[发明专利]一种用于诊断航空发动机锥齿轮故障的深度网络构建方法

说明书

本公开揭示了一种用于诊断航空发动机锥齿轮故障的深度网络构建方法，包括：采集航空发动机锥齿轮振动信号并划分为训练集D_train、验证集D_valid和测试集D_test；构建网络搜索空间O，根据搜索空间O构造超网络H(w)，基于训练集D_train并采用两种掩码矩阵Mask依次对超网络H(w)中的含参算子OP_5‑8进行预热训练和对超网络H(w)进行解耦训练，得到优化后的超网络H(w^*)；基于优化后的超网络H(w^*)构造可微性能评估器Λ，利用变分推断对评估器Λ进行优化获得优化后的变分后验分布族，并采样获得候选网络架构集合Set；利用训练集D_train和验证集D_valid对所述候选网络架构集合Set中的网络架构重新训练，并在测试集D_test上按照测试准确率从大到小排序，将测试准确率最高的网络架构作为最优的故障诊断深度网络架构。

技术领域

本公开属于航空发动机故障诊断技术领域，具体涉及一种用于诊断航空发动机锥齿轮故障的深度网络构建方法。

背景技术

附件锥齿轮作为航空发动机传动系统的重要部件之一，其健康状态对航空发动机的运行可靠性评估十分关键。如今，随着机械故障诊断的智能化，深度网络在构建状态映射模型中占据了主导地位。在指定部件数据域的情况下，通过手工调整网络架构，特定的故障诊断任务可以被很好地解决。但域差异问题普遍存在于现实场景中，在多变环境下工作的航空发动机传动系统尤其如此。航空发动机传动系统部件众多、工作环境多变，其每个部件的数据域往往不一致，并很容易在多变环境下发生偏移。因此，针对每个部件数据域设计匹配的故障诊断模型是一种自然的策略。

虽然深度网络实现了特征工程的自动化，使得诊断模型可以从给定数据域中提取相应的特征，但特征质量受到了网络架构的影响，同一种网络架构很难在多个数据域下取得最佳的性能。而人工为每个数据域设计匹配的诊断模型十分耗时耗力，深度网络的架构参数是复杂的、离散的、无序的超参数，需要从多个维度进行调整，整个网络的设计空间十分庞大，其设计是一个不断试错的优化过程，采用人工手段为每个数据域设计匹配的诊断网络一般不具有可行性。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种用于诊断航空发动机锥齿轮故障的深度网络构建方法，能够为每个部件数据域自动设计与之匹配的诊断网络。

为实现上述目的，本公开提供以下技术方案：

一种用于诊断航空发动机锥齿轮故障的深度网络构建方法，包括如下步骤：

S100：采集航空发动机锥齿轮振动信号并划分为训练集D_train、验证集D_valid和测试集D_test；

S200：构建网络搜索空间O，根据网络搜索空间O构造超网络H(w)，基于训练集D_train并采用两种掩码矩阵Mask依次对超网络H(w)中的含参算子OP_5-8进行预热训练和对超网络H(w)进行解耦训练，得到优化后的超网络H(w^*)；

S300：基于优化后的超网络H(w^*)构造基于变分后验分布族的可微性能评估器Λ，利用变分推断对可微性能评估器Λ进行优化，获得优化后的变分后验分布族，并对优化后的变分后验分布族通过采样获得候选网络架构集合Set；