CN115081484A - 基于crj-oselm算法的航空发动机传感器故障诊断方法 - Google Patents

基于crj-oselm算法的航空发动机传感器故障诊断方法 Download PDF

Info

Publication number
CN115081484A
CN115081484A CN202210781120.4A CN202210781120A CN115081484A CN 115081484 A CN115081484 A CN 115081484A CN 202210781120 A CN202210781120 A CN 202210781120A CN 115081484 A CN115081484 A CN 115081484A
Authority
CN
China
Prior art keywords
sensor
crj
oselm
fault
algorithm
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.)
Granted
Application number
CN202210781120.4A
Other languages
English (en)
Other versions
CN115081484B (zh
Inventor
周鑫
黄金泉
鲁峰
周文祥
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210781120.4A priority Critical patent/CN115081484B/zh
Publication of CN115081484A publication Critical patent/CN115081484A/zh
Application granted granted Critical
Publication of CN115081484B publication Critical patent/CN115081484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于CRJ‑OSELM算法的航空发动机传感器故障诊断方法，首先在在线序列极限学习机算法中引入确定性跳跃循环储备池，提出CRJ‑OSELM算法；然后采用CRJ‑OSELM算法构造传感器信号预测模块，用于辨识和重构传感器发生的偏置及漂移故障。本发明提供的航空发动机故障诊断方法解决了传统前馈神经网络算法用于传感器故障诊断时不具备保存历史输入序列状态的记忆能力的缺陷以及反馈神经网络在线动态建模过程中计算复杂、耗时大的问题，能通过高维映射和输出层更新提高训练精度，降低计算规模，实现飞行包线内的航空发动机传感器故障诊断与信号重构，对发动机健康管理，降低维修成本有一定的促进作用。

Description

基于CRJ-OSELM算法的航空发动机传感器故障诊断方法
技术领域
本发明涉及航空发动机传感器故障诊断技术领域，主要涉及一种基于深度神经网络的航空发动机直接推力逆控制方法。
背景技术
传感器测量信号是航空发动机控制系统的主要信息来源，其准确性决定了发动机能否安全、高效地工作。航空发动机传感器长期工作在高温、高压、强振动、燃气腐蚀的条件下，属于故障多发元件。为了提高传感器工作的可靠性，通常采用硬件余度和解析余度的方式来保证控制系统的正常运行。但是由于发动机工作环境恶劣，可安装的传感器数目和位置本就受到一定的限制，且硬件余度还会使机体重量增加，成本提高，增加了控制系统的复杂程度。因此，研究基于智能算法的传感器解析余度技术十分必要。
近年来，随着人工智能的蓬勃发展，机器学习算法在航空发动机的传感器诊断和解析重构技术研究中已经得到了广泛且深入的应用。其中，在线序列极限学习机算法(Online Sequential Extreme Learning Machine,OS-ELM)训练速度快、泛化性能好，可以将测量信号序列直接作为训练样本进行在线学习。ELM的本质是一个单隐层前馈神经网络，由输入层、隐含层和输出层组成，其对应的输入权重和偏置是通过随机赋值产生的，从而形成一个参数固定的线性系统，再用最小二乘方法求解该线性系统。然而，传感器信号预测属于时间序列建模问题，传统的前馈神经网络内部无反馈连接，网络不具备记忆能力，在具有强时效性的时间序列预测问题中往往表现欠佳。而在递归神经网络中，隐含层内部具有反馈连接结构，可将当前时刻神经元的输出反馈回来作为未来时刻的输入，从而使网络具有一定的动力学特性，更适于处理复杂的时间序列建模问题。
为了建立具有良好适应能力的传感器故障诊断系统，针对OS-ELM算法的不足，本发明引入由大量稀疏连接的神经元构成的动态储备池，将测量信号的历史信息投影到高维空间中，然后利用OS-ELM构建储备池输出状态与目标输出之间的映射关系，从而使网络具备保存历史输入序列状态的记忆能力，且仅更新输出层，降低了训练的复杂度。在此基础上，本发明提出一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，采用CRJ-OSELM算法构造传感器好预测模型，提高了航空发动机传感器故障诊断的准确度和重构信号的精度。
发明内容
