飞机发动机的性能检测方法及系统技术方案

一种飞机发动机的性能检测方法及系统，其获取预定时间段内多个预定时间点的飞机发动机的功率值和多个预定时间点的燃油消耗值；采用基于深度学习的人工智能技术，挖掘飞机发动机的功率值和燃油消耗值之间的动态隐含关联特征信息，基于动态隐含关联特征对飞机发动机性能状态的实时监测和诊断，以提高飞机的安全性和运行效率。性和运行效率。性和运行效率。

【技术实现步骤摘要】
飞机发动机的性能检测方法及系统


[0001]本申请涉及智能化检测
，并且更具体地，涉及一种飞机发动机的性能检测方法及系统。

技术介绍

[0002]飞机发动机性能检测是确保飞机在飞行中可靠且安全的重要措施，这种检测可以帮助诊断和解决发动机问题。在飞行过程中，燃油的消耗量会直接影响飞机的性能。因此，燃油流量检测是检测飞机发动机性能的重要方法之一。通过在飞行中测量燃油流量，可以检测发动机燃油消耗和燃油流量的稳定性，从而进行发动机性能的评估。
[0003]然而，由于燃油消耗值并不能反映发动机的全部性能特征，以及，发动机在不同负载和转速下的燃油消耗量会发生变化，而且受到多种因素的影响，如气温、湿度、海拔等，如果仅仅依靠燃油消耗值来判断发动机性能的好坏会导致检测结果的不准确性并增加误判率。
[0004]因此，期待一种优化的飞机发动机的性能检测方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种飞机发动机的性能检测方法及系统，其获取预定时间段内多个预定时间点的飞机发动机的功率值和多个预定时间点的燃油消耗值；采用基于深度学习的人工智能技术，挖掘飞机发动机的功率值和燃油消耗值之间的动态隐含关联特征信息，基于动态隐含关联特征对飞机发动机性能状态的实时监测和诊断，以提高飞机的安全性和运行效率。
[0006]第一方面，提供了一种飞机发动机的性能检测方法，其包括：
[0007]获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值；
[0008]将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量；
[0009]将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量；
[0010]将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量；
[0011]融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；
[0012]对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量；以及
[0013]将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常。
[0014]在上述飞机发动机的性能检测方法中，将所述功率输入向量通过包含第一卷积神
经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量，包括：将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量；将所述功率输入向量通过所述第二卷积神经网络模型以得到第二功率子特征向量；以及，使用所述双分支特征多尺度感知结构中的融合模块来融合所述第一功率子特征向量和所述第二功率子特征向量以得到所述功率时序特征向量。
[0015]在上述飞机发动机的性能检测方法中，将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一功率子特征向量，所述第一卷积神经网络模型的第一层的输入为所述功率输入向量。
[0016]在上述飞机发动机的性能检测方法中，融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量，包括：以如下融合公式融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；其中，所述融合公式为：
[0017][0018]其中，V为所述分类特征向量，V1为所述功率时序特征向量，V2为所述油耗时序特征向量，表示按位置加法，λ和β为用于控制所述功率时序特征向量和所述油耗时序特征向量之间的平衡的加权参数。
[0019]在上述飞机发动机的性能检测方法中，对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量，包括：计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵；计算所述油耗时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一油耗子特征向量和第二油耗子特征向量的第二关联特征矩阵；对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；以及，将所述融合特征矩阵乘以所述分类特征向量以得到所述优化分类特征向量。
[0020]在上述飞机发动机的性能检测方法中，计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵，包括：以如下关联公式计算所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵；其中，所述关联公式为：
[0021][0022]其中，V
m
表示所述第一功率子特征向量，表示所述第一功率子特征向量的转置向量，V
c
表示所述第二功率子特征向量，M表示所述第一关联特征矩阵，表示矩阵相乘。
[0023]在上述飞机发动机的性能检测方法中，对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵，包括：以如下优化公式对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；其中，所述优化公式为：
[0024][0025]其中，M1表示所述第一关联特征矩阵，M2表示所述第二关联特征矩阵，M3表示所述融合特征矩阵，(
·
)
T
表示矩阵的转置矩阵，表示按位置加法，‖
·
‖
F
表示矩阵的Frobenius范数。
[0026]在上述飞机发动机的性能检测方法中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常，包括：使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0027]第二方面，提供了一种飞机发动机的性能检测系统，其包括：
[0028]数据获取模块，用于获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值；
[0029]向量排列模块，用于将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量；
[0030]功率特征提取模块，用于将所述功率输入向量通过包含第一卷积神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种飞机发动机的性能检测方法，其特征在于，包括：获取预定时间段内多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值；将所述多个预定时间点的飞机发动机的功率值和所述多个预定时间点的燃油消耗值分别按照时间维度排列为功率输入向量和燃油消耗输入向量；将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量；将所述燃油消耗输入向量通过所述包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到油耗时序特征向量；融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量；以及将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示飞机发动机的性能是否正常。2.根据权利要求1所述的飞机发动机的性能检测方法，其特征在于，将所述功率输入向量通过包含第一卷积神经网络和第二卷积神经网络的双分支特征多尺度感知结构以得到功率时序特征向量，包括：将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量；将所述功率输入向量通过所述第二卷积神经网络模型以得到第二功率子特征向量；以及使用所述双分支特征多尺度感知结构中的融合模块来融合所述第一功率子特征向量和所述第二功率子特征向量以得到所述功率时序特征向量。3.根据权利要求2所述的飞机发动机的性能检测方法，其特征在于，将所述功率输入向量通过所述第一卷积神经网络模型以得到第一功率子特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一功率子特征向量，所述第一卷积神经网络模型的第一层的输入为所述功率输入向量。4.根据权利要求3所述的飞机发动机的性能检测方法，其特征在于，融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量，包括：以如下融合公式融合所述功率时序特征向量和所述油耗时序特征向量以得到分类特征向量；其中，所述融合公式为：其中，V为所述分类特征向量，V1为所述功率时序特征向量，V2为所述油耗时序特征向量，表示按位置加法，λ和β为用于控制所述功率时序特征向量和所述油耗时序特征向量之间的平衡的加权参数。
5.根据权利要求4所述的飞机发动机的性能检测方法，其特征在于，对所述分类特征向量进行基于点加特征流的空间结构化卷积式字典对照学习以得到优化分类特征向量，包括：计算所述功率时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的所述第一功率子特征向量和所述第二功率子特征向量的第一关联特征矩阵；计算所述油耗时序特征向量通过所述第一卷积神经网络和所述第二卷积神经网络得到的第一油耗子特征向量和第二油耗子特征向量的第二关联特征矩阵；对所述第一关联特征矩阵和所述第二关联特征矩阵进行卷积式字典对照响应学习以得到融合特征矩阵；以及将所述融合特征矩阵乘以所述分类特征向量以得到所述优化分类特征向量。6.根据权利要求5所述的飞...

【专利技术属性】
技术研发人员：张鹏，李建明，刘杰，黄军，程军，胡毓，刘冬青，
申请(专利权)人：湖北交通职业技术学院，
类型：发明
国别省市：