[发明专利]基于动态半径支持向量数据描述的航空发动机故障检测方法

说明书

本发明提供一种基于动态半径支持向量数据描述的航空发动机故障检测方法，本发明考虑了在构建SVDD单分类模型时超球面的动态变化，在核空间中引入角度这一参数，可以为每个样本都选择一个合适的分类边界，据此搭建而成的一个效果优良的分类器，极大的提升了原算法的精度以及鲁棒性。本算法适用于中小规模的分类问题，可以在航空发动机故障检测方面有良好的表现。当航空发动机因为磨损、腐蚀、堵塞等原因而发生故障时，相应部件的健康参数会发生改变，当正常数据中掺杂着不同程度的故障数据时，本发明可以在混入故障数据的情况下，以优良的性能继续识别故障数据，可以有效提高工作效率。

技术领域

本发明针对航空发动机的故障检测，用支持向量数据描述(Support Vector DataDescription)改进算法解决航空发动机部件故障检测精度低、鲁棒性差的问题。

背景技术

航空发动机是每一架飞机的动力核心，它的安全一直牵动着人们的心弦，一旦它出现问题，那么将直接对人民的财产安全乃至生命安全造成巨大的威胁。但是由于其 结构的复杂性、严格要求的精密性，以及工作环境的恶劣性，主要部件极其容易发生 故障，并且对其的直接维修成本已经达到了对飞机整体维修的50％，甚至更多，如果 每次都直接对航空发动机进行维修，将会对航空公司的经济利益产生巨大不必要的损 失。那么一种既可以准确检测航空发动机的故障发生情况，同时又尽可能的节省经济 效益的方法研究，将会对航空发动机的健康安全管理有着重大意义，所以航空发动机 的故障检测技术已经成为国内外研究的一项重要课题。

根据调查研究，航空发动机出现的90％以上的故障都是气路故障。气路故障检测迄今为止主要有三种方法：基于知识的方式，但是这过于依赖专家的过往经验，不适 用于现代发动机日新月异的飞速发展中出现的新的故障类型；基于物理模型的方法， 比如采用观测器和采用卡尔曼滤波器的检测方法，但是由于搭建物理模型需要发动机 的准确部件特性，随着发动机技术的不断更新进步，这往往也限制了该方法的发展； 基于数据的方法，比如利用支持向量机(Support Vector Machine，简称SVM)以及利用 人工神经网络(Artificial Neural Network，简称ANN)的智能检测方法，这在检测效率和 检测精度上有了不同程度的进步，检测成本也得到了有效控制，为今后的研究打下了 坚实的基础。

ANN是模拟人脑的运行机制而产生的一种人工智能算法，它由多个节点组成，一个节点相当于一个神经元，每个节点可以有一个输入或者多个输入，两个相邻层之间 的节点实现全连接，并通过权重和阙值来传递消息。误差反向传播算法(error BackPropagation，简称BP)是人工神经网络的一种典型算法，它利用误差来控制前一层的 权重和阙值，不断逼近我们所需要的传递关系，理论上可以拟合所有的非线性函数， 但是它容易陷入局部最优从而偏离全局最优，并且收敛速度较慢。极限学习机 (Extreme LearningMachine，简称ELM)是另一种人工神经网络算法，相较于BP来说， 它的权值是通过随机设定和解方程组来获得，不需要不断反向去更新权值与阙值，这 就大大缩减了训练时间，同时也拥有良好的泛化性能，但是这种方法往往会出现过拟 合的风险。

支持向量数据描述(Support Vector Data Description，简称SVDD)是1999年Tax和 Duin在SVM的基础上提出的，它通过寻找一个最小超球面来包围尽可能多的数据， 将超球面外面的数据判定为故障数据，超球面以内则为正常数据，从而达到分类的效 果。当训练样本只有一类时，SVDD模型能够很好的识别异常数据。由于航空发动机 故障数据获得的成本较大，所以只需要正常数据就可以进行故障检测的SVDD算法被 广泛应用。但是传统SVDD将超球面的分界半径视为一个固定值，没有考虑到它的动 态变化，对于不同的测试数据来说，这是不妥的，为此我们提出一种基于新的动态半 径支持向量数据描述(DynamicRadius Support Vector Data Description,简称DR-SVDD) 的航空发动机故障检测方法，来解决这个问题。

发明内容