CN116361713B - 飞机发动机的性能检测方法及系统 - Google Patents
飞机发动机的性能检测方法及系统 Download PDFInfo
- Publication number
- CN116361713B CN116361713B CN202310424071.3A CN202310424071A CN116361713B CN 116361713 B CN116361713 B CN 116361713B CN 202310424071 A CN202310424071 A CN 202310424071A CN 116361713 B CN116361713 B CN 116361713B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- feature
- power
- vector
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 239000000446 fuel Substances 0.000 claims abstract description 128
- 239000013598 vector Substances 0.000 claims description 394
- 238000013527 convolutional neural network Methods 0.000 claims description 136
- 239000011159 matrix material Substances 0.000 claims description 129
- 230000004927 fusion Effects 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 43
- 238000010586 diagram Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 6
- 238000011056 performance test Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000007792 addition Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- 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
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F9/00—Measuring volume flow relative to another variable, e.g. of liquid fuel for an engine
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F9/00—Measuring volume flow relative to another variable, e.g. of liquid fuel for an engine
- G01F9/008—Measuring volume flow relative to another variable, e.g. of liquid fuel for an engine where the other variable is the flight or running time
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种飞机发动机的性能检测方法及系统，其获取预定时间段内多个预定时间点的飞机发动机的功率值和多个预定时间点的燃油消耗值；采用基于深度学习的人工智能技术，挖掘飞机发动机的功率值和燃油消耗值之间的动态隐含关联特征信息，基于动态隐含关联特征对飞机发动机性能状态的实时监测和诊断，以提高飞机的安全性和运行效率。
Description
技术领域
本申请涉及智能化检测技术领域，并且更具体地，涉及一种飞机发动机的性能检测方法及系统。
背景技术
飞机发动机性能检测是确保飞机在飞行中可靠且安全的重要措施，这种检测可以帮助诊断和解决发动机问题。在飞行过程中，燃油的消耗量会直接影响飞机的性能。因此，燃油流量检测是检测飞机发动机性能的重要方法之一。通过在飞行中测量燃油流量，可以检测发动机燃油消耗和燃油流量的稳定性，从而进行发动机性能的评估。
然而，由于燃油消耗值并不能反映发动机的全部性能特征，以及，发动机在不同负载和转速下的燃油消耗量会发生变化，而且受到多种因素的影响，如气温、湿度、海拔等，如果仅仅依靠燃油消耗值来判断发动机性能的好坏会导致检测结果的不准确性并增加误判率。
因此，期待一种优化的飞机发动机的性能检测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种飞机发动机的性能检测方法及系统，其获取预定时间段内多个预定时间点的飞机发动机的功率值和多个预定时间点的燃油消耗值；采用基于深度学习的人工智能技术，挖掘飞机发动机的功率值和燃油消耗值之间的动态隐含关联特征信息，基于动态隐含关联特征对飞机发动机性能状态的实时监测和诊断，以提高飞机的安全性和运行效率。
第一方面，提供了一种飞机发动机的性能检测方法，其包括：
获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值；
将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量；
将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量；
将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量；
融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；
对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常。
在上述飞机发动机的性能检测方法中，将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量，包括：将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量；将所述功率输入向量通过所述第二卷积神经网络模型以得到第二功率子特征向量；以及，使用所述双分支特征多尺度感知结构中的融合模块来融合所述第一功率子特征向量和所述第二功率子特征向量以得到所述功率时序特征向量。
在上述飞机发动机的性能检测方法中，将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一功率子特征向量，所述第一卷积神经网络模型的第一层的输入为所述功率输入向量。
在上述飞机发动机的性能检测方法中，融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量，包括：以如下融合公式融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；其中，所述融合公式为：
