[发明专利]一种基于数据驱动的航空发动机故障诊断方法

权利要求书

1.一种基于数据驱动的航空发动机故障诊断方法，其特征在于：包括如下步骤：

步骤1：根据航空发动机采集的监测数据构造初始数据样本集，对初始样本集内的参数数据进行归一化处理，形成数据样本集；所述监测数据包括低压转子转速、涡轮落压比、压气机可调叶片角度、低压涡轮后排气压力、低压涡轮后燃气温度、高压转子转速、滑油回油温度、滑油压差、机匣振动、进口空气总温、高压压气机出口空气压力、高压压气机进口空气总温、喷口喉部直径、加力内涵燃油流量计量活门位移、加力外涵燃油流量计量活门位移、增压泵出口燃油温度、滑油液位、舱压参数数据；

步骤2：构建训练样本集和测试样本集；将数据样本集分为训练集和测试集，其中训练样本集包括预训练数据样本集和微调数据样本集；预训练数据样本集包括有标签预训练数据样本和无标签预训练数据样本，所述微调数据样本集和测试样本集内数据均为有标签的数据样本；

步骤3：建立初始深度自编码神经网络；设置隐含层层数为N，各隐含层神经元个数为M，将初始深度自编码神经网络的各层参数初始化为随机数值；所述初始深度自编码神经网络内包括N个自编码器；

步骤4：对初始深度自编码神经网络进行预训练,确定深度自编码神经网络；使用无标签的预训练数据样本集，通过对各稀疏自编码器的训练，完成对深度自编码神经网络的预训练，确定深度自编码网络各层之间连接参数值，得到深度自编码神经网络；

步骤5：建立基于深度自编码神经网络的故障诊断模型；建立具有两个神经元节点的Softmax分类器，该分类器输出[1 0]表示为健康状态，输出[0 1]表示为故障状态；将深度自编码神经网络的输出值直接输入给Softmax分类器，Softmax分类器的输出即为故障诊断模型的输出，得到基于深度自编码神经网络的故障诊断模型；

步骤6：对基于深度自编码神经网络的故障诊断模型进行训练并微调，确定深度自编码网络诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型；包括如下步骤：

步骤6.1：对基于深度自编码神经网络故障诊断模型进行训练；将预训练数据样本集中有标签的数据样本输入至基于深度自编码神经网络的故障诊断模型中，将有标签的数据样本作为基于深度自编码神经网络的故障诊断模型的输入，将数据对应的标签作为基于深度自编码神经网络的故障诊断模型的输出，对故障诊断模型进行训练，初步确定模型中的参数，得到初始故障诊断模型；

步骤6.2：对初始故障诊断模型中的参数进行微调，最终确定初始故障诊断模型各层之间连接参数值，得到基于深度自编网络的航空发动机故障诊断最终模型；具体包括如下步骤：

步骤6.2.1：将微调数据样本集输入至初始故障诊断模型中，得到诊断模型的输出值；利用如下误差函数公式计算输出值与标签之间的误差J(w,b)：

其中，y为输出目标值，h_w,b(x)为输出层的实际输出值，w为网络中的连接权值，b为网络中的偏置值；

步骤6.2.2：分别计算误差函数对所有层各神经元的偏导数；

步骤6.2.3：对相邻的两层网络，利用后一层各神经元偏导数和前一层各神经元的输出值对该两个神经元之间的参数值进行修正；修正公式如下：

其中，θ为网络参数，θ^(l+1)为第l+1次迭代更新后的参数，θ^(l)为第l次迭代更新后的参数，J^(l)(θ)为误差函数，η为学习率；

步骤6.2.4：在初始故障诊断模型的所有参数修正之后，得到修正后的诊断模型；采用步骤6.2.1中的误差函数公式，重新计算此次修正所得的故障诊断模型的全局误差；

步骤6.2.5：判断上述修正所得的故障诊断模型的误差是否小于设定的阈值T或训练次数是否超过设定的最大迭代次数L；若不满足要求，则返回步骤6.2.1，进行迭代计算；若满足要求，则故障诊断初始模型微调结束，此时得到的故障诊断模型即为基于深度自编网络的航空发动机故障诊断最终模型；

步骤7：将测试样本集输入到基于深度自编网络的航空发动机故障诊断最终模型中，得到航空发动机的工作状态，其中故障诊断模型输出[1 0]则表示为健康状态，故障诊断模型输出[0 1]则表示为故障状态。