发明目的：针对传统前馈神经网络用于航空发动机传感器故障诊断时无法有效处理时间序列的建模的问题，本发明了提供了一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，在传统OS-ELM算法的基础上引入确定性跳跃循环状态网络，利用稀疏连接的储备池结构将低维输入空间的问题映射到高维空间，使网络具备记忆能力，提高训练精度和泛化性能。在此基础上，采用CRJ-OSELM算法构造传感器信号预测模型并设计航空发动机传感器故障的诊断与重构系统。该方案能快速准确地对传感器偏置和漂移故障进行有效识别，并对故障信号进行隔离与重构，实现了解析余度的功能。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，包括以下步骤：
步骤S1、在OS-ELM算法中引入确定性跳跃循环网络中的储备池结构，提出一种由输入层、储备池和ELM非线性输出层组成的CRJ-OSELM算法；
步骤S2、基于所提出的CRJ-OSELM算法，建立航空发动机传感器信号预测模型；
步骤S3、设计航空发动机传感器故障诊断与信号重构逻辑，将CRJ-OSELM预测模型用于包线内的传感器故障模式识别。
进一步地，所述步骤S1中CRJ-OSELM算法步骤如下：
步骤S1.1、给定初始化训练规模，采集数据进行标准化处理，得到初始化训练样本集合；
步骤S1.2、带入步骤S1.1所得的初始化训练样本
Figure BDA0003727761810000021
进行CRJ-OSELM网络初始化计算，其中，N0为初始化样本集的数量，u为样本输入，d为样本输出，下标i表示第i个样本；
步骤S1.3、进入在线训练阶段，获取当前时刻的训练样本{(uk,dk)},k＞N0；
步骤S1.4、基于采集的到训练数据进行CRJ-OSELM网络的在线更新。
进一步地，步骤S1.2中进行CRJ-OSELM网络初始化计算具体步骤如下：
步骤S1.2.1、随机初始化储备池输入权值矩阵Win，选定内部循环边权重rc，跳跃边权重rc，跳跃步长
Figure BDA0003727761810000022
生成储备池内部链接矩阵W；
步骤S1.2.2、随机生成OS-ELM隐含层权值WE、偏置b；
步骤S1.2.3、获得初始训练样本簇
Figure BDA0003727761810000031
初始化储备池状态x0，具体公式为：
x1＝tanh(Wx0+αWinu0)
其中，
Figure BDA0003727761810000032
分别表示初始时刻网络的输入、储备池的内部状态，为N、L为储备池及输入层包含的节点个数；
Figure BDA0003727761810000033
分别表示输入权重和中间权重矩阵，tanh(·)表示激活函数；α为尺度因子；
步骤S1.2.4、将储备池状态作为ELM非线性输出层的输入，构造训练样本簇
Figure BDA0003727761810000034
计算OS-ELM的隐层初始输出矩阵H0，具体公式为：
Figure BDA0003727761810000035
其中，N0是初始数据集包含的样本数；g(x)为隐层激活函数，L为隐节点个数；
步骤S1.2.5、计算初始输出权值向量β0，具体公式为：
Figure BDA0003727761810000036
步骤S1.4中进行CRJ-OSELM网络的在线更新具体步骤如下：
步骤S1.4.1、获取当前时刻训练样本{(uk,dk)}(k＞N0)；
步骤S1.4.2、更新储备池状态，具体公式为：
xt＝tanh(Wxt-1+αWinut)
其中，
Figure BDA0003727761810000037
分别表示t时刻网络的输入、储备池的内部状态和输出；
步骤S1.4.3、将储备池状态作为ELM非线性输出层的输入，将{(xk,dk)}作为训练样本，构建隐含层输出矩阵hk如下：
Figure BDA0003727761810000041
Figure BDA0003727761810000042
步骤S1.4.4、更新ELM输出层权值向量，具体公式为：
Figure BDA0003727761810000043
S1.4.5、迭代更新至所有样本训练完成。
进一步地，步骤S2中建立航空发动机传感器信号预测模型具体步骤如下：
步骤S2.1、选取M个传感器为研究对象，采用CRJ-OSELM作为信号预测器，第i个传感器信号预测模型的表达式如下：
Figure BDA0003727761810000044
其中，p为嵌入维度，i为待预测的传感器序号，j＝1～M,j≠i为其余传感器序号；
步骤S2.2、每个采样周期内，数控系统收集各个传感器的输出并按照不同的预测单元排列分组，以待估计的传感器信号测量值为期望输出，以其余传感器测量信号及其历史信号为输入，进行数据归一化，构造时间序列训练样本；
步骤S2.3、将每个样本分别传递给对应的CRJ-OSELM模型进行在线训练，模型根据不断获取的新样本进行递推更新；
步骤S2.4、迭代更新至所有训练样本完成。
进一步地，步骤S3中设计航空发动机传感器故障诊断与信号重构逻辑，将CRJ-OSELM预测模型用于包线内的传感器故障模式识别具体步骤如下：
步骤S3.1、选取偏置故障和漂移故障两种模式，采用如下模型进行模拟：
偏置故障：
Figure BDA0003727761810000045
