CN115481658A - 一种针对航空发动机故障预测的脉冲回声状态网络模型 - Google Patents
一种针对航空发动机故障预测的脉冲回声状态网络模型 Download PDFInfo
- Publication number
- CN115481658A CN115481658A CN202211052012.XA CN202211052012A CN115481658A CN 115481658 A CN115481658 A CN 115481658A CN 202211052012 A CN202211052012 A CN 202211052012A CN 115481658 A CN115481658 A CN 115481658A
- Authority
- CN
- China
- Prior art keywords
- pulse
- data
- fault
- formula
- engine
- 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
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 101150040772 CALY gene Proteins 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 17
- 238000011161 development Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/08—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 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
一种针对航空发动机故障预测的脉冲回声状态网络模型,属于航空发动机故障诊断技术领域。1)获取飞机飞行各架次的各种传感器信号,选择数据的适当样本特征;对各状态数据进行预处理,根据故障标签划分数据段组成样本集;2)构建包含脉冲输入层、脉冲储备池、训练输出层的脉冲回声状态网络;3)利用航空发动机数据样本集训练脉冲回声状态网络模型,利用训练好的脉冲回声状态网络模型计算训练集和测试集的预测结果;4)将预测结果提供给航空发动机检测预警设备使用。本发明能够自动根据航空发动机运行规律给出运行状态的未来发展趋势,准确预测出航空发动机短期内各性能参数指标变化情况,用于辅助机组判断航空发动机是否会发生故障,使故障预警更加智能化。
Description
技术领域
本发明属于航空发动机故障诊断技术领域,涉及到一种针对航空发动机喘振故障预测的 脉冲回声状态网络模型。
背景技术
作为民用或军用飞机的核心动力来源,航空发动机是一种高度复杂而精密的气动-热力- 机械系统,其工作状态对飞机的安全可靠性和经济高效性等性能问题有着直接或间接的影响。 由于航空发动机长期工作于高温、高压、强震动的高空恶劣环境中,因此其发生故障的概率 也随之增高,从而影响其工作性能,甚至会造成恶劣的飞行事故。实际上,在航空发动机的 各类故障中,最具代表性和破坏性的故障类型就是喘振故障。当飞机在极端条件下飞行时, 航空发动机的压气机受到外界影响而导致输出压力小于系统下游,引起高压气体向前倒流, 导致发动机产生剧烈的震动和热端的超温,可能迅速破坏航空发动机,从而造成飞机的空中 停车等严重后果。由于航空发动机具有较强的非线性和高维特性,所以在实际运行中,针对 航空发动机的故障预警与预测往往是依靠机组及地面科研人员的经验判据进行估计。然而这 样的经验估计也往往因为其主观性常常无法准确地实现故障监测,从而导致飞机运行故障无 法得到及时判断和处理。因此,科学地预测航空发动机潜在故障因素,将喘振故障终止在提 前阶段,对飞机安全、稳定、高效运行有着重要现实意义。
航空发动机的故障诊断技术大体可以分为基于机理建模方法和基于数据驱动方法,其中 机理建模方法是航空发动机早期故障诊断的主要研究思路。该机理方法主要是根据航空发动 机的气动热力学特性建立精确的数学物理模型,并将航空发动机传感器的实际观测值作用于 模型,来计算出相应的参数估计和判断结果。文献[1]={Urban L A.GasPath Analysis Applied to Turbine Engine Condition Monitoring[J].Journal ofAircraft,1973,10(7):400-406.}针对航空发动 机参数估计问题最早提出了一种故障影响系数矩阵法,并仍然应用于多种传统故障诊断系统 中。文献[2]={Davison C R,Birk AM.Development of Fault Diagnosis and Failure Prediction Techniques for SmallGas Turbine Engines[C]//Asme Turbo Expo:Power for Land,Sea,&Air. 2001.}提出了一种故障图方法,将航空发动机的每一个状态对应到故障图中一个点或一个区 域,通过经验判据来定性划分故障区域以确定故障类型。另外,也有学者针对航空发动机参 数的高斯噪声环境和非线性性质,提出了多种基于非线性卡尔曼滤波算法的诊断方法。