CN115017984A - 一种航空发动机故障风险预警方法及系统 - Google Patents
一种航空发动机故障风险预警方法及系统 Download PDFInfo
- Publication number
- CN115017984A CN115017984A CN202210607401.8A CN202210607401A CN115017984A CN 115017984 A CN115017984 A CN 115017984A CN 202210607401 A CN202210607401 A CN 202210607401A CN 115017984 A CN115017984 A CN 115017984A
- Authority
- CN
- China
- Prior art keywords
- module
- gray
- aeroengine
- fault
- depth
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Engines (AREA)
Abstract
本发明涉及一种航空发动机故障风险预警方法及系统。所述方法包括:将待预警发动机的性能参数数组转化成灰度图并输入故障风险预警模型得到预警故障类型;故障风险预警模型为根据待训练航空发动机的灰度图和故障类型对改进深度残差收缩网络进行训练得到的;改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层;深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络;深度残差卷积收缩网络包括:依次连接的第一卷积层模块、池化层、第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块。本发明有良好的鲁棒性,针对不同数据集都具有较高的故障风险预警准确率。
Description
技术领域
本发明涉及民用飞机发动机故障与风险预警技术领域,特别是涉及一种航空发动机故障风险预警方法及系统。
背景技术
通过故障风险预警可及时发现航空发动机潜在故障并判断故障类型,迅速有效地指导发动机的使用和维修管理任务,提高飞机安全运营的水平。
对于风险评估研究,传统分析方法在基础数据与评估体系方面利用数学模型与公式推导出模型指标数据等得到故障风险相关数据,常用的传统方法包括回归分析、协方差矩阵、小波变换和故障树分析法等。传统分析方法可将已知故障参数带入模型运算得到相关故障指标,但计算精度需迭代预算,在时间与空间上产生开销。相比传统分析方法,深度学习在特征提取与准确计算方面表现优异,以增量方式训练样本数据,以学习复杂数据集隐性蕴含的低级与高级特征,在故障风险领域中研究已取得一定进展,但航空发动机采集器数据样本所属特征不明显,各个故障种类阈值较难划分,导致使用深度学习方法进行航空发动机故障预警时鲁棒性差,容易造成预警结果不准确。
发明内容
本发明的目的是提供一种航空发动机故障风险预警方法及系统,有良好的鲁棒性,针对不同数据集都具有较高的故障风险预警准确率。
为实现上述目的,本发明提供了如下方案:
一种航空发动机故障风险预警方法,包括:
获取待预警航空发动机的性能参数数组,所述性能参数数组包括:高压转子转速、低压转子转速、风扇压比、增压级压比、压气机压比、高压压气机进口总温度、低压涡轮排气温度和耗油量偏差;所述耗油量偏差为当前实际的耗油量与健康状态下的耗油量的差值;
将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图;
将所述待预警航空发动机的待检测灰度图输入故障风险预警模型得到所述待预警航空发动机的预警故障类型;所述故障风险预警模型为以待训练航空发动机的待检测灰度图为输入,以所述待训练航空发动机的故障类型为输出对改进深度残差收缩网络进行训练得到的;所述改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层;所述深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络;所述深度残差卷积收缩网络包括:依次连接的第一卷积层模块、池化层、第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块;所述第一阈值深度机制模块包括并联的第一软阈值化函数和第一深度注意力机制网络;所述第二阈值深度机制模块包括并联的第二软阈值化函数和第二深度注意力机制网络。