漂移故障：
Figure BDA0003727761810000051
其中，yt为传感器测量值，
Figure BDA0003727761810000052
为待检测信号真实值，Δyt为偏置量，t为当前时刻，t0为故障发生时刻，1(·)为单位阶跃函数，εt表示漂移速率；
步骤S3.2、根据判故准则确定是否发生故障以及发生故障的类型；
步骤S3.3、根据判故结果确定输出信号，若传感器无故障，输出真实测量值；若传感器发生偏置故障，采用预测值作为输出信号；若传感器发生漂移故障，则按下式重构故障传感器信号：
Figure BDA0003727761810000053
其中，ρ为遗忘因子，t0为故障发生时刻，t为当前时刻，yi(t)、
Figure BDA0003727761810000054
分别为相应传感器信号的测量值、预测值和重构值。
进一步地，步骤S3.2中根据判故准则确定是否发生故障以及发生故障的类型具体步骤如下：
步骤S3.2.1、计算各个CRJ-OSELM模型预测值与测量值之间的误差，具体公式如下：
Figure BDA0003727761810000055
其中，yi(t)为测量值，
Figure BDA0003727761810000056
为CRJ-OSELM模型预测值；
步骤S3.2.2、采用动态阈值作为判故准则：
Figure BDA0003727761810000057
其中，
Figure BDA0003727761810000058
为燃油量变化率，C为阈值基准，δ为燃油变化率的缩放系数；
步骤S3.2.3、将预测误差与故障阈值进行比对：若ei(t)＜DC，则传感器无故障；若DC＜ei(t)＜FC，则传感器发生漂移故障；若ei(t)＞FC，则传感器发生偏置故障。
有益效果：
(1)本发明设计了CRJ-OSELM算法，利用稀疏连接的储备池结构将低维输入空间的问题映射到高维空间，使网络具备保存历史输入序列状态的记忆能力，同时仅更新输出层，降低了训练的复杂度，相比于传统前馈神经网络算法，该方法在具有强时效性的数据集中能展现出更好的预测精度和泛化性能；
(2)本发明基于CRJ-OSELM构建传感器信号预测模型，预测值与测量参数的真实值能保持一致。在此基础上设计了航空发动机传感器故障诊断与重构系统，该方法能快速准确地对传感器偏置与漂移故障进行有效识别，并对故障信号进行隔离与重构，实现了解析余度的功能，克服了硬件余度在重量和成方面的劣势，为后续开展容错控制奠定了基础。
附图说明
图1是本发明基于CRJ-OSELM算法的航空发动机传感器故障诊断方法流程图。
图2是涡扇发动机气路工作截面示意图。
图3是CRJ-ELM算法的结构示意图。
图4是航空发动机传感器故障诊断与重构系统结构示意图。
图5是传感器故障诊断与信号重构准则示意图。
图6是传感器故障仿真供油量变化曲线。
图7是NH、T3同时发生故障的诊断与信号重构结果，(a)、(b)、(c)、(d)分别为传感器NH、T3、P3、P5的故障诊断与预测结果。
图8是P3、T3先后发生故障的诊断与信号重构结果，(a)、(b)、(c)、(d)分别为传感器NH、T3、P3、P5的故障诊断与预测结果。
具体实施方式
下面结合附图和具体实施例对本发明作更进一步的说明。
本发明提供的一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，主体思路在于利用确定性跳跃状态循环储备池的低维输入的映射能力，对OS-ELM算法进行改进，使其具备保存历史输入序列状态的记忆能力，克服传统前馈神经网络在处理时间序列建模问题上的劣势；基于CRJ-OSELM算法传感器信号预测模型，设计合理的判故准则，构造航空发动机传感器故障的诊断与重构系统。
本实施例以某型涡扇发动机传感器故障诊断为例，其部件及气路工作截面标识如图2所示。基于该模型，本实施例提供的一种基于CRJ-ELM算法的航空发动机故障诊断方法步骤如下：
步骤S1、在OS-ELM算法中引入确定性跳跃循环网络中的储备池结构，提出一种由输入层、储备池和ELM非线性输出层组成的CRJ-OSELM算法；
步骤S1.1、给定初始化训练规模，采集数据进行标准化处理，得到初始化训练样本集合；
步骤S1.2、带入步骤S1.1所得的初始化训练样本
Figure BDA0003727761810000071
进行CRJ-OSELM网络初始化计算，其中，N0为初始化样本集的数量，u为样本输入，d为样本输出，下标i表示第i个样本；
步骤S1.2.1、随机初始化储备池输入权值矩阵Win，选定内部循环边权重rc，跳跃边权重rc，跳跃步长
Figure BDA0003727761810000072
生成储备池内部链接矩阵W；
步骤S1.2.2、随机生成OS-ELM隐含层权值WE、偏置b；
步骤S1.2.3、获得初始训练样本簇
Figure BDA0003727761810000073
初始化储备池状态x0，具体公式为：
x1＝tanh(Wx0+αWinu0)
其中，
Figure BDA0003727761810000074
分别表示初始时刻网络的输入、储备池的内部状态，为N、L为储备池及输入层包含的节点个数；
Figure BDA0003727761810000075
分别表示输入权重和中间权重矩阵，tanh(·)表示激活函数；α为尺度因子；