例如, 文献[3]={Han D.A Study on Application of Fuzzy Adaptive Unscented Kalman Filterto Nonlinear Turbojet Engine Control[J].International Journal ofAeronautical&Space Sciences, 2018.}提出了模糊自适应无迹卡尔曼滤波算法;文献[4]={Feng L,Gao T,Huang J,et al.A novel distributed extended Kalman filter foraircraft engine gas-path health estimation with sensor fusion uncertainty[J].Aerospace Science and Technology,2018,84.}针对存在气路测量不确定度 的情况下,采用多步递归估计策略和自整定缓冲器,提出了一种新型卡尔曼滤波器。然而, 真实的航空发动机是一种高度复杂的非线性系统,因此基于机理建模的故障诊断方法对模型 的设计精度具有较高要求。基于数据驱动的故障诊断方法无需获得精确的数学模型,只需要 有充足的判断经验和历史数据即可。迄今为止,基于数据驱动的故障诊断方法主要包括人工神经网络、支持向量机(SVM)、极限学习机(ELM)以及隐马尔可夫过程等方法。文献[5]={Zhao Y P,Wang J J,Li X Y,et al.Extended least squares support vector machinewith applications to fault diagnosis of aircraft engine[J].ISA transactions,2019,97:189-201.}提出了一种扩展型最 小二乘支持向量机,并证明了其具备航空发动机故障诊断的测量能力。文献[6]={Yang X, Pang S,Shen W,et al.Aero Engine FaultDiagnosis Using an Optimized Extreme Learning Machine[J].InternationalJournal of Aerospace Engineering,2016,(2016-1-26),2016, 2016(pt.1):1-10.}提出了一种基于量子行为粒子群优化的极限学习机,并把它应用于燃气涡轮 风扇发动机的诊断问题。而人工神经网络方法比这些机器学习方法在非线性拟合等方面更具 有优势,因而被认为是最具潜力的诊断工具之一。随着循环神经网络(RNN)的出现,采用 基于历史数据的时间序列预测分析方法,为故障诊断和预测问题提供了新的解决方案。文献 [7]={MeiY,Wu Y,Li L.Fault diagnosis and remaining useful life estimation of aeroengine using LSTM neural network[C]//IEEE International Conference onAircraft Utility Systems.IEEE, 2016.}利用长短期记忆(LSTM)神经网络在复杂操作、混合故障和强噪声情况下获得良好的 航空发动机诊断和预测性能。但由于一般循环神经网络短时记忆容量太小,无法解决长时依 赖问题,在航空发动机故障预测中表现欠佳。
本发明提出了一种新的航空发动机故障诊断预测模型,脉冲回声状态网络(Spikeecho state network,Spike-ESN),能够精准预测航空发动机喘振故障数据。本发明由中国博士后科 学基金项目(2022TQ0179)和国家自然科学基金项目(61890920、61890921)资助。
发明内容
为了解决现有技术存在的问题,本发明提供一种针对航空发动机故障预测的脉冲回声状 态网络模型,属于航空发动机故障诊断领域。
为了达到上述目的,本发明采用的技术方案为:
一种针对航空发动机故障预测的脉冲回声状态网络模型,该方法包括如下步骤:获取飞 机飞行各架次的各种传感器信号,选择数据的适当样本特征;对各状态数据进行去噪、归一 化、重采样预处理,根据故障标签划分数据段组成样本集;构建包含脉冲输入层、脉冲储备 池、训练输出层的脉冲回声状态网络;利用航空发动机数据样本集训练脉冲回声状态网络模 型,利用训练好的脉冲回声状态网络模型计算训练集和测试集的预测结果;将预测结果提供 给航空发动机检测预警设备使用。具体如下:
步骤S1:数据样本特征选择
首先,使用航空发动机上的多组传感器,采集飞机飞行多架次的各种运行状态数据;每 一种运行状态数据代表一个特征变量,其数据形式为一维数据序列;然后,利用传统的经验 判据方法确定采集到的数据序列中发生故障的时间,将序列中的故障标签列出;其次,使用 MATLAB数据分析方法,观测每一维数据在故障标签附近各参数数据的波动,当数据的差商 变化率大于5%,可以认为该维数据随着故障出现而发生明显变化,而且该维数据所代表的特 征变量与航空发动机故障相关程度高,将某一维采集数据序列记为[s(1),s(2),...,s(t)]T,t为该 维数据的采样时间,那么差商变化率可以表示为最后,选 取航空发动机运行过程中与故障发生相关程度高的特征变量用于故障预测;
步骤S2:样本预处理
针对航空发动机运行中产生的多种故障类型,使用步骤1中挑选出的特征变量数据分别 建立多个数据集,以构建用于各种故障预测的脉冲回声状态网络模型样本集,具体如下:
