[发明专利]基于分组卷积自编码器的航空发动机故障检测方法及系统

说明书

本发明涉及一种基于分组卷积自编码器的航空发动机故障检测方法及系统，其中方法包括：变量分组步骤、基于变量之间的相关性将飞机通讯寻址与报告系统数据的变量分成多个变量组；特征提取步骤、采用卷积去噪自动编码器模型独立地提取每个变量组的特征；故障识别步骤、将所有变量组的特征融合起来形成特征向量，基于该特征向量采用支持向量机来识别故障样本。本发明不需要大量的专家知识经验，避免了繁琐的数据预处理工作，在没有大量良好的有标签样本的情况下仍然具有较好的综合故障检测性能，且鲁棒性好，适合于工程实践，计算与时间成本较低。

技术领域

本发明涉及航空发动机技术领域，尤其涉及一种基于分组卷积自编码器的航空发动机故障检测方法及系统。

背景技术

伴随着民航事业的发展，飞机发动机的安全性、可靠性以及经济性受到越来越多地关注。发动机故障检测是改善上述性能的一条重要途径，它可以帮助管理者更加合理地分配监控资源，提高每次飞行的安全性与可靠性，制定科学的维修计划，最大程度地降低运营与维护成本。

当前很多发动机故障检测方法都依赖于性能偏差数据。但是性能偏差数据来源于发动机制造商(OEM)，航空公司需要支付高昂的费用来获取性能偏差数据。如果航空公司与OEM之间的合作因为某些不可预测的原因而中断，航空公司将难以获取性能偏差数据，无法有效地进行发动机故障检测，容易引起不安全的飞行事件以及巨大经济损失。

为提高自主的发动机故障检测能力，需要一种能够替代性能偏差数据的状态监控数据，而飞机通信寻址与报告系统(ACARS)数据是比较合适的选择。然而，ACARS数据与性能偏差数据在某些方面存在差异，飞行巡航阶段中一段平滑后的性能偏差数据与其对应的ACARS数据分别如图1a和图1b所示。首先，ACARS数据的维度通常要比性能偏差数据高。在每次飞行的巡航阶段，ACARS数据可以达到几十个参数而性能偏差数据通常只有3个参数，如图所示。其中性能偏差数据包含DEGT(发动机排气温度偏差值)、GPCN25(核心机转速偏差值)和GWFM(燃油流量偏差值)。ACARS数据则至少包括ZALT(高度)、ZPCN12(风扇指示转速)、ZPCN25(核心机指示转速)、ZT1A(大气总温)、ZT49(排气温度)、ZWF36(燃油流量)和ZXM(马赫数)等参数。其次，性能偏差数据可以消除工况以及外界环境变化带来的影响，比较明显地反映发动机状态。而ACARS数据中各参数受工况及环境变化影响较大，且各参数之间相关关系复杂，故障模式通常隐藏在多参数的复杂变化中。最后，ACARS数据中通常包含大量噪音，容易干扰分析结果。

综上所述，与性能偏差数据相比，ACARS数据通常包含了更加丰富的发动机状态信息。如果采用有效的方法对其进行处理，故障检测效果可能会比基于性能偏差数据的方法更好。但是ACARS数据维度高、参数之间关系复杂以及包含大量噪音等特点也给故障检测方法带来了挑战。现有技术中提出了基于性能偏差数据的方法，它们采用机器学习模型构建故障与性能偏差数据的映射关系。尽管它们在性能偏差数据上取得了不错的故障检测结果，但是它们难以发现隐藏在ACARS多参数复杂变化之中的故障。另一类方法采用发动机仿真模型产生的数据进行验证。而真实的ACARS数据容易受工况和外界环境变化的影响而发生复杂变化。因此，与仿真数据相比，真实的ACARS数据质量较低且复杂性较高。此外，还有另一类方法使用少数几个性能参数进行发动机故障检测，此类方法难以运用于高维的ACARS数据。因此，当前大多数发动机故障检测方法难以有效地处理ACARS数据。

由于在很多高维复杂的模式识别问题中取得了很好的结果，最近几年卷积自动编码器(CAE)得到了越来越多研究者的关注。现有技术中存在一种采用卷积稀疏自编码器对电力传输线路进行故障检测与分类的方法，该方法中的卷积去噪自动编码器模型对多维时间序列的所有变量同步进行处理，然而其试验数据集维度仅为6。当采用它来处理参数关系复杂、维度高且包含大量噪声的ACARS数据时，可能会面临局部特征被淹没，特征表示能力下降，模型复杂度高，参数数量庞大，计算资源与时间消耗多等问题。

发明内容