可选的,所述故障风险预警模型的确定方法为:
以故障类型为标准获取多组训练样本,一种故障类型对应一组训练样本;一组所述训练样本包括多个待训练航空发动机的性能参数数组;
对各所述待训练航空发动机的性能参数数组添加高斯噪声得到添加噪声后的待训练航空发动机的性能参数数组;
将各所述添加噪声后的待训练航空发动机的性能参数数组转化成灰度图得到多个待训练航空发动机的待检测灰度图;
将所有所述待训练航空发动机的待检测灰度图按设定比例分成训练集、验证集和测试集;
根据所述训练集、所述验证集和所述测试集对所述改进深度残差收缩网络进行训练得到所述故障风险预警模型。
可选的,所述将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图,具体包括:
将所述性能参数数组转化成矩阵;
将所述矩阵转换成灰度图得到所述待预警航空发动机的待检测灰度图。
可选的,所述改进深度残差收缩网络还包括:依次连接的BN层、ReLU函数和Dropout层;所述BN层的输入端与所述深度残差卷积收缩模块的输出端连接,所述Dropout层的输出端与所述全连接层的输入端连接。
可选的,所述第一卷积层模块和所述第二卷积层模块均包括两个依次连接的卷积层。
一种航空发动机故障风险预警系统,包括:
获取模块,用于获取待预警航空发动机的性能参数数组,所述性能参数数组包括:高压转子转速、低压转子转速、风扇压比、增压级压比、压气机压比、高压压气机进口总温度、低压涡轮排气温度和耗油量偏差;所述耗油量偏差为当前实际的耗油量与健康状态下的耗油量的差值;
待检测灰度图转换模块,用于将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图;
故障类型确定模块,用于将所述待预警航空发动机的待检测灰度图输入故障风险预警模型得到所述待预警航空发动机的预警故障类型;所述故障风险预警模型为以待训练航空发动机的待检测灰度图为输入,以所述待训练航空发动机的故障类型为输出对改进深度残差收缩网络进行训练得到的;所述改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层;所述深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络;所述深度残差卷积收缩网络包括:依次连接的第一卷积层模块、池化层第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块;所述第一阈值深度机制模块包括并联的第一软阈值化函数和第一深度注意力机制网络;所述第二阈值深度机制模块包括并联的第二软阈值化函数和第二深度注意力机制网络。
可选的,所述故障类型确定模块包括:
获取单元,用于以故障类型为标准获取多组训练样本,一种故障类型对应一组训练样本;一组所述训练样本包括多个待训练航空发动机的性能参数数组;
添加噪声单元,用于对各所述待训练航空发动机的性能参数数组添加高斯噪声得到添加噪声后的待训练航空发动机的性能参数数组;
训练灰度图确定单元,用于将各所述添加噪声后的待训练航空发动机的性能参数数组转化成灰度图得到多个待训练航空发动机的待检测灰度图;
划分单元,用于将所有所述待训练航空发动机的待检测灰度图按设定比例分成训练集、验证集和测试集;
故障风险预警模型训练单元,用于根据所述训练集、所述验证集和所述测试集对所述改进深度残差收缩网络进行训练得到所述故障风险预警模型。
可选的,所述待检测灰度图转换模块,具体包括:
矩阵转化单元,用于将所述性能参数数组转化成矩阵;
待检测灰度图转化单元,用于将所述矩阵转换成灰度图得到所述待预警航空发动机的待检测灰度图。
可选的,所述改进深度残差收缩网络还包括:依次连接的BN层、ReLU函数和Dropout层;所述BN层的输入端与所述深度残差卷积收缩模块的输出端连接,所述Dropout层的输出端与所述全连接层的输入端连接。
可选的,所述第一卷积层模块和所述第二卷积层模块均包括两个依次连接的卷积层。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明获取待预警航空发动机的性能参数数组,将性能参数数组转化成灰度图得到待预警航空发动机的待检测灰度图;将待预警航空发动机的待检测灰度图输入故障风险预警模型得到待预警航空发动机的预警故障类型;故障风险预警模型为以待训练航空发动机的待检测灰度图为输入,以待训练航空发动机的故障类型为输出对改进深度残差收缩网络进行训练得到的;改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层;深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络;深度残差卷积收缩网络包括:依次连接的第一卷积层模块、池化层、第一软阈值化函数、第一深度注意力机制网络、第二卷积层模块、第二软阈值化函数和第二深度注意力机制网络,本发明中的故障风险预警模型包括LSTM、软阈值化函数和深度注意力机制网络,使得本发明有良好的鲁棒性,针对不同数据集都具有较高的故障风险预警准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的航空发动机故障风险预警方法的流程图;