首先,对步骤1中挑选出的特征变量数据进行去噪、归一化、重采样预处理;然后,根 据步骤1中列出的故障标签,从数据中划分出包含同一种故障的多个数据段,要求每个数据 段中故障发生前后采样次数均不低于4000次,对每种故障重复操作可以得到属于不同故障类 型的多个数据段;其次,将属于每一种故障的每个数据段标记基本信息,包括飞行架次数、 样本特征名称、运行时间、故障标签,存储至数据库;最后,针对某一种故障,从数据库中, 选择属于该故障类型的一个数据段作为脉冲回声状态网络模型的训练样本集Xtrain,选择剩余 数据段的其中一个作为测试样本集Xtest;
步骤S3:构建脉冲回声状态网络模型
本发明对传统的脉冲回声状态网络(Spike-ESN)进行了改进,改进之处为:在输入层中 加入了类脑计算中的脉冲编码机制,形成脉冲输入层;在储备池中加入了脉冲激活函数,形 成脉冲储备池。上述改进能够更好地挖掘数据中的隐藏时空信息,提高模型时间长时记忆能 力;即本发明采用的脉冲回声状态网络Spike-ESN由脉冲输入层,脉冲储备池和训练输出层 组成,使用步骤2中获得的训练样本集Xtrain建立模型,具体构建过程如下:
(1)脉冲输入层
所述脉冲回声状态网络在t时刻的输入信号和输出信号分别记为u(t)和y(t);将训练样本 集Xtrain中的各维数据分别用于建模,这里使用其中一维数据进行说明,将该维数据序列记为[a(1),a(2),...,a(t)]T,t为该维数据的采样时间;定义数据a(t)预测数据a(t+i)时预测步长为i, 那么在脉冲回声状态网络模型中,当预测步长为i时,输入信号u(t)为a(t),输出信号y(t)为 a(t+i);
脉冲输入层的作用是将输入信号u(t)转化为脉冲序列,可以表示为式(1);
式(1)中,fin(·)为脉冲输入层的转化函数,ttime为脉冲神经元对于同一数值的脉冲采样次数, 在规定了Spike-ESN网络的脉冲采样次数后,每个输入数据都将变成等长的脉冲序列,脉冲 序列的格式为以脉冲采样次数为长度,每个元素为1或0,代表激活或抑制;使用泊松分布 对数值产生脉冲序列泊松分布如式(2)所示;
式(2)中,k表示事件发生次数;λ为泊松分布的总体均值和方差,分布的实际意义可以表示 为,观察事件平均发生λ次的条件下,实际发生k次的概率;输入数据的数值大小决定了生 成脉冲间隔的平均值λ,再根据泊松分布生成脉冲序列;
式(4)中,ui(t)为脉冲化序列中的元素;k表示脉冲元素“1”的次序;i表示脉冲元素“1” 在脉冲序列中位置;
(2)脉冲储备池
本发明中脉冲储备池是一个由很多神经元随机连接组成的稀疏网络,通过调整网络内部 权值的方法可以达到记忆数据的功能;将脉冲储备池的脉冲神经元数量记为Nres,内部状态 信号记为x(t),随机固定内部权重为Wres,则脉冲储备池生成过程如式(5)所示;
式(5)中,λmax(W)是矩阵W的最大特征值;W是在区间[-1,1]上根据均匀分布随机生成 的稀疏矩阵,其稀疏度为η,代表矩阵W内部非零元素的比例;谱半径ρ是决定Wres生成的 重要控制参数,代表Wres最大特征值的上界;脉冲储备池的状态转移方式为式(6)和式(7);
x(t)=tanh(Winfspike(u(t))+Wresx(t-1)) (6)
式(6)中,Win为储备池的输入权重矩阵,依均匀分布在[-1,1]区间上产生;tn为从开始观察 到结束观察的时间数列;tspike为fin(u(t))脉冲数据化后的脉冲序列间隔;fspike(·)是脉冲激活 函数;τ为脉冲激活函数的整体缩放因子;x(t)表示内部状态信号;
(3)训练输出层
式(8)中,Wout是输出权重;
步骤S4,训练脉冲回声状态网络模型
训练模型就是采用回归方式训练步骤3中生成的模型,即计算Wout,目标函数为式(9);
式(9)中,||·||2表示L2正则化范数,λ为正则化系数;使用岭回归方法求解目标函数,可以表 示为式(10);
式(10)中,正则化系数一般取小于0.01的正数;
步骤S5:测试并调整脉冲回声状态网络准确率
将测试样本集Xtest按步骤3中的式(1-8)进行模型预测,式(8)输出结果与真实结果 进行对比,调整脉冲回声状态网络模型参数,并重复步骤1-4,测试模型准确度是否达到要求;
步骤S6:利用训练好的脉冲回声状态网络模型预测故障数据
将预警各种故障类型的脉冲回声状态网络装载到航空发动机的检测预警设备中,传感器 数据作为设备输入,检测预警设备进行实时计算,预测航空发动机在未来短期时间1-2s内的 状态数据;利用预设经验判据对设备中的预测数据进行判定,若设备从预测数据中检测到异 常数据,则会发出故障预警警报,根据故障类型给出预设好的操作建议供机组人员采用;
本发明的有益效果:
相较于现有技术而言,脉冲回声状态网络包含神经动力学机制,对脉冲信号的处理有着 时序和空间结构上的优势,在处理复杂、稀疏和富含噪声的时空信息提取方面有着高效可靠 的性能;回声状态网络因记忆容量小等问题,在航空发动机故障预测问题中表现欠佳,脉冲 回声状态网络提高了记忆容量,能够在航空发动机故障预测问题中取得更好的效果;本发明 能够自动根据航空发动机运行规律给出运行状态的未来发展趋势,准确预测出航空发动机短 期内各性能参数指标变化情况,用于辅助机组判断航空发动机是否会发生故障,使故障预警 更加智能化。
附图说明
图1是本发明提供的针对航空发动机故障预测的脉冲回声状态网络模型模型用于航空发 动机故障预警流程流程图;
