CN114970662B - 一种基于故障特征迁移的发动机故障数据实时生成方法 - Google Patents
一种基于故障特征迁移的发动机故障数据实时生成方法 Download PDFInfo
- Publication number
- CN114970662B CN114970662B CN202210221848.1A CN202210221848A CN114970662B CN 114970662 B CN114970662 B CN 114970662B CN 202210221848 A CN202210221848 A CN 202210221848A CN 114970662 B CN114970662 B CN 114970662B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- engine
- data set
- style
- 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 32
- 238000013508 migration Methods 0.000 title claims abstract description 32
- 230000005012 migration Effects 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003745 diagnosis Methods 0.000 claims description 52
- 238000010276 construction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开揭示了一种基于故障特征迁移的发动机故障数据实时生成方法,包括:确定发动机故障特征参数,以采集数据源发动机的故障特征数据和已知对象发动机的无故障特征数据,并构建故障特征数据集I和无故障特征数据集Ib;求取故障特征数据集I中同类数据中心,以获取故障风格代表数据,根据故障风格代表数据构建故障风格数据集If;利用无故障数据集Ib和故障风格数据集If对VGG16‑Mini分类网络进行训练,以输出基于故障特征迁移的故障特征数据集Ig;根据故障特征参数采集待测对象发动机的无故障特征数据并构建无故障特征数据集Ib′,将无故障特征数据集Ib′输入训练好的VGG16‑Mini分类网络中求解,即可生成待测对象发动机的故障特征数据。
Description
技术领域
本公开属于航空发动机故障诊断领域,具体涉及一种基于故障特征迁移的航空发动机故障数据实时生成方法。
背景技术
航空运输的维护、修理和大修(MRO)市场在本年度价值819亿美元,在整个10年的预测期内平均每年增长3.5%,其中约40%用于发动机MRO。到2029年,这个数字将上升到50%左右。气路部件故障在航空发动机全部故障中仅占不到10%,但占了30%~50%的维修时间,气路是航空发动机故障诊断的一个关键环节。
研究表明,发动机数据训练得到的气路诊断算法在数据源发动机个体上表现良好,但直接用于非数据源发动机个体时表现变差,会出现虚警。当诊断对象发生性能衰退后,传统方法建立的气路诊断算法甚至完全失灵,其罪魁祸首就是全寿命期内的概念漂移。常用的解决方案是使用对象发动机的近期无故障数据对诊断算法进行二次学习,能使虚警情况大幅减少,但漏检率大幅增加,尤其是对于衰退后的发动机,风扇漏检率过高,不能接受。其关键原因就是非数据源发动机没有故障数据用于微调。由于真实发动机气路故障发生概率低,发生故障后数据难以保存,尤其是实际故障状态下的有标签样本。在一定程度上限制了智能故障诊断方法的在实际场景下的应用。
因此,如何设计一种基于故障特征迁移的航空发动机故障数据实时生成方法是业界亟需解决的问题。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解,因此可能包含不构成本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中的不足,本公开的目的在于提供一种基于故障特征迁移的航空发动机故障数据实时生成方法,通过故障特征迁移算法将新发动机个体的无故障数据实时生成故障数据。
为实现上述目的,本公开提供以下技术方案:
一种基于故障特征迁移的航空发动机故障数据实时生成方法,包括如下步骤:
S100:确定发动机故障特征参数,根据所述故障特征参数采集数据源发动机的故障特征数据,并构建故障特征数据集I;同时,根据所述故障特征参数采集已知对象发动机的无故障特征数据,并构建无故障特征数据集Ib;
S200:求取所述故障特征数据集I中同类数据中心,以获取故障风格代表数据,根据所述故障风格代表数据构建故障风格数据集If;
S300:利用所述无故障数据集Ib和所述故障风格数据集If对VGG16-Mini分类网络进行训练,以输出基于故障特征迁移的故障特征数据集Ig;
S400:根据所述故障特征参数采集待测对象发动机的无故障特征数据并构建无故障特征数据集Ib′,将所述无故障特征数据集Ib′输入训练好的VGG16-Mini分类网络中求解,即可生成待测对象发动机的故障特征数据。