其中，V为所述分类特征向量，V1为所述功率时序特征向量，V2为所述油耗时序特征向量，表示按位置加法，λ和β为用于控制所述功率时序特征向量和所述油耗时序特征向量之间的平衡的加权参数。
在上述飞机发动机的性能检测方法中，对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量，包括：计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵；计算所述油耗时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一油耗子特征向量和第二油耗子特征向量的第二关联特征矩阵；对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；以及，将所述融合特征矩阵乘以所述分类特征向量以得到所述优化分类特征向量。
在上述飞机发动机的性能检测方法中，计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵，包括：以如下关联公式计算所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵；其中，所述关联公式为：
其中，Vm表示所述第一功率子特征向量，表示所述第一功率子特征向量的转置向量，Vc表示所述第二功率子特征向量，M表示所述第一关联特征矩阵，表示矩阵相乘。
在上述飞机发动机的性能检测方法中，对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵，包括：以如下优化公式对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；其中，所述优化公式为：
其中，M1表示所述第一关联特征矩阵，M2表示所述第二关联特征矩阵，M3表示所述融合特征矩阵，(·)T表示矩阵的转置矩阵，表示按位置加法，‖·‖F表示矩阵的Frobenius范数。
在上述飞机发动机的性能检测方法中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常，包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面，提供了一种飞机发动机的性能检测系统，其包括：
数据获取模块，用于获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值；
向量排列模块，用于将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量；
功率特征提取模块，用于将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量；
燃油特征提取模块，用于将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量；
融合模块，用于融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；
优化模块，用于对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量；以及
飞机发动机的性能结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常。
在上述飞机发动机的性能检测系统中，所述功率特征提取模块，包括：第一功率提取单元，用于将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量；第二功率提取单元，用于将所述功率输入向量通过所述第二卷积神经网络模型以得到第二功率子特征向量；以及，功率融合单元，用于使用所述双分支特征多尺度感知结构中的融合模块来融合所述第一功率子特征向量和所述第二功率子特征向量以得到所述功率时序特征向量。
与现有技术相比，本申请提供的飞机发动机的性能检测方法及系统，其获取预定时间段内多个预定时间点的飞机发动机的功率值和多个预定时间点的燃油消耗值；采用基于深度学习的人工智能技术，挖掘飞机发动机的功率值和燃油消耗值之间的动态隐含关联特征信息，基于动态隐含关联特征对飞机发动机性能状态的实时监测和诊断，以提高飞机的安全性和运行效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的飞机发动机的性能检测方法的场景示意图。
图2为根据本申请实施例的飞机发动机的性能检测方法的流程图。
图3为根据本申请实施例的飞机发动机的性能检测方法的架构示意图。
图4为根据本申请实施例的飞机发动机的性能检测方法中步骤130的子步骤的流程图。
图5为根据本申请实施例的飞机发动机的性能检测方法中步骤160的子步骤的流程图。
图6为根据本申请实施例的飞机发动机的性能检测方法中步骤170的子步骤的流程图。
图7为根据本申请实施例的飞机发动机的性能检测系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
飞机发动机性能检测是确保飞机在飞行中可靠且安全的重要措施。飞机发动机性能检测的方法包括：1.推力测试：飞机发动机推力是评定发动机工作状态和性能的主要指标之一。通过在地面安装推力测量设备，并在最大推力工况下测试发动机的推力，来检测发动机的性能。2.燃油流量测试：在飞行过程中，燃油的消耗量会直接影响飞机的性能。因此，燃油流量检测是检测飞机发动机性能的重要方法之一。通过在飞行中测量燃油流量，可以检测发动机燃油消耗和燃油流量的稳定性，从而进行发动机性能的评估。3.指示器测试：飞机发动机上装有一些指示器，如转速指示器、油温指示器、油压指示器等。这些指示器显示飞机发动机的运行状态和健康状况。通过测试指示器的准确性和故障情况，可以检测飞机发动机的性能和故障。4.振动测试：飞机发动机的振动会影响飞机性能和可靠性。通过在飞行过程中测量发动机的振动，可以检测发动机的健康状态，并确定是否需要对发动机进行维修或更换。以上是飞机发动机性能检测常用的一些方法。在实际检测中，需要综合运用多种方法进行检测，以确保发动机和飞机的工作状态和性能都达到安全可靠的要求。
针对上述技术问题，本申请的技术构思为：综合考虑发动机的功率值和燃油消耗值，采用基于深度学习的卷积神经网络模型从上述数据中提取隐含关联关系，并通过分类处理来进行飞机发动机的性能检测。通过这样的方式，更全面、更准确地评估发动机的性能表现，提高性能检测的效率和准确性，同时提高飞机的安全性和运行效率。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值。由于飞机在不同的高度、空速、温度等条件下，发动机的功率值和燃油消耗值会有所不同，在本申请的技术方案中，通过获取多个预定时间点的发动机功率和燃油消耗数据，可以全面地了解发动机在各种环境下的表现，并以此为根据来进行异常检测。优选地，在本申请的一个具体示例中，在飞机发动机上安装燃油流量计、压力传感器、转速传感器等传感器，并采集传感器输出的数据，综合各个传感器数据得到所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值。值得一提的是，此种获取数据的方法需要在发动机设计阶段就考虑到传感器的安装位置和信号采集方式，是一种比较准确的数据采集方式。
