首页 > 专利技术

基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法

1.本发明针对航空发动机故障检测领域，提出了一种基于迁移学习航空发动机故障检测方法。提出的方法分为两个阶段：在第一阶段，使用源域中的数据训练非均匀间隔核感知机模型，以提取源域中信息。在第二阶段，以第一阶段感知机模型为基础，使用目标域中的数据来实现模型对目标域的适应，学习到最优的航空发动机故障检测模型，从而可以提高航空发动机故障检测的准确度，改善视情维修的及时性，增强飞机飞行的安全性。

背景技术：

2.随着航空工业的快速发展，航空发动机的安全性和可靠性受到广泛关注。航空发动机是一个复杂的气动和热力系统。它长期在高温高压的极端环境中工作，所有部件都会不可避免地磨损，最终导致性能退化甚至安全事故。先前的研究表明，在所有航空发动机故障中，气路部件的故障占90％以上。因此，有必要检测气路部件的故障。作为航空发动机健康管理的关键技术，故障检测可以根据监测到的性能参数检测部件故障，建立科学合理的维修方案，最大限度地降低运行和维护成本，提高飞行安全性和可靠性。
3.发动机故障检测技术可分为两类：模型驱动的故障检测方法和数据驱动的故障诊断方法。模型驱动故障检测方法是一种在建立发动机数学模型的基础上检测发动机故障的技术，需要详细的发动机数学模型。卡尔曼滤波是一种典型的模型驱动方法。然而，随着航空发动机设计水平的提高，在整个飞行包线和功率范围内建立精确的发动机动力学模型并不容易，模型驱动方法的可靠性随着建模不确定性的增加而降低。相反，数据驱动算法可以智能地挖掘测量数据并学习潜在的有价值信息，以识别被监控机器的健康状态。它们不需要数学模型，具有更强的适用性。许多人工智能算法已经应用于发动机智能故障检测，如人工神经网络(ann)、极限学习机(elm)、支持向量机(svm)、深度学习(dl)等。尽管基于传统机器学习的方法可以获得令人满意的检测精度，但这通常受到两个常见假设的影响。首先，机器学习算法使用的训练样本和要预测的样本遵循相同的分布。其次，对这些样品进行标记。然而，在航空发动机的使用寿命中，随着运行时间的增加，整体运行性能将下降，发动机样本将偏离原始分布。此外，维护和更换等因素也可能导致样本分布的差异。实际上，从其他条件收集的发动机样本将导致机器学习模型的减少甚至失效。由于获取航空发动机故障数据的成本非常高，在当前状态下很难收集足够的发动机数据来训练模型。因此，传统的机器学习方法由于其理想化的假设而具有局限性。
4.迁移学习旨在解决机器学习领域的数据短缺问题。一般认为，具有大量知识和大量标记数据的领域是知识转移的来源，即源域。只有少量或没有标记数据的领域是知识转移的目标，即目标域。虽然源域和目标域在分布上存在差异，但它们仍然有一些相似之处，并且源域的数据内容丰富，包含大量有用信息。迁移学习的主要思想是提取源域的信息并将其应用到目标域。对于航空发动机故障检测，可以通过迁移学习提取其他发动机运行数据中包含的信息，并用于训练当前状态下发动机的故障检测模型。考虑到退化状态下发动
机的故障检测，我们可以将当前退化状态下的运行数据视为目标域数据，将标称状态下的数据视为源域数据，然后通过转移学习将信息从源域转移到目标域，以提高机器学习模型的性能并缓解目标域中数据的缺乏。

