[发明专利]一种基于CNN的航空发动机故障诊断方法

说明书

本发明公开了一种基于CNN的航空发动机故障诊断方法，本防使用的数据集为航空发动机传感器收集到的气路参数，其中包含发生各种故障时的气路参数以及正常情况下的气路参数，并且是按照时间序列采集的数据，使用了卷积神经网络可以充分的挖掘气路参数之间前后变化的特征，相比于传统方法对离散数据进行建模(针对具体某个时刻的数据进行分析)来说，不仅考虑到了不同时刻气路参数具体数值的变化，进一步考虑了连续时刻参数变化的趋势特征和前后的联系，由于使用了CNN具有一定的平移不变性，所以泛化能力更好，可以取得更加全面更加高级更加复杂的特征，紧接着提出了一种新型的损失函数，用于评价模型的分类结果，从而实现故障的诊断。

技术领域

本发明属于发动机领域，尤其是涉及一种基于CNN的航空发动机故障诊断 方法。

背景技术

航空发动机是飞机最为核心的部件之一，是一个复杂度很高的系统，其健康 状况是保证飞机飞行安全的重要前提。相关资料显示，在最近十年的飞行事故中， 50％以上是由于航空发动机发生故障所引起的，此外，航空发动机的维修支出在 全球飞机维修产业中占据的比例高达40％，因此，保障发动机可靠稳定地工作， 对航空公司以及制造商降低维修费用，缩短维修周期和发动机停机时间，提高发 动机运行效率都具有十分重大的意义。而航空发动机的故障检测技术是其中非常 重要的核心技术之一。目前主流的智能故障检测算法主要是基于神经网络的方法 和支持向量回归机的方法，通过将航空发动机气路测量参数转换为标准状态下并 与对应的发动机性能基线(或基准值)进行求差值获得偏移量，通过偏移量及其 变化趋势来进行故障诊断和性能预测。另一方面，通过人工智能技术对有限的气 路测量数据变化进行特征提取成为航空发动机故障诊断的一种新手段。

目前通常的做法主要分以下几种：

1.基于神经网络的基线建模方法。随着人工智能的快速发展，神经网络为解 决诸如发动机基线建模中存在的不确定输入和输出描述提供了可能，通过对厂家 监控系统性能参数的分析，采用非线性回归分析方法构建航空发动机性能参数基 线库，采用基于过程神经网络(Process Neural Network,PNN)的发动机气路状 态参数预测方法。或者使用NeuroSolution6软件实现径向基函数(Radical Basis Function，RBF)神经网络算法，并建立EGT、FF和N2健康基线。利用遗传 算法优化的反向传播(Back Propagation，BP)神经网络建立航空发动机气路参 数(EGT、FF和N2)的基线模型。尽管神经网络具有强大的非线性拟合能力， 但其自身也存在缺陷，当训练样本集较小时，容易出现发散的问题。

2.基于支持向量回归机(SupportVector Regression，SVR)的基线建模方法。 近年来，支持向量回归机被众多学者当作数据挖掘的方法进行研究，能够很好地 避免神经网络的缺陷。SVR算法在处理非线性回归问题时具有处理速度快、计算 准确的优点，进行多参数和单参数的回归分析。但是基于SVR的算法还存在模 型参数和核函数选取较敏感等问题，对于多分类的问题效果一般。

3.基于深度置信网络的特征提取器以及故障分类方法，深度学习作为机器学 习的一个热点技术，以其优异的特征提取能力，已经成功应用于故障诊断领域， 利用深度学习强大的特征学习能力对发动机实时监控数据和历史数据进行特征 提取，利用分类器对特征进行分类，可以更好的完成发动机故障的分类及诊断， 并且具有较强的泛化性和实用性。但是如果神经网络层数过深很容易出现过拟合 的问题，需要使用极大的数据集进行训练，如果使用传统的浅层网络则很容易出 现局部最小值以及过学习问题，影响系统的泛化性。