[发明专利]基于DBN的多维时序信息驱动航空发动机故障诊断方法

权利要求书

1.一种基于DBN的多维时序信息驱动航空发动机气路故障诊断方法，其特征在于，包括如下步骤：

S1、收集航空发动机ACARS数据，构建发动机样本数据集，并进行训练集与测试集的划分；

S2、对所述训练集与所述测试集的数据进行归一化处理，利用小波包变换方法提取发动机样本参数内时序信息，利用动态时间归整方法提取发动机样本参数间相关信息；

S3、将所述参数内时序信息与所述参数间相关信息向量化，转化为一维向量，作为发动机样本特征；

S4、利用所述训练集提取得到的发动机样本特征训练故障诊断模型，所述故障诊断模型先利用深度置信网络对输入的一维向量进行深度特征提取，再利用支持向量机基于深度特征提取结果进行故障诊断；

S5、利用训练好的所述故障诊断模型对所述测试集提取得到的发动机样本特征进行故障识别；

S6、统计所述故障诊断模型的故障识别结果，并进行评价；若评价结果为合格，则保存当前的故障诊断模型，若不合格，则返回步骤S1；

S7、获取航空发动机ACARS数据，利用保存的故障诊断模型进行故障识别，得到诊断结果。

2.根据权利要求1所述的故障诊断方法，其特征在于，所述步骤S2中利用小波包变换方法提取发动机样本参数内时序信息时，包括如下步骤：

选取小波基函数ψ(t)和分解层数n；

对输入数据进行小波包分解，得到2ⁿ个小波包系数集；

计算每个小波包系数集的能量并以能量作为输入数据的参数内时序信息。

3.根据权利要求2所述的故障诊断方法，其特征在于：所述步骤S2中，利用小波包变换方法提取发动机样本参数内时序信息时，小波基函数ψ(t)为db1、bior1.1或haar小波；分解层数n的范围为2～4。

4.根据权利要求2所述的故障诊断方法，其特征在于，所述步骤S2中利用动态时间归整方法提取发动机样本参数间相关信息，包括如下步骤：

以多维时间序列Y∈R^m×n表示输入数据，其中m表示变量个数，n表示每个变量的长度；

随机选择两个变量和其中1≤h≤m，1≤g≤m，且h≠g，利用曼哈顿距离作为距离度量方法，计算变量Q和P中各点之间的距离，得到相应的距离矩阵D∈R^n×n；

利用距离矩阵D构造弯曲路径W＝{w_i},i＝1,2,...k,...,K；

基于弯曲路径W，利用动态规划法求解Q与P之间的最优路径距离，作为输入数据的参数间相关信息。

5.根据权利要求4所述的故障诊断方法，其特征在于：所述步骤S4中，所述故障诊断模型基于深度置信网络和支持向量机构成；其中，深度置信网络包括多个受限玻尔兹曼机与一个顶层分类器；支持向量机为非线性支持向量机。

6.根据权利要求5所述的故障诊断方法，其特征在于：所述步骤S6中，统计所述故障诊断模型的故障识别结果，利用混淆矩阵与准确率进行评价；

所述混淆矩阵中，以TP表示正常样本分类正确的数量，TN表示故障样本分类正确的数量，FN表示正常样本分类错误的数量，FP表示故障样本分类错误的数量，定义准确率Accuracy为被正确分类的样本数占样本总数的比例，表达式为：

7.根据权利要求6所述的故障诊断方法，其特征在于：所述步骤S1中，收集航空发动机ACARS数据包括：飞行高度、风扇指示转速、核心机指示转速、油温、大气总温、排气温度、油温、燃油流量及马赫数。

8.根据权利要求7所述的故障诊断方法，其特征在于：所述步骤S1中构建发动机样本数据集时，将每个发动机样本保存为9×T的矩阵，T为正整数，范围为25～35。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的基于DBN的多维时序信息驱动航空发动机气路故障诊断方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能够实现如权利要求1至8中任一项所述的基于DBN的多维时序信息驱动航空发动机气路故障诊断方法。