优选的,步骤S100中,所述故障特征参数包括:
环境参数:风扇进口总温风扇进口总压环境静压P0;
风扇运行参数:风扇出口总温风扇出口总压
高压压气机运行参数:高压压气机出口总温高压压气机出口静压P31;
高压涡轮和低压涡轮运行参数:主燃油流量Wf、涡轮后总温为涡轮后总压高压转子转速Δn2和低压转子转速Δn1。
优选的,步骤S100中,还需要对所采集的数据源发动机的故障特征数据以及已知对象发动机的无故障特征数据进行预处理。
优选的,步骤S200中,所述求取故障特征数据集I中同类数据中心以获取故障风格代表数据包括如下步骤:
S201:在所述故障特征数据集I中,将多组具有同一故障类型的数据在已有故障诊断分类器进行诊断,获得多组诊断结果向量值;
S202:计算所述多组诊断结果向量值的平均值,以作为所述多组具有同一故障类型的数据的中心,选取所述多组诊断结果向量值中最接近所述多组诊断结果向量值的平均值对应的一组数据作为该类型故障的风格代表数据。
优选的,步骤S300中,所述利用无故障数据集Ib和所述故障风格数据集If对VGG16-Mini分类网络进行训练包括如下步骤:
S301:通过VGG16-min分类网络计算故障风格代表数据集If和无故障数据集Ib之间的损失值;
S302:将步骤S301中的损失值汇总为总损失值ltotal反馈给VGG16-Mini分类网络,所述总损失值ltotal计算公式为:
其中,λb、λf、λp分别为三个常数,值由模型训练调参过程中确定;b、f、p为卷积层层数,Δyb为对象发动机无故障数据集Ib中的残差数据;Δyg为VGG16-Mini分类网络输出结果Ig中的残差数据;Δyf是故障风格数据集If中的残差数据,lPD(Δyg)为总变差损失评价函数。
本公开还提供一种基于故障特征迁移的发动机故障数据实时生成系统,包括:
故障特征数据集构建模块,用于根据所确定的发动机故障特征参数采集数据源发动机的故障特征数据以构建故障特征数据集I;
无故障特征数据集构建模块,用于根据所确定的发动机故障特征参数采集已知对象发动机的无故障特征数据以构建无故障特征数据集Ib;
故障风格数据集构建模块,通过求取所述故障特征数据集I中同类数据中心以获取故障风格代表数据,并根据所述故障风格代表数据构建故障风格数据集If;
网络训练模块,通过利用所述无故障数据集Ib和所述故障风格数据集If对VGG16-Mini分类网络进行训练,以输出基于故障特征迁移的故障特征数据集Ig;
故障特征数据生成模块,用于将待测对象发动机的无故障特征数据集Ib′输入训练好的VGG16-Mini分类网络中求解,以生成待测对象发动机的故障特征数据。
优选的,所述系统还包括预处理模块,用于对所采集的数据源发动机的故障特征数据以及已知对象发动机的无故障特征数据进行预处理。
优选的,所述故障风格数据集构建模块包括:
诊断子模块,用于将所述故障特征数据集I中多组具有同一故障类型的数据在已有故障诊断分类器进行诊断,以获得多组诊断结果向量值;
故障风格代表数据获取子模块,用于将所述多组诊断结果向量值中最接近所述多组诊断结果向量值的平均值对应的一组数据作为该类型故障的风格代表数据。
优选的,所述网络训练模块包括:
损失值计算子模块,用于计算所述故障风格数据集If和无故障数据集Ib之间的损失值;
损失值汇总子模块,用于将所述故障风格数据集If和无故障数据集Ib之间的损失值进行汇总,获得总损失ltotal;
反馈子模块,用于将所述总损失ltotal反馈给VGG16-Mini分类网络。
本公开还提供一种计算机存储介质,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现上述所述方法。
与现有技术相比,本公开带来的有益效果为:本公开能够通过故障特征迁移算法,由新发动机个体的无故障数据实时生成故障数据,从而解决了在缺少非数据源发动机没有故障数据用于诊断算法的微调的情况下发动机气路故障诊断漏检率过高的问题,提高了智能故障诊断方法的在实际场景下的应用能力。
附图说明
图1是本公开一个实施例提供的一种基于故障特征迁移的航空发动机故障数据实时生成方法的流程图;
图2是本公开另一个实施例提供的基于故障特征迁移的航空发动机故障数据实时生成方法的算法框图;
图3(a)是本公开另一个实施例提供的未发生衰退的对象发动机故障特征迁移数据的故障诊断结果图;
图3(b)是本公开另一个实施例提供的发生衰退的对象发动机故障特征迁移数据的故障诊断结果图。
具体实施方式
下面将参照附图1至图3(b)详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式,而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本公开实施例的限定。
一个实施例中,如图1所示,本公开提供一种基于故障特征迁移的发动机故障数据实时生成方法,包括如下步骤:
S100:确定发动机故障特征参数,根据所述故障特征参数采集数据源发动机的故障特征数据,并构建故障特征数据集I;同时,根据所述故障特征参数采集已知对象发动机的无故障特征数据,并构建无故障特征数据集Ib;
S200:求取所述故障特征数据集I中同类数据中心,以获取故障风格代表数据,根据所述故障风格代表数据构建故障风格数据集If;
S300:利用所述无故障数据集Ib和所述故障风格数据集If对VGG16-Mini分类网络进行训练,以输出基于故障特征迁移的故障特征数据集Ig;
S400:根据所述故障特征参数采集待测对象发动机的无故障特征数据并构建无故障特征数据集Ib′,将所述无故障特征数据集Ib′输入训练好的VGG16-Mini分类网络中求解,即可生成待测对象发动机的故障特征数据。
将现有训练好的故障诊断模型用于新的发动机个体时,由于发动机个体差异的原因,会出现漏检和虚警的问题,一般解决方法是对模型进行微调:用目标数据库(新发动机个体)中的数据重新训练模型来提高预训练模型与目标数据库之间的适应度的方法。目前的问题是没有新发动机的故障数据,通过无故障数据微调后存储在权重中的故障分类边界信息将转变为适合新数据。在此过程中,“无故障”类的最小区域受到限制,但上限没有受到限制,使得诊断模型微调后不会发生虚警,但漏检问题变得更严重。上述实施例所述的方案能够通过故障特征迁移算法,由新发动机个体的无故障数据实时生成故障数据,从而解决了在缺少非数据源发动机没有故障数据用于诊断算法的微调的情况下发动机气路故障诊断漏检率过高的问题,提高了智能故障诊断方法的在实际场景下的应用能力。
另一个实施例中,步骤S100中,所述发动机故障特征参数包括:
环境参数:风扇进口总温风扇进口总压环境静压P0;
风扇运行参数:风扇出口总温风扇出口总压
高压压气机运行参数:高压压气机出口总温高压压气机出口静压P31;
高压涡轮和低压涡轮运行参数:主燃油流量Wf、涡轮后总温为涡轮后总压高压转子转速Δn2和低压转子转速Δn1。
另一个实施例中,步骤S100中,步骤S100中,还需要对所采集的数据源发动机的故障特征数据以及已知对象发动机的无故障特征数据进行预处理。
该实施例中,通过对每个故障特征数据除以一个常值进行归一化处理,以构成数据源发动机故障特征数据集I。对无故障数据的对象发动机数据也进行上述步骤,以构成对象发动机无故障数据集Ib。
另一个实施例中,步骤S200中,所述求取故障特征数据集I中同类数据中心以获取故障风格代表数据包括如下步骤:
S201:在所述故障特征数据集I中,将多组具有同一故障类型的数据在已有故障诊断分类器进行诊断,获得多组诊断结果向量值;
该步骤中,所述故障诊断分类器是一个训练好的卷积神经网络,其输入的数据格式与前述实施例的数据集的格式相同,输出为1*5形式的向量值,分别表示输入数据发生风扇故障、低压压气机故障、高压涡轮故障、低压涡轮故障和无故障的概率值。
S202:计算所述多组诊断结果向量值的平均值,以作为所述多组具有同一故障类型的数据的中心,选取所述多组诊断结果向量值中最接近所述多组诊断结果向量值的平均值对应的一组数据作为该类型故障的风格代表数据。
另一个实施例中,如图2所示,所述利用无故障数据集Ib和所述故障风格数据集If对VGG16-Mini分类网络进行训练包括如下步骤:
S301:通过VGG16-min分类网络计算故障风格数据集If和对象发动机无故障数据集Ib之间的损失值;
该步骤中,所述VGG16-min分类网络是一种特征迁移分类网络,其由7个卷积层、3个池化层和3个全连接层组成,将数据源发动机的故障数据集Ib和故障风格数据集If训练VGG16-Mini分类网络以用于计算损失值,定义特征结果损失(FeatLoss)和风格损失(StyleLoss)来衡量数据之间内容和风格的差异,具体的,对于每一个输入特征数据,有一个内容目标Δyg和一个风格目标Δyb,为每个故障风格目标训练一个网络将内容目标和一个风格目标结合。分类结果的相似性使用VGG16-min分类网络中激活层的欧式距离来评价,其特征损失计算公式为:
其中,Δyb为对象发动机无故障数据集Ib中的残差数据;Δyg为VGG16-Mini分类网络输出结果Ig中的残差数据;nj(Δyx)为VGG16-min网络中卷积层j输出的形状为Cj×Hj×Wj的特征图;n()为一个映射关系,表示里面括号数据的卷积层输出特征图;Δyx为公式nj(Δyg)或者nj(Δyb)里面的一个;Δ为残差数据。
将VGG16-min网络中卷积层输出的可平移相似性作为风格重建损失评价函数,其计算公式为:
其中:nj(Δy)h,w,c为通道c中第h行w列的nj(Δy)元素,j为卷积层层数,c′为另一个通道,Gmj(Δy)为无中心协方差,Δy为残差数据,为范数,F为F-范数,CjHjWj为特征图形状的三维值。
将VGG16-Mini分类网络输出结果Ig的空间平滑性作为总变差损失评价函数,其计算公式为:
其中,(Δyg)h,w是残差数据Δyg的第h行和w列中的元素。
S302:VGG16-Mini分类网络通过映射N(Δyb;ω)输入数据转为风格迁移数据,使用随机梯度下降法进行训练,以最小化损失函数的加权组,其优化目标为:
为了使输出的风格迁移的气路故障数据光滑连续,计算总变差损失(TotalVariation Loss)评价结果数据的空间平滑性,计算公式为:
