[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

说明书

本发明提供一种基于迁移学习的航空发动机退化状态故障诊断方法，该方法基于极限学习机(ELM)实现，并将迁移学习的思想加入其中。该方法利用了发动机未退化时的大量运行数据，和发动机某一退化状态的少量数据，并将未退化时的数据视为源域数据，将退化后的数据视为目标域数据。该方法一共分为两个阶段，第一个阶段采用源域的数据训练极限学习机模型，提取源域的信息；在第二个阶段，采用目标域数据进行训练，对目标域进行适配。本发明通过迁移学习解决了航空发动机故障诊断数据缺乏的问题，并将其与ELM结合，保证了故障诊断的实时性和准确性。

技术领域

本发明针对航空发动机退化状态的故障诊断，为了解决某一退化状态下故障数据量较小的问题，采用未退化状态下收集的数据进行补充，并基于极限学习机利用迁移学习将两个领域的信息充分利用。

背景技术

故障诊断是航空发动机健康管理的重要组成部分，对保障飞机与发动机的健康运行具有重要意义。由于90％的航空发动机故障都是气路部件故障，因此非常有必要对气路部件进行故障诊断。流量与效率的改变能够直接反映发动机部件的健康状态，但是它们不能被直接观测到。而发动机上一些可以测量的参数，比如温度、压力、转速等等，并不能直接反映航空发动机部件的健康状态。这给航空发动机的故障诊断带来了一定的困难。

以机器学习方法为代表的智能故障诊断方法能够建立起航空发动机上可测量参数和发动机部件的健康状态的联系。由于机器学习方法的飞速发展，航空发动机故障诊断的有效性得到了极大的提高。这类方法通常将发动机历史运行过程中的带标签的数据作为训练数据，将当前运行状态下收集的数据作为测试数据。这些方法都假定训练集和测试集中的数据服从同一分布，换句话说，就是训练数据和测试数据从同一个条件下收集。然而，由于发动机状态不同、运行工况不同、发动机存在安装误差等情况，训练数据和测试数据很难服从同一分布。

比如，在航空发动机的寿命周期内，随着使用次数的增加，发动机的整体性能会下降。当这种下降到了一定的程度，就到了发动机寿命的终点。在不同程度的退化状态下，航空发动机的性能会不同，因此，在不同程度的退化状态下收集的数据会服从于不同的分布。所以，利用在不同状态下收集的数据来训练同一个故障诊断模型会导致模型的性能较低甚至不可用。另外，从同一个状态下收集到足够的数据来训练故障诊断模型也是不可行的。因为故障数据的获取非常困难，并且通常都会花费非常大的代价。

迁移学习旨在解决机器学习领域的数据缺乏问题，其主要的思想就是提取其他领域(源域)的信息，并且运用到目标领域。源域与目标域具有一定的相似性，并且源域的数据丰富，包含了大量的有用信息。然而由于源域与目标域之间存在差异，包含在源域中的信息不能被直接利用。庆幸的是，可以通过迁移学习将该信息迁移到目标域中，从而解决目标域中数据不充分的情况。对于航空发动机故障诊断，可以利用迁移学习将从其他状态下收集的数据中包含的信息提取，并将其用来训练当前发动机的故障诊断模型。特别地，对于退化状态下的发动机故障诊断，可以将发动机在当前退化状态下收集的数据作为目标域数据，将未退化或者其他程度的退化状态下收集的数据作为源域数据，利用迁移学习解决当前状态下数据不足以训练故障诊断模型的问题。

由于航空发动机故障诊断对实时性要求较高，一种单隐含层前馈神经网络(single-hidden-layer feedforward networks,简称SLFN)在故障诊断领域得到了大量的应用。含有SLFN结构的方法大致可以分为3类，分别是：基于梯度优化的算法，采用了标准的优化程序的算法以及采用了最小二乘方法的算法。基于梯度优化的算法，比如BP神经网络，很容易陷入局部最优点。采用标准优化程序的算法，比如支持向量机(support vectormachine,简称SVM)，通常都会有非常复杂的步骤。而基于最小二乘方法的算法，如ELM，在训练和测试的速度上有着很大的优势。ELM在2004年被提出，在航空发动机故障诊断领域应用广泛。ELM的网络权重通过随机产生和直接计算的方式得到，因此，ELM的训练速度非常快，并且还拥有很好的泛化性能。它的这些优点都与航空发动机的故障诊断的要求一致。