[发明专利]一种基于ELM滤波算法的航空发动机包线内气路故障识别方法

说明书

本发明公开了一种基于ELM滤波算法的航空发动机包线内气路故障识别方法，该方法包括：采用卡尔曼滤波算法训练ELM模型拓扑参数；将滤波算法训练好的ELM模型用于发动机包线内气路故障识别。本发明解决了现有的包线内航空发动机气路故障诊断中，常规的数据驱动的发动机故障诊断在不同工作点泛化能力不强，精度不高的问题，适用于在飞行包线内不同工作点的发动机故障模式识别，对于发动机健康管理、降低维修成本有着积极促进的作用。

技术领域

本发明属于航空发动机气路故障诊断技术领域，尤其涉及一种基于ELM滤波算法的航空发动机包线内气路故障识别方法。

背景技术

航空发动机作为飞机的心脏，其结构复杂且工作环境恶劣。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。气路部件故障影响着航空发动机的性能与可靠性，有必要对其进行诊断。极限学习机(Extreme Learning Machine,ELM)是在神经网络理论基础上发展起来的一种快速学习方法，在数据挖掘、模式识别等领域已有广泛应用。ELM的本质是一个单隐层前馈神经网络(Single hidden-layer Feed-forward Networks,SLFNs)。传统的前馈神经网络由输入层、隐藏层和输出层组成。ELM模型与传统的SLFNs不同的之处在于ELM对应的输入权重和偏置是通过随机赋值产生的，从而形成一个参数固定的线性系统，再用最小二乘方法求解该线性系统。Huang等人通过理论以及大量的仿真实验验证了ELM是一种高效并且有效的学习算法。

ELM算法也存在一些缺陷，其随机产生输入权重和偏置的做法给ELM带来了一定的随机性，不同的初始化参数会引起不同的学习效果。并且由于最小二乘算法本身的精度不高，从而影响了ELM模型的稳定性和泛化能力。弥补这个缺陷的方法之一是利用组合神经网络思想，但这种网络结构会是网络结构冗余，同时增加计算复杂度。利用遗传算法或者交叉验证法获得最优的隐藏节点参数也是提高ELM稳定性的一个举措，但这些算法需要大量的迭代计算，导致学习效率不高。

卡尔曼滤波算法是线性最小方差估计的一种递推形式。在随机估计理论中，线性最小方差估计是所有线性估计中的最优者。本发明基于卡尔曼滤波算法，将传统的ELM求解算法替换为滤波递推估计的方法，所有训练样本只需一次滤波迭代即可求得ELM的输出权值，提高了ELM模型的稳定性。在此基础上，本发明提出了一种基于ELM滤波训练算法的航空发动机气路故障识别方法，提高了发动机在飞行包线内不同工作点故障模式的识别精度。

发明内容

针对上述技术问题，本发明提供一种基于ELM滤波算法的航空发动机包线内气路故障识别方法，针对ELM网络拓扑参数的随机性带来的学习效果的不稳定性，采用卡尔曼滤波算法取代传统的最小二乘求解方法，有效地提高了ELM模型的稳定性。针对航空发动机在包线内不同的工作点的故障模式设计了基于ELM滤波训练算法的识别方法，有效提高了发动机在飞行包线内不同的工作点故障模式的识别精度。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于ELM滤波算法的航空发动机包线内气路故障识别方法，包括以下步骤：

步骤1)根据发动机在飞行包线内边界点的故障模式数据，采用卡尔曼滤波算法训练ELM模型；

步骤2)将滤波算法训练好的ELM模型用于包线内其他常用工作点的故障模式识别。

进一步的，所述步骤1)中根据发动机在飞行包线内边界点的故障模式数据，采用卡尔曼滤波算法训练ELM模型具体步骤如下：

步骤1.1)将发动机模型在边界点的故障数据进行标准化处理，得到训练样本，所述故障模式数据由各个传感器测量参数组成；