本发明专利技术公开了一种高速水力测功器故障诊断方法，所述方法先建立双通道信号并行的卷积神经网络结构，从多维度、多尺度对数据进行更深层的特征提取，然后设计LSSA‑SVM分类器，采用混沌透镜初始化法、自适应参数提高惩戒因子C和核函数g搜索精度，避免陷入局部最优位置，对分类器关键参数设定更加准确，最后根据在线收集数据进行故障诊断。本发明专利技术使水力测功器故障分类更加迅速精确、特征分类效果更好，解决了当前水力测功器现有的故障预测方法诊断精度低和深层特征提取困难的问题。
1、高速水力测功器作为航空发动机地面测试的动力加载设备，其主要通过电液伺服阀对进出水阀开度进行精确调节，控制测功器水量的增减，调节水涡流环宽度，从而控制测功器转子扭矩，同时控制与其相连接的发动机扭矩。因此当航空发动机高速运转条件下，如果高速水力测功器系统产生故障，会对测功器扭矩产生直接影响，导致发动机运转不稳甚至失控，不仅会导致科研生产效率降低，还可能造成严重的安全隐患。当前最常用的解决方法通过停止航空发动机地面测试任务对高速水力测功机系统拆检排除故障。拆检会浪费大量时间及人力，可能会引入新的故障，因此这种方法效率低实时性差。随着航空发动机自主研发水平不断进步，对高速水力测功器的需求也越来越迫切。
2、现有技术在对故障检测时采用模型训练方法及时发现故障，比如cn202311337905.3一种基于iwoa优化bp的航空发动机故障模式建模与检测方法建立基于bp神经网络的发动机故障模式模型，并基于iwoa对bp神经网络进行优化，获得用于bp神经网络的最优权值和最优阈值，以最优权值和最优阈值构建优化后bp神经网络的航空发动机故障模式模型，通过优化模型对故障数据进行异常数据检测，实现发动机故障模式检测。但是水力测功器是通过定子和转子形式的涡旋损耗效应将输入的机械能转化为热能散失到外界的能量阻尼系统，影响转子转动状态的因素更加复杂多样，现有的模型预测方法故障诊断精度低，深层特征提取困难，难以直接应用至水力测功器中。
>技术实现思路1、本专利技术要解决的主要技术问题是针对现有技术中故障诊断模型的故障检测精度低、深层特征提取困难的不足，提供一种高速水力测功器故障诊断方法。
2、本专利技术的目的通过以下技术方案予以实现：
3、一种高速水力测功器故障诊断方法，步骤包括：
4、s1.将高速水力测功器在不同故障状态下的各节点的压力信号数据作为原始数据，通过重叠样本分割技术对1d时序信号数据集增强，并将1d时序信号归一化重构为2d图像信号；
5、s2.构建卷积神经网络结构，通过反向传播进行训练，完成特征提取，得到最优参数；
6、s3.通过lssa算法对数据求解，获取惩戒因子c和核函数g，得到svm分类器；
7、s31.随机生成个体数为n的种群，先映射生成混沌解，再将混沌解生成混沌反向解，根据精英化策略进行适应度排序，选取前n个个体组成初始解种群；
8、混沌解生成公式为：
9、x′j＝ubj+lbj/2+ubj+lbj/2k+xj/k,j＝1,2,…,d
10、
11、混沌反向解生成公式为：
12、
13、γ∈(0,1),γ≠0.5且γ≠x0
14、xj＝ubj+lbj-xj,j＝1,2,…,d
15、其中，ubj与lbj分别代表决策空间中的上限和下限，k为缩放系数，xj′表示映射后的个体；
16、s32.将初始种群进行分类根据预警阈值r2、安全阈值st及适应度序列，将种群个体区分为发现者和加入者，对发现者更新引入黄金正弦算法，表示为：
17、
18、其中t代表当前迭代数，xi为第i个个体的位置向量，xbest表示当前的全局最优位置，c1∈[0,2π]为步长控制参数，c2∈[0,π]为方向控制参数，a1与a2为通过常数计算得到的分割系数；
19、对加入者更新进行自适应优化，表示为：
20、
21、其中xp和xworst分别为发现者最优位置和全局最差位置；a+＝at(aat)-1，a表示每个元素随机赋值为1或-1的1×d的矩阵；
22、s33.引入非线性递增的基于伽马分布的自适应权重，重构控制参数及随机因子得到其自适应调整系数η，表达式如下：
23、
24、式中γ(λ，1-μ)为不完全伽马系数；λ是随机搜索因子，取值范围为(0,1)；μ代表当前迭代数与最大迭代数的比值；
25、s34.随机抽取种群总数的10％～20％作为侦查者，进行位置校正，位置更新表示为：
26、
27、其中，fi、fg和fw分别是当前个体的适应值以及全局最佳和最差的适应值，k为[-1,1]间的随机数，β为步长控制参数，ε是常数；
28、s35.计算得到适应度函数，表示为：
29、
30、yi(x)＝yi(wxi)≥1
31、式中w为惯性权重，用于调节对解空间的搜索范围。fi(x)表示预测值，yi(x)表示真实值，m为总迭代次数；
