一种基于可迁移神经网络的航空发动机故障诊断方法技术

本发明专利技术提供一种基于可迁移神经网络的航空发动机故障诊断方法。该方法利用迁移学习的基本思想，克服了传统的基于数据驱动航空发动机气路故障诊断方法中训练数据和测试数据集服从相同分布的这一过于理想化假设问题，通过结合域自适应思想和RVFL算法，提出了两种故障诊断算法UD

【技术实现步骤摘要】
一种基于可迁移神经网络的航空发动机故障诊断方法


[0001]本专利技术属于航空发动机故障诊断领域，尤其涉及一种基于可迁移神经网络的航空发动机故障诊断方法。

技术介绍

[0002]航空发动机故障诊断系统作为发动机健康管理系统的有效组成部分之一，一直都是工业界和学术界的关注热点，而发动机气路部件故障发生概率可以占到发动机总体故障的90％以上，因此建立对气路部件故障诊断的有效方法就显得尤为重要。目前，对发动机故障诊断的可行方法主要集中在基于模型的方法和数据驱动的方法。基于模型的方法主要根据真实发动机运行状况而建立起发动机数学模型来对发动机健康状况做出判断，这种方法需要研究人员对发动机工作原理十分熟悉，但是随着发动机自身的不断创新与改进，建立精准模型的难度也在不断提升，模型中存在的不确定性以及系统非线性复杂度越来越高，都会影响这种方法的判断准确度，另外需要指出的就是这种方法对于不同型号发动机需要建立不同的数学模型。数据驱动的方法可以根据发动机传感器的实时数据以及历史收集数据来对目标进行故障检测与隔离，这种方法可以克服之前所述方法存在的困难，只要选择有效的机器学习算法并加以改进就可以完成对不同型号发动机故障诊断任务，本专利技术采用数据驱动的办法来解决发动机气路故障诊断中存在的问题。
[0003]但是，大多数研究主要采用传统的机器学习理论来解决故障诊断问题，这在实际应用场景中可能是不切实际的。通常，这些基于传统机器学习(包括流行的深度学习)的诊断方法往往假设训练数据集和测试数据集服从相同的数据分布，而这个假设在实际应用中过于理想化。此外，对于那些需要大量数据的诊断算法而言，标记数据所带来巨大的人力与时间成本也往往令人难以承受。因此，尽管这些算法可能已实现令人满意的诊断精度，但潜在的理想化假设很可能使它们仅停留在精心设计的试验环境中，而不是落地于实际工程应用场景。
[0004]为了克服上述挑战，基于迁移学习的智能故障诊断有望成为最有前途的解决方案之一。目前，迁移学习方法已被各个领域的许多研究人员所采用，它的研究重点在于如何将在源域(Source domain)中构建的机器学习模型进行调整，并将其应用到与初始源域不同但相关的目标域(Target domain)中。通常，将用于训练的带标签信息的数据集称为源数据集，而目标域的数据则用于测试。为此，本专利技术展开了基于迁移学习的航空发动机气路故障诊断技术手段。通过结合域自适应思想和RVFL算法，提出了UD
‑
RVFL和UJD
‑
RVFL两种算法，使其在保留原始RVFL网络拓扑结构简单这一主要优点的前提下，可通过学习可迁移的数据特征表示，减少源域和目标域数据之间分布差异，同时尽可能保留源域的数据属性和特征结构。其中，UD
‑
RVFL算法主要应对仅考虑边缘分布差异的情况，而UJD
‑
RVFL算法则使用经重构的源域数据来训练分类器，迭代的学习目标域中数据的伪标签信息，从而试图同时降低边缘分布和条件分布差异。

