【技术实现步骤摘要】
本专利技术涉及航空发动机自动控制，尤其涉及一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法。
技术介绍
1、航空发动机故障检测是保障飞行安全的重要手段，近年来，以深度学习为代表的智能故障诊断技术迅速崛起，因其诊断迅速且准确率高而备受关注。深度学习模型通过不同的算法在数据中提取包含反映机器健康状态的特征，之后对这些特征进行区分，实现故障诊断。
2、传统的深度学习模型如递归神经网络rnn、自动编码器ae、残差神经网络resnet等算法被广泛研究，应用至航空发动机气路系统故障检测上，以提升气路系统故障诊断的准确性，确保飞行安全。然而，实际训练过程中，传统的深度学习模型需要依赖大量数据来提取区分性强的故障相关特征，这虽然提高了诊断的准确率，但获取所需的大规模数据集往往具有挑战性。尽管有一些开源数据集可供参考，但鉴于每年都有新型号的航空发动机问世，无法仅因为一种新型号的推出就对其进行各种人为故障实验来收集数据。
3、此外，目前大多数研究基于数据同分布的假设，但是实际中收集的数据不可能是数据量完全相同且处于同一分布的，这一理想化的前提限制了算法的实际应用场景。这导致了现有的大部分基于数据同分布的模型在应用至实际场景中，效果并不是很好。故障诊断精度不高容易引起飞行安全的不确定性。另一方面，实际收集的数据集通常是不平衡的，这导致了数据集中存在特征移位和标签移位这两种现象。然而，大多数针对数据不平衡移位现象的研究主要集中在轴承问题上，对气路系统的关注却相对较少。在航空发动机维护中，气路系统的故障诊断比轴承故障更为关键
技术实现思路
1、本专利技术提供一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，以克服上述技术问题。
2、为了实现上述目的，本专利技术的技术方案是：
3、一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，具体包括以下步骤：
4、s1：获取航空发动机气路系统模型，并基于航空发动机气路系统模型获取航空发动机气路的机理模型；
5、s2：通过航空发动机气路的机理模型，模拟并获取不同工况下的航空发动机气路故障的有限不平衡数据；
6、并将有限不平衡数据进行划分获取数据训练集、数据验证集以及数据测试集；
7、且所述数据训练集包括源域样本集与目标域样本集；
8、s3：构建基于有限不平衡数据，用于航空发动机气路数字孪生故障诊断的数据驱动模型；
9、s4：根据数据训练集对数据驱动模型进行模型训练，获取训练后的数据驱动模型；
10、s5：基于构建的模型损失函数，根据数据验证集判断训练后的数据驱动模型是否训练至收敛；
11、若训练后的数据驱动模型收敛，则将此时训练后的数据驱动模型作为数字孪生故障诊断模型；否则，基于反向传播法自适应调整数据驱动模型中的权重参数，重复执行步骤s4；
12、s6：将数据测试集输入数字孪生故障诊断模型，获得航空发动机气路故障诊断结果。
13、进一步的，s3中构建的所述数据驱动模型包括依次连接的一维卷积神经网络模块、领域分布自适应模块以及重加权/正则化模块；
14、一维卷积神经网络模块用于提取航空发动机的气路故障特征，并根据气路故障特征进行故障类别的初始预测；
15、领域分布自适应模块用于对一维卷积神经网络模块的输出数据进行领域分布对齐，并对领域分布对齐后的气路故障特征进行故障类别的优化预测；
16、重加权/正则化模块用于对领域分布自适应模块输出的气路故障特征与对应的优化预测故障标签，进行类平衡标签分布式感知，获取预测故障类别。
17、进一步的，所述s1具体包括以下步骤：
18、s11：获取航空发动机气路系统模型，其表达式为
19、yt＝g(u0:t,t；θ)
20、式中：g(u0:t,t；θ)表示飞机发动机的气路系统模型；u0:t表示气路系统模型的控制输入；t表示时间参数；θ表示气路系统模型的模型设计参数；yt表示气路系统模型的输出；
21、s12：基于航空发动机气路系统模型获取航空发动机气路的机理模型，其表达式为
22、zt＝g(u0:t,t；θ)+εt
23、式中：zt表示航空发动机气路的机理模型的输出；εt表示满足正态分布的模型误差参数。
24、进一步的，s3中所述一维卷积神经网络模块，包括输入层、若干依次连接的特征提取网络层以及输出分类层，各所述特征提取网络层具有不同卷积核，以提取不同尺度的航空发动机的气路故障特征；