图2为深度注意力机制网络基本模块图;
图3为深度残差收缩网络的基本模块图;
图4为基于改进深度残差收缩网络的故障风险预警模型建立的流程示意图;
图5为添加噪声的灰度图;
图6为故障风险预警模型的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明实施例提供了一种航空发动机故障风险预警方法,包括:
步骤101:获取待预警航空发动机的性能参数数组。所述性能参数数组包括:高压转子转速、低压转子转速、风扇压比、增压级压比、压气机压比、高压压气机进口总温度、低压涡轮排气温度和耗油量偏差;所述耗油量偏差为当前实际的耗油量与健康状态(没有故障)下的耗油量的差值。
步骤102:将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图。
步骤103:将所述待预警航空发动机的待检测灰度图输入故障风险预警模型得到所述待预警航空发动机的预警故障类型;所述故障风险预警模型为以待训练航空发动机的待检测灰度图为输入,以所述待训练航空发动机的故障类型为输出对改进深度残差收缩网络进行训练得到的;如图6所示,改进深度残差收缩网络(改进DRSN)包括依次连接的LSTM、深度残差卷积收缩模块和全连接层(Dense layer);所述深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络;所述深度残差卷积收缩网络包括:依次连接的第一卷积层模块、池化层、第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块;所述第一阈值深度机制模块包括并联的第一软阈值化函数和第一深度注意力机制网络;所述第二阈值深度机制模块包括并联的第二软阈值化函数和第二深度注意力机制网络,池化层是输出端分别与第一软阈值化函数的输入端和第一深度注意力机制网络的输入端连接,第一软阈值化函数的输出端和第一深度注意力机制网络的输出端分别与第二卷积层模块的输入端连接;第二卷积层模块的输出端分别与第二软阈值化函数的输入端和第二深度注意力机制网络的输入端连接;第二软阈值化函数的输出端和第二深度注意力机制网络的输出端分别与全连接层的输入端连接。
在实际应用中,所述故障风险预警模型的确定方法为:
以故障类型为标准获取多组训练样本,一种故障类型对应一组训练样本;一组所述训练样本包括多个待训练航空发动机的性能参数数组。
对各所述待训练航空发动机的性能参数数组添加高斯噪声得到添加噪声后的待训练航空发动机的性能参数数组。
将各所述添加噪声后的待训练航空发动机的性能参数数组转化成灰度图得到多个待训练航空发动机的待检测灰度图。
将所有所述待训练航空发动机的待检测灰度图按设定比例分成训练集、验证集和测试集。
根据所述训练集、所述验证集和所述测试集对所述改进深度残差收缩网络进行训练得到所述故障风险预警模型。
在实际应用中,所述将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图,具体包括:
将所述性能参数数组转化成矩阵。
将所述矩阵转换成灰度图得到所述待预警航空发动机的待检测灰度图。
在实际应用中,所述改进深度残差收缩网络还包括:依次连接的BN层、ReLU函数和Dropout层;所述BN层的输入端与所述深度残差卷积收缩模块的输出端连接,所述Dropout层的输出端与所述全连接层的输入端连接。
在实际应用中,所述第一卷积层模块和所述第二卷积层模块均包括两个依次连接的卷积层。
本发明实施例还提供了一种与上述方法对应的航空发动机故障风险预警系统,包括:
获取模块,用于获取待预警航空发动机的性能参数数组,所述性能参数数组包括:高压转子转速、低压转子转速、风扇压比、增压级压比、压气机压比、高压压气机进口总温度、低压涡轮排气温度和耗油量偏差;所述耗油量偏差为当前实际的耗油量与健康状态下的耗油量的差值。