通过将不同时间点的数据按照时间维度排列，可以将其视为一个时间序列，进而对序列进行分析和处理。在本申请的技术方案中，将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量以构建时序数据，便于后续对飞机发动机性能进行时序分析和建模。
为了获得更全面、更鲁棒的时序特征信息，提高飞机发动机性能的分类准确性，在本申请的技术方案中，将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量。在实际运行中，飞机发动机的功率时序变化具有不同的时间尺度和频率范围，例如瞬时响应和持续变化。因此，采用具有不同尺度的卷积核对功率输入向量进行卷积操作，可以有效地提取不同尺度的特征信息，并帮助神经网络学习到更丰富和有意义的时序特征表示。同样地，飞机发动机的燃油消耗时序变化也具有不同的时间尺度和频率范围，在本申请的技术方案中，将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以捕捉燃油消耗输入向量中所蕴含的多尺度时序变化特征信息，从而得到油耗时序特征向量。其中，所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构在编码过程中，能够在不同尺度上提取时序特征信息，并通过多层卷积和池化操作来逐步提高时序特征抽象层次，从而为后续的性能分类提供更丰富的时序特征表示。
然后，融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量。这里，功率时序特征向量反映了飞机发动机在不同时间点的功率变化情况，而油耗时序特征向量则反映了燃油消耗量的变化趋势和特征，两者在一定程度上都能反映出发动机的性能状态。通过综合考虑这两个时序特征，能够更全面地描述发动机的性能状态和运行情况，并提高性能分类的准确性。
在得到所述分类特征向量后，将其通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常。其中，分类器可以对输入的特征向量进行分类和判别，从而判断飞机发动机性能状态是否正常。具体地，在本申请的技术方案中，采用二元分类器，将飞机发动机的性能分为正常和异常两类。在训练过程中，使用正常和异常状态下的样本数据来训练分类器，使其能够准确、快速地判断发动机的性能状态。在实际应用中，分类器可以实现自动化监控和警报功能，及时通知工作人员并采取必要的措施，保障飞行安全性和飞机的稳定运行。因此，通过这样的方式，可以实现对飞机发动机性能状态的实时监测和诊断，提高飞机的安全性和运行效率。
这里，在融合所述功率时序特征向量和所述油耗时序特征向量得到所述分类特征向量时，考虑到所述功率时序特征向量和所述油耗时序特征向量每个都是融合了双分支特征多尺度感知结构得到的不同尺度下的时序关联特征表示所得到的，如果能够在所述分类特征向量中进一步融合功率时序特征分布和油耗时序特征分布自身在不同尺度下的关联表示，则能够提升所述分类特征向量的分类结果的准确性。
基于此，本申请的申请人首先计算所述功率时序特征向量通过第一卷积神经网络和第二卷积神经网络得到的第一功率子特征向量和第二功率子特征向量的第一关联特征矩阵，例如记为M1，再计算所述油耗时序特征向量通过第一卷积神经网络和第二卷积神经网络得到的第一油耗子特征向量和第二油耗子特征向量的第二关联特征矩阵，例如记为M2，然后对所述第一关联特征矩阵M1和所述第二关联特征矩阵M2进行卷积式字典对照响应学习来进行特征融合，表示为：
其中‖·‖F表示矩阵的Frobenius范数。
也就是，基于所述第一关联特征矩阵M1和所述第二关联特征矩阵M2的类卷积神经网络的卷积核表征的邻域操作符属性，通过基于对应特征之间的点加特征流的空间结构化卷积式字典对照学习，来对于所述第一关联特征矩阵M1和所述第二关联特征矩阵M2的特征值的n级(n-hop)邻居进行本征先验结构的特征表达，并将低秩融合表示的先验知识作为高维特征分布的特征响应参照，从而学习到特征间的可解释性响应。然后，将所述融合特征矩阵M3乘以所述分类特征向量，就可以使得所述分类特征向量进一步融合功率时序特征分布和油耗时序特征分布自身在不同尺度下的关联表示，从而提升所述分类特征向量的分类结果的准确性。
图1为根据本申请实施例的飞机发动机的性能检测方法的场景示意图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的飞机发动机(例如，如图1中所示意的M)的功率值(例如，如图1中所示意的C1)和所述多个预定时间点的燃油消耗值(例如，如图1中所示意的C2)；然后，将获取的功率值和燃油消耗值输入至部署有飞机发动机的性能检测算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于飞机发动机的性能检测算法对所述功率值和所述燃油消耗值进行处理，以生成用于表示飞机发动机的性能是否正常的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的飞机发动机的性能检测方法的流程图。如图2所示，根据本申请实施例的飞机发动机的性能检测方法100，包括：110，获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值；120，将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量；130，将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量；140，将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量；150，融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；160，对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量；以及，170，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常。
图3为根据本申请实施例的飞机发动机的性能检测方法的架构示意图。如图3所示，在该网络架构中，首先，获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值；然后，将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量；接着，将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量；然后，将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量；接着，融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；然后，对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量；以及，最后，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常。
