[发明专利]发动机的故障分析预测方法

权利要求书

1.一种发动机的故障分析预测方法，其特征在于，包括：

对发动机的状态监测参数和故障种类进行分析，获取各故障种类的关键影响因素；

建立SOM神经网络模型，使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练，并基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类；

建立小波神经网络模型，使用历史故障数据中所述预测故障种类的状态监测参数对所述小波神经网络模型进行训练，并基于所述待预测发动机的预测故障种类预测获取所述待预测发动机的预测故障时间。

2.根据权利要求1所述的发动机的故障分析预测方法，其特征在于，所述对发动机的状态监测参数和故障种类进行分析，获取各故障种类的关键影响因素，包括：

将发动机出现不同的故障种类时状态监测参数的组合与实际故障情况进行对比；

使用决策树分析的方法来筛选出对于不同的故障种类具有参考价值的关键影响因素。

3.根据权利要求2所述的发动机的故障分析预测方法，其特征在于，所述使用决策树分析的方法来筛选出对于不同的故障种类具有参考价值的关键影响因素，包括：

根据模糊理论将所述状态监测参数划分为N个类别；其中，N为整数，且3≤N≤5；

根据信息增益计算公式计算出在不同故障种类下各所述状态监测参数的信息增益值；

根据所述状态监测参数的信息增益值的大小，以所述信息增益值由大到小的顺序构建决策树；

将所述决策树中所述信息增益值小于预设阈值以及等于0的所述状态监测参数剔除，以筛选出具有参考价值的关键影响因素。

4.根据权利要求3所述的发动机的故障分析预测方法，其特征在于，所述信息增益计算公式为：

其中，Gain(G_i,H_j)为信息增益，G_i^v为第i个处于第v种类别状态下的监测参数向量，G_i为第i个监测参数向量，H_j为第j个故障种类，Ent(G_i,H_j)为信息熵；

所述信息熵的计算公式为：

其中，p_v为第j个故障种类处于第v种类别状态下的概率。

5.根据权利要求1所述的发动机的故障分析预测方法，其特征在于，所述SOM神经网络模型包括输入层和竞争层，所述建立SOM神经网络模型包括：

对SOM神经网络模型进行初始化，将随机数值设定为输入层和竞争层之间权值的初始值；

根据所述发动机的历史故障数据中的关键影响因素与各故障种类间的数据关系，确定所述SOM神经网络模型的误差控制界限；

将待预测发动机的关键影响因素作为所述SOM神经网络模型的输入向量，导入所述SOM神经网络模型中。

6.根据权利要求5所述的发动机的故障分析预测方法，其特征在于，所述使用历史故障数据中的关键影响参数对所述SOM神经网络模型进行训练包括：

利用所述发动机的历史故障数据对所述SOM神经网络模型的神经元以及邻近神经元权值进行修正，直至对各故障种类的区分识别误差小于预设阈值。

7.根据权利要求6所述的发动机的故障分析预测方法，其特征在于，所述竞争层包括多个神经元，所述基于待预测发动机的关键影响参数预测获取所述待预测发动机的预测故障种类包括：

计算所述SOM神经网络模型的竞争层中各神经元的权值向量和输入向量的欧式距离；

根据所述输入向量与各神经元的欧式距离进行故障种类的聚类识别，获取所述待预测发动机的预测故障种类。

8.根据权利要求1所述的发动机的故障分析预测方法，其特征在于，所述建立小波神经网络模型包括：

将历史故障数据中的故障发生时间按照故障种类进行分类，获取不同的故障种类对应的故障发生时间的数据集；

对不同的故障种类以发动机的运行时长为输入、故障发生时间为输出，分别构建小波神经网络模型。