32、s36.更新惩戒因子c和核函数g的状态，直到满足最大迭代次数和适应度要求，得到最优值惩戒因子c和核函数g，应用于svm分类器中，表示为：
33、
34、式中k(x,xi)为该分类问题的核函数；largrange系数a>0，下标i＝1,2,…,l；xr和xs为所分特征中任意一对支持向量；
35、s4.将神经网络提取出的特征输入到svm分类器进行故障诊断。
36、进一步地，所述原始数据通过区域样本分割，分割所得样本数n为：
37、
38、其中[.]为向下取整、n为信号采样点总数、l为分割宽度、s为步长，步长小于分割宽度。
39、进一步地，所述卷积神经网络结构处理步骤包括：先通过卷积层进行卷积计算，使用激活函数进行非线性转化，然后在池化层对数据降维，通过flatten层将二维向量转化为一维向量，将一维与二维特征进行融合，再利用全连接层，将多维特征向量重新排列拼接为一维特征向量，并且将特征值s进行权重偏移处理输入给激活函数f(.)，最后应用dropout策略，根据配置比例随机删除部分神经元。
40、进一步地，所述卷积层中一维卷积计算表示为：
41、
42、二维卷积计算表示为：
43、
44、式中k(i)表示第i个卷积核所提取的特征；w和b表示权重和偏差；rx表示输入的1d时序信号；rxy表示输入的2d图像信号；m和n取决于rx与rxy的数据个数z；
45、激活函数采用relu激活函数，表示为：
46、f[k(i)]＝min{0,k(i)}。
47、进一步地，所述池化层采用最大值池化，表示为：
48、
49、式中，tl(a，u)表示第l层中第a个特征图中的第u个神经元；v表示卷积核的宽度；j表示第j个池化内核。
50、进一步地，所述flatten层的转化过程表示为：
51、
52、
53、进一步地，所述特征融合表示为：
54、
55、其中qi1为1d特征向量；qi2为flatten展开后的2d特征向量；s为特征向本文档来自技高网...
【技术保护点】
1.一种高速水力测功器故障诊断方法，其特征在于，步骤包括：
2.根据权利要求1所述高速水力测功器故障诊断方法，其特征在于，所述原始数据通过区域样本分割，分割所得样本数N为：
3.根据权利要求1所述高速水力测功器故障诊断方法，其特征在于，所述卷积神经网络结构处理步骤包括：先通过卷积层进行卷积计算，使用激活函数进行非线性转化，然后在池化层对数据降维，通过Flatten层将二维向量转化为一维向量，将一维与二维特征进行融合，再利用全连接层，将多维特征向量重新排列拼接为一维特征向量，并且将特征值s进行权重偏移处理输入给激活函数f(.)，最后应用Dropout策略，根据配置比例随机删除部分神经元。
4.根据权利要求3所述高速水力测功器故障诊断方法，其特征在于，所述卷积层中一维卷积计算表示为：
5.根据权利要求3所述高速水力测功器故障诊断方法，其特征在于，所述池化层采用最大值池化，表示为：
6.根据权利要求3所述高速水力测功器故障诊断方法，其特征在于，所述Flatten层的转化过程表示为：
7.根据权利要求3所述高速水力测功器故障诊断方法，其特征在于，所述特征融合表示为：
8.根据权利要求3所述高速水力测功器故障诊断方法，其特征在于，所述全连接层的操作表示为：
9.根据权利要求1所述高速水力测功器故障诊断方法，其特征在于，所述反向传播训练采用Softmax函数，表示为：
10.根据权利要求1所述高速水力测功器故障诊断方法，其特征在于，所述发现者更新过程中，分割系数A1与A2，计算方式表示为：
...
【技术特征摘要】
1.一种高速水力测功器故障诊断方法，其特征在于，步骤包括：
2.根据权利要求1所述高速水力测功器故障诊断方法，其特征在于，所述原始数据通过区域样本分割，分割所得样本数n为：
3.根据权利要求1所述高速水力测功器故障诊断方法，其特征在于，所述卷积神经网络结构处理步骤包括：先通过卷积层进行卷积计算，使用激活函数进行非线性转化，然后在池化层对数据降维，通过flatten层将二维向量转化为一维向量，将一维与二维特征进行融合，再利用全连接层，将多维特征向量重新排列拼接为一维特征向量，并且将特征值s进行权重偏移处理输入给激活函数f(.)，最后应用dropout策略，根据配置比例随机删除部分神经元。
4.根据权利要求3所述高速水力测功器故障诊断方法，其特征在于，所述卷积层中...
【专利技术属性】
技术研发人员：张熙然，王超宇，张明，高媛媛，林树强，寇利霞，
申请(专利权)人：中国航发南方工业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。