[发明专利]一种基于迁移学习的航空发动机退化状态故障诊断方法

权利要求书

1.一种基于迁移学习的航空发动机退化状态故障诊断方法，其特征在于，包括以下步骤：

步骤1：在发动机标称状态下收集历史飞行数据作为源域数据；

步骤2：在发动机当前退化程度下收集飞行数据作为目标域数据；

步骤3：利用源域数据训练正则化极限学习机模型，得到中间模型，转入步骤4；或利用源域数据和目标域数据的组合训练正则化极限学习机模型，得到故障诊断模型，转入步骤5；

步骤4：利用目标域数据继续训练中间模型，得到故障诊断模型；

步骤5：将实时飞行数据输入故障诊断模型，诊断故障是否发生，以及发生的部件。

2.根据权利要求1所述的一种基于迁移学习的航空发动机退化状态故障诊断方法，其特征在于，步骤1和2中，收集的飞行数据来自10个传感器，包括：高压转子转速N_H，低压转子转速N_L，风扇出口温度T₂₂，压气机出口压力T₃，压气机出口压力P₃，低压涡轮进口温度T₄₅，低压涡轮出口温度T₄₆，低压涡轮出口压力P₄₆，掺混室进口温度T₆₅，以及主燃油流量WFB。

3.根据权利要求1所述的一种基于迁移学习的航空发动机退化状态故障诊断方法，其特征在于，步骤1中收集的标称状态历史运行数据包括了故障数据和非故障数据，其中，每一类数据的数据量在100个以上，步骤2中收集的当前退化程度下收集的飞行数据包括了故障数据和非故障数据，每一类数据的数据量超过2个；源域数据的数据量大于目标域数据的数据量，且至少相差两个数量级。

4.根据权利要求1所述的一种基于迁移学习的航空发动机退化状态故障诊断方法，其特征在于，步骤3中利用源域数据训练正则化极限学习机模型得到中间模型的具体步骤为：

所述正则化极限学习机模型的目标函数为：

其中，β为模型的输出权重，T为数据的实际输出，H为隐含层的输出，H的计算方法如下：

公式中的w_i、b_i分别表示第i个隐含层神经元对应的输入权值和偏置，i＝1,2,…,L，j＝1,2,…,N，L表示隐含层神经元个数，N表示样本数量，g(·)表示隐含层的激活函数，h(x_j)表示第j个样本对应的隐含层输出；

该目标函数的最优解为：

其中，I为相应维数的单位矩阵，C为正则化常数；

利用源域数据训练所述正则化极限学习机模型，根据公式(3)，得到中间模型的输出权重

X^s表示源域数据，T^s表示源域标签向量，I_L表示维度为L的单位矩阵。

5.根据权利要求1所述的一种基于迁移学习的航空发动机退化状态故障诊断方法，其特征在于，步骤4中利用目标域数据继续训练中间模型的具体步骤包括：

根据目标域数据以及步骤3中得到的中间模型的输出权重构建目标函数：

其中，C₁＞0，C₂＞0为两个常数；

通过对公式(5)求导，并令其等于0，得到最优解：

X^t表示目标域数据，T^t表示目标域标签向量；

最后利用目标域数据进行测试。

6.根据权利要求1所述的一种基于迁移学习的航空发动机退化状态故障诊断方法，其特征在于，步骤3中利用源域数据和目标域数据的组合训练正则化极限学习机模型的具体步骤包括：

所述正则化极限学习机模型的目标函数为：

其中C₁、C₂为两个大于0的常数；通过对式(7)求导，并令导数等于0，得到解为：

β为模型的输出权重，H为隐含层的输出，X^s表示源域数据，T^s表示源域标签向量，I_L表示维度为L的单位矩阵，X^t表示目标域数据，T^t表示目标域标签向量；

最后利用目标域数据进行测试。