具体地，在步骤110中，获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值。针对上述技术问题，本申请的技术构思为：综合考虑发动机的功率值和燃油消耗值，采用基于深度学习的卷积神经网络模型从上述数据中提取隐含关联关系，并通过分类处理来进行飞机发动机的性能检测。通过这样的方式，更全面、更准确地评估发动机的性能表现，提高性能检测的效率和准确性，同时提高飞机的安全性和运行效率。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值。由于飞机在不同的高度、空速、温度等条件下，发动机的功率值和燃油消耗值会有所不同，在本申请的技术方案中，通过获取多个预定时间点的发动机功率和燃油消耗数据，可以全面地了解发动机在各种环境下的表现，并以此为根据来进行异常检测。
优选地，在本申请的一个具体示例中，在飞机发动机上安装燃油流量计、压力传感器、转速传感器等传感器，并采集传感器输出的数据，综合各个传感器数据得到所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值。值得一提的是，此种获取数据的方法需要在发动机设计阶段就考虑到传感器的安装位置和信号采集方式，是一种比较准确的数据采集方式。
具体地，在步骤120中，将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量。通过将不同时间点的数据按照时间维度排列，可以将其视为一个时间序列，进而对序列进行分析和处理。在本申请的技术方案中，将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量以构建时序数据，便于后续对飞机发动机性能进行时序分析和建模。
具体地，在步骤130和步骤140中，将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量；以及，将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量。
为了获得更全面、更鲁棒的时序特征信息，提高飞机发动机性能的分类准确性，在本申请的技术方案中，将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量。在实际运行中，飞机发动机的功率时序变化具有不同的时间尺度和频率范围，例如瞬时响应和持续变化。
因此，采用具有不同尺度的卷积核对功率输入向量进行卷积操作，可以有效地提取不同尺度的特征信息，并帮助神经网络学习到更丰富和有意义的时序特征表示。同样地，飞机发动机的燃油消耗时序变化也具有不同的时间尺度和频率范围，在本申请的技术方案中，将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以捕捉燃油消耗输入向量中所蕴含的多尺度时序变化特征信息，从而得到油耗时序特征向量。
其中，所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构在编码过程中，能够在不同尺度上提取时序特征信息，并通过多层卷积和池化操作来逐步提高时序特征抽象层次，从而为后续的性能分类提供更丰富的时序特征表示。
图4为根据本申请实施例的飞机发动机的性能检测方法中步骤130的子步骤的流程图，如图4所示，将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量，包括：131，将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量；132，将所述功率输入向量通过所述第二卷积神经网络模型以得到第二功率子特征向量；以及，133，使用所述双分支特征多尺度感知结构中的融合模块来融合所述第一功率子特征向量和所述第二功率子特征向量以得到所述功率时序特征向量。
进一步地，将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一功率子特征向量，所述第一卷积神经网络模型的第一层的输入为所述功率输入向量。
更进一步地，将所述功率输入向量通过所述第二卷积神经网络模型以得到第二功率子特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二功率子特征向量，所述第二卷积神经网络模型的第一层的输入为所述功率输入向量。
在本申请的一个实施例中，将所述燃油消耗输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量，包括：将所述燃油消耗输入向量通过所述第一卷积神经网络模型以得到第一燃油消耗子特征向量；将所述燃油消耗输入向量通过所述第二卷积神经网络模型以得到第二燃油消耗子特征向量；以及，使用所述双分支特征多尺度感知结构中的融合模块来融合所述第一燃油消耗子特征向量和所述第二燃油消耗子特征向量以得到所述油耗时序特征向量。
其中，将所述燃油消耗输入向量通过所述第一卷积神经网络模型以得到第一燃油消耗子特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一燃油消耗子特征向量，所述第一卷积神经网络模型的第一层的输入为所述燃油消耗输入向量。
将所述燃油消耗输入向量通过所述第二卷积神经网络模型以得到第二燃油消耗子特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二燃油消耗子特征向量，所述第二卷积神经网络模型的第一层的输入为所述燃油消耗输入向量。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在步骤150中，融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量。然后，融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量。这里，功率时序特征向量反映了飞机发动机在不同时间点的功率变化情况，而油耗时序特征向量则反映了燃油消耗量的变化趋势和特征，两者在一定程度上都能反映出发动机的性能状态。通过综合考虑这两个时序特征，能够更全面地描述发动机的性能状态和运行情况，并提高性能分类的准确性。
其中，融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量，包括：以如下融合公式融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；其中，所述融合公式为：
其中，V为所述分类特征向量，V1为所述功率时序特征向量，V2为所述油耗时序特征向量，表示按位置加法，λ和β为用于控制所述功率时序特征向量和所述油耗时序特征向量之间的平衡的加权参数。
具体地，在步骤160中，对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量。
图5为根据本申请实施例的飞机发动机的性能检测方法中步骤160的子步骤的流程图，如图5所示，对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量，包括：161，计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵；162，计算所述油耗时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一油耗子特征向量和第二油耗子特征向量的第二关联特征矩阵；163，对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；以及，164，将所述融合特征矩阵乘以所述分类特征向量以得到所述优化分类特征向量。
