[发明专利]基于3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法

说明书

本发明涉及一种基于3DCNN‑JTFA的航空发动机控制系统传感器的故障诊断方法，在航空发动机‑传感器的数学模型基础，建立了故障生成器；将航空发动机飞行数据与故障生成器输出信号进行随机混合，得到样本数据集；通过JTFA方法对样本数据集处理得到时频图；对样本数据集按照故障类型进行标签训练3DCNN模型；将航空发动机控制系统传感器的实时测量数据输入到3DCNN‑JTFA模型中，经过预处理、JTFA分析得到时频图、设标签、3DCNN进行分类等步骤，完成实时的故障检测和隔离。本发明将JTFA、3DCNN和多次二元分类技术相结合，采用离线学习，在线运行的方式，将其用于诊断实验中，且对噪声干扰不敏感，提高了诊断效率。同时设计了故障生成器，解决了数据不匹配的问题。

技术领域

本发明属于航空发动机控制系统传感器故障诊断领域，涉及一种基于 3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法。

背景技术

航空发动机是长期工作在高转速、高负荷和高温环境下的复杂热力机械，对可靠性和安全性要求极高。航空发动机控制系统以传感器测量信号为基础进行工作，但由于传感器测量数据多、分布广、且其安装部位特殊，长时间工作在高温、高压、强振动的工况中，是控制系统中最容易发生故障的部件。传感器一旦故障有可能导致整个控制系统失效，造成严重的经济损失。因此，对传感器进行及时、有效的故障诊断，以提高航空发动机的安全性和可靠性，具有十分重要的意义。

已有文献表明，目前航空发动机控制系统传感器故障诊断的研究主要有：基于数学模型的方法(如卡尔曼滤波器模型)、基于信号的方法(如小波方法)、基于知识的方法(如神经网络、支持向量机等智能算法)。基于数学模型的诊断技术较为成熟，但受到模型精度的制约，对航空发动机控制系统这类非线性的复杂系统来说建立数学模型十分困难，故障诊断系统的可靠性可能随着建模不确定性和非线性复杂性的增加而下降。基于信号的方法不需进行建模，但小波变换法存在着无法区分过程正常波动与传感器故障、在噪声较大时会失效两个缺点。张高钱设计了一种基于BP(Back Propagation) 神经网络的传感器故障诊断系统，但浅层网络存在过拟合、维数灾难、参数选择困难等问题，且浅层网络假设靠人工经验抽取样本特征作为输入，容易出现数据利用不足、对干扰敏感及信息丢失等问题。

在专利CN106226074A中公开了一种基于卷积神经网络和小波灰度图的旋转机械故障诊断方法，实现了对轴承的振动诊断。但该方法存在着一定的缺陷：(1)使用小波灰度图作为卷积神经网络的输入，未能完全提取故障的特征信息；(2)卷积神经网络结构十分复杂，存在着过拟合的问题。而且对于航空发动机控制系统传感器来说，它的故障类型多种多样，不是简单的二元问题，不仅要识别出是否发生了故障，还要进行故障隔离。此外，航空发动机控制系统大多数处在正常运作的情况，故障情况是极少数，因此存在着故障数据与正常数据不对称的问题，严重影响故障诊断的准确度。

综上所述，为了高效准确的识别复杂非线性的航空发动机系统中潜在的故障模式，对噪声干扰不敏感，并可以精确对多种故障模式进行分类，同时解决故障数据不匹配的问题，本发明提出了一种用于航空发动机控制系统传感器的故障诊断方法。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于3DCNN-JTFA的航空发动机控制系统传感器的故障诊断方法，首先建立航空发动机-传感器的数学模型，设计故障生成器，生成大量的故障数据，以解决数据不匹配的问题。然后离线训练模型，即对预处理过的航空发动机控制系统传感器信号进行JTFA(Joint time-frequency analysis) 分析后输入3DCNN中，训练并验网络模型。最后将该训练好的网络模型用于航空发动机控制系统传感器的在线诊断，将实时测量的传感器信号进行预处理后，进行JTFA 分析，然后将得到的时频图输入到训练好的3DCNN模型进行诊断分析，得到所述航空发动机控制系统传感器的故障诊断结果。该方法诊断精度较高，提高了诊断效率，降低了维修费用。

技术方案