技术实现要素：

5.发明目的：
6.为了突破当前航空发动机气路故障检测领域的传统算法中，因目标域数据量较少、训练数据和测试数据存在分布差异，导致检测效果较差的局限，本发明提出了一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法。提出的方法分为两个阶段：在第一阶段，使用源域中的数据训练非均匀间隔核感知机模型，以提取源域中信息。在第二阶段，以第一阶段感知机模型为基础，使用目标域中的数据来实现模型对目标域的适应，从而可以提高航空发动机故障检测的准确度。
7.技术方案：
8.一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法，包括以下步骤：
9.步骤1：分别收集标称状态下和退化状态下的航空发动机传感器参数数据，包括正常样本以及各类故障状态下的故障样本；
10.步骤2：将传感器数据归一化并分为两组，一组是标称状态下的传感器参数数据，作为源域；另一组是退化状态下的传感器参数数据，作为目标域；
11.步骤3：在第一阶段中，设置非均匀间隔核感知机模型的参数σ,η,τ
±1，将标称状态的数据即源域数据作为训练集加入训练，得到训练结果，即模型参数as。
12.步骤4：退化状态下的数据即目标域数据，在第二阶段中，将步骤3中的间隔超参数τ
±1迁移到目标域，作为本阶段训练的超参数，并将步骤3中得到的模型参数as作为初始值，使用目标域数据进行训练非均匀间隔核感知机模型，输出最后目标域模型的参数as，a
t
，b
t
，构成故障检测模型。
13.进一步的，步骤1中退化状态是指在发动机运行期间，由于机械疲劳、侵蚀、腐蚀或异物损坏，发动机部件的性能将恶化，相应部件的效率系数和流量系数将偏离正常点，具体表现为各部件流通能力降低、工作效率降低等。标称状态则是指发动机各部件都处于标准状态，能达到设计要求。
14.进一步的，步骤1中航空发动机故障状态包括风扇故障、压气机故障、高压涡轮故障和低压涡轮故障。
15.进一步的，步骤1中航空发动机传感器参数数据包括低压转子转速，高压转子转速，燃油油量，风扇出口总温，压气机出口总温，压气机出口总温，低压涡轮进口总温，低压涡轮出口总温，低压涡轮出口总压，掺混室进口总温。
16.进一步的，步骤2中传感器数据归一化公式如下：
[0017][0018]
其中x代表传感器原始数据，x
norm
代表归一化后的传感器数据。
[0019]
进一步的，步骤2中源域和目标域所含数据比例设置为40∶1，即目标域数据量是源
域数据量的2.5％。
[0020]
进一步的，步骤3中采用的核为高斯核，公式如下：
[0021][0022]
式中xi与xj为两个样本，σ是核函数参数。
[0023]
进一步的，步骤3中采用了非均匀间隔核感知机。非均匀间隔核感知机的训练过程如下所示：
[0024]
给定训练数据集其中其中感知机的学习率η，间隔超参数τ
+1
，τ-1
，核函数参数σ，非均匀间隔核感知机的决策模型为其中a＝(a1，a2，
…
，an)
t
，b为偏置。
[0025]
将非均匀间隔核感知机模型参数初始化为a，b＝0。每次从训练集中随机挑选一个样本(xi，yi)，如果就执行
[0026]ai
←ai
+η#(12)
[0027]b←
b+ηyir2#(13)
[0028]
重复这个过程，直到数据集中的样本满足
[0029][0030]
获得最终的非均匀间隔核感知机模型
[0031][0032]
进一步的，步骤4中将步骤3中的间隔超参数τ
±1迁移到目标域，作为本阶段训练的超参数，并将步骤3中得到的模型参数as作为初始值，使用目标域数据进行训练非均匀间隔核感知机模型。模型的训练过程如下所示：
[0033]
步骤3中的训练数据集为源域步骤4中的训练数据集为目标域其中ns，n
t
代表各个域的样本数量，设置感知机的学习率η，核函数参数σ，训练误差与源域信息保留度之间的权衡系数λ，
[0034]
最终非均匀间隔核感知机的决策模型为最终非均匀间隔核感知机的决策模型为其中由步骤3得到，使用步骤3中的间隔超参数τ
±1作为本阶段训练过程中的间隔超参数τ
±1，也就是
[0035]
将模型参数初始化为a
t
，b
t
＝0。每次从训练集中随机挑选一个样本如果就执行
[0036][0037]bt
←bt
+ηyir2#(17)
[0038]
重复这个过程，直到数据集中的样本满足
[0039][0040]