其中，计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵，包括：以如下关联公式计算所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵；其中，所述关联公式为：
其中，Vm表示所述第一功率子特征向量，表示所述第一功率子特征向量的转置向量，Vc表示所述第二功率子特征向量，M表示所述第一关联特征矩阵，表示矩阵相乘。
进一步地，计算所述油耗时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一油耗子特征向量和第二油耗子特征向量的第二关联特征矩阵，包括：以如下公式计算所述第一油耗子特征向量和所述第二油耗子特征向量的第二关联特征矩阵；其中，所述公式为：
其中，Vn表示所述第一油耗子特征向量，表示所述第一油耗子特征向量的转置向量，Va表示所述第二油耗子特征向量，Mb表示所述第二关联特征矩阵，表示矩阵相乘。
这里，在融合所述功率时序特征向量和所述油耗时序特征向量得到所述分类特征向量时，考虑到所述功率时序特征向量和所述油耗时序特征向量每个都是融合了双分支特征多尺度感知结构得到的不同尺度下的时序关联特征表示所得到的，如果能够在所述分类特征向量中进一步融合功率时序特征分布和油耗时序特征分布自身在不同尺度下的关联表示，则能够提升所述分类特征向量的分类结果的准确性。
基于此，本申请的申请人首先计算所述功率时序特征向量通过第一卷积神经网络和第二卷积神经网络得到的第一功率子特征向量和第二功率子特征向量的第一关联特征矩阵，例如记为M1，再计算所述油耗时序特征向量通过第一卷积神经网络和第二卷积神经网络得到的第一油耗子特征向量和第二油耗子特征向量的第二关联特征矩阵，例如记为M2，然后对所述第一关联特征矩阵M1和所述第二关联特征矩阵M2进行卷积式字典对照响应学习来进行特征融合，表示为：以如下优化公式对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；其中，所述优化公式为：
其中，M1表示所述第一关联特征矩阵，M2表示所述第二关联特征矩阵，M3表示所述融合特征矩阵，(·)T表示矩阵的转置矩阵，表示按位置加法，‖·‖F表示矩阵的Frobenius范数。
也就是，基于所述第一关联特征矩阵M1和所述第二关联特征矩阵M2的类卷积神经网络的卷积核表征的邻域操作符属性，通过基于对应特征之间的点加特征流的空间结构化卷积式字典对照学习，来对于所述第一关联特征矩阵M1和所述第二关联特征矩阵M2的特征值的n级(n-hop)邻居进行本征先验结构的特征表达，并将低秩融合表示的先验知识作为高维特征分布的特征响应参照，从而学习到特征间的可解释性响应。然后，将所述融合特征矩阵M3乘以所述分类特征向量，就可以使得所述分类特征向量进一步融合功率时序特征分布和油耗时序特征分布自身在不同尺度下的关联表示，从而提升所述分类特征向量的分类结果的准确性。
具体地，在步骤170中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常。在得到所述分类特征向量后，将其通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常。其中，分类器可以对输入的特征向量进行分类和判别，从而判断飞机发动机性能状态是否正常。
具体地，在本申请的技术方案中，采用二元分类器，将飞机发动机的性能分为正常和异常两类。在训练过程中，使用正常和异常状态下的样本数据来训练分类器，使其能够准确、快速地判断发动机的性能状态。在实际应用中，分类器可以实现自动化监控和警报功能，及时通知工作人员并采取必要的措施，保障飞行安全性和飞机的稳定运行。因此，通过这样的方式，可以实现对飞机发动机性能状态的实时监测和诊断，提高飞机的安全性和运行效率。
图6为根据本申请实施例的飞机发动机的性能检测方法中步骤170的子步骤的流程图，如图6所示，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常，包括：171，使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，172，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
使用所述分类器以如下公式对所述优化分类特征向量进行处理以获得分类结果；其中，所述公式为：O＝softmax{(Wn，Bn)：...：(W1，B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为所述优化分类特征向量。
综上，基于本申请实施例的飞机发动机的性能检测方法100被阐明，其获取预定时间段内多个预定时间点的飞机发动机的功率值和多个预定时间点的燃油消耗值；采用基于深度学习的人工智能技术，挖掘飞机发动机的功率值和燃油消耗值之间的动态隐含关联特征信息，基于动态隐含关联特征对飞机发动机性能状态的实时监测和诊断，以提高飞机的安全性和运行效率。
在本申请的一个实施例中，图7为根据本申请实施例的飞机发动机的性能检测系统的框图。如图7所示，根据本申请实施例的飞机发动机的性能检测系统200，包括：数据获取模块210，用于获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值；向量排列模块220，用于将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量；功率特征提取模块230，用于将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量；燃油特征提取模块240，用于将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量；融合模块250，用于融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；优化模块260，用于对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量；以及，飞机发动机的性能结果生成模块270，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常。
在一个具体示例中，在上述飞机发动机的性能检测系统中，所述功率特征提取模块，包括：第一功率提取单元，用于将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量；第二功率提取单元，用于将所述功率输入向量通过所述第二卷积神经网络模型以得到第二功率子特征向量；以及，功率融合单元，用于使用所述双分支特征多尺度感知结构中的融合模块来融合所述第一功率子特征向量和所述第二功率子特征向量以得到所述功率时序特征向量。
在一个具体示例中，在上述飞机发动机的性能检测系统中，所述第一功率提取单元，用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一功率子特征向量，所述第一卷积神经网络模型的第一层的输入为所述功率输入向量。
在一个具体示例中，在上述飞机发动机的性能检测系统中，所述融合模块，用于：以如下融合公式融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；其中，所述融合公式为：
