[发明专利]基于融合神经网络模型的发动机喘振故障预测系统及方法

权利要求书

1.基于融合神经网络模型的发动机喘振故障预测系统，其特征在于：所述系统包括：

预测模块，用于将发动机的三维结构时间序列数据生成指定长度的预测时间序列，实现未来一段时间内发动机的工作状态数据的预测；

特征提取模块，用于提取预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征；

分类模块，用于根据预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征判断是否为喘振故障；

所述预测模块包括顺次连接的第一LSTM层和第二LSTM层；

所述第一LSTM层作为编码器，用于将发动机的三维结构时间序列数据编码成批量的二维语义向量；所述第二LSTM层作为解码器，用于将二维语义向量解码为指定长度的预测时间序列；

批量的二维语义向量是由第一LSTM层中最后一个Cell的输出，表示当前整个输入序列的语义特征，接着将二维语义向量复制，使当前序列长度与输出序列长度相等，以保证数据预测的精准性；将指定长度的二维语义向量解码为指定长度的预测时间序列，通过设置不同个数的LSTM Cell可以生成指定长度的预测时间序列，最终得到未来一段时间内航空发动机的工作状态数据值。

2.根据权利要求1所述的基于融合神经网络模型的发动机喘振故障预测系统，其特征在于：所述特征提取模块包括顺次连接的一维卷积单元和第三LSTM层；

所述一维卷积单元用于提取预测时间序列的局部特征；所述第三LSTM层用于对提取预测时间序列中数据间的语义关系、以及整体序列趋势特征。

3.根据权利要求2所述的基于融合神经网络模型的发动机喘振故障预测系统，其特征在于：所述一维卷积单元具体包括两个顺次连接的、卷积步长为1的一维卷积层。

4.根据权利要求1所述的基于融合神经网络模型的发动机喘振故障预测系统，其特征在于：所述分类模块包括顺次连接的第一全连接层和第二全连接层；

所述第一全连接层用于将预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征信息进行加权映射；所述第二全连接层用于将加权映射后的特征信息进行二分类，判断发动机在未来一段时间内是否会发生喘振故障。

5.基于融合神经网络模型的发动机喘振故障预测方法，其特征在于：所述方法包括以下步骤：

将发动机的三维结构时间序列数据生成指定长度的预测时间序列；所述将发动机的三维结构时间序列数据生成指定长度的预测时间序列通过预测模块实现，所述预测模块包括顺次连接的第一LSTM层和第二LSTM层；所述第一LSTM层作为编码器，用于将发动机的三维结构时间序列数据编码成批量的二维语义向量；所述第二LSTM层作为解码器，用于将二维语义向量解码为指定长度的预测时间序列；

批量的二维语义向量是由第一LSTM层中最后一个Cell的输出，表示当前整个输入序列的语义特征，接着将二维语义向量复制，使当前序列长度与输出序列长度相等，以保证数据预测的精准性；将指定长度的二维语义向量解码为指定长度的预测时间序列，通过设置不同个数的LSTM Cell可以生成指定长度的预测时间序列，最终得到未来一段时间内航空发动机的工作状态数据值；

提取预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征；

根据预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征判断是否为喘振故障。

6.根据权利要求5所述的基于融合神经网络模型的发动机喘振故障预测方法，其特征在于：所述根据预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征判断是否为喘振故障具体包括：

将预测时间序列的局部特征、数据间的语义关系，以及整体序列趋势特征信息进行加权映射；

将加权映射后的特征信息进行二分类，判断发动机在未来一段时间内是否会发生喘振故障。