步骤S1.2.4、将储备池状态作为ELM层的输入，构造训练样本簇
Figure BDA0003727761810000076
计算OS-ELM的隐层初始输出矩阵H0，具体公式为：
Figure BDA0003727761810000077
其中，N0是初始数据集包含的样本数；g(x)为隐层激活函数，L为隐节点个数；
步骤S1.2.5、计算初始输出权值向量β0，具体公式为：
Figure BDA0003727761810000078
步骤S1.3、进入在线训练阶段，获取当前时刻的训练样本{(uk,dk)},k＞N0；
步骤S1.4、基于采集的到训练数据进行CRJ-OSELM网络的在线更新；
步骤S1.4.1、获取当前时刻训练样本{(uk,dk)}(k＞N0)；
步骤S1.4.2、更新储备池状态，具体公式为：
xt＝tanh(Wxt-1+αWinut)
其中，
Figure BDA0003727761810000081
分别表示t时刻网络的输入、储备池的内部状态和输出；
步骤S1.4.3、将储备池状态作为ELM层的输入，将{(xk,dk)}作为训练样本，构建隐含层输出矩阵hk如下：
Figure BDA0003727761810000082
Figure BDA0003727761810000083
步骤S1.4.4、更新ELM输出层权值向量，具体公式为：
Figure BDA0003727761810000084
S1.4.5、迭代更新至所有样本训练完成；
步骤S2、基于所提出的CRJ-OSELM算法，建立航空发动机传感器信号预测模型；
步骤S2.1、选取高压转子转速NH、压气器出口温度T43、压气机出口压力P3和低压涡轮出口压力P6这4个传感器为研究对象，采用CRJ-OSELM作为信号预测器，设置嵌入维度p＝2，则各传感器信号预测模型的表达式如下：
NH预测器：
Figure BDA0003727761810000091
T43预测器：
Figure BDA0003727761810000092
P3预测器：
Figure BDA0003727761810000093
P6预测器：
Figure BDA0003727761810000094
步骤S2.2、每个采样周期内，数控系统收集各个传感器的输出并按照不同的预测单元排列分组，以待估计的传感器信号测量值为期望输出，以其余传感器测量信号及其历史信号为输入，进行数据归一化，构造时间序列训练样本；
步骤S2.3、将每个样本分别传递给对应的CRJ-OSELM模型进行在线训练，模型根据不断获取的新样本进行递推更新；
步骤S2.4、迭代更新至所有训练样本完成；
步骤S3、设计航空发动机传感器故障诊断与信号重构逻辑，将CRJ-OSELM预测模型用于包线内的传感器故障模式识别，构造传感器故障诊断与重构系统如图3所示；CRJ-OSELM是将普通CRJ网络的线性输出层替换成了OSELM网络，由输入层、储备池和ELM非线性输出层构成；
步骤S3.1、选取偏置故障和漂移故障两种模式，采用如下模型进行模拟：
偏置故障：
Figure BDA0003727761810000095
漂移故障：
Figure BDA0003727761810000101
其中，yt为传感器测量值，
Figure BDA0003727761810000102
为待检测信号真实值，Δyt为偏置量，t为当前时刻，t0为故障发生时刻，1(·)为单位阶跃函数，εt表示漂移速率；
步骤S3.2、根据判故准则确定是否发生故障以及发生故障的类型；
步骤S3.2.1、计算各个CRJ-OSELM模型预测值与测量值之间的误差，具体公式如下：
Figure BDA0003727761810000103
其中，yi(t)为测量值，
Figure BDA0003727761810000104
为CRJ-OSELM模型预测值；
步骤S3.2.2、采用动态阈值作为判故准则：
Figure BDA0003727761810000105
其中，
Figure BDA0003727761810000106
为燃油量变化率，C为阈值基准，δ为燃油变化率的缩放系数；
步骤S3.2.3、将预测误差与故障阈值进行比对：若ei(t)＜DC，则传感器无故障；若DC＜ei(t)＜FC，则传感器发生漂移故障；若ei(t)＞FC，则传感器发生偏置故障，判故准则如图4所示；
步骤S3.3、根据判故结果确定输出信号，若传感器无故障，输出真实测量值；若传感器发生偏置故障，采用预测值作为输出信号；若传感器发生漂移故障，则按下式重构故障传感器信号：
Figure BDA0003727761810000107
其中，ρ为遗忘因子，t0为故障发生时刻，t为当前时刻，yi(t)、
Figure BDA0003727761810000108
分别为相应传感器信号的测量值、预测值和重构值。
为了验证本发明所设计的基于CRJ-OSELM算法的航空发动机传感器故障诊断方法的有效性，进行了数字仿真实验。
首先在经典的时间序列数据集上对本发明提出的CRJ-OSELM算法进行验证。为表明该算法的有效性和创新性，将其与普通CRJ网络和OS-ELM算法进行对比。为实现时间序列预测，需设计单步预测器，即构造非线性映射：f(·):Rp→R，ut+1＝f(ut)；其中，ut＝[ut-p+1,…,ut]T为用于预测的历史输入序列，p为嵌入维度，单步预测器将上一时刻预测结果作为下一时刻预测模型的输入，通过不断的迭代计算，实现时间序列建模。首先进行混沌时间序列预测仿真，统一设置CRJ跳跃步长