其中，V为所述分类特征向量，V1为所述功率时序特征向量，V2为所述油耗时序特征向量，表示按位置加法，λ和β为用于控制所述功率时序特征向量和所述油耗时序特征向量之间的平衡的加权参数。
在一个具体示例中，在上述飞机发动机的性能检测系统中，所述优化模块，包括：功率计算单元，用于计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵；油耗计算单元，用于计算所述油耗时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一油耗子特征向量和第二油耗子特征向量的第二关联特征矩阵；优化单元，用于对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；以及，优化分类特征向量计算单元，用于将所述融合特征矩阵乘以所述分类特征向量以得到所述优化分类特征向量。
在一个具体示例中，在上述飞机发动机的性能检测系统中，所述功率计算单元，用于：以如下关联公式计算所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵；其中，所述关联公式为：
其中，Vm表示所述第一功率子特征向量，表示所述第一功率子特征向量的转置向量，Vc表示所述第二功率子特征向量，M表示所述第一关联特征矩阵，表示矩阵相乘。
在一个具体示例中，在上述飞机发动机的性能检测系统中，所述优化单元，用于：以如下优化公式对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；其中，所述优化公式为：
其中，M1表示所述第一关联特征矩阵，M2表示所述第二关联特征矩阵，M3表示所述融合特征矩阵，(·)T表示矩阵的转置矩阵，表示按位置加法，‖·‖F表示矩阵的Frobenius范数。
在一个具体示例中，在上述飞机发动机的性能检测系统中，所述飞机发动机的性能结果生成模块，包括：编码单元，用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述飞机发动机的性能检测系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的飞机发动机的性能检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的飞机发动机的性能检测系统200可以实现在各种终端设备中，例如用于飞机发动机的性能检测的服务器等。在一个示例中，根据本申请实施例的飞机发动机的性能检测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该飞机发动机的性能检测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该飞机发动机的性能检测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该飞机发动机的性能检测系统200与该终端设备也可以是分立的设备，并且飞机发动机的性能检测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种飞机发动机的性能检测方法，其特征在于，包括：
获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值；
将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量；
将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量；
将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量；
融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；
对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量；以及将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常；
所述对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量，包括：
计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一功率子特征向量和第二功率子特征向量的第一关联特征矩阵；
计算所述油耗时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一油耗子特征向量和第二油耗子特征向量的第二关联特征矩阵；
对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；以及将所述融合特征矩阵乘以所述分类特征向量以得到所述优化分类特征向量；
所述对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵，包括：以如下优化公式对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；
其中，所述优化公式为：
其中，表示所述第一关联特征矩阵，表示所述第二关联特征矩阵，表示所述融合特征矩阵，表示矩阵的转置矩阵，表示按位置加法，表示矩阵的Frobenius范数。
2.根据权利要求1所述的飞机发动机的性能检测方法，其特征在于，将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量，包括：
将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量；
将所述功率输入向量通过所述第二卷积神经网络模型以得到第二功率子特征向量；以及使用所述双分支特征多尺度感知结构中的融合模块来融合所述第一功率子特征向量和所述第二功率子特征向量以得到所述功率时序特征向量。
3.根据权利要求2所述的飞机发动机的性能检测方法，其特征在于，将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述第一功率子特征向量，所述第一卷积神经网络模型的第一层的输入为所述功率输入向量。
4.根据权利要求3所述的飞机发动机的性能检测方法，其特征在于，融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量，包括：以如下融合公式融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；
其中，所述融合公式为：
其中，为所述分类特征向量，为所述功率时序特征向量，为所述油耗时序特征向量，表示按位置加法，和为用于控制所述功率时序特征向量和所述油耗时序特征向量之间的平衡的加权参数。
5.根据权利要求4所述的飞机发动机的性能检测方法，其特征在于，计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵，包括：以如下关联公式计算所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵；
其中，所述关联公式为：
其中，表示所述第一功率子特征向量，表示所述第一功率子特征向量的转置向量，表示所述第二功率子特征向量，表示所述第一关联特征矩阵，表示矩阵相乘。
