[发明专利]一种基于SOM-MQE的飞机发动机故障预警方法

说明书

本发明涉及一种基于SOM‑MQE的飞机发动机故障预警方法，属于设备故障预警技术领域，解决了现有技术中因不同飞机发动机的运行环境、使用寿命等方面的个体化差异导致的故障预测结果准确度较低的问题。方法步骤为：获取多个训练飞机发动机的全生命周期数据；全生命周期数据按照使用时长分为正常数据和异常数据；异常数据中包含全生命周期中预警区间内的故障预警数据；利用每个训练飞机发动机中的正常数据训练对应飞机发动机的SOM模型，并获得飞机发动机中故障预警数据的最小量化误差MQE；基于多个训练飞机发动机中故障预警数据的MQE的平均值，确定预警区间对应的MQE范围；基于MQE范围，进行待预警飞机发动机的故障预警。

技术领域

本发明涉及设备故障预警技术领域，尤其涉及一种基于SOM-MQE的飞机发动机故障预警方法。

背景技术

在实际工业生产中，小到一个标准件，大到发动机等复杂系统，其寿命都是有限的，运行一段时间后需要进行维修(或者更换)。因此，及时对设备进行故障预警可以有效减少事故的发生。目前，机械设备的故障诊断技术主要集中在信号分析和智能诊断两方面。在信号分析方面，需要相关从业人员具备良好的知识基础和经验；在智能诊断方面，机器学习相关算法的应用取得了显著的效果，主要包括支持向量机(Support VectorMachines,SVM)、人工神经网络(Artificial Neural Network,ANN)、核方法(Kernel Method)和卷积神经网络(Convolutional Neural Network)等模式识别的方法。这些方法在模型的训练过程中，需要通过大量的历史异常数据拟合模型参数，但对于实际的工业场景来说，设备正常状态数据可以方便且准确地获取，而故障样本却时常难以采集，这对常见的监督学习模型提出了很大的挑战。

自组织映射网络(以下简称SOM)是一种无监督的人工神经网络，通过模拟人脑对信号处理的特点，依靠神经元之间互相竞争逐步优化网络。SOM算法结构简单、参数量少，所以被广泛用于语音识别、聚类、异常值剔除等。现有技术中，已有研究将SOM算法和免疫神经网络相结合，进行飞机发动机中燃油系统的故障预测及诊断，该方法在使用SOM算法进行数据处理的基础上，利用BP神经网络进行故障分类，依然要求有充足的异常数据样本。但是，该研究并未考虑不同飞机发动机的运行环境、使用寿命等方面的个体化差异，导致故障预测结果准确度较低。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于SOM-MQE的飞机发动机故障预警方法，用以解决现有技术中因不同飞机发动机的运行环境、使用寿命等方面的个体化差异导致的故障预测结果准确度较低的问题。

一种基于SOM-MQE的飞机发动机故障预警方法，包括：

获取多个训练飞机发动机的全生命周期数据；所述全生命周期数据按照使用时长分为正常数据和异常数据；所述异常数据中包含全生命周期中预警区间内的故障预警数据；

利用每个所述训练飞机发动机中的正常数据训练对应飞机发动机的SOM模型，并获得所述飞机发动机中故障预警数据的最小量化误差MQE；

基于所述多个训练飞机发动机中故障预警数据的最小量化误差MQE的平均值，确定预警区间对应的最小量化误差MQE范围；

基于所述最小量化误差MQE范围，进行待预警飞机发动机的故障预警。

在上述方案的基础上，本实施例还做出了如下改进：

基于上述方法的进一步改进，在确定所述最小量化误差MQE范围之后，还包括：

利用测试飞机发动机中的正常数据训练测试飞机发动机的SOM模型，并获取所述测试飞机发动机中异常数据的最小量化误差MQE；

获取所述异常数据的最小量化误差MQE在所述最小量化误差MQE范围内的异常数据区间；

基于所述异常数据区间与预警区间的交集占所述预警区间时长的比值得到预警正确率；