Figure BDA0003727761810000111
循环边及跳跃边权重为rc＝0.8，rj＝0.7，输入尺度因子α＝1.25，输入权值矩阵Win和ELM隐层权值WE、偏置b均为随机生成。CRJ算法中储备池规模为500，OS-ELM隐层神经元个数为50，CRJ-OSELM储备池和输出层神经元个数分别为400及450。表2列出了嵌入维度分别为1、2、5步时训练和测试的均方根误差。可以看出，对CRJ和CRJ-OSELM算法来说，历史输入信息是与储备池状态一一对应的，不需要通过增加嵌入维度的方式提高预测精度，因此这两种算法预测的RMSE并不随嵌入维度的增加而增加；而OS-ELM可视为静态映射，因此随着嵌入维度的增加，网络可利用的历史信息越来越多，RMSE逐步减小。与OS-ELM相比，CRJ-OSELM由于增加了循环储备池的结构，能更有效捕捉时间序列中的历史信息，且仅ELM输出层待更新，因此算法训练的计算负担不会大幅增加。另一方面与CRJ相比，CRJ-OSELM以SLFN代替线性回归输出层，具有更优越的非线性特征提取能力，因此在预测精度上要高于前者。
表1时间序列预测仿真结果
Figure BDA0003727761810000112
针对航空发动机传感器故障诊断与信号重构问题，以涡扇发动机为对象，在地面点模拟加速—稳态—减速过程，对传感器信号进行归一化处理并添加方差为0.00152零均值白噪声。每个CRJ-预测模型，其激活函数局设置为sigmoid函数，储备池规模为15，隐层神经元数量为30，开展传感器故障诊断仿真实验，偏置故障参数设置如下：
Figure BDA0003727761810000121
阈值参数为
Figure BDA0003727761810000122
δF＝0.25；漂移故障参数设置如下：漂移速率为：
Figure BDA0003727761810000123
Figure BDA0003727761810000124
相关阈值参数为
Figure BDA0003727761810000125
Figure BDA0003727761810000126
δD＝0.2。仿真时长为60s，第40s时注入故障，10s后故障撤销，各传感器预测模型估计RMSE如表2和表3所示。
表2传感器发生偏置故障时预测精度
Figure BDA0003727761810000127
表3传感器发生漂移故障时预测精度
Figure BDA0003727761810000128
由仿真结果可以看出，传感器发生偏置及漂移故障时，CRJ-OSELM重构信号与真实值基本保持一致，且其余无故障传感器的预测值和测量值均未受到影响，预测RMSE均保持在合理范围内，说明了所提方法对传感器偏置故障检测与信号重构的有效性。
进一步地，为了验证所提出方法对多个传感器故障的诊断与信号重构功能，对双传感器故障进行了仿真试验：1)假设NH、T3传感器在40s-50s间同时发生偏置故障；2)假设40s-44s时P3发生偏置故障，45s-50s时NH发生漂移故障。燃油量变化及故障参数设置同前，仿真结果如图6、图7所示。
结果表明，无论是两个传感器先后故障还是同时故障，所提出的方案均可以准确地隔离故障信号并采用预测值进行重构，其中，偏置故障特征明显，预测偏差突变，容易诊断出来；而漂移故障虽然诊断速度较慢，也能在故障发生2s之内将待测信号的输出自动切换到在线模型的预测值，并且很好地跟踪真实值。各传感器预测模型估计RMSE如表4所示，预测精度在合理范围内，未故障传感器输出不受影响。
表4双传感器故障预测精度
Figure BDA0003727761810000131
综上所述，所提出的方案能在各种情况下准确快速地识别出故障信号并隔离重构，对发动机及其控制系统的稳定安全运行提供了可靠的保障。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，其特征在于，包括以下步骤：
步骤S1、在OS-ELM算法中引入确定性跳跃循环网络中的储备池结构，提出一种由输入层、储备池和ELM非线性输出层组成的CRJ-OSELM算法；
步骤S2、基于所提出的CRJ-OSELM算法，建立航空发动机传感器信号预测模型；
步骤S3、设计航空发动机传感器故障诊断与信号重构逻辑，将航空发动机传感器信号预测模型用于包线内的传感器故障模式识别。
2.根据权利要求1所述的一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，其特征在于，所述步骤S1中CRJ-OSELM算法实施步骤如下：
步骤S1.1、给定初始化训练规模，采集数据进行标准化处理，得到初始化训练样本集合；
步骤S1.2、带入步骤S1.1所得的初始化训练样本
Figure FDA0003727761800000011
进行CRJ-OSELM网络初始化计算，其中，N0为初始化样本集的数量，u为样本输入，d为样本输出，下标i表示第i个样本；
步骤S1.3、进入在线训练阶段，获取当前时刻的训练样本{(uk,dk)},k＞N0；