由此得到总损失值:
其中,λb、λf、λp分别为三个常数,值由模型训练调参过程中确定;b、f、p为卷积层层数;jb、jg为卷积层分量;Δyb为对象发动机无故障数据集Ib中的残差数据;Δyg为VGG16-Mini分类网络输出结果Ig中的残差数据;Δyf为故障风格数据集If中的残差数据。
下面通过仿真实验来验证本公开所述方法的有效性。
首先,通过以对象发动机B的真实故障数据训练故障诊断算法;通过本公开提出的故障风格迁移算法将对象发动机B的无故障数据迁移为特定故障数据;其次,用真实故障数据训练的故障诊断算法诊断迁移得到的故障数据。分别对未发生衰退和衰退50小时后的对象发动机B进行上述仿真试验,诊断结果分别如图3(a)和图3(b)所示。由图可知,使用迁移得到的故障数据诊断结果与预期基本相符,说明了本公开的基于故障特征迁移的航空发动机故障数据实时生成方法是有效的。
另一个实施例中,本公开还提供一种基于故障特征迁移的发动机故障数据实时生成系统,包括:
故障特征数据集构建模块,用于根据所确定的发动机故障特征参数采集数据源发动机的故障特征数据以构建故障特征数据集I;
无故障特征数据集构建模块,用于根据所确定的发动机故障特征参数采集已知对象发动机的无故障特征数据以构建无故障特征数据集Ib;
故障风格数据集构建模块,通过求取所述故障特征数据集I中同类数据中心以获取故障风格代表数据,并根据所述故障风格代表数据构建故障风格数据集If;
网络训练模块,通过利用所述无故障数据集Ib和所述故障风格数据集If对VGG16-Mini分类网络进行训练,以输出基于故障特征迁移的故障特征数据集Ig;
故障特征数据生成模块,用于将待测对象发动机的无故障特征数据集Ib′输入训练好的VGG16-Mini分类网络中求解,以生成待测对象发动机的故障特征数据。
另一个实施例中,所述系统还包括预处理模块,用于对所采集的数据源发动机的故障特征数据以及已知对象发动机的无故障特征数据进行预处理。
另一个实施例中,所述故障风格数据集构建模块包括:
诊断子模块,用于将所述故障特征数据集I中多组具有同一故障类型的数据在已有故障诊断分类器进行诊断,以获得多组诊断结果向量值;
故障风格代表数据获取子模块,用于将所述多组诊断结果向量值中最接近所述多组诊断结果向量值的平均值对应的一组数据作为该类型故障的风格代表数据。
另一个实施例中,所述网络训练模块包括:
损失值计算子模块,用于计算所述故障风格数据集If和无故障数据集Ib之间的损失值;
损失值汇总子模块,用于将所述故障风格数据集If和无故障数据集Ib之间的损失值进行汇总,获得总损失ltotal;
反馈子模块,用于将所述总损失ltotal反馈给VGG16-Mini分类网络。
另一个实施例中,本公开还提供一种计算机存储介质,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现上述实施例所述的方法。
以上对本公开进行了详细介绍,本文中应用了具体个例对本公开的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本公开的方法及其核心思想;同时,对于本领域技术人员,依据本公开的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本公开的限制。
Claims (8)
1.一种基于故障特征迁移的发动机故障数据实时生成方法,包括如下步骤:
S100:确定发动机故障特征参数,根据所述故障特征参数采集数据源发动机的故障特征数据,并构建故障特征数据集I;同时,根据所述故障特征参数采集已知对象发动机的无故障特征数据,并构建无故障特征数据集;
S200:求取所述故障特征数据集I中同类数据中心,以获取故障风格代表数据,根据所述故障风格代表数据构建故障风格数据集;
S300:利用所述无故障特征数据集和所述故障风格数据集对VGG16-Mini分类网络进行训练,以输出基于故障特征迁移的故障特征数据集;
S400:根据所述故障特征参数采集待测对象发动机的无故障特征数据并构建无故障特征数据集,将所述无故障特征数据集输入训练好的VGG16-Mini分类网络中求解,即可生成待测对象发动机的故障特征数据;
其中,
步骤S200中,所述求取故障特征数据集I中同类数据中心以获取故障风格代表数据包括如下步骤:
S201:在所述故障特征数据集中,将多组具有同一故障类型的数据在已有故障诊断分类器进行诊断,获得多组诊断结果向量值;
S202:计算所述多组诊断结果向量值的平均值,以作为所述多组具有同一故障类型的数据的中心,选取所述多组诊断结果向量值中最接近所述多组诊断结果向量值的平均值对应的一组数据作为该类型故障的风格代表数据。
2.根据权利要求1所述的方法,其中,步骤S100中,所述发动机故障特征参数包括:
环境参数:风扇进口总温、风扇进口总压、环境静压;
风扇运行参数:风扇出口总温、风扇出口总压;
高压压气机运行参数:高压压气机出口总温、高压压气机出口静压;
高压涡轮和低压涡轮运行参数:主燃油流量、涡轮后总温、为涡轮后总压、高压转子转速和低压转子转速。
