[发明专利]一种无故障样本下航天液体发动机健康状态智能识别方法

权利要求书

1.一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，包括以下步骤：

步骤1：以航天液体发动机稳态运行阶段多个传感器通道采集的一维信号作为多源数据，对各通道信号进行预处理，并划分训练集和测试集；

步骤2：使用基于时序追踪的故障数据生成方法，以步骤1中训练集无故障样本为基础生成故障样本，并将其并入训练集；

其中，基于时序追踪的故障数据生成方法包括幅值锐化法和重采样叠加法，两种方法用公式表示如下：

其中X_G为训练集中某正常样本的某通道数据，X_A为经过幅值锐化法生成的数据，sign(·)取各数据点的正负号，η_A为缩放因子且η_A∈(0.5,1.5)，λ_A为叠加因子且λ_A∈[0,1)，γ为锐化因子且γ＞1；

X_F＝η_F[λ_FX_G+(1-λ_F)×resample(X_G,f_t,f_s)]

其中X_F为经过重采样叠加法生成的数据，η_F为缩放因子且η_F∈(0.5,1.5)，λ_F为叠加因子且λ_F∈[0,1)，resample(·)为MATLAB中的重采样函数，f_t为目标采样频率，f_s为原采样频率；

以训练集中某一条无故障样本为基础，从[1,S]中随机选取整数s_A，并从这条无故障样本中随机选取s_A个通道用幅值锐化法进行处理，得到一条幅值锐化样本，然后从[1,S]中随机选取整数s_F，并从这条幅值锐化样本中随机选取s_F个通道用重采样叠加法进行处理，得到一条故障样本；

步骤3：构建循环卷积神经网络作为智能状态识别模型，对步骤2得到的训练集进行学习，模型通过对多源数据进行自适应的融合及特征提取，实现对航天液体发动机健康状态智能识别；

其中，构建的循环卷积神经网络，以长短期记忆层和一维卷积层为基础，并通过添加最大池化层、全连接层及Dropout完成模型的构建，模型输入为多源数据，模型输出为发动机健康状态智能识别结果。

2.根据权利要求1所述的一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，步骤1中对一维信号进行的预处理包括，对各通道信号分别进行统一的归一化处理，对归一化样本进行采样并添加标签。

3.根据权利要求2所述的一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，对每个传感器通道采集的信号分别进行归一化处理，得到归一化信号，其计算式为：

式中，T_j为第j个传感器通道采集的信号序列，|·|用于取序列中各数据的绝对值，max(·)取序列中的最大值，为第j个通道归一化后的信号。

4.根据权利要求2所述的一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，各通道信号具有统一的时间序列，对归一化后的多通道信号进行统一的采样，采集的各个样本长度相同，且样本之间不存在重叠，样本表示为：

式中，M表示样本，X表示样本中某通道的采样数据，S为通道数，x表示样本中的具体数据，N为样本长度。

5.根据权利要求2所述的一种无故障样本下航天液体发动机健康状态智能识别方法，其特征在于，步骤1中的多源数据来源于多组发动机，其中部分发动机运行无故障，其余发动机运行存在故障，对不同发动机采集到的信号分别进行多次采样，并根据发动机运行状态对样本添加对应标签，无故障发动机采集的样本标签为0，故障发动机采集的样本标签为1。