技术实现思路

[0005]专利技术目的：为了克服基于传统机器学习的诊断方法往往假设训练数据集和测试数据集服从相同的数据分布这一缺点，本专利技术提出了一种基于可迁移神经网络的航空发动机故障诊断方法，通过结合域自适应思想和RVFL算法，通过学习可迁移的数据特征表示，减少源域和目标域数据之间分布差异，提升故障诊断精度。
[0006]本专利技术的一种基于可迁移神经网络的航空发动机故障诊断方法，具体包括如下步骤：
[0007]步骤1，采集航空发动机运行数据，作为样本数据，包括正常数据样本和故障数据样本，建立原始RVFL的数学模型；
[0008]目标函数为：
[0009][0010]其中是发动机运行数据样本，N为样本总体数目，d为特征个数。对于第i个实例，x
i
是一个d维的特征向量。为输出权重，为β的第j行。w
j
和b
j
为随机设置的输入到增强层的权重和偏置。T＝[t
i
,
…
t
N
]T
为样本的标签集，若x
i
属于第j类，则t
ij
为1，其余的为0。h
j
(
·
)为第j个增强节点的激活函数，
[0011]对于x
i
，它的定义为：
[0012][0013]公式(1)可被进一步表示为矩阵形式，目标函数写为：
[0014][0015]其中矩阵的定义如下公式所示
[0016][0017]随后，RVFL的最优输出为
[0018][0019]其中，为H的广义逆矩阵。
[0020]步骤2，在原始RVFL的数学模型中加入正则项以减轻过拟合风险并简化模型复杂度，优化目标函数；
[0021][0022]其中为误差向量，C为预先定义的平衡因子，并且进一步有h(x
i
)＝[h(w1,
x
i
,b1),
…
,h(w
L
,x
i
,b
L
),x
i
]。
[0023]步骤3，求解数学模型，得到输出权重；
[0024]步骤4，根据得到的输出权重，计算重构的数据表示，通过重构的数据表示进行故障诊断任务。
[0025]进一步的，步骤2还包括利用迁移学习中降低边缘分布的策略，并整合发动机数据信息，得到UD
‑
RVFL的数学模型，重构公式(6)，目标函数可写成：
[0026][0027]其中是源域中第i个样本的重构误差，上标为t的样本则代表目标域中的样本。φ(
·
)由网络的连接权重组成，包括随机初始化的和优化的。为输出权重，λ和C为预先定义的平衡因子；
[0028]经过简化计算，公式(9)可变为：
[0029][0030]其中为一个对角平衡矩阵，且矩阵的定义如下所示
[0031][0032]其中H
s
和H
t
的定义由公式(4)可知。此外，为MMD矩阵，它的计算如下式所示
[0033][0034]为了便于计算，将两个矩阵展开为合适的维度。假设为
[0035][0036]并且其中具有合适维度的全0向量。因
此，公式(10)中的UD
‑
RVFL算法目标函数可被进一步简化为
[0037][0038]步骤3，求解数学模型，得到输出权重，具体为：
[0039]取公式(14)中模型关于β的导数，并设之为零，可得
[0040]β+H
T
ΩHβ
‑
H
T
ΩX+CH
T
ΜHβ＝0.
ꢀꢀꢀ
(13)
[0041]随后，当(L+d)≤(n
s
+n
t
)成立时，公式(15)的解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可迁移神经网络的航空发动机故障诊断方法，其特征在于，具体包括如下步骤：步骤1，采集航空发动机运行数据，作为样本数据，包括正常数据样本和故障数据样本，建立原始RVFL的数学模型；步骤2，在原始RVFL的数学模型中加入正则项，优化目标函数；步骤3，求解数学模型，得到输出权重；步骤4，根据得到的输出权重，计算重构的数据表示，通过重构的数据表示进行故障诊断任务。2.根据权利要求1所述一种基于可迁移神经网络的航空发动机故障诊断方法，其特征在于，步骤1中原始RVFL的数学模型的目标函数为：其中是发动机运行数据样本，N为样本总体数目，d为特征个数；对于第i个实例，x
i
是一个d维的特征向量；为输出权重，为β的第j行；w
j
和b
j
为随机设置的输入到增强层的权重和偏置；T＝[t
i
,
…
t
N
]
T
为样本的标签集，若x
i
属于第j类，则t
ij
为1，其余的为0；h
j
(
·
)为第j个增强节点的激活函数，对于x
i
，它的定义为：公式(1)可被进一步表示为矩阵形式，目标函数写为：其中矩阵的定义如下公式所示随后，RVFL的最优输出为其中，为H的广义逆矩阵；步骤2，在原始RVFL的数学模型中加入正则项以减轻过拟合风险并简化模型复杂度，目标函数可以优化成如下其中为误差向量，C为预先定义的平衡因子，并且进一步有h(x
i
)＝[h(w1,x
i
,
b1),
…
,h(w
L
,x
i
,b
L
),x
i
]。3.根据权利要求2所述一种基于可迁移神经网络的航空发动机故障诊断方法，其特征在于，步骤2还包括利用迁移学习中降低边缘分布的策略，并整合发动机数据信息，得到UD
‑
RVFL的数学模型，重构公式(6)，目标函数可写成：其中是源域中第i个样本的重构误差，上标为t的样本则代表目标域中的样本；φ(
·
)由网络的连接权重组成，包括随机初始化的和优化的；为输出权重，λ和C为预先定义的平衡因子；经过简化计算，公式(9)可变为：其中为一个对角平衡矩阵，且矩阵的定义如下所示其中H
s
和H
t
的定义由公式(4)可知；此外，为MMD矩阵，它的计算如下式所示为了便于计算，将两个矩阵展开为合适的维度；假设为并且其中具有合适维度的全0向量；因此，公式(10)中的UD
‑
RVFL算法目标函数可被进一步简化为
步骤3，求解数学模型，得到输出权重，具体为：取公式(14)中模型关于β的导数，并设之为零，可得β+H
T
ΩHβ
‑
H
T
ΩX+CH
T
ΜHβ＝0.
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)随后，当(L+d)≤(n
s

【专利技术属性】
技术研发人员：赵永平，李兵，陈耀斌，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：