[发明专利]一种基于群体约减核极限学习机的航空发动机故障诊断方法

说明书

本发明提供一种基于群体约减核极限学习机的航空发动机故障诊断方法，步骤为：采集全飞行包线内的发动机数据，若航空发动机子部件正常，则记相应的标签为正，反之则为负，将这些数据作为样本；将样本归一化后，将样本与其对应的样本标签作为训练样本训练群体约减核极限学习机学习算法；用训练得到的模型对航空发动机各部件进行故障检测。本发明利用群体稀疏结构约减隐含层节点个数，克服了传统的核极限学习机利用全部训练样本作为隐含层节点的缺点，在可取得与原始核极限学习机学习性能相当的测试结果的同时，极大的削减了算法的测试成本和储存成本。

技术领域

本发明针对航空发动机故障诊断，利用核极限学习机(Kernel Extreme Learningmachine)改进算法来解决航空发动机故障诊断等领域内存在的技术难题。

背景技术

航空发动机故障诊断系统作为发动机健康管理系统的有效组成部分之一，一直都是工业界和学术界的关注热点，而发动机气路部件故障发生概率可以占到发动机总体故障的90％以上，因此建立对气路部件故障诊断的有效方法就显得尤为重要。目前，对发动机故障诊断的可行方法主要集中在基于模型的方法和数据驱动的方法。基于模型的方法主要根据真实发动机运行状况而建立起发动机数学模型来对发动机健康状况做出判断，这种方法需要研究人员对发动机工作原理十分熟悉，但是随着发动机自身的不断创新与改进，建立精准模型的难度也在不断提升，模型中存在的不确定性以及系统非线性复杂度越来越高，都会影响这种方法的判断准确度，另外需要指出的就是这种方法对于不同型号发动机需要建立不同的数学模型。数据驱动的方法可以根据发动机传感器的实时数据以及历史收集数据来对目标进行故障检测与隔离，这种方法可以克服之前所述方法存在的困难，只要选择有效的机器学习算法并加以改进就可以完成对不同型号发动机故障诊断任务，本发明采用数据驱动的办法来解决发动机气路故障诊断中存在的问题。

核极限学习机(KELM)由于其较强的泛化性能，因此在发动机故障诊断任务中具备良好的应用前景。但是原始KELM利用所有的训练样本来构建隐含层，致使其在存在两个潜在问题：1)过多的隐含层节点个数将导致训练时间递增；2)过多的隐含层节点个数将占据更多的储存空间。这对于航空发动机这种对实时性有着较高要求但机载运算能力与储存能力有限的系统而言是一个不小的负担。因此，本发明利用群体稀疏结构约减隐含层节点个数，克服了传统的核极限学习机利用全部训练样本作为隐含层节点的缺点，在可取得与原始核极限学习机学习性能相当的测试结果的同时，极大的削减了算法的测试成本和储存成本。

发明内容

本发明的目的是提供一种基于群体约减核极限学习机的航空发动机故障诊断方法，以解决发动机气路故障诊断中存在的问题。

为实现上述目的，本发明采用的技术方案为：

一种基于群体约减核极限学习机的航空发动机故障诊断方法，包括如下步骤：

步骤1，采集全飞行包线内的发动机数据，若航空发动机子部件正常，则记相应的标签为正，反之则为负，将这些数据作为样本；

步骤2，将样本归一化后，将样本与其对应的样本标签作为训练样本训练群体约减核极限学习机学习算法；

步骤3：用训练得到的模型对航空发动机各部件进行故障检测。

所述步骤1中，对于航空发动机子部件存在的故障，仅考虑低压压气机(LPC)故障、高压压气机(HPC)故障、高压涡轮(HPT)故障和低压涡轮(LPT)故障。

所述群体约减核极限学习机学习算法包括如下步骤：

步骤a，建立原始核极限学习机的数学模型；

步骤b，利用群体稀疏策略，重构核极限学习机的数学模型；

步骤c，利用交替迭代的方法求解重构的数学模型，得到输出权重矩阵；