[发明专利]一种基于递阶对抗训练的航天发动机异常智能检测方法

说明书

本发明公开了一种基于递阶对抗训练的航天发动机异常智能检测方法，使用多个传感器采集航天发动机运行状态下的原始信号作为多源数据，以固定长度截取时间序列得到多通道数据样本集，并将一维序列转换为二维图像；将二维图像样本划分为训练集和测试集；构建相对生成对抗网络作为异常检测模型，使用训练集进行递阶对抗训练；使用训练模型对训练集样本进行状态评估，对得到的评估分数分布建模，计算正常样本的分数阈值；将模型用于测试集状态评估，测试时聚合邻域信息，根据分数阈值进行异常检测。本发明通过递阶对抗训练提升模型检测能力，融合多源信息、聚合邻域信息以提高结果可靠性，最终可实现对航天发动机运行异常的智能检测。

技术领域

本发明涉及航天发动机故障诊断技术领域，具体涉及一种基于递阶对抗训练的航天发动机异常智能检测方法。

背景技术

发动机是航天飞行器动力系统的核心，大多处于高温、高压、强振动等极端工况中，大推力航天发动机更是一个机械运转—液体流动—化学燃烧等过程强耦合的复杂非线性系统，致使发动机任何部位萌生的小故障都可能传导至整个系统，造成巨大的经济损失甚至是人员伤亡。因此，对航天发动机进行精确而及时的运行异常检测对于提高其可靠性和安全性至关重要。

针对航天发动机的运行异常检测方法大体可分为基于模型驱动、基于信号处理以及基于人工智能等三类方法。基于模型驱动的方法需要根据发动机的机械结构及运行规律建立动态模型，而对于航天发动机复杂的结构及工况，该方法建模困难且检测准确率低；基于信号处理的方法主要对发动机运行过程产生的信号进行统计分析，无需依靠发动机结构等先验知识，但依靠专家经验且无法提取信号中深层的特征用于诊断。基于人工智能，尤其是近年来发展迅速的深度学习，异常检测方法得以摆脱人工经验，构建深层网络自适应学习数据内在的深层非线性特征，在机械故障诊断领域得到了广泛的应用。

在实际的异常检测中，发动机故障模式的多样性导致故障模拟困难，因而难以收集足够的异常数据，为基于信号处理及深度学习等数据驱动方法的检测手段带来阻碍。此外，航天发动机健康状态通过多传感器进行监测，但传统方法通常独立地分析各数据源，难以全面地评估发动机真实的健康状态，异常检测准确率不高。因此，研究无故障样本下的多源数据智能融合算法，对于解决航天发动机运行异常检测中的上述实际问题具有重要价值。

发明内容

本发明的目的在于提供一种基于递阶对抗训练的航天发动机异常智能检测方法，以解决现有技术存在的问题，本发明利用多源数据，在无故障样本条件下，通过递阶对抗训练方法训练深层神经网络以自动提取数据特征、自适应融合多源信息，通过邻域信息聚合以提高检测结果可靠性，最终实现对航天发动机运行异常的智能检测。

为达到上述目的，本发明采用如下技术方案：

一种基于递阶对抗训练的航天发动机异常智能检测方法，包括以下步骤：

步骤1：使用多个传感器采集的航天发动机运行状态下的多通道一维信号作为多源数据，以固定长度从多源数据中截取时间序列得到多通道数据样本集，并对其中样本逐一进行时序预处理，将一维多通道数据转换为二维多通道图像；

步骤2：将获取的二维多通道图像分类标签化，划分标签化后的二维多通道图像样本为训练集和测试集；

步骤3：构建相对生成对抗网络作为异常检测模型，使用步骤2得到的训练集进行递阶对抗训练，得到多个对航天发动机健康状态具有良好识别能力的网络；

步骤4：使用步骤3中训练的异常检测模型对步骤2中的训练集进行状态评估，对得到的训练集评估分数分布建模，计算航天发动机正常样本的分数阈值；

步骤5：使用步骤3中训练的异常检测模型对步骤2中的测试集进行状态评估，得到测试集评估分数，对测试集中每个样本的评估分数进行邻域信息聚合，根据步骤4中得到的分数阈值进行异常检测。

进一步地，步骤1中对多通道数据样本进行的预处理包括以下步骤：归一化，重编码，三角变换和降维处理。