图2是针对航空发动机故障预测的脉冲回声状态网络模型架构图;
图3是航空发动机研究所提供的某架次飞机数据集;图3(a)为参数D8、T6、T1、α1的原 始数据图,图3(b)为参数α2、PLA、H、M的原始数据图,图3(c)为参数V、N2、N1、Signal 的原始数据图;
图4是航空发动机部分数据的脉冲编码结果;图4(a)为压气机开口角度α2的部分原始数 据图,图4(b)为压气机开口角度α2的部分数据脉冲化图;
图5是Spike-ESN模型对飞机某架次数据集中6个参数的预测步长为1时的预测结果对 比图;图5(a)为Spike-ESN模型对发动机排气温度T6预测值与真实值对比图,图5(b)为 Spike-ESN模型对发动机排气温度T6预测值与真实值误差图,图5(c)为Spike-ESN模型对发动 机排气温度T1预测值与真实值对比图;图5(d)为Spike-ESN模型对发动机排气温度T1预测值 与真实值误差图;
图6是Spike-ESN、ESN、ARMA三个模型对6个参数预测步长为1、10、20时预测结 果对比;图6(a)为三个模型对发动机排气温度T1预测结果对比图,图6(b)为三个模型对压气机开口角度α1预测结果对比图,图6(c)为三个模型对压气机开口角度α2预测结果对比图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及实验数据 的分析来详细叙述本发明的具体实施方式。
本实施中为一种针对航空发动机故障预测的脉冲回声状态网络模型,附图1表示改模型 用于航空发动机故障预警流程,包括以下步骤。
步骤S1:数据样本特征选择
为了更详细说明本方法的实施流程细节,本发明以在大连理工大学联合某航空发动机研 究所提供的航空发动机数据为基础,详细介绍方法的执行过程。实验数据共7组,分别为不 同飞行架次中发动机产生数据,数据集中均包含正常和故障数据。数据中包含12个参数,如 表1所示。数据的采样间隔为0.062s,每个数据集有10万个数据点左右。
表1数据集参数表
维数 | 参数名 | 含义 | 维数 | 参数名 | 含义 |
1 | D<sub>8</sub> | 环境压力 | 7 | H | 飞行高度 |
2 | T<sub>6</sub> | 发动机排气温度 | 8 | M | 飞行马赫数 |
3 | T<sub>1</sub> | 发动机燃烧室温度 | 9 | V | 飞行速度 |
4 | α<sub>1</sub> | 压气机开口角度 | 10 | N<sub>2</sub> | 高压转子转速 |
5 | α<sub>2</sub> | 压气机开口角度 | 11 | N<sub>1</sub> | 低压转子转速 |
6 | PLA | 油门杆推程 | 12 | Signal | 是否发生故障 |
为了选择合适数据特征样本,本发明详细介绍某一次发生喘振各参数变化情况。发生喘 振时,环境压力D8从1急剧下降到了0.2左右,发动机排气温度T6发生了轻微波动下降,而 发动机燃烧室温度T1略微升高,证明此时发动机不能有效将加热气体排出,导致了发动机燃 烧室温度升高,也可能导致压气机超温,高压转子转速N2和低压转子转速N1都保持在一个很 高的状态并有所降低,此时压气机开口角度α1和压气机开口角度α2发生明显变化,当前航空 发动机处于旋转失速状态,压气机开口角度明显减小用于减少进气量,通过这种方式主动消 除喘振。而油门杆推程PLA,飞行高度H,飞行马赫数M和飞行速度V都未发生突变,证 明这些操作参数和状态参数未发生改变,证明本次喘振不是由操作引起的,而是由于环境压 力急剧下降引起的。随着主动消除喘振措施的进行,各参数在波动中逐渐恢复到正常状态, 在喘振再次发生几次后,系统恢复正常。
除人为控制参数和高度速度等状态参数在喘振发生时未发生明显变化以外,其他航空发 动机参数均能有效表示喘振发生时的状态变化,其中环境压力D8是喘振发生的诱因,发动机 排气温度T6,发动机燃烧室温度T1,高压转子转速N2和低压转子转速N1均受到喘振发生前旋 转失速的影响,压气机开口角度α1和压气机开口角度α2是消除喘振时主动发生变化的参数。 因此,以上受到喘振影响的参数均可作为预测数据。
步骤S2:样本预处理
对步骤1中选择航空发动机状态数据样本进行去噪、归一化、重采样预处理。去噪方法 采用滑动窗口平均法,归一化采用最大最小值归一化方法,重采样频率采取10倍原频率。根 据故障标签,从数据中划分出包含同一种故障的多个数据段,要求每个数据段中故障发生前 后采样次数均不低于4000次。本实验数据中包含故障是因环境压力下降引起的喘振故障,在 各个故障标签前后4000个数据点进行分段,可以得到长度为8000的多个数据段,将每段数 据标记基本信息存储至数据库。
步骤S3:构建脉冲回声状态网络模型
基于发明内容步骤3提出的脉冲回声状态模型,将脉冲回声状态网络的储备池维数Nres设 置为100,谱半径ρ设置为0.9,稀疏度η设置为0.1,回归计算的正则化系数λ设置为10-8, 为了使回声状态能够处在tanh()激活函数的非线性范围之内,因此使用缩放因子对回声状态整 体进行缩减,缩放因子设置为0.8。
训练开始时,回声状态网络需要进行初始化,使用数据集的前200个数据点用于初始化, 不计入网络评价中。脉冲数据化中设置序列长度为100,观察时间为10000,脉冲激活函数的 整体缩放因子τ设置为5000。