待检测灰度图转换模块,用于将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图。
故障类型确定模块,用于将所述待预警航空发动机的待检测灰度图输入故障风险预警模型得到所述待预警航空发动机的预警故障类型;所述故障风险预警模型为以待训练航空发动机的待检测灰度图为输入,以所述待训练航空发动机的故障类型为输出对改进深度残差收缩网络进行训练得到的;所述改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层;所述深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络;所述深度残差卷积收缩网络包括:依次连接的第一卷积层模块、池化层、第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块;所述第一阈值深度机制模块包括并联的第一软阈值化函数和第一深度注意力机制网络;所述第二阈值深度机制模块包括并联的第二软阈值化函数和第二深度注意力机制网络。
作为一种可选的实施方式,所述故障类型确定模块包括:
获取单元,用于以故障类型为标准获取多组训练样本,一种故障类型对应一组训练样本;一组所述训练样本包括多个待训练航空发动机的性能参数数组。
添加噪声单元,用于对各所述待训练航空发动机的性能参数数组添加高斯噪声得到添加噪声后的待训练航空发动机的性能参数数组。
训练灰度图确定单元,用于将各所述添加噪声后的待训练航空发动机的性能参数数组转化成灰度图得到多个待训练航空发动机的待检测灰度图。
划分单元,用于将所有所述待训练航空发动机的待检测灰度图按设定比例分成训练集、验证集和测试集。
故障风险预警模型训练单元,用于根据所述训练集、所述验证集和所述测试集对所述改进深度残差收缩网络进行训练得到所述故障风险预警模型。
作为一种可选的实施方式,所述待检测灰度图转换模块,具体包括:
矩阵转化单元,用于将所述性能参数数组转化成矩阵。
待检测灰度图转化单元,用于将所述矩阵转换成灰度图得到所述待预警航空发动机的待检测灰度图。
作为一种可选的实施方式,所述改进深度残差收缩网络还包括:依次连接的BN层、ReLU函数和Dropout层;所述BN层的输入端与所述深度残差卷积收缩模块的输出端连接,所述Dropout层的输出端与所述全连接层的输入端连接。
作为一种可选的实施方式,所述第一卷积层模块和所述第二卷积层模块均包括两个依次连接的卷积层。
本发明实施例提供了上述方法的设计思路和具体应用,具体步骤如下:
步骤一、改进DRSN结构的建立:包括软阈值函数分析、深度注意力机制网络基本模块建立、LSTM结构分析、深度残差收缩网络分析,进而提出改进DRSN结构。
步骤二、基于改进DRSN的故障风险预警模型建立;包括航空发动机故障风险预警模型构建。
步骤三、航空发动机故障风险预警模型案例分析。包括故障风险预警征兆样本选取、预警征兆样本预处理、故障风险预警模型实现,以识别航空发动机在隐性异常状态中的风险征兆。
其中,步骤一具体包括以下步骤:
步骤A、软阈值函数分析
软阈值函数使得很多带有噪声的数据样本在模型训练上取得较好的效果。特征的软阈值化函数表达式为:
软阈值化输出的导数为:
可以看出软阈值化的函数导数是0或1,其性质与ReLU激活函数(RectifiedLinear Unit)类似,因此可以用作网络模型层的激活函数,但与ReLU激活函数不同的是,软阈值化将负的重要的特征值保存下来,可有效降低样本噪声、筛选高判别性特征值并避免梯度消失和梯度爆炸。阈值的数值大小在网络中会根据数据样本的特点自动生成,不需人为操作。
步骤B、深度注意力机制网络基本模块建立
注意力机制可从人类视觉的角度解释,例如人在观察某类事物时通过扫描图像,快速发现目标物体,会自动忽略周围其他环境因素,从而捕获关于目标物体的更多细节。因此将注意力机制运用在模型中,在数据筛选中可增强有用信息,抑制冗余信息。在深度注意力机制网络中,每个特征样本根据自身特点,拥有属于该样本的一组权重。这组权重可以根据样本的特征重要度进行调整,加强或削弱不同的数据样本通道,深度注意力机制网络基本模块的结构如图2所示,包括:residual模块、globalpooling全局池化层、FC全连接层、ReLU层、Sigmoid函数模块、scale函数模块,向量x输入residual模块后,依次经过globalpooling层、FC层、ReLU层、另一FC层、Sigmoid函数模块,最终通过scale函数模块加权得到输出
步骤C、LSTM结构分析
