一种基于单传感器的航空发动机早期损伤声发射智能识别方法技术

一种基于单传感器的航空发动机早期损伤声发射智能识别方法属于航空发动机早期损伤智能识别领域。首先，利用单传感器获取航空发动机早期损伤下的声发射原始信号。其次，利用时频分析将信号转换成二维时频特征图像。然后，搭建所述深度卷积神经网络，并对所述声发射特征图像按照所述深度卷积神经网络的输入要求进行预处理。接着，对所述预处理图像进行学习，得到所述声发射特征图像与损伤类别相对应的训练模型。最后，将所述测试集信号输入到训练后的所述深度卷积神经网络模型中，得到所述航空发动机早期损伤智能识别的结果。本发明专利技术可提高声发射诊断的效率，对追求少测点轻量化目标、保障发动机正常可靠运行、减少重大事故的发生具有重要的意义。的发生具有重要的意义。

【技术实现步骤摘要】
一种基于单传感器的航空发动机早期损伤声发射智能识别方法


[0001]本专利技术属于航空发动机早期损伤声发射智能识别领域，尤其涉及一种基于单传感器的航空发动机早期损伤声发射智能识别方法。

技术介绍

[0002]航空发动机作为航空装备的“心脏”，其性能决定着航空器的飞行速度、机动性、可靠性及经济性。由于结构复杂，并且长期工作在恶劣的环境中，航空发动机不可避免地会发生各种故障。如果在故障早期无法感知和评估诸如损伤类型、程度及位置等故障信息，就可能导致飞机发生灾难性事故，造成严重地人员伤亡。因此，提高发动机的故障监测和预警能力，对保障航空器安全可靠运行具有重要的现实意义。
[0003]在航空发动机故障(例如裂纹、撞击、碰摩和结构变形等)的早期阶段，微弱的早期损伤特征不会使得航空发动机表现出明显的异常状态。此时常规的状态监测方法(包括气路分析、滑油检测技术、孔探技术及振动监测技术等等)无法通过实时在线监测及时地检测到早期损伤。然而，基于声发射的航空发动机在线结构健康监测方法在处理此类问题中具有显著优势。当材料发生塑性变形或裂纹形成等不可逆变化时，应变能迅速释放，产生瞬态弹性波，这种现象称为声发射。声发射技术与其他无损检测方法相比，具有动态、实时及整体性等优势，已被广泛应用于压力容器、复合材料、海洋平台以及航空航天等领域，可实现材料、结构早期微弱故障的动态监测与完整性评价。
[0004]然而，从故障源发出的声发射信号大都是多模态、多频率的强非平稳信号，这无疑增加了信号处理和特征提取的难度。同时，由于航空发动机复杂的结构和紧凑的空间，声发射传感器无法安装在靠近故障源的发动机内部，只有温度较低的航空发动机外表面才适合布置传感器。因此，信号在传播过程中除扩散、散射以及粘滞等基本衰减机制外，还存在模态转换及波形混叠等畸变现象，造成故障与接收的信号之间的映射关系错综复杂，从而增加了损伤识别的难度。通常用于克服真实结构中声发射信号复杂传播特性的一种方法是增加传感器的数量。但是这种方法无疑会显著增加声发射系统的复杂性和部署成本，而且航空发动机上没有足够的空间可供布置多个传感器。因此，利用少传感器实现基于声发射的航空发动机早期损伤智能识别具有重要的实际意义。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种基于单传感器的航空发动机早期损伤声发射智能识别方法，主要思想是使用深度学习从收集的原始声发射数据中学习声发射信号的时频域特性，以达到使用一个传感器实现故障智能识别的目标。首先，利用单传感器获取航空发动机早期损伤下的声发射原始信号。其次，利用时频分析将由传感器捕获的声发射信号转换成二维时频特征图像。然后，搭建利用单传感器声发射技术进行早期损伤智能识别的所述深度卷积神经网络，并对所述航空发动机声发射特征图像进行预处理，得到符合所
述深度卷积神经网络输入要求的预处理图像。接着，使用初始化后的所述深度卷积神经网络对所述预处理图像进行学习，得到所述航空发动机声发射特征图像与损伤类别相对应的训练模型。最后，将所述测试集信号输入到训练后的所述深度卷积神经网络模型中，得到所述航空发动机早期损伤智能识别的结果。本专利技术通过上述技术方案，能够实现基于单传感器的航空发动机早期损伤声发射智能识别，可提高声发射诊断的效率，降低人为主观因素的影响，对追求少测点轻量化目标、保障发动机正常可靠运行、制定科学合理的设备维修保养计划、减少重大事故的发生具有重要的意义。
[0006]拟解决少测点下航空发动机早期损伤的实时在线监测与智能识别。
[0007]一种基于单传感器的航空发动机早期损伤声发射智能识别方法，其特征在于，包括如下步骤：
[0008]步骤100：利用单传感器获取航空发动机在不同早期损伤下的声发射原始信号；
[0009]步骤200：利用连续小波变换的时频分析技术将所述由传感器捕获的声发射原始信号转换成二维时频特征图像，形成数据样本集；
[0010]步骤300：构建训练样本集、验证样本集和测试样本集。具体地，将初始样本集中所有图像按6:2:2的比例划分为训练集、验证集和测试集，数据样本集内数据均为有标签的图像样本；标签类型为独热编码，以确保特征之间的距离计算更为合理。
[0011]步骤401：使用1个输入层作为深度卷积神经网络的开始，用于接收预处理后的航空发动机声发射特征图像。所述深度卷积神经网络的输入图像大小为200
×
200
×
3，即宽度为200像素，高度为200像素，每个像素有三个值。
[0012]步骤402：所述深度卷积神经网络中的卷积结构用于对航空发动机声发射特征图像进行特征提取以得到不同早期损伤的图像特征。所述卷积结构包括6个卷积操作，每个卷积操作包括1个带有Relu激活函数的卷积层和1个池化层。在卷积结构中，第一卷积层使用5