利用MATLAB,实现脉冲回声状态网络模型模型构建及后续的模型训练。
步骤S4:脉冲回声状态网络训练过程
将数据集第13000到20000的数据点作为训练集,将故障发生的11400到11600之间的 200个数据点随机平滑地插入到训练集中,形成一个包含了航空发动机所有运行状态的训练 集,而测试集选择11200到12500之间包含有故障发生的真实数据。
针对数据集采用泊松分布生成脉冲方式进行编码,脉冲编码后,数据越大转换成的脉冲 序列频率越高。
初始化状态采集矩阵X为空矩阵。依次将训练数据输入到网络中,根据式(6)更新回 声状态x(t)。再将所有更新x(t)整合到状态采集矩阵X中。最后根据公式(10)计算输出权 重矩阵Wout,完成了模型训练,即可利用模型进行预测验证。本实施例公式(10)中,正则化系数λ取值为10-8。
步骤S5:利用训练好的脉冲回声状态网络模型预测故障数据
选取误差(Error)、均方根误差(Root Mean SquaredError,RMSE)和平均绝对百分比误 差(Mean Absolute Percentage Error,MAPE)作为检验预测结果的依据。
将测试集数据输入到训练好的脉冲回声状态网络中,根据式(8)计算结果,将预测结果 与测试集真实结果进行对比,可以得知模型预测效果。
测试集故障发生在0到200数据范围内。当步长为1时,模型预测误差均在10-4数量级, 能够准确反映出航空发动机状态数据在短期内的发展趋势。当预测步长增加到10时,虽然模 型预测误差有所增加,预测误差均在10-2数量级,但是仍能反映出航空发动机状态数据的发 展趋势。
脉冲回声状态网络模型(Echo state network,ESN)在整体上取得了不错的效果,对航空 发动机未来将要发生数据的反映较为准确,为了确定脉冲回声状态网络在时间信息提取上的 优势,对回声状态网络模型和自回归滑动平均模型同样进行了对比实验。将回声状态网络模 型的模型参数设置与脉冲回声状态网络模型参数相同。其中,储备池维数Nres设置为100,谱 半径ρ设置为0.9,稀疏度η设置为0.1,回归计算的正则化系数λ设置为10-8,缩放因子设置 为0.8。将自回归滑动平均模型(Autoregressive moving averagemodel,ARMA)设置为 ARMA(4,4),即AR和MA部分都有4个参数,再利用测试序列的前200个数据进行接下 来数据的预测。自回归滑动平均模型的效果随着参数的增加有显著的升高,当ARMA模型设 置为ARMA(4,4)时,模型效果达到最佳,继续增加参数会导致计算量增加,且预测效果提 升很少。将三种模型对各参数的步长为1、10、20的预测误差整理为表2,保留三位有效数 字。
表2模型对各参数在不同步长时的预测误差
其中,上述表2中各参数含义为:发动机排气温度T6,发动机燃烧室温度T1,高压转子转速N2、 低压转子转速N1、压气机开口角度α1、压气机开口角度α2。
可以从表中看出,在各参数的预测中,本发明的Spike-ESN均能取得比ESN更好的效果, 尤其是在步长为20的长期预测中,各参数的准确度均提高了千分之二。这对于航空发动机参 数预测和故障诊断中可能起到了关键作用,例如一些小范围的数值波动,利用Spike-ESN就 可以检查出其中的问题,而ESN可能会予以忽略。与ESN和ARMA进行对比,得到了更加 稳定且效果更好的模型,其原因在于,Spike-ESN模型在ESN基础上进行改进,吸收了其计 算量小,训练方便,适用于时间序列等优点,同时增加了脉冲化机制,使新模型对时间序列 中的时间信息更加敏感。表现在实验结果上为,预测效果得到了提升,且比ESN更加具备长 期预测的能力。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例仅用以说明本 发明的技术方案,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明原理 和宗旨情况下,在本发明的范围内可以对以上述实施例进行修改和替换。
Claims (4)
1.一种针对航空发动机故障预测的脉冲回声状态网络模型,其特征在于,包括如下步骤:
步骤S1:数据样本特征选择
首先,使用航空发动机上的多组传感器,采集飞机飞行多架次的各种运行状态数据;每一种运行状态数据代表一个特征变量,其数据形式为一维数据序列;然后,利用传统的经验判据方法确定采集到的数据序列中发生故障的时间,将序列中的故障标签列出;最后,使用MATLAB数据分析方法,观测每一维数据在故障标签附近各参数数据的波动,选取航空发动机运行过程中与故障发生相关程度高的特征变量用于故障预测;
步骤S2:样本预处理
针对航空发动机运行中产生的多种故障类型,使用步骤1中挑选出的特征变量数据分别建立多个数据集,以构建用于各种故障预测的脉冲回声状态网络模型样本集,具体如下:
首先,对步骤1中挑选出的特征变量数据进行预处理;然后,根据步骤1中列出的故障标签,从数据中划分出包含同一种故障的多个数据段,要求每个数据段中故障发生前后采样次数均不低于4000次,对每种故障重复操作可以得到属于不同故障类型的多个数据段;其次,将属于每一种故障的每个数据段标记基本信息,并存储至数据库;最后,针对某一种故障,从数据库中,选择属于该故障类型的一个数据段作为脉冲回声状态网络模型的训练样本集Xtrain,选择剩余数据段的其中一个作为测试样本集Xtest;
步骤S3:构建脉冲回声状态网络模型