步骤S1.4、基于采集的到训练数据进行CRJ-OSELM网络的在线更新。
3.根据权利要求2所述的一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，其特征在于，所述步骤S1.2带入步骤S1.1所得的初始化训练样本，进行CRJ-OSELM网络初始化计算具体步骤如下：
步骤S1.2.1、随机初始化储备池输入权值矩阵Win，选定内部循环边权重rc，跳跃边权重rc，跳跃步长l，生成储备池内部链接矩阵W；
步骤S1.2.2、随机生成OS-ELM隐含层权值WE、偏置b；
步骤S1.2.3、获得初始训练样本簇
Figure FDA0003727761800000012
初始化储备池状态x0，具体公式为：
x1＝tanh(Wx0+αWinu0)
其中，
Figure FDA0003727761800000013
分别表示初始时刻网络的输入、储备池的内部状态，为N、L为储备池及输入层包含的节点个数；
Figure FDA0003727761800000021
分别表示输入权重和中间权重矩阵，tanh(·)表示激活函数；α为尺度因子；
步骤S1.2.4、将储备池状态作为ELM非线性输出层的输入，构造训练样本簇
Figure FDA0003727761800000022
计算OS-ELM的隐含层初始输出矩阵H0；
步骤S1.2.5、计算初始输出权值向量β0。
4.根据权利要求2所述的一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，其特征在于，所述步骤S1.4基于采集的到训练数据进行CRJ-OSELM网络的在线更新具体步骤如下：
步骤S1.4.1、获取当前时刻训练样本{(uk,dk)}(k＞N0)；
步骤S1.4.2、更新储备池状态，具体公式为：
xt＝tanh(Wxt-1+αWinut)
其中，
Figure FDA0003727761800000023
分别表示t时刻网络的输入、储备池的内部状态和输出；
步骤S1.4.3、将储备池状态作为ELM非线性输出层的输入，将{(xk,dk)}作为训练样本，构建隐含层输出矩阵hk；
步骤S1.4.4、更新ELM输出层权值向量；
步骤S1.4.5、迭代更新至所有样本训练完成。
5.根据权利要求1所述一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，其特征在于：步骤S2中所述基于所提出的CRJ-OSELM算法，建立航空发动机传感器信号预测模型具体步骤如下：
步骤S2.1、选取M个传感器为研究对象，采用CRJ-OSELM作为信号预测器，第i个传感器信号预测模型的表达式如下：
Figure FDA0003727761800000024
其中，p为嵌入维度，num为待预测的传感器序号，j＝1～M,j≠num为其余传感器序号；
步骤S2.2、每个采样周期内，数控系统收集各个传感器的输出并按照不同的预测单元排列分组，以待估计的传感器信号测量值为期望输出，以其余传感器测量信号及其历史信号为输入，进行数据归一化，构造时间序列训练样本；
步骤S2.3、将每个样本分别传递给对应的CRJ-OSELM模型进行在线训练，模型根据不断获取的新样本进行递推更新；
步骤S2.4、迭代更新至所有训练样本完成。
6.根据权利要求1所述一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，其特征在于：步骤S3所述设计航空发动机传感器故障诊断与信号重构逻辑，将航空发动机传感器信号预测模型用于包线内的传感器故障模式识别具体步骤如下：
步骤S3.1、选取偏置故障和漂移故障两种模式，采用如下模型进行模拟：
偏置故障：
Figure FDA0003727761800000031
漂移故障：
Figure FDA0003727761800000032
其中，yt为传感器测量值，
Figure FDA0003727761800000033
为待检测信号真实值，Δyt为偏置量，t为当前时刻，t0为故障发生时刻，1(·)为单位阶跃函数，εt表示漂移速率；
步骤S3.2、根据判故准则确定是否发生故障以及发生故障的类型；
步骤S3.3、根据判故结果确定输出信号，若传感器无故障，输出真实测量值；若传感器发生偏置故障，采用预测值作为输出信号；若传感器发生漂移故障，则重构故障传感器信号，具体公如下：
Figure FDA0003727761800000034
其中，ρ为遗忘因子，t0为故障发生时刻，t为当前时刻，yi(t)、
Figure FDA0003727761800000035
分别为相应传感器信号的测量值、预测值和重构值。
7.根据权利要求6所述的一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，其特征在于，所述步骤S3.2根据判故准则确定是否发生故障以及发生故障的类型具体步骤如下：
步骤S3.2.1、计算各个航空发动机传感器信号预测模型预测值与测量值之间的误差，具体公式如下：
Figure FDA0003727761800000041
其中，yi(t)为测量值，
Figure FDA0003727761800000042
为航空发动机传感器信号预测模型预测值；