长短时记忆神经网络,LSTM,是RNN的一类变体,具有学习长距离数据样本的能力,LSTM可以处理延迟过长的时间序列样本,避免梯度消失或爆炸等问题。LSTM模型的基本模块包含细胞状态、输入门、遗忘门、输出门。假设xt为t时刻的输入向量,ht-1为t-1时刻的输出,Wf,Wi,Wc,Wo,Uf,Ui,Uc,Uo为权重矩阵,bf,bi,bc,bo为偏置向量,σ为Sigmoid函数,it,ft,ot,ct为t时刻输入门、遗忘门、输出门的状态与记忆单元状态。
时间序列样本首先经过遗忘门:
ft=σ(Wfxt+Ufht-1+bf)
输入门则根据输入数据与历史状态信息进行数据更新:
it=σ(Wixt+Uiht-1+bi)
输出门输出数据信息为:
ot=σ(Woxt+Uoht-1+bo)
ht=ot tanh(ct)
步骤D、深度残差收缩网络分析
深度残差收缩网络与ResNet模型类似,如图3所示,不同的是深度残差收缩网络将深度注意力机制与软阈值化嵌入到ResNet之中,每一个网络模块都可看作局部的子网络,在子网络中通过深度注意力机制抓住特征重点,学习每一个数据样本特征的阈值范围,将不同特征根据其特点进行不同程度的软阈值化。
深度残差收缩网络可克服传统学习模型在深层网络中训练数据样本时无法实现在非线性变换上的恒等映射的困难,同时抑制噪声数据样本与冗余数据样本对于特征阈值提取的干扰,使网络更倾向于学习真正需要从样本中提取的信息。
假设xl为layer2的输入,需求解的函数为H(xl),在残差网络中H(xl)=F(xl)+xl,于是求解恒等映射函数F(xl)。通过layer2,得到权重wl+1,偏移bl+1,同时经过BN(BatchNormalization)批量标准化、ReLU函数激活等操作得到xl+1,将xl+1输入layer3。在layer3构建一个收缩子网络,通过深度注意力机制学习特征阈值α,将layer3没有经过收缩子网络的输出xt软阈值化,与残差项F(xl)相加得到xl+2。
在深度残差收缩网络基本模块中,函数映射关系与每一层的输出为:
H(xl)=F(xl)+xl
xl+1=ReLU(wl+1xl+bl+1)
xl+2=xt+F(xl)
其中,如图4所示,步骤二具体包括:
在工程领域中,航空发动机的运行状态可分为四种情况,分别为正常状态、隐性异常状态、失效状态与预防维修状态。在设备早期阶段发生风险征兆时应立即采取预防与纠正措施,因此重点在于关注航空发动机隐性异常状态。通过发动机传感器采集数据提取发动机性能参数,形成故障风险预警征兆样本,通过样本序列信号预处理,形成灰度图样本。
将灰度图样本分类为训练集、验证集与测试集,把训练集与验证集带入已建立好的改进深度残差收缩网络中训练并优化网络结构参数。利用测试集测试模型的准确率,对发生的隐性异常状态进行故障风险预警,并进行故障风险预警征兆分类诊断。确定故障类型后,应对该故障立即采取预防与维修手段,使航空发动机故障风险预警模型形成一条完整闭环。
所述步骤三具体包括:
步骤1、故障风险预警征兆样本选取
选取普惠公司的PW4056系列发动机为故障风险预警研究对象,其巡航工况状态为:海拔高度H=10700m,飞行马赫数Ma=0.395518,推力FN=47.01KN。航空发动机故障风险预警征兆样本分类如表1所示。选择8种性能参数:高压转子转速N1、低压转子转速N2、风扇压比πf、增压级压比πlc、压气机压比πhc、高压压气机进口总温T25、低压涡轮排气温度T5和耗油量Wf的参数偏差。共20种故障类型,每类故障类型对应一种故障现象与不同预警征兆变化量,预警征兆变化量对应的故障现象则需热编码转化为样本标签,形成代表0~19二十种故障现象的二进制热编码值。故障预警征兆样本分类如表1所示。
表1故障预警征兆样本分类
由于需要通过航空发动机故障数据样本识别初期征兆,以对故障进行风险预警,因此给出不同故障对应的风险预警征兆变化量,当模型中的样本变化量达到预警征兆变化量时,模型将识别故障风险并形成预警模式,在初步预警模式形成阶段,发动机处于隐性异常状态,应立即采取防御或控制措施,使发动机回归正常状态。
步骤2、预警征兆样本预处理
为体现基于真实环境的发动机状态变化,验证深度注意力机制与软阈值化对于噪声干扰的抑制性,将故障风险预警征兆样本标准化,加入信噪比为5的高斯噪声,形成噪声干扰。