25、所述输入层用于分别将源域样本集与目标域样本集的样本数据输入至特征提取网络层；
26、且所述特征提取网络层包括卷积层、批量归一化层、激活函数层、池化层以及随机丢弃层；
27、所述卷积层用于对航空发动机气路的故障数据特征进行提取；
28、所述批量归一化层用于对卷积层的输出进行归一化处理；
29、所述激活函数层用于对批量归一化层的输出执行relu激活操作；
30、所述池化层用于对激活函数层的输出进行池化操作；
31、所述随机丢弃层用于对池化层的输出数据按照预设丢弃概率，执行随机丢弃操作获取航空发动机的气路故障特征；
32、所述输出分类层用于根据气路故障特征进行故障类别的初始预测，获取源域样本特征集与目标域样本特征集。
33、进一步的，s3中领域分布自适应模块对一维卷积神经网络模块的输出数据进行领域分布对齐的表达式为
34、
35、式中：dlmmd表示源域样本特征集与目标域样本特征集的差异值；与表示样本与样本分别属于航空发动机的气路故障类别c的概率，且满足ds与dt分别表示源域样本集与目标域样本集；且表示源域样本集中样本特征映射的核函数；表示目标域样本集中样本特征映射的核函数；表示源域样本集与目标域样本集中样本特征映射的核函数；表示源域或目标域样本特征经过激活函数后得到的值；c表示故障类别的类别数量；ns表示源域样本集中样本总数量；nt表示目标域样本集中样本总数量。
36、进一步的，s3中所述重加权/正则化模块的构建方法具体包括：
37、s31：定义领域分布自适应模块输出的优化预测示例为θ，且θ＝(x,y)，其中，x表示领域分布自适应模块输出的气路故障特征，y表示优化预测故障类别标签，且y∈{1，...c}；
38、定义一维卷积神经网络模块的输出对数为z＝[z1,…,zc]，其中zi＝logexout，xout表示一维卷积神经网络模块的输出；
39、s32：定义每一类预测故障类别样本的重加权权重因本文档来自技高网...
【技术保护点】
1.一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征在于，S3中构建的所述数据驱动模型包括依次连接的一维卷积神经网络模块、领域分布自适应模块以及重加权/正则化模块；
3.根据权利要求2所述的一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征在于，所述S1具体包括以下步骤：
4.根据权利要求3所述的一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征在于，S3中所述一维卷积神经网络模块，包括输入层、若干依次连接的特征提取网络层以及输出分类层，各所述特征提取网络层具有不同卷积核，以提取不同尺度的航空发动机的气路故障特征；
5.根据权利要求4所述的一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征在于，S3中领域分布自适应模块对一维卷积神经网络模块的输出数据进行领域分布对齐的表达式为
6.根据权利要求5所述的一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征
7.根据权利要求6所述的一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征在于，S5中构建的模型损失函数，其表达式为
...【技术特征摘要】
1.一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征在于，s3中构建的所述数据驱动模型包括依次连接的一维卷积神经网络模块、领域分布自适应模块以及重加权/正则化模块；
3.根据权利要求2所述的一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征在于，所述s1具体包括以下步骤：
4.根据权利要求3所述的一种有限不平衡数据下航空发动机气路数字孪生故障诊断方法，其特征在于，s3中所述一维卷积神经网络模块，包括输入层、若干依次连接...
【专利技术属性】
技术研发人员：赵颖，唐茹意，李莉莉，徐昌一，张超，
申请(专利权)人：大连海事大学，
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。