对脉冲回声状态网络Spike-ESN进行了改进,改进之处为:在输入层中加入脉冲编码机制,形成脉冲输入层;在储备池中加入脉冲激活函数,形成脉冲储备池;即采用的脉冲回声状态网络Spike-ESN由脉冲输入层、脉冲储备池和训练输出层组成,使用步骤2中获得的训练样本集Xtrain建立模型;
步骤S4,训练脉冲回声状态网络模型
采用回归方式训练步骤3中生成的模型,即计算Wout,目标函数为式(9);
式(9)中,||·||2表示L2正则化范数,λ为正则化系数;使用岭回归方法求解目标函数,可以表示为式(10);
式(10)中,正则化系数λ取小于0.01的正数;
步骤S5:测试并调整脉冲回声状态网络准确率
将测试样本集Xtest按步骤3中的式(1-8)进行模型预测,式(8)输出结果与真实结果进行对比,调整脉冲回声状态网络模型参数,并重复步骤1-4,测试模型准确度是否达到要求;
步骤S6:利用训练好的脉冲回声状态网络模型预测故障数据
将预警各种故障类型的脉冲回声状态网络装载到航空发动机的检测预警设备中,传感器数据作为设备输入,检测预警设备进行实时计算,预测航空发动机在未来短期时间1-2s内的状态数据;利用预设经验判据对设备中的预测数据进行判定,若设备从预测数据中检测到异常数据,则会发出故障预警警报,根据故障类型给出预设好的操作建议供机组人员采用。
2.根据权利要求1所述的一种针对航空发动机故障预测的脉冲回声状态网络模型,其特征在于,所述的步骤S3模型具体如下:
(1)脉冲输入层
所述脉冲回声状态网络在t时刻的输入信号和输出信号分别记为u(t)和y(t);将训练样本集Xtrain中的各维数据分别用于建模,采用其中一维数据进行说明,将该维数据序列记为[a(1),a(2),...,a(t)]T,t为该维数据的采样时间;定义数据a(t)预测数据a(t+i)时预测步长为i,则在脉冲回声状态网络模型中,当预测步长为i时,输入信号u(t)为a(t),输出信号y(t)为a(t+i);
脉冲输入层的作用是将输入信号u(t)转化为脉冲序列,可以表示为式(1);
式(1)中,fin(·)为脉冲输入层的转化函数,ttime为脉冲神经元对于同一数值的脉冲采样次数,在规定Spike-ESN网络的脉冲采样次数后,每个输入数据都将变成等长的脉冲序列,脉冲序列的格式为以脉冲采样次数为长度,每个元素为1或0,代表激活或抑制;数值产生脉冲序列泊松分布如公式(2)所示;
式(2)中,k表示事件发生次数;λ为泊松分布的总体均值和方差,分布的实际意义可以表示为,观察事件平均发生λ次的条件下,实际发生k次的概率;输入数据的数值大小决定了生成脉冲间隔的平均值λ,再根据泊松分布生成脉冲序列;
式(4)中,ui(t)为脉冲化序列中的元素;k表示脉冲元素“1”的次序;i表示脉冲元素“1”在脉冲序列中位置;
(2)脉冲储备池
脉冲储备池是一个由很多神经元随机连接组成的稀疏网络,通过调整网络内部权值的方法可以达到记忆数据的功能;将脉冲储备池的脉冲神经元数量记为Nres,内部状态信号记为x(t),随机固定内部权重为Wres,则脉冲储备池生成过程如式(5)所示;
式(5)中,λmax(W)是矩阵W的最大特征值;W是在区间[-1,1]上根据均匀分布随机生成的稀疏矩阵,其稀疏度为η,代表矩阵W内部非零元素的比例;谱半径ρ是决定Wres生成的重要控制参数,代表Wres最大特征值的上界;脉冲储备池的状态转移方式为式(6)和式(7);
x(t)=tanh(Winfspike(u(t))+Wresx(t-1))(6)
式(6)中,Win为储备池的输入权重矩阵,依均匀分布在[-1,1]区间上产生;tn为从开始观察到结束观察的时间数列;tspike为fin(u(t))脉冲数据化后的脉冲序列间隔;fspike(·)是脉冲激活函数;τ为脉冲激活函数的整体缩放因子;x(t)表示内部状态信号;
(3)训练输出层
式(8)中,Wout是输出权重。
3.根据权利要求1所述的一种针对航空发动机故障预测的脉冲回声状态网络模型,其特征在于,所述的步骤S1中,当观测的数据的差商变化率大于5%,可以认为该维数据随着故障出现而发生明显变化,而且该维数据所代表的特征变量与航空发动机故障相关程度高。
4.根据权利要求1所述的一种针对航空发动机故障预测的脉冲回声状态网络模型,其特征在于,所述的步骤S2中基本信息包括飞行架次数、样本特征名称、运行时间、故障标签。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211052012.XA CN115481658A (zh) | 2022-08-30 | 2022-08-30 | 一种针对航空发动机故障预测的脉冲回声状态网络模型 |
PCT/CN2022/121214 WO2024045246A1 (zh) | 2022-08-30 | 2022-09-26 | 一种针对航空发动机故障预测的脉冲回声状态网络模型 |
AU2022358641A AU2022358641A1 (en) | 2022-08-30 | 2022-09-26 | Spike echo state network model for fault prediction of aeroengine |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211052012.XA CN115481658A (zh) | 2022-08-30 | 2022-08-30 | 一种针对航空发动机故障预测的脉冲回声状态网络模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115481658A true CN115481658A (zh) | 2022-12-16 |