由于深度学习模型输入多为图片类型,将添加噪声后的故障风险预警征兆样本由数组格式矩阵化后转化为灰度图格式,一类故障样本序列对应一种灰度图格式。采用数据融合的形式,对故障集分层抽样,以16×16的灰度图为一个样本将提取后的样本随机打乱融合,预处理并增强融合后的图像数据样本(具体为:采用数据融合的形式,对F1至LT4的20个故障集分别分层随机抽样,每类故障集包括多组性能参数数组,从20个总体故障集中,按相同比例随机抽取样本。以16×16的灰度图为一个样本,一类故障集得到300个时间序列样本,其样本总数为6000,将提取后的样本随机打乱,预处理并增强融合后的图像数据样本。取6000个样本中一条数据样本转化为16×16的灰度图片格式如图5所示)。
步骤3、故障风险预警模型实现
故障风险预警模型如图6所示,结构为16×16的灰度图格式传输进入LSTM输入层,以2×2的卷积核进行2D卷积,在两层Conv层后添加Pooling层,提高网络的容错能力。每隔两层卷积层添加一次深度残差收缩网络中的深度注意力机制网络与软阈值化子网络模块,以实现降低噪声的目的并获取高判别性特征。此结构重复四次后,考虑训练集和预测集的数据分布的不一致性且需保证非线性的获得与数据稳定性,增加一个BN层优化网络结构。输出数据再次经过Dropout与ReLU函数减弱神经元节点间的联合适应性与梯度耗散,增强模型的泛化能力,最终通过一个全连接层输出故障风险预警征兆分类。
DRSN模型在加入LSTM层后,训练速度明显加快,改进DRSN模型与原DRSN模型相比,以提前633.2s的优势到达第50个epoch,改进DRSN模型运行速度约为原模型速度的2.2倍。
为衡量模型的有效性,将添加噪声的航空发动机故障风险预警征兆数据样本分类,得到20种故障风险预警征兆分布情况,在400个epoch后,模型预测的准确率为94.9%,训练精度为96.1%。最终训练得到原始数据集与添加噪声数据集的准确度为99.2%与94.9%。
本发明有以下技术效果:
1、本发明的故障风险预警方法可以识别航空发动机在隐性异常状态中的风险征兆,能够有效解决数据样本的高判别性特征筛选、解决梯度消失、梯度爆炸等问题,且故障风险预警模型有良好的鲁棒性,训练不同数据集都具有较高的故障风险预警准确率。
2、本发明为发动机故障分析与风险预警拓展了新的思路,该方法具有极其重要的意义,为航空发动机的相关预警算法及运维指导提供参考。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (10)
1.一种航空发动机故障风险预警方法,其特征在于,包括:
获取待预警航空发动机的性能参数数组,所述性能参数数组包括:高压转子转速、低压转子转速、风扇压比、增压级压比、压气机压比、高压压气机进口总温度、低压涡轮排气温度和耗油量偏差;所述耗油量偏差为当前实际的耗油量与健康状态下的耗油量的差值;
将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图;
将所述待预警航空发动机的待检测灰度图输入故障风险预警模型得到所述待预警航空发动机的预警故障类型;所述故障风险预警模型为以待训练航空发动机的待检测灰度图为输入,以所述待训练航空发动机的故障类型为输出对改进深度残差收缩网络进行训练得到的;所述改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层;所述深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络;所述深度残差卷积收缩网络包括:依次连接的第一卷积层模块、池化层、第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块;所述第一阈值深度机制模块包括并联的第一软阈值化函数和第一深度注意力机制网络;所述第二阈值深度机制模块包括并联的第二软阈值化函数和第二深度注意力机制网络。
2.根据权利要求1所述的一种航空发动机故障风险预警方法,其特征在于,所述故障风险预警模型的确定方法为:
以故障类型为标准获取多组训练样本,一种故障类型对应一组训练样本;一组所述训练样本包括多个待训练航空发动机的性能参数数组;
对各所述待训练航空发动机的性能参数数组添加高斯噪声得到添加噪声后的待训练航空发动机的性能参数数组;
将各所述添加噪声后的待训练航空发动机的性能参数数组转化成灰度图得到多个待训练航空发动机的待检测灰度图;
将所有所述待训练航空发动机的待检测灰度图按设定比例分成训练集、验证集和测试集;
根据所述训练集、所述验证集和所述测试集对所述改进深度残差收缩网络进行训练得到所述故障风险预警模型。
3.根据权利要求1所述的一种航空发动机故障风险预警方法,其特征在于,所述将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图,具体包括:
