[发明专利]一种航空发动机动态过程的气路故障诊断方法及系统

权利要求书

1.一种航空发动机动态过程的气路故障诊断方法，其特征在于，包括以下步骤：

步骤A，将航空发动机历史故障时间序列数据进行基于多层核极限学习机的特征提取网络训练并得到特征序列；

步骤B，对步骤A所得特征序列，进行隐马尔科夫模型的训练，每一个故障模式都训练一个各自的隐藏马尔科夫模型以形成发动机气路故障诊断库；

步骤C，利用发动机气路故障诊断库判断当前的故障时间序列数据对应的隐藏马尔科夫模型，从而得到当前的故障时间序列数据对应的故障模式；

步骤A的具体步骤如下：

步骤A1，将航空发动机历史故障时间序列数据进行标准化处理，所述数据由航空发动各气路部件传感器参数组成；

步骤A2，将步骤A1所得标准化处理后的数据利用核函数进行核映射投影，得到高维观测序列，并计算其核矩阵；

步骤A3，对步骤A2所得高维观测序列进行基于多层核极限学习机的特征提取网络训练并得到新的特征序列；

所述多层核极限学习机网络训练得到新的特征序列为降阶核特征序列。

2.如权利要求1所述的航空发动机动态过程的气路故障诊断方法，其特征在于，步骤A3中高维观测序列进行基于多层核极限学习机的特征提取网络训练的详细步骤如下：

确定网络层数及各层的激活函数、核参数与正则化系数，逐层计算每一层的转换矩阵，直至计算出输出层的输出权值矩阵，最终得到特征提取网络。

3.如权利要求1所述的航空发动机动态过程的气路故障诊断方法，其特征在于，步骤B的具体步骤如下：

步骤B1，确定隐马尔科夫模型的拓扑结构，隐藏状态数，观测状态数以及迭代步数阀值；

步骤B2，将经过步骤A处理后得到的降阶核特征序列的每一维的数据进行标量化处理，得到离散特征序列；

步骤B3，利用所述离散特征序列进行隐马尔科夫模型的训练，每一个故障模式都训练一个各自的隐藏马尔科夫模型以形成故障诊断库。

4.如权利要求3所述航空发动机动态过程的气路故障诊断方法，其特征在于，步骤B2中所述标量化处理采用Lloyds算法针对整体数据生成对应的分区向量。

5.如权利要求3所述航空发动机动态过程的气路故障诊断方法，其特征在于，步骤B3中采用的隐马尔科夫模型的训练基于多维样本序列的滚动重估EM方法。

6.如权利要求1所述航空发动机动态过程的气路故障诊断方法，其特征在于，所述步骤C的具体步骤为：

步骤C1，将当前的航空发动机故障时间序列数据进行基于多层核极限学习机的特征提取网络训练并得到特征序列；

步骤C2，计算步骤C1所得特征序列与步骤B所得每一个隐藏马尔科夫模型的相似概率，相似概率最大值对应的隐藏马尔科夫模型所对应的故障模式即为当前的航空发动机故障时间序列数据对应的故障模式。

7.一种航空发动机动态过程的气路故障诊断系统，其特征在于，包括数据预处理模块、数据特征提取模块、数据量化模块、隐马尔科夫模型计算模块、故障模式判定模块：

所述数据预处理模块用于对数据进行标准化处理，并将得到的序列数据输入到所述数据特征提取模块；

所述数据特征提取模块用于对序列数据经多层核极限学习机进行特征提取生成降阶核特征序列数据并输入到所述数据量化模块；

所述数据量化模块用于对降阶核特征序列数据的量化生成离散特征序列数据并后续输入到隐马尔科夫模型；

所述隐马尔科夫模型计算模块对生成的离散特征序列利用概率计算公式计算其与当前隐马尔科夫模型的匹配概率值并取对数得到其概率似然度并输入到所述故障模式判定模块；

所述故障模式判定模块将当前序列与所有故障模式的隐藏马尔科夫模型计算得到的概率似然度进行对比，概率似然度最大的隐藏马尔科夫模型即对应当前的故障模式。