[发明专利]一种航空发动机全包线内气路部件故障特征提取及故障识别方法

说明书

本发明公开了一种航空发动机全包线内气路部件故障特征提取及故障识别方法，包括：采用ReliefF算法计算包线内不同飞行条件下的典型气路部件故障模式的影响权值，选择典型故障模式特征，依据影响权值结合包线内工作状态条件参数对待选故障特征降序排列；根据序列将待选故障特征依次增加形成新的特征子集，采用基于ELM故障诊断模型识别典型故障模式，根据包线内气路部件故障识别精度的波动量确定气路部件故障特征，发动机气路部件故障特征用于进一步气路部件故障诊断。本发明解决了航空发动机全包线内不同工作状态下的气路故障特征提取和故障识别问题，拓展了现有航空发动机气路故障诊断的适用边界，降低了用于发动机气路部件故障诊断的参数维数。

技术领域

本发明属于航空发动机气路故障诊断技术领域，具体涉及一种航空发动机全包线内气路部件故障特征提取及故障识别方法。

背景技术

航空发动机作为飞机的关键部件之一，其可靠性直接影响飞机的飞行安全。而航空发动机经常在恶劣的环境条件下工作，飞行包线宽广，气路参数之间存在复杂耦合关系，为了提高其包线内不同工况下安全性、可靠性和经济性，有必要对发动机进行全包线内实时状态监测和故障诊断。

随着机器学习的兴起，出现了基于极限学习机(ELM)故障诊断模型识别典型故障模式的方法。但是用于极限学习机故障诊断的故障数据维数过多，容易造成数据冗余，而且目前的航空发动机故障诊断技术中并没有相关的故障特征集能用于全包线内不同飞行条件和不同工作状态下的故障模式识别，因此需要利用ReliefF(Relevant Features)特征提取算法筛选出最优故障特征集。

ReliefF算法是一种经典的过滤式特征选择算法，可以解决多类问题。该算法根据特征对近距离样本的区分能力进行评估，计算不同故障特征的影响权值系数。不过使用该算法进行特征提取有一定的局限性，因为它提取不同飞行条件和工作状态下的故障数据的特征各自不同，无法在全包线内使用同一个故障特征集，这对于航空发动机的气路部件故障诊断是不现实的。因此在此基础上，本发明赋予不同工作点和工况不同的权重，然后采用加权平均的方法，得到每个故障特征适用于全包线内的影响权值并降序排列，根据ELM模型的识别精度波动量确定最优故障特征集，有效地将航空发动机气路故障诊断范围扩展到了全包线，并降维简化了ELM故障诊断模型拓扑结构。

发明内容

本发明使用ReliefF算法对航空发动机包线内典型故障模式进行分析处理，计算包线内不同飞行条件和不同换算转速下的典型气路部件故障模式的影响权值系数，并赋予不同的权重，进行加权平均，得到每个特征的总的影响权值，降序排列，根据序列将特征依次增加形成新的特征子集，再用ELM算法诊断故障，根据识别精度的波动量是否超出波动阈值来确定最优的气路部件故障特征集，最后用ELM故障诊断模型对所选的故障特征进行仿真验证。这使得能用于基于ELM算法的航空发动机故障诊断的飞行条件扩展到了全包线，并达到了降维的目的，这简化了计算的复杂性。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种航空发动机全包线内气路部件故障特征提取方法，包括以下步骤：

步骤1)根据发动机在飞行包线不同工作点、不同工作状态下的典型气路故障模式数据，采用ReliefF算法计算其特征影响权值，对所述特征影响权值进行加权计算并降序排列得到待选气路故障特征影响权值序列；

步骤2)根据所述待选气路故障特征影响权值序列将待选气路故障特征依次增加形成新的特征子集，采用ELM故障诊断模型获得各特征子集下的典型气路故障识别精度，依据识别精度波动量确定包线内最优气路故障特征。

优选的：所述步骤1)中根据飞行包线内不同工作点不同工作状态下的气路故障模式数据，采用ReliefF算法处理分析气路故障数据获得待选气路故障特征的具体步骤如下：