将所述性能参数数组转化成矩阵;
将所述矩阵转换成灰度图得到所述待预警航空发动机的待检测灰度图。
4.根据权利要求1所述的一种航空发动机故障风险预警方法,其特征在于,所述改进深度残差收缩网络还包括:依次连接的BN层、ReLU函数和Dropout层;所述BN层的输入端与所述深度残差卷积收缩模块的输出端连接,所述Dropout层的输出端与所述全连接层的输入端连接。
5.根据权利要求1所述的一种航空发动机故障风险预警方法,其特征在于,所述第一卷积层模块和所述第二卷积层模块均包括两个依次连接的卷积层。
6.一种航空发动机故障风险预警系统,其特征在于,包括:
获取模块,用于获取待预警航空发动机的性能参数数组,所述性能参数数组包括:高压转子转速、低压转子转速、风扇压比、增压级压比、压气机压比、高压压气机进口总温度、低压涡轮排气温度和耗油量偏差;所述耗油量偏差为当前实际的耗油量与健康状态下的耗油量的差值;
待检测灰度图转换模块,用于将所述性能参数数组转化成灰度图得到所述待预警航空发动机的待检测灰度图;
故障类型确定模块,用于将所述待预警航空发动机的待检测灰度图输入故障风险预警模型得到所述待预警航空发动机的预警故障类型;所述故障风险预警模型为以待训练航空发动机的待检测灰度图为输入,以所述待训练航空发动机的故障类型为输出对改进深度残差收缩网络进行训练得到的;所述改进深度残差收缩网络包括依次连接的LSTM、深度残差卷积收缩模块和全连接层;所述深度残差卷积收缩模块包括多个依次连接的深度残差卷积收缩网络;所述深度残差卷积收缩网络包括:依次连接的第一卷积层模块、池化层、第一阈值深度机制模块、第二卷积层模块和第二阈值深度机制模块;所述第一阈值深度机制模块包括并联的第一软阈值化函数和第一深度注意力机制网络;所述第二阈值深度机制模块包括并联的第二软阈值化函数和第二深度注意力机制网络。
7.根据权利要求6所述的一种航空发动机故障风险预警系统,其特征在于,所述故障类型确定模块包括:
获取单元,用于以故障类型为标准获取多组训练样本,一种故障类型对应一组训练样本;一组所述训练样本包括多个待训练航空发动机的性能参数数组;
添加噪声单元,用于对各所述待训练航空发动机的性能参数数组添加高斯噪声得到添加噪声后的待训练航空发动机的性能参数数组;
训练灰度图确定单元,用于将各所述添加噪声后的待训练航空发动机的性能参数数组转化成灰度图得到多个待训练航空发动机的待检测灰度图;
划分单元,用于将所有所述待训练航空发动机的待检测灰度图按设定比例分成训练集、验证集和测试集;
故障风险预警模型训练单元,用于根据所述训练集、所述验证集和所述测试集对所述改进深度残差收缩网络进行训练得到所述故障风险预警模型。
8.根据权利要求6所述的一种航空发动机故障风险预警系统,其特征在于,所述待检测灰度图转换模块,具体包括:
矩阵转化单元,用于将所述性能参数数组转化成矩阵;
待检测灰度图转化单元,用于将所述矩阵转换成灰度图得到所述待预警航空发动机的待检测灰度图。
9.根据权利要求6所述的一种航空发动机故障风险预警系统,其特征在于,所述改进深度残差收缩网络还包括:依次连接的BN层、ReLU函数和Dropout层;所述BN层的输入端与所述深度残差卷积收缩模块的输出端连接,所述Dropout层的输出端与所述全连接层的输入端连接。
10.根据权利要求6所述的一种航空发动机故障风险预警系统,其特征在于,所述第一卷积层模块和所述第二卷积层模块均包括两个依次连接的卷积层。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210243915 | 2022-03-14 | ||
CN202210243915X | 2022-03-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017984A true CN115017984A (zh) | 2022-09-06 |
Family
ID=83070827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210607401.8A Pending CN115017984A (zh) | 2022-03-14 | 2022-05-31 | 一种航空发动机故障风险预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017984A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116300837A (zh) * | 2023-05-25 | 2023-06-23 | 山东科技大学 | 一种水面无人艇执行器故障诊断方法及系统 |