Family
ID=84422619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211052012.XA Pending CN115481658A (zh) | 2022-08-30 | 2022-08-30 | 一种针对航空发动机故障预测的脉冲回声状态网络模型 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN115481658A (zh) |
AU (1) | AU2022358641A1 (zh) |
WO (1) | WO2024045246A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449685A (zh) * | 2023-04-23 | 2023-07-18 | 上海交通大学 | 一种快速跟踪精准控制的舰船燃机控制方法及装置 |
CN116956197A (zh) * | 2023-09-14 | 2023-10-27 | 山东理工昊明新能源有限公司 | 基于深度学习的能源设施故障预测方法、装置及电子设备 |
CN118070153A (zh) * | 2024-04-22 | 2024-05-24 | 中国航发四川燃气涡轮研究院 | 一种航空发动机整机试验性能诊断方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117950906B (zh) * | 2024-03-27 | 2024-06-04 | 西南石油大学 | 一种基于表格图神经网络的服务器故障原因推断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101101974B1 (ko) * | 2010-06-14 | 2012-01-02 | 인하대학교 산학협력단 | 항공기엔진 이상검출 및 진단시스템 및 그 방법 |
CN111175054B (zh) * | 2020-01-08 | 2021-12-03 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN112149233A (zh) * | 2020-09-30 | 2020-12-29 | 南京航空航天大学 | 基于回声状态网络的航空发动机动态推力估计方法 |
CN112749764B (zh) * | 2021-01-28 | 2022-09-13 | 厦门大学 | 一种基于qar数据的航空发动机运行状态分类方法 |
CN113821888B (zh) * | 2021-09-23 | 2024-02-27 | 西安热工研究院有限公司 | 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法 |
CN114741945B (zh) * | 2022-02-17 | 2024-06-14 | 成都飞机工业(集团)有限责任公司 | 一种航空发动机在线故障的诊断方法 |
-
2022
- 2022-08-30 CN CN202211052012.XA patent/CN115481658A/zh active Pending
- 2022-09-26 AU AU2022358641A patent/AU2022358641A1/en active Pending
- 2022-09-26 WO PCT/CN2022/121214 patent/WO2024045246A1/zh active Application Filing
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449685A (zh) * | 2023-04-23 | 2023-07-18 | 上海交通大学 | 一种快速跟踪精准控制的舰船燃机控制方法及装置 |
CN116449685B (zh) * | 2023-04-23 | 2024-03-29 | 上海交通大学 | 一种快速跟踪精准控制的舰船燃机控制方法及装置 |
CN116956197A (zh) * | 2023-09-14 | 2023-10-27 | 山东理工昊明新能源有限公司 | 基于深度学习的能源设施故障预测方法、装置及电子设备 |
CN116956197B (zh) * | 2023-09-14 | 2024-01-19 | 山东理工昊明新能源有限公司 | 基于深度学习的能源设施故障预测方法、装置及电子设备 |
CN118070153A (zh) * | 2024-04-22 | 2024-05-24 | 中国航发四川燃气涡轮研究院 | 一种航空发动机整机试验性能诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024045246A1 (zh) | 2024-03-07 |