步骤S3.2.2、将故障阈值与燃油流量变化率相关联，采用动态阈值作为判故准则：
Figure FDA0003727761800000043
其中，
Figure FDA0003727761800000044
为燃油量变化率，C为阈值基准，δ为燃油变化率的缩放系数；
S3.2.3、将预测误差与故障阈值进行比对：若ei(t)＜DC，则传感器无故障；若DC＜ei(t)＜FC，则传感器发生漂移故障；若ei(t)＞FC，则传感器发生偏置故障。
CN202210781120.4A 2022-07-04 2022-07-04 基于crj-oselm算法的航空发动机传感器故障诊断方法 Active CN115081484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210781120.4A CN115081484B (zh) 2022-07-04 2022-07-04 基于crj-oselm算法的航空发动机传感器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210781120.4A CN115081484B (zh) 2022-07-04 2022-07-04 基于crj-oselm算法的航空发动机传感器故障诊断方法

Publications (2)

Publication Number Publication Date
CN115081484A true CN115081484A (zh) 2022-09-20
CN115081484B CN115081484B (zh) 2024-09-24

Family

ID=83256799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210781120.4A Active CN115081484B (zh) 2022-07-04 2022-07-04 基于crj-oselm算法的航空发动机传感器故障诊断方法

Country Status (1)

Country Link
CN (1) CN115081484B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828140A (zh) * 2022-12-13 2023-03-21 中国民航大学 邻域互信息与随机森林相融合故障检测方法、系统及应用
CN117574114A (zh) * 2024-01-15 2024-02-20 安徽农业大学 一种旋转机械运行数据远程重建与跳变扰动检测方法
CN117709536A (zh) * 2023-12-18 2024-03-15 东北大学 一种深度递归随机配置网络工业过程精准预测方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200063665A1 (en) * 2018-01-25 2020-02-27 Dalian University Of Technology Aero-engine full flight envelope model adaptive modification method based on deep learning algorithm
CN113609747A (zh) * 2021-05-26 2021-11-05 南京航空航天大学 基于coselm算法的发动机辅助动力装置控制系统传感器解析余度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200063665A1 (en) * 2018-01-25 2020-02-27 Dalian University Of Technology Aero-engine full flight envelope model adaptive modification method based on deep learning algorithm
CN113609747A (zh) * 2021-05-26 2021-11-05 南京航空航天大学 基于coselm算法的发动机辅助动力装置控制系统传感器解析余度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIN ZHOU: "A novel compound fault-tolerant method based on online sequential extreme learning machine with cycle reservoir for turbofan engine direct thrust co", 《AEROSPACE SCIENCE AND TECHNOLOGY》, vol. 132, 12 December 2022 (2022-12-12), pages 1 - 19 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828140A (zh) * 2022-12-13 2023-03-21 中国民航大学 邻域互信息与随机森林相融合故障检测方法、系统及应用
