[发明专利]一种航空发动机动态过程的气路故障诊断方法及系统

说明书

本发明公开了一种航空发动机动态过程的气路故障诊断方法及系统，该方法包括：建立基于多层核极限学习机的特征提取模型；采用基于时序建模的隐马尔科夫模型进行故障识别。本发明解决了现有的动态过程中航空发动机气路故障诊断中，常规的基于数据的发动机故障诊断利用时序测量数据进行故障诊断精度不高的问题，适用于在考虑气路部件退化及传感器参数冗余的情况下发动机的动态故障诊断，对于发动机健康管理、降低维修成本有着积极促进作用。

技术领域

本发明属于航空发动机气路故障诊断领域，具体涉及一种航空发动机动态过程的气路故障诊断方法及系统。

背景技术

航空发动机作为飞机的心脏，结构复杂而且工作环境恶劣，发动机故障诊断技术是保证发动机性能与可靠性，降低使用维护成本的重要手段。在航空发动机服役过程中，部件性能会发生缓慢退化，此外，还可能发生部件健康参数突变；与此同时，由于工作环境的恶劣，传感器也是故障易发元件之一；气路部件故障与传感器故障共同影响着航空发动机的性能与可靠性，有必要对其进行诊断。

目前，航空发动机气路部件故障诊断主要是针对静态时间点的，而实际上故障都是伴随着时间而进行的渐变，因此在静态故障诊断外，还因考虑动态故障诊断。由于航空发动机故障诊断过程中，尤其在动态过程中，发动机的传感器参数在时序上是相关和耦合的，因此针对动态故障诊断要考虑一种考虑前后相关信息的方法。Baum等人在20世纪70年代提出的隐马尔可夫模型(HMM)能够有效的处理时间序列相关问题，在许多时序领域(如语音识别、手势识别和文本处理)得到了重视大量应用。考虑其针对状态转移和时序进行建模，很好的关联了前后信息，因而将其应用在发动机动态故障诊断。

气路部件故障诊断是以传感器测量信号为基础工作的，传感器信号正常与否将直接影响到气路部件故障诊断乃至发动机控制的有效性。但是，大量的传感器信号有些是冗余的并伴随着很多的噪声，为节省计算资源和有效而快速的进行故障诊断，有必要对采集的传感器时间序列进行特征提取。传统的特征提取方法有主成分分析、核主成分分析等，本发明将多层核极限学习机引用到特征提取技术中，有效的提升了其特征提取能力，提高了动态故障诊断精度。

发明内容

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种航空发动机动态过程的气路故障诊断方法，首先针对航空发动机各个指定气路部件的传感器搜集到足够的参数信息；然后将其时间序列(数据矩阵)输送到多层核极限学习机网络中进行特征提取；最后将提取出的特征序列输送到马尔科夫模型中，比较各模式概率大小确定最终的诊断结果；所述故障检测方法包括如下步骤：

一种航空发动机动态过程的气路故障诊断方法，包括以下步骤：

步骤A，将搜集到的航空发动机历史故障时间序列数据进行基于多层核极限学习机的特征提取网络训练并得到特征序列；

步骤B，对步骤A所得特征序列，进行隐马尔科夫模型的训练，每一个故障模式都训练一个各自的隐藏马尔科夫模型以形成发送机气路故障诊断库；

步骤C，利用发动机气路故障诊断库判断当前的故障时间序列数据对应的隐藏马尔科夫模型，从而得到当前的故障时间序列数据对应的故障模式。

进一步的，步骤A的具体步骤如下：

步骤A1，将搜集到的航空发动机历史故障时间序列数据进行标准化处理，所述数据由航空发动各气路部件传感器参数组成；

步骤A2，将步骤A1所得标准化处理后的数据利用核函数进行核映射投影，得到高维观测序列，并计算其核矩阵；

步骤A3，对步骤A2所得高维观测序列进行基于多层核极限学习机的特征提取网络训练并得到新的特征序列。

进一步的，步骤A3中高维观测序列进行基于多层核极限学习机的特征提取网络训练的详细步骤如下：