AU2022358641A1 (en) | 2024-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hanachi et al. | Performance-based gas turbine health monitoring, diagnostics, and prognostics: A survey | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
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 | |
CN109766583B (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN111598438B (zh) | 基于分段拟合分析及评估的民航发动机气路异常检测方法 | |
WO2020000248A1 (zh) | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 | |
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 | |
Giantomassi et al. | Hidden Markov model for health estimation and prognosis of turbofan engines | |
CN108573116B (zh) | 一种基于长短时记忆网络的航空发动机过渡态推力估计方法 | |
CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
Huang et al. | Improved trajectory similarity-based approach for turbofan engine prognostics | |
Xiong et al. | Adaptive deep learning-based remaining useful life prediction framework for systems with multiple failure patterns | |
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 | |
Zhao et al. | A hierarchical structure built on physical and data-based information for intelligent aero-engine gas path diagnostics | |
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 | |
Kong et al. | Study on condition monitoring of 2-Spool turbofan engine using non-linear gas path analysis method and genetic algorithms | |
Liu et al. | Brain-inspired spike echo state network dynamics for aero-engine intelligent fault prediction | |
CN112416913B (zh) | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 | |
Arias Chao | Combining deep learning and physics-based performance models for diagnostics and prognostics | |
Liu et al. | A prognostics approach based on feature fusion and deep BiLSTM neural network for aero-engine | |
Yu et al. | EGT baseline model of aeroengine based on kernel principal component analysis and deep belief network | |
RU2800105C2 (ru) | Система вычислительного окружения для мониторинга двигателей летательных аппаратов | |
CN117421665A (zh) | 一种考虑运行工况的两阶段航空发动机气路故障诊断方法 | |
CN114741948B (zh) | 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Sun Ximing Inventor after: Liu Moran Inventor after: Sun Tao Inventor after: Li Hongxin Inventor before: Sun Ximing Inventor before: Liu Moran Inventor before: Sun Tao |
|
CB03 | Change of inventor or designer information |