CN115828140B (zh) * 2022-12-13 2024-04-09 中国民航大学 邻域互信息与随机森林相融合故障检测方法、系统及应用
CN117709536A (zh) * 2023-12-18 2024-03-15 东北大学 一种深度递归随机配置网络工业过程精准预测方法和系统
CN117709536B (zh) * 2023-12-18 2024-05-14 东北大学 一种深度递归随机配置网络工业过程精准预测方法和系统
CN117574114A (zh) * 2024-01-15 2024-02-20 安徽农业大学 一种旋转机械运行数据远程重建与跳变扰动检测方法
CN117574114B (zh) * 2024-01-15 2024-04-19 安徽农业大学 一种旋转机械运行数据远程重建与跳变扰动检测方法

Also Published As

Publication number Publication date
CN115081484B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
CN115081484B (zh) 基于crj-oselm算法的航空发动机传感器故障诊断方法
CN108256173B (zh) 一种航空发动机动态过程的气路故障诊断方法及系统
Fu et al. A novel time-series memory auto-encoder with sequentially updated reconstructions for remaining useful life prediction
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
CN109635318B (zh) 一种航空发动机传感器智能解析余度设计方法
CN112364567B (zh) 一种基于退化轨迹相似度一致检验的剩余寿命预测方法
CN112488235A (zh) 一种基于深度学习的电梯时序数据的异常诊断方法
CN112364446B (zh) 基于ec-rbelm算法的发动机整机性能衰减预测方法
CN115618732B (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
Togni et al. A combined technique of Kalman filter, artificial neural network and fuzzy logic for gas turbines and signal fault isolation
CN111814956A (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN115659797A (zh) 针对航空发动机数据重构的生成对抗多头注意力神经网络自学习方法
Kumar Remaining useful life prediction of aircraft engines using hybrid model based on artificial intelligence techniques
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
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
Peng et al. An aero-engine RUL prediction method based on VAE-GAN
CN115330082A (zh) 一种基于注意力机制的lstm网络的pm2.5浓度预测方法
CN112560252B (zh) 一种航空发动机剩余寿命预测方法
Jia et al. Dynamic simulation based on feature transfer learning with source domain adaptive optimization: Application of data-driven model for aero-engines
Wenqiang et al. Remaining useful life prediction for mechanical equipment based on temporal convolutional network
Wu et al. Ensemble recurrent neural network-based residual useful life prognostics of aircraft engines
CN112801267A (zh) 动态阈值的航空发动机多重故障诊断器
CN116793666A (zh) 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法
Wen et al. Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction
CN113609747A (zh) 基于coselm算法的发动机辅助动力装置控制系统传感器解析余度方法

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