[发明专利]基于深度学习与高斯分布的航空发动机气路异常检测方法

摘要

基于深度学习与高斯分布的航空发动机气路异常检测方法，本发明涉及航空发动机气路异常检测方法。本发明的目的是为了解决现有的发动机气路异常检测方法中QAR数据没有得到广泛应用、发动机异常检测的虚警率高以及准确度低的问题。一、在QAR数据中选择参数集，参数集包括发动机气路性能参数和外界环境参数；二、在参数集中计算同一架飞机上两台发动机性能参数的差异值，将差异值与外界环境参数构成新的参数集；三、选用深度学习方法中的堆积去噪自动编码器模型对二中的新参数集提取数据特征；四、采用基于高斯分布的密度估计算法对步骤三得到的数据特征进行异常检测，得到结果。本发明用于航空发动机故障诊断技术领域。

主权项

1.基于深度学习与高斯分布的航空发动机气路异常检测方法，其特征在于该方法具体过程为：步骤一、在QAR数据中选择参数集，参数集包括发动机气路性能参数和外界环境参数；QAR为快速存储记录仪；步骤二、在步骤一选取的参数集中计算同一架飞机上两台发动机性能参数的差异值，将差异值与外界环境参数构成新的参数集；步骤三、选用深度学习方法中的堆积去噪自动编码器模型对步骤二中的新参数集提取数据特征；步骤四、采用基于高斯分布的密度估计算法对步骤三得到的数据特征进行异常检测，得到检测结果；所述步骤一中在QAR数据中选择参数集，参数集包括发动机气路性能参数和外界环境参数；具体过程为：参数集表示：S＝{P₁,P₂,...P_j,...P_k,P₁′,P₂′,...P_j′,...P_k′,E₁,E₂,...E_q,...E_r}式中，S为在QAR数据中选择的参数集，其中P_j为左发动机第j个气路性能参数，P_k为左发动机第k个气路性能参数，1≤j≤k，k取值为正整数；P_j′为右发动机第j个气路性能参数；P_k′为右发动机第k个气路性能参数；E_q为参数集中第q个外界环境参数，E_r为参数集中第r个外界环境参数，1≤q≤r，r取值为正整数；所述步骤二中在步骤一选取的参数集中计算同一架飞机上两台发动机性能参数的差异值；具体过程为：Δ_j＝P′_j‑P_j式中，Δ_j为两台发动机第j个气路性能参数的差异值；所述步骤三中选用深度学习方法中的堆积去噪自动编码器模型对步骤二中新的参数集提取数据特征；具体过程为：取步骤二中新的参数集作为DAE模型的输入数据x，通过将DAE模型的输入数据x污染成为编码器输入数据，q_D(·)为随机匹配函数；过程为：DAE为去噪自动编码器；A)DAE模型输入数据x，为实数空间，n为新的参数集中数据维度，q_D(x)为在输入数据x中随机选择ν％的样本并将其值设置为0，0＜ν＜100；通过将x污染成污染后的编码器输入数据通过编码器函数f(x)被映射到隐层h，编码器函数f(x)用公式1和公式2表示，S(x)＝1/(1+e^‑x)   (2)式中，W是一个m×n的权重矩阵，为偏置向量；为实数空间，n为新参数集中的数据维度，m为隐层h的维度，S(·)为S型函数；隐层h通过解码器函数g(x)被映射到DAE模型输出数据z；解码器函数g(x)用公式(3)和(4)表示：z＝g(h)＝S(W'h+b')   (3)S(x)＝1/(1+e^‑x)   (4)式中，W'＝W^T是一个n×m的权重矩阵，T为转置，是一个偏置向量，DAE模型的目标函数是输入数据x与输出数据z之间的误差平方和，如公式(5)所示：式中，J_DAE(W)是DAE模型输入数据x与模型输出数据z之间的误差平方和；DAE模型通过使公式(5)中的目标函数值最小来找到最优参数集{W,b,W',b'}；B)将隐层h作为下一个DAE模型的输入，重新执行步骤A)得到新的隐层h′；新的隐层h′即为数据特征；将得到的两个DAE模型堆叠起来构成堆积去噪自动编码器模型；在堆积去噪自动编码器SDAE模型的训练过程中，不断调整模型自身结构参数，以寻找到一个使F₁值最大的最优SDAE模型自身结构参数；F₁值为异常检测准确度指标。