[发明专利]一种基于深度学习的轴流压气机失速喘振预测方法

权利要求书

1.一种基于深度学习的轴流压气机失速喘振预测方法，其特征在于，包括以下步骤：

S1.对航空发动机喘振数据进行预处理：

S1.1在对实验数据进行处理前，在实验数据中划分出测试数据集和训练数据集；

S1.2采用低通滤波器，对训练数据集中所有测量点测量的压力变化数据滤波处理；

S1.3对滤波后数据进行降采样；

S1.4按时间步大小切分时域数据，并为切分后的每个样本贴标签；所述的时间步设为256，设置长度为256的时间窗口在时域数据上滑动，落在时间窗口内的数据切分出来作为一个样本；根据喘振与否给每个样本赋予标签1或0；

S1.5将训练数据集按4:1的比例划分为训练集和验证集；

S2.构建LR分支网络模块：

S2.1提取每个样本的时域统计特征，包括方差、峰度、偏度、平均值、最小值、最大值共6个，将其作为LR分支网络模块的输入；

S2.2搭建带有relu激活函数的单层神经网络，输入层神经元个数为6，输出层神经元个数为1，得到LR分支网络模块的输出，其维度为(m,1)，其中m为样本数；

S3.构建WaveNet分支网络模块：

S3.1将每个样本维度调整为(n_steps,1)，作为WaveNet分支网络模块的输入，其中n_steps为时间步；

S3.2搭建基于因果卷积和扩张卷积的扩张卷积模块，并设置两个相同的扩张卷积模块；每层卷积引入门控激活以调整传入下一层的信息，层与层之间采用残差连接以避免梯度消失，采用跳跃连接保留每个卷积层的输出，将每层的输出特征加和得到扩张卷积模块的输出特征；

S3.3将扩张卷积模块提取的特征通过多层全连接，并采用relu激活函数激活得到WaveNet分支网络模块的输出，其维度为(m,1)；

S4.构建LR-WaveNet预测模型：

S4.1采用stacking算法将两个分支网络模块融合，首先将LR分支网络模块和WaveNet分支网络模块的输出拼接，得到维度为(m,2)的融合输出，将其作为stacking融合模块的输入；S4.2搭建stacking融合模块，通过两层神经网络加sigmoid激活输出得到喘振概率，即为LR-WaveNet模型的输出；

S4.3采用改进聚焦损失函数处理喘振数据训练中存在的问题；

所述改进聚焦损失函数为：

MFL(p_t)＝-α_tβ_t(1-p_t)^γlog(p_t)

其中，MFL表示改进聚焦损失，α_t为类别权重系数，β_t为重要程度权重系数，p_t为模型预测概率，γ为调节因子参数；

S4.4基于改进聚焦损失函数，在训练集上对模型进行权重更新；具体为：

WaveNet分支网络模块输出层的输出为：

a^(L)＝f(z^(L))＝f(W^(L)x^(L)+b^(L))

其中，L代表WaveNet分支网络模块的输出层；W^(L)为连接权重；b^(L)为偏置；x^(L)为输出层输入；z^(L)为x^(L)线性变换后的结果；f()为relu激活函数；a^(L)为WaveNet分支网络模块输出层的输出；

LR分支网络模块输出层的输出为：

a^(LR)＝f(z^(LR))＝f(W^(LR)x^(LR)+b^(LR))

其中，LR代表LR分支网络模块的输出层；W^(LR)为连接权重；b^(LR)为偏置；x^(LR)为分支神经网络的输入特征；z^(LR)为x^(LR)线性变换后的结果；f()为relu激活函数；a^(LR)为LR分支网络模块输出层的输出；

将两个分支网络模块的输出拼接：

a^(L′)＝[a^(L),a^(LR)]

z^(L′)＝[z^(L),z^(LR)]

其中，L′代表两个分支网络模块输出拼接后的新层；a^(L′)为拼接层的输出；z^(L′)为拼接层激活函数的输入；

根据反向传播公式将LR-WaveNet模型输出层误差量反向传播，得到WaveNet分支网络模块输出层上的误差量为：

LR分支网络模块输出层上的误差量为：

其中，δ_i^(l)为损失函数在第l层第i个节点上的误差量；为第l层第j个节点与上一层第i个节点间的权重系数；s_l+1表示第l+1层节点数；

根据两个分支网络模块输出层上的误差量分别在分支网络上反向传播，更新模型参数；

S4.5保存训练后模型并在验证集上测试，根据验证集评价指标调整模型超参数，评价指标采用F2指标，保存使评价指标最优的模型为终的LR-WaveNet预测模型；

S5.在测试数据上进行实时预测

S5.1按S1中步骤对测试集数据预处理，并按LR-WaveNet预测模型的输入要求调整数据维度；

S5.2按时间顺序，采用LR-WaveNet预测模型给出每个样本的喘振预测概率；

S5.3在测试数据中截取一段没有喘振先兆的数据，在该段数据中加入一段噪声点，采用LR-WaveNet预测模型给出带噪声点数据随时间的喘振概率，以测试模型的抗干扰性。

2.根据权利要求1所述的一种基于深度学习的轴流压气机失速喘振预测方法，其特征在于，所述的F2指标为：其中，P为精确率，R为召回率。