×
5的内核，步长为1，以快速提取可学习的模式。其余所述卷积层采用3
×
3的核通过多层非线性映射来学习信号特征，卷积步长为1。所述池化层的核大小和步长分别为2
×
2和2。所述6个卷积操作可将输入图像尺寸缩小64倍。
[0013]在所述卷积层中，使用卷积核对输入图像进行卷积。通过添加偏差项并利用激活函数，可以生成一系列特征图。所述卷积运算公式为：
[0014][0015]式中，为第l层的第m帧中的第k个神经元的值，为l
‑
1层的第m帧特征图中的第k个卷积区域，为其中的元素。为卷积核，为偏置项。符号
·
表示局部区域和卷积核之间的标量积运算。f()为激活函数，Relu激活函数的数学表达式为：
[0016]f(x)＝max[0,x][0017]所述卷积层之后是一个池化层，池化方式为最大值池化，即在池化区域中选取最大值作为输出。所述最大池化的公式为：
[0018][0019]式中，为第l层的第m帧中的第k个神经元的值，n为池化区域的宽度，为第l+1层的第m帧中的第j个神经元的值。
[0020]步骤403：所述连接结构包括平铺操作、全连接操作和丢弃操作，具体为1个平铺层、1个全连接层和1个比例为0.25的丢弃层。所述连接结构首先将经过卷积结构后的特征平铺开来，然后使用全连接层将每一个神经元都与前一层的神经元相连接。接着，使用比例为0.25的丢弃层以避免模型训练的过拟合问题。
[0021]步骤404：所述输出层选用softmax层实现早期损伤分类并输出预测结果。对于多分类任务，使用的输出模型为softmax，可表示为：
[0022][0023]式中，h
j
表示分类结果，V
j
为函数的输入值，即上一层网络的输出，M表示类别的数量。Softmax输出的是输入图像最终属于某个类别的概率，概率越大，可能性越大。所述深度卷积神经网络模型的损失函数定义为真实值和模型预测之间的交叉熵，其常被用来评判预测值与实际值的差异程度，可表示为：
[0024][0025]式中，N表示一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于单传感器的航空发动机早期损伤声发射智能识别方法，其特征在于，包括如下步骤：步骤100：在航空发动机试验台上进行实验，利用单传感器获取航空发动机在不同早期损伤下的声发射原始信号；步骤200：利用连续小波变换的时频分析技术将由传感器捕获的声发射原始信号转换成二维时频特征图像，形成数据样本集；步骤300：构建训练样本集、验证样本集和测试样本集；对初始样本集中所有图像按6:2:2的比例划分为训练集、验证集和测试集，数据样本集内数据均为有标签的图像样本；步骤401：使用1个输入层作为深度卷积神经网络的开始，用于接收预处理后的航空发动机声发射特征图像；深度卷积神经网络的输入图像大小为200
×
200
×
3，即宽度为200像素，高度为200像素，每个像素有三个值；步骤402：深度卷积神经网络中的卷积结构用于对航空发动机声发射特征图像进行特征提取以得到不同早期损伤的图像特征；卷积结构包括6个卷积操作，每个卷积操作包括1个带有Relu激活函数的卷积层和1个池化层；在卷积结构中，第一卷积层使用5
×
5的内核，步长为1，以快速提取可学习的模式；其余卷积层采用3
×
3的核通过多层非线性映射来学习信号特征，卷积步长为1；池化层的核大小和步长分别为2
×
2和2；6个卷积操作可将输入图像尺寸缩小64倍；在卷积层中，使用卷积核对输入图像进行卷积；通过添加偏差项并利用激活函数，可以生成一系列特征图；卷积运算公式为：式中，为第l层的第m帧中的第k个神经元的值，为l
‑
1层的第m帧特征图中的第k个卷积区域，为其中的元素；为卷积核，为偏置项；符号
·
表示局部区域和卷积核之间的标量积运算；f()为激活函数，Relu激活函数的数学表达式为：f(x)＝max[0,x]卷积层之后是一个池化层，池化方式为最大值池化，即在池化区域中选取最大值作为输出；最大池化的公式为：式中，为第l层的第m帧中的第k个神经元的值，n为池化区域的宽度，为第l+1层的第m帧中的第j个神经元的值；步骤403：连接结构包括平铺操作、全连接操作和丢弃操作，具体为1个平铺层、1个全连接层和1个比例为0.25的丢弃层；连接结构首先将经过卷积结构后的特征平铺开来，然后使用全连接层将每一个神经元都与前一层的神经元相连接；接着，使用比例为0.25的丢弃层以避免模型训练的过拟合问题；
步骤404：输出层选用softmax层实现早期损伤分类并输出预测结果；对于多分类任务，使用的输出模型为softmax，可表示为：式中，h
j
表示分类结果，V
j
为函数的输入值，即上一层网络的输出，M表示类别的数量。Softmax输出的是输入图像最终属于某个类别的概率，概率越大，可能性越大；深度卷积神经网络模型的损失函数定义为真实值和模型预测之间的交叉熵，其常被用来评判预测值与实际值的差异程度，表示为：式中，N表示一个批次中有N个样本，M表示类别的数量；y
ic
表示指示变量，如果该类别和样本i的类别相同就是1，否则是0；p
ic
是对于观测样本i属于类别c的预测概率；步骤500：初始化深度卷积神经网络；设置初始学习率为0.001、初始动量为0.9、批量为...

【专利技术属性】
技术研发人员：杨国安，韩聪，刘曈，金宇澄，王硕，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：