获得最终的非均匀间隔核感知机模型
[0041][0042]
有益效果：
[0043]
本发明针对航空发动机气路故障检测领域缺乏目标域数据、数据之间存在分布差异等问题，将迁移学习的思想引入航空发动机故障检测算法中，在第一阶段，使用源域中的数据训练非均匀间隔核感知机模型，以提取源域中信息。在第二阶段，以第一阶段感知机模型为基础，使用目标域中的数据来实现模型对目标域的适应，解决了传统检测方法在目标域数据量较少、训练数据和测试数据存在分布差异时，检测效果较差的问题。
附图说明
[0044]
图1为本发明航空发动机结构图。
[0045]
图2为本发明方法流程图。
[0046]
图3为前6个实验案例效果对比图。
[0047]
图4为后6个实验案例效果对比图。
具体实施方式
[0048]
本发明提出了一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法，包括以下步骤：
[0049]
步骤1：分别收集标称状态下和退化状态下的航空发动机传感器参数数据，包括正常样本以及各类故障状态下的故障样本。退化状态是指在发动机运行期间，由于机械疲劳、侵蚀、腐蚀或异物损坏，发动机部件的性能将恶化，相应部件的效率系数和流量系数将偏离正常点，具体表现为各部件流通能力降低、工作效率降低等。标称状态则是指发动机各部件都处于标准状态，能达到设计要求。传感器参数数据包括低压转子转速，高压转子转速，燃油油量，风扇出口总温，压气机出口总温，压气机出口总温，低压涡轮进口总温，低压涡轮出口总温，低压涡轮出口总压，掺混室进口总温。航空发动机故障状态包括风扇故障、压气机故障、高压涡轮故障和低压涡轮故障。
[0050]
步骤2：将传感器数据归一化，数据归一化公式如下：
[0051][0052]
其中x代表传感器原始数据，x
norm
代表归一化后的传感器数据。将数据分为两组，
一组是标称状态下的传感器参数数据，作为源域；另一组是退化状态下的传感器参数数据，作为目标域。步骤2中源域和目标域所含数据比例设置为40∶1，即目标域数据量是源域数据量的2.5％。
[0053]
步骤3：标称状态的数据即源域数据。在第一阶段中，非均匀间隔核感知机采用高斯核，公式如下：
[0054][0055]
式中xi与xj为两个样本，σ是核函数参数。设置非均匀间隔核感知机模型的参数σ，η，τ
±1，将源域数据作为训练集加入训练，得到训练结果，即模型参数as。非均匀间隔核感知机的训练过程如下所示：
[0056]
给定训练数据集其中其中感知机的学习率η，间隔超参数τ
+1
，τ-1
，核函数参数σ，非均匀间隔核感知机的决策模型为其中a＝(a1，a2，
…
，an)
t
，b为偏置。
[0057]
将非均匀间隔核感知机模型参数初始化为a，b＝0。每次从训练集中随机挑选一个样本(xi，yi)，如果就执行
[0058]ai
←ai
+η#(22)
[0059]b←
b+ηyir2#(23)
[0060]
重复这个过程，直到数据集中的样本满足
[0061][0062]
获得最终的非均匀间隔核感知机模型
[0063][0064]
步骤4：退化状态下的数据即目标域数据，在第二阶段中，将步骤3中的间隔超参数τ
±1迁移到目标域，作为本阶段训练的超参数，并将步骤3中得到的模型参数as作为初始值，使用目标域数据进行训练非均匀间隔核感知机模型，输出最后目标域模型的参数as，a
t
，b
t
，构成故障检测模型。模型的训练过程如下所示：
[0065]
步骤3中的训练数据集为源域步骤4中的训练数据集为目标域其中ns，n
t
代表各个域的样本数量，设置感知机的学习率η，核函数参数σ，训练误差与源域信息保留度之间的权衡系数λ，
[0066]
最终非均匀间隔核感知机的决策模型为最终非均匀间隔核感知机的决策模型为其中由步骤3得到，使用步骤3中的间隔超参数τ
±1作为本阶段训练过程中的间隔超参数τ
±1，也就是
[0067]
将模型参数初始化为a
t
，b
t
＝0。每次从训练集中随机挑选一个样本如果就执行
[0068][0069]bt
←bt
+ηyir2#(27)
[0070]
重复这个过程，直到数据集中的样本满足
[0071][0072]
获得最终的非均匀间隔核感知机模型
[0073][0074]