6.根据权利要求5所述的飞机发动机的性能检测方法，其特征在于，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常，包括：
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.一种飞机发动机的性能检测系统，其特征在于，包括：
数据获取模块，用于获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值；
向量排列模块，用于将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量；
功率特征提取模块，用于将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量；
燃油特征提取模块，用于将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量；
融合模块，用于融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；
优化模块，用于对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量；以及飞机发动机的性能结果生成模块，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常；
所述优化模块，还用于：
计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一功率子特征向量和第二功率子特征向量的第一关联特征矩阵；
计算所述油耗时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一油耗子特征向量和第二油耗子特征向量的第二关联特征矩阵；
对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；以及将所述融合特征矩阵乘以所述分类特征向量以得到所述优化分类特征向量；
所述优化模块，还用于：以如下优化公式对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；
其中，所述优化公式为：
其中，表示所述第一关联特征矩阵，表示所述第二关联特征矩阵，表示所述融合特征矩阵，表示矩阵的转置矩阵，表示按位置加法，表示矩阵的Frobenius范数。
8.根据权利要求7所述的飞机发动机的性能检测系统，其特征在于，所述功率特征提取模块，包括：
第一功率提取单元，用于将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量；
第二功率提取单元，用于将所述功率输入向量通过所述第二卷积神经网络模型以得到第二功率子特征向量；以及功率融合单元，用于使用所述双分支特征多尺度感知结构中的融合模块来融合所述第一功率子特征向量和所述第二功率子特征向量以得到所述功率时序特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310424071.3A CN116361713B (zh) | 2023-04-19 | 2023-04-19 | 飞机发动机的性能检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310424071.3A CN116361713B (zh) | 2023-04-19 | 2023-04-19 | 飞机发动机的性能检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116361713A CN116361713A (zh) | 2023-06-30 |
| CN116361713B true CN116361713B (zh) | 2023-08-29 |
Family
ID=86908977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310424071.3A Active CN116361713B (zh) | 2023-04-19 | 2023-04-19 | 飞机发动机的性能检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116361713B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2600237A2 (en) * | 2011-12-01 | 2013-06-05 | Xerox Corporation | Multi-device power saving |
| CN105527110A (zh) * | 2015-12-03 | 2016-04-27 | 东软集团股份有限公司 | 汽车燃油经济性的评估方法和装置 |
| CN109273054A (zh) * | 2018-08-31 | 2019-01-25 | 南京农业大学 | 基于关系图谱的蛋白质亚细胞区间预测方法 |
| CN110348595A (zh) * | 2019-05-31 | 2019-10-18 | 南京航空航天大学 | 一种基于飞行数据的无人机混合推进系统能量管控方法 |
| CN112906987A (zh) * | 2021-03-29 | 2021-06-04 | 福州大学 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
| US11130422B1 (en) * | 2020-05-13 | 2021-09-28 | Rearden Power LLC | Hybrid battery management system |
| CN113485302A (zh) * | 2021-07-20 | 2021-10-08 | 山东大学 | 基于多元时序数据的车辆运行过程故障诊断方法及系统 |
| CN114612884A (zh) * | 2021-12-24 | 2022-06-10 | 亚信科技（中国）有限公司 | 基于视频流神经网络的异常驾驶行为识别方法及相关装置 |
| KR20220114307A (ko) * | 2021-02-08 | 2022-08-17 | 주식회사 파시디엘 | AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법 |
| CN115099461A (zh) * | 2022-05-25 | 2022-09-23 | 中国计量大学 | 基于双分支特征提取的太阳辐射预测方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9684951B2 (en) * | 2014-03-31 | 2017-06-20 | Los Alamos National Security, Llc | Efficient convolutional sparse coding |
| US9904874B2 (en) * | 2015-11-05 | 2018-02-27 | Microsoft Technology Licensing, Llc | Hardware-efficient deep convolutional neural networks |