3.根据权利要求1所述的方法,其中,步骤S100中,还需要对所采集的数据源发动机的故障特征数据以及已知对象发动机的无故障特征数据进行预处理。
4.根据权利要求1所述的方法,其中,步骤S300中,所述利用无故障特征数据集和所述故障风格数据集对VGG16-Mini分类网络进行训练包括如下步骤:
S301:通过VGG16-min分类网络计算故障风格数据集和无故障特征数据集之间的损失值;
S302:将步骤S301中的损失值汇总为总损失值反馈给VGG16-Mini分类网络,所述总损失值计算公式为:
;
其中,、、分别为三个常数,值由模型训练调参过程中确定;、、为卷积层层数,为对象发动机无故障特征数据集中的残差数据;为VGG16-Mini分类网络输出结果中的残差数据;是故障风格数据集中的残差数据,为总变差损失评价函数。
5.一种基于故障特征迁移的发动机故障数据实时生成系统,包括:
故障特征数据集构建模块,用于根据所确定的发动机故障特征参数采集数据源发动机的故障特征数据以构建故障特征数据集I;
无故障特征数据集构建模块,用于根据所确定的发动机故障特征参数采集已知对象发动机的无故障特征数据以构建无故障特征数据集;
故障风格数据集构建模块,通过求取所述故障特征数据集I中同类数据中心以获取故障风格代表数据,并根据所述故障风格代表数据构建故障风格数据集;
网络训练模块,通过利用所述无故障特征数据集和所述故障风格数据集对VGG16-Mini分类网络进行训练,以输出基于故障特征迁移的故障特征数据集;
故障特征数据生成模块,用于将待测对象发动机的无故障特征数据集输入训练好的VGG16-Mini分类网络中求解,以生成待测对象发动机的故障特征数据;
其中,
所述故障风格数据集构建模块包括:
诊断子模块,用于将所述故障特征数据集中多组具有同一故障类型的数据在已有故障诊断分类器进行诊断,以获得多组诊断结果向量值;
故障风格代表数据获取子模块,用于将所述多组诊断结果向量值中最接近所述多组诊断结果向量值的平均值对应的一组数据作为该类型故障的风格代表数据。
6.根据权利要求5所述的系统,其中,所述系统还包括预处理模块,用于对所采集的数据源发动机的故障特征数据以及已知对象发动机的无故障特征数据进行预处理。
7.根据权利要求5所述的系统,其中,所述网络训练模块包括:
损失值计算子模块,用于计算所述故障风格数据集和无故障特征数据集之间的损失值;
损失值汇总子模块,用于将所述故障风格数据集和无故障特征数据集之间的损失值进行汇总,获得总损失;
反馈子模块,用于将所述总损失反馈给VGG16-Mini分类网络。
8.一种计算机存储介质,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现权利要求1-4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210221848.1A CN114970662B (zh) | 2022-03-08 | 2022-03-08 | 一种基于故障特征迁移的发动机故障数据实时生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210221848.1A CN114970662B (zh) | 2022-03-08 | 2022-03-08 | 一种基于故障特征迁移的发动机故障数据实时生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114970662A CN114970662A (zh) | 2022-08-30 |
CN114970662B true CN114970662B (zh) | 2024-08-23 |
Family
ID=82975345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210221848.1A Active CN114970662B (zh) | 2022-03-08 | 2022-03-08 | 一种基于故障特征迁移的发动机故障数据实时生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970662B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
CN112907734A (zh) * | 2021-03-09 | 2021-06-04 | 中南大学 | 基于虚拟crh380a模型和深度学习的teds故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111829782B (zh) * | 2020-07-16 | 2021-12-07 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
-
2022
- 2022-03-08 CN CN202210221848.1A patent/CN114970662B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