本次案例使用的数据来自于某型号涡扇发动机，其结构如图1所示，数据由10个传感器收集而得：低压转子转速，高压转子转速，燃油油量，风扇出口总温，压气机出口总温，压气机出口总温，低压涡轮进口总温，低压涡轮出口总温，低压涡轮出口总压，掺混室进口总温。发动机分为退化状态和标称状态，退化状态是指在发动机运行期间，由于机械疲劳、侵蚀、腐蚀或异物损坏，发动机部件的性能将恶化，相应部件的效率系数和流量系数将偏离正常点，具体表现为各部件流通能力降低、工作效率降低等，标称状态则是指发动机各部件都处于标准状态，能达到设计要求，具体的变化情况为：所有部件的效率健康参数下降1％，风扇和压气机的流量健康参数下降1％，高压涡轮和低压涡轮的流量健康参数提升1％。航空发动机故障状态包括风扇故障、压气机故障、高压涡轮故障和低压涡轮故障，每一类故障下对应的健康参数变化见表1。
[0075]
将原始传感器数据进行归一化处理，数据归一化公式如下：
[0076][0077]
其中x代表传感器原始数据，x
norm
代表归一化后的传感器数据。将数据分为两组，一组是标称状态下的传感器参数数据，作为源域；另一组是退化状态下的传感器参数数据，作为目标域。步骤2中源域和目标域所含数据比例设置为40∶1，即目标域数据量是源域数据量的2.5％，基于这两组数据进行算法有效性的验证。算法的整体流程图如图2所示。首先设置非均匀间隔核感知机模型的参数σ，η，τ
±1，将源域数据作为训练集加入训练，得到训练结果，即模型参数as。非均匀间隔核感知机的训练过程如下所示：
[0078]
给定训练数据集其中其中感知机的学习率η，间隔超参数τ
+1
，τ-1
，核函数参数σ，非均匀间隔核感知机的决策模型为其中a＝(a1，a2，
…
，an)
t
，b为偏置。
[0079]
将非均匀间隔核感知机模型参数初始化为a，b＝0。每次从训练集中随机挑选一
个样本(xi，yi)，如果就执行
[0080]ai
←ai
+η#(31)
[0081]b←
b+ηyir2#(32)
[0082]
重复这个过程，直到数据集中的样本满足
[0083][0084]
获得最终的非均匀间隔核感知机模型
[0085][0086]
然后在第二阶段中，将间隔超参数τ
±1迁移到目标域，作为本阶段训练的超参数，并将模型参数as作为初始值，使用目标域数据进行训练非均匀间隔核感知机模型，输出最后目标域模型的参数as，a
t
，b
t
，构成故障检测模型。模型的训练过程如下所示：
[0087]
标称状态下的训练数据集为源域退化状态下的训练数据集为目标域其中ns，n
t
代表各个域的样本数量，代表各个域的样本数量，设置感知机的学习率η，核函数参数σ，训练误差与源域信息保留度之间的权衡系数λ，
[0088]
最终非均匀间隔核感知机的决策模型为最终非均匀间隔核感知机的决策模型为其中由标称状态下的数据训练得到，使用第一阶段的间隔超参数τ
±1作为本阶段训练过程中的间隔超参数τ
±1，也就是
[0089]
将模型参数初始化为a
t
，b
t
＝0。每次从训练集中随机挑选一个样本如果就执行
[0090][0091]bt
←bt
+ηyir2#(36)
[0092]
重复这个过程，直到数据集中的样本满足
[0093][0094]
获得最终的非均匀间隔核感知机模型
[0095][0096]
为了说明算法的有效性，使用准确率作为衡量算法性能的指标，即预测正确的样
本数与预测样本数之比。作为对比，设置了四种基准算法作为对比：
[0097]
(1)baseline1：仅使用源域数据训练非均匀间隔核感知机模型，并用目标域数据作为测试集验证效果。
[0098]
(2)baseline2:仅使用目标域数据训练非均匀间隔核感知机模型，用目标域数据作为测试集验证效果。
[0099]
(3)baseline3:使用源域数据和目标域数据一起训练非均匀间隔核感知机模型，并用目标域数据作为测试集验证效果。
[0100]
(4)baseline4:使用源域数据和目标域数据一起训练软极限支持向量机模型，并用目标域数据作为测试集验证效果。
[0101]
我们在三种工况下针对四种类型的故障分别设置了实验，各组实验的设置如表2所示。实验的准确率结果如表3所示，各算法的对比结果如图3和图4所示，其中tl-kpaum是本发明所提供的方法。由结果可以看出，相比几种基准算法，本发明所提供的方法在缺乏目标域数据情况下，取得了优异的气路故障检测效果。
[0102]
表1各故障情况下发动机健康参数
[0103][0104]
表2各组实验设置情况
[0105][0106]
表3航空发动机气路故障检测准确率
[0107]

