参数，以达到更优，保存各项评价指标表现最优的TPA-DeepAR预测模型；
S5.采用最终TPA-DeepAR预测模型对测试集进行实时预测：
S5.1.按照预处理的步骤对测试集数据进行预处理，调整测试集数据维度后输入到已经训练好的TPA-DeepAR模型中进行测试；
S5.2.依照时间顺序，采用TPA-DeepAR预测模型给出每个测试集样本的喘振预测概率，得到测试集样本的实时喘振概率。
2.根据权利要求1所述的一种深度自回归网络的轴流压气机失速喘振预测方法，其特征在于，所述步骤S1对航空发动机喘振数据进行预处理具体如下：
S1.1获取某型号航空发动机喘振实验数据，剔除实验数据中由于传感器故障产生的无效数据；
S1.2对剩余有效数据依次进行降采样处理和滤波处理；
S1.3对滤波处理后的数据进行归一化、平滑化处理；
S1.4为保证测试结果的客观性，将实验数据划分为测试数据集和训练数据集；
S1.5通过时间窗切分训练数据集，每个时间窗覆盖的数据点组成一个样本，并将训练数据集按4∶1的比例划分为训练集和验证集。
3.根据权利要求2所述的一种深度自回归网络的轴流压气机失速喘振预测方法，其特征在于，所述步骤S4.3中：
所述的F2指标为：
Figure FDA0003513904280000031
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：
Figure FDA0003513904280000032
其中，TP为真正例数，FP为假正例数，R为召回率，表示在所有实际为正类的样本中，被正确地判断为正类的比例：
Figure FDA0003513904280000033
其中，FN为假负例数；
将TP，FP，TN，FN四个指标一起呈现在2*2表格中，就会得到混淆矩阵，表格的第一象限到第四象限分别为TP，FP，FN，TN；其中，TN为真负例数；
得到混淆矩阵后，矩阵第二象限和第四象限的数值越大越好，反之，第一象限和第三象限的数值越小越好；
在所有实际为负例的样本中，被错误地判断为正例的比例为FPR：FPR＝FP/(FP+TN)；以FPR为横轴，R为纵轴，得到ROC曲线；所述的ROC曲线越靠近左上角，TPA-DeepAR模型的召回率越高，其假正例和假反例总数最少，预测效果越好。
CN202210160713.9A 2022-02-22 2022-02-22 一种深度自回归网络的轴流压气机失速喘振预测方法 Active CN114548555B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210160713.9A CN114548555B (zh) 2022-02-22 2022-02-22 一种深度自回归网络的轴流压气机失速喘振预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210160713.9A CN114548555B (zh) 2022-02-22 2022-02-22 一种深度自回归网络的轴流压气机失速喘振预测方法

Publications (2)

Publication Number Publication Date
CN114548555A CN114548555A (zh) 2022-05-27
CN114548555B true CN114548555B (zh) 2022-09-13

Family

ID=81678192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210160713.9A Active CN114548555B (zh) 2022-02-22 2022-02-22 一种深度自回归网络的轴流压气机失速喘振预测方法

Country Status (1)

Country Link
CN (1) CN114548555B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117310088B (zh) * 2023-08-28 2024-04-02 中国计量科学研究院 一种智能的co2传感器系统及其操作方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005096219A1 (en) * 2004-04-02 2005-10-13 Silverbrook Research Pty Ltd Surface having disposed therein or thereon coded data
CN111737910A (zh) * 2020-06-10 2020-10-02 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
CN112561704A (zh) * 2020-12-24 2021-03-26 银江股份有限公司 一种多变量输入多变量输出时间序列预测方法及系统
CN113836817A (zh) * 2021-10-09 2021-12-24 大连理工大学 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8321118B2 (en) * 2008-12-23 2012-11-27 Honeywell International Inc. Operations support systems and methods with power assurance
US10809156B2 (en) * 2016-02-15 2020-10-20 General Electric Company Automated system and method for generating engine test cell analytics and diagnostics
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
CN113569338B (zh) * 2021-08-06 2022-10-14 大连理工大学 一种基于时间扩张卷积网络的压气机旋转失速预警方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005096219A1 (en) * 2004-04-02 2005-10-13 Silverbrook Research Pty Ltd Surface having disposed therein or thereon coded data
CN111737910A (zh) * 2020-06-10 2020-10-02 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
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
CN112561704A (zh) * 2020-12-24 2021-03-26 银江股份有限公司 一种多变量输入多变量输出时间序列预测方法及系统
CN113836817A (zh) * 2021-10-09 2021-12-24 大连理工大学 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Mathematical Modelling and Analysis of an Axial Compressor Supersonic Stage Impeller";Yuri Galerkin 等;《Proceedings of the 10th International Conference on Computer Modeling and Simulation》;20180131;第197–201页 *
"基于深度学习模型DeepAR的时间序列预测及应用实例";朱刚 等;《电子商务》;20200715(第7期);第83-86页 *
"基于深度学习的轴流压气机旋转失速预测研究";赵宏阳;《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》;20220115(第1期);第C031-100页 *

Also Published As

Publication number Publication date
CN114548555A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
WO2021135630A1 (zh) 基于grcmse与流形学习的滚动轴承故障诊断方法
CN112001128B (zh) 一种基于深度学习的轴流压气机失速喘振预测方法
CN107784325B (zh) 基于数据驱动增量融合的螺旋式故障诊断方法
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
CN111597651B (zh) 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法
CN110135492B (zh) 基于多高斯模型的设备故障诊断与异常检测方法及系统
WO2023159336A1 (zh) 一种深度自回归网络的轴流压气机失速喘振预测方法
CN110516305B (zh) 基于注意机制元学习模型的小样本下故障智能诊断方法
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN110132554B (zh) 一种深度拉普拉斯自编码的旋转机械故障诊断方法
CN115187832A (zh) 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法
CN113836817B (zh) 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法
CN112729834B (zh) 一种轴承故障的诊断方法、装置和系统
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
CN115901249B (zh) 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法
CN114708885A (zh) 一种基于声音信号的风机故障预警方法
CN113327632A (zh) 一种基于字典学习的无监督异常声检测方法和装置
CN110956331A (zh) 数字工厂运营状态预测方法、系统、装置
Mi et al. A nonparametric cumulative sum-based fault detection method for rolling bearings using high-level extended isolated forest
CN116415201A (zh) 基于深度同心学习的船舶主动力异常检测方法
CN105824785A (zh) 基于惩罚回归的快速异常点检测方法
Lu et al. A modified active learning intelligent fault diagnosis method for rolling bearings with unbalanced samples
CN111709440B (zh) 基于FSA-Choquet模糊积分的特征选择方法
CN114021275A (zh) 一种基于深度卷积模糊系统的滚动轴承故障诊断方法
CN110334310B (zh) 一种风机功率曲线的确定方法及确定装置

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