CN112907734A (zh) * | 2021-03-09 | 2021-06-04 | 中南大学 | 基于虚拟crh380a模型和深度学习的teds故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114970662A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
Zhou et al. | Fault diagnosis of gas turbine based on partly interpretable convolutional neural networks | |
Chen et al. | A risk-averse remaining useful life estimation for predictive maintenance | |
US20210041862A1 (en) | Malfunction early-warning method for production logistics delivery equipment | |
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 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN108256173A (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
WO2024087128A1 (zh) | 针对航空发动机剩余使用寿命预测的多尺度混杂注意力机制建模方法 | |
Xiong et al. | Adaptive deep learning-based remaining useful life prediction framework for systems with multiple failure patterns | |
CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
Yang et al. | Multiple model-based detection and estimation scheme for gas turbine sensor and gas path fault simultaneous diagnosis | |
CN115481658A (zh) | 一种针对航空发动机故障预测的脉冲回声状态网络模型 | |
CN110826587B (zh) | 基于改进的加权一类支持向量机的涡轴发动机故障检测方法 | |
CN115081484A (zh) | 基于crj-oselm算法的航空发动机传感器故障诊断方法 | |
Zhong et al. | Fault diagnosis of Marine diesel engine based on deep belief network | |
Xu et al. | Deep belief network-based gas path fault diagnosis for turbofan engines | |
Huang et al. | Graph structure embedded with physical constraints-based information fusion network for interpretable fault diagnosis of aero-engine | |
CN112116101B (zh) | 一种基于群体约减核极限学习机的航空发动机故障诊断方法 | |
CN113283004A (zh) | 一种基于迁移学习的航空发动机退化状态故障诊断方法 | |
CN114970662B (zh) | 一种基于故障特征迁移的发动机故障数据实时生成方法 | |
Pérez-Pérez et al. | Fault detection and isolation in wind turbines based on neuro-fuzzy qLPV zonotopic observers | |
CN117493949A (zh) | 基于元学习的滚动轴承小样本故障诊断方法 | |
CN113361558B (zh) | 基于ihpso-kmsvdd的航空发动机故障检测方法 | |
Yu et al. | Aero-engine residual life prediction based on time-series residual neural networks | |
Zhong et al. | Research on fusion diagnosis method of thermal fault of marine diesel engine |
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 |