技术特征：

1.一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法，其特征在于，包括如下步骤：步骤1：分别收集标称状态下和退化状态下的航空发动机传感器参数数据，包括正常样本以及各类故障状态下的故障样本；步骤2：将传感器数据归一化并分为两组，一组是标称状态下的传感器参数数据，作为源域；另一组是退化状态下的传感器参数数据，作为目标域；步骤3：设置非均匀间隔核感知机模型的核函数参数σ，感知机的学习率η，间隔超参数τ
±1，将源域数据作为训练集进行模型训练，得到训练结果，即源域模型的权重参数a
s
；步骤4：将步骤3中的间隔超参数τ
±1迁移到目标域，作为本阶段训练的超参数，并将步骤3中得到的权重参数a
s
作为初始值，使用目标域数据进行训练非均匀间隔核感知机模型，输出最后目标域模型的权重参数a
s
、a
t
和偏置参数b
t
，构成故障检测模型。2.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法，其特征在于，步骤1中航空发动机故障状态包括风扇故障、压气机故障、高压涡轮故障和低压涡轮故障。3.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法，其特征在于，步骤1中所述航空发动机传感器参数数据包括低压转子转速，高压转子转速，燃油油量，风扇出口总温，压气机出口总温，压气机出口总温，低压涡轮进口总温，低压涡轮出口总温，低压涡轮出口总压，掺混室进口总温。4.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法，其特征在于，步骤2中源域和目标域所含数据比例设置为40:1，即目标域数据量是源域数据量的2.5％。5.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法，其特征在于，步骤3中采用的核为高斯核，公式如下：式中x
i
与x
j
为两个样本，σ是核函数参数。6.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法，其特征在于，步骤3中非均匀间隔核感知机的训练过程如下所示：给定训练数据集其中其中感知机的学习率η，间隔超参数τ
+1
,τ-1
，核函数参数σ，非均匀间隔核感知机的决策模型为其中a＝(a1,a2,
…
,a
n
)
t
，b为偏置；将非均匀间隔核感知机模型参数初始化为a,b＝0，每次从训练集中随机挑选一个样本(x
i
,y
i
)，如果则执行a
i
←
a
i
+η#(2)b
←
b+ηy
i
r2#(3)重复这个过程，直到数据集中的样本满足
获得最终的非均匀间隔核感知机模型7.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法，其特征在于，步骤4中非均匀间隔核感知机模型的训练过程如下所示：步骤3中的训练数据集为源域步骤4中的训练数据集为目标域其中n
s
，n
t
代表各个域的样本数量，代表各个域的样本数量，代表各个域的样本数量，代表各个域的样本数量，设置感知机的学习率η，核函数参数σ，训练误差与源域信息保留度之间的权衡系数λ，最终非均匀间隔核感知机的决策模型为最终非均匀间隔核感知机的决策模型为其中使用步骤3中的间隔超参数τ
±1作为本阶段训练过程中的间隔超参数τ
±1，即将模型参数初始化为a
t
,b
t
＝0，每次从训练集中随机挑选一个样本如果则执行b
t
←
b
t
+ηy
i
r2#(7)重复这个过程，直到数据集中的样本满足获得最终的非均匀间隔核感知机模型

技术总结

本发明提供一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法。提出的方法分为两个阶段。在第一阶段，使用源域中的数据训练非均匀间隔核感知机模型，以提取源域中信息。在第二阶段，以第一阶段感知机模型为基础，使用目标域中的数据来实现模型对目标域的适应，学习到最优的航空发动机故障检测模型。由于迁移学习可以将数据信息从源域转移到目标领域，从而缓解目标域的数据稀缺问题，因此，本发明提出的方法，克服了传统的数据驱动故障检测方法效果受实际数据分布限制的缺点，有利于求得更优的航空发动机故障检测方法。另外，本发明所提供的方法，可以提高航空发动机故障检测的准确度，改善视情维修的及时性，增强飞机飞行的安全性。机飞行的安全性。机飞行的安全性。