| US10409888B2 (en) * | 2017-06-02 | 2019-09-10 | Mitsubishi Electric Research Laboratories, Inc. | Online convolutional dictionary learning |
| US11898441B2 (en) * | 2021-08-04 | 2024-02-13 | Saudi Arabian Oil Company | Method and system for optimizing rig energy efficiency using machine learning |
-
2023
- 2023-04-19 CN CN202310424071.3A patent/CN116361713B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2600237A2 (en) * | 2011-12-01 | 2013-06-05 | Xerox Corporation | Multi-device power saving |
| CN105527110A (zh) * | 2015-12-03 | 2016-04-27 | 东软集团股份有限公司 | 汽车燃油经济性的评估方法和装置 |
| CN109273054A (zh) * | 2018-08-31 | 2019-01-25 | 南京农业大学 | 基于关系图谱的蛋白质亚细胞区间预测方法 |
| CN110348595A (zh) * | 2019-05-31 | 2019-10-18 | 南京航空航天大学 | 一种基于飞行数据的无人机混合推进系统能量管控方法 |
| US11130422B1 (en) * | 2020-05-13 | 2021-09-28 | Rearden Power LLC | Hybrid battery management system |
| KR20220114307A (ko) * | 2021-02-08 | 2022-08-17 | 주식회사 파시디엘 | AI를 이용한 발전소 NOx 발생량을 포함하는 운전 속성값 예측 시스템 및 그 방법 |
| CN112906987A (zh) * | 2021-03-29 | 2021-06-04 | 福州大学 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
| CN113485302A (zh) * | 2021-07-20 | 2021-10-08 | 山东大学 | 基于多元时序数据的车辆运行过程故障诊断方法及系统 |
| CN114612884A (zh) * | 2021-12-24 | 2022-06-10 | 亚信科技（中国）有限公司 | 基于视频流神经网络的异常驾驶行为识别方法及相关装置 |
| CN115099461A (zh) * | 2022-05-25 | 2022-09-23 | 中国计量大学 | 基于双分支特征提取的太阳辐射预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的航空发动机故障融合诊断;车畅畅;王华伟;倪晓梅;洪骥宇;;北京航空航天大学学报(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116361713A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
| CN109522600B (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
| Li et al. | Remaining useful life prediction with partial sensor malfunctions using deep adversarial networks | |
| CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
| Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
| CN102246110B (zh) | 用于监测航空发动机的数据标准化方法和系统 | |
| CN113485302B (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
| EP2458178B2 (en) | Turbine performance diagnositic system and methods | |
| CN111639467A (zh) | 一种基于长短期记忆网络的航空发动机寿命预测方法 | |
| CN104712542A (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN114297918A (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 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN112798290A (zh) | 基于频谱重构误差的燃气轮机异常状态监测方法 | |
| CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
| CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 | |
| CN102607641A (zh) | 一种燃气轮机的聚类异常检测方法 | |
| Hsu et al. | A comparison of residual-based methods on fault detection | |
| Zhang et al. | Selecting optimal features for cross-fleet analysis and fault diagnosis of industrial gas turbines | |
| CN118643315A (zh) | 基于大数据的运行数据异常检测方法、系统和电子设备 | |
| CN113125937A (zh) | 一种车载印刷电路板组件运行故障的快速预警方法 | |
| CN106053090A (zh) | 一种燃气轮机的近邻异常检测系统 | |
| CN116361713B (zh) | 飞机发动机的性能检测方法及系统 | |
| Jin et al. | An enhanced digital twin-driven fault detection and isolation method based on sensor series imaging mechanism for gas turbine engine | |
| CN115702288A (zh) | 发动机的异常诊断方法、发动机的异常诊断程序及发动机的异常诊断系统 | |
| CN117907735A (zh) | 输电线路在线智能监测系统及方法 |
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 |