-
2022
- 2022-05-31 CN CN202210607401.8A patent/CN115017984A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116300837A (zh) * | 2023-05-25 | 2023-06-23 | 山东科技大学 | 一种水面无人艇执行器故障诊断方法及系统 |
CN116300837B (zh) * | 2023-05-25 | 2023-08-18 | 山东科技大学 | 一种水面无人艇执行器故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
Zhou et al. | Fault diagnosis of gas turbine based on partly interpretable convolutional neural networks | |
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
Liu et al. | Data anomaly detection for structural health monitoring using a combination network of GANomaly and CNN | |
CN115758212B (zh) | 一种基于并行网络和迁移学习的机械设备故障诊断方法 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
CN112087443A (zh) | 一种大规模工业传感网络信息物理攻击下传感数据异常智能化检测方法 | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
Li et al. | Damages detection of aeroengine blades via deep learning algorithms | |
CN116662743A (zh) | 一种基于多模态深度学习的发动机剩余寿命预测方法 | |
Janas et al. | Application of a convolutional neural network for mooring failure identification | |
CN116152678A (zh) | 小样本条件下基于孪生神经网络的海洋承灾体识别方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN114997296A (zh) | 一种基于gru-vae模型的无监督航迹异常检测方法及系统 | |
CN115017984A (zh) | 一种航空发动机故障风险预警方法及系统 | |
CN115791969A (zh) | 基于声发射信号的导管架水下裂纹检测系统及其方法 | |
Ma et al. | A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN115048873B (zh) | 一种用于飞机发动机的剩余使用寿命预测系统 | |
Xuyun et al. | A new point anomaly detection method about aero engine based on deep learning | |
Gu et al. | Research on prediction of remaining useful life of underwater turntable based on slow feature analysis | |
CN112560252B (zh) | 一种航空发动机剩余寿命预测方法 | |
Li et al. | Multiple fault diagnosis of aeroengine control system based on autoassociative neural network | |
Zhou et al. | Remaining useful life prediction of aero-engine using CNN-LSTM and mRMR feature selection |
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 |