[发明专利]一种基于注意力机制的航空涡桨发动机气路故障诊断方法

说明书

本发明提供了一种基于注意力机制的航空涡桨发动机气路故障诊断方法，通过建立权重矩阵w_o、W_i，将权重矩阵w_o与初始数据X₀点乘后再加上偏移矩阵拟合出序列数据的非周期部分，表示为：将权重矩阵W_i与数据矩阵X点乘后采用sin函数激活，然后再加上偏移矩阵拟合出序列数据的周期部分，表示为：然后将序列数据的非周期部分和周期部分进行concat操作后得到输入矩阵，重点考虑了发动机初始状态对后续运行时各气路部件参数的影响，对数据进行了周期性和非周期性的拟合，对故障数据诊断的精度提高了1％‑2％。

【技术领域】

本发明涉及航空涡桨发动机技术领域，具体涉及一种基于注意力机制的航空涡桨发动机气路故障诊断方法。

【背景技术】

航空发动机作为航天飞机的主要动力来源，其健康程度对于保障飞行的可靠性和经济性至关重要。

传统的故障诊断方法是通过构建发动机的数学模型，该种诊断方法中，诊断效果很大程度上取决于发动机数学模型的精度，然而发动机模型的建模存在很大的随机性，不能克服测量不确定因素带来的影响。因此，实有必要提供一种基于注意力机制的航空涡桨发动机气路故障诊断方法以解决上述问题。

【发明内容】

本发明公开了基于注意力机制的航空涡桨发动机气路故障诊断方法，采用改进的Transformer模型进行气路参数特征的提取，可以提取到更多传统检测办法无法提取的特征，避免了人工选取特征的大量工作量，实现了特征的自动化提取完全依赖于模型的提取能力，其中对数据预处理做了较大改进，针对涡桨发动机时序数据的特点，重点考虑了发动机初始状态对后续运行时各气路部件参数的影响，对数据进行了周期性和非周期性的拟合，相较于原版Transformer模型对故障数据诊断的精度提高了1％-2％。最后结合经典多分类问题中常用的交叉熵损失函数(Cross Entropy Loss)评价分类的效果，依据误差反向传播的算法训练模型，从而学习到一个更好的参数。

为实现上述目的，本发明的技术方案为：

一种基于注意力机制的航空涡桨发动机气路故障诊断方法，包括如下步骤：

S1：获取航空涡桨发动机气路故障下的序列数据形成数据集，对数据集中的序列数据进行预处理得到数据矩阵X，所述数据矩阵X包括发动机气路初始状态下的初始数据X₀及发动机气路稳定运行状态下的稳态数据；

S2：建立权重矩阵w_o、W_i，将权重矩阵w_o与初始数据X₀点乘后再加上偏移矩阵拟合出序列数据的非周期部分，表示为：将权重矩阵W_i与数据矩阵X点乘后采用sin函数激活，然后再加上偏移矩阵拟合出序列数据的周期部分，表示为：然后将序列数据的非周期部分和周期部分进行concat操作后得到输入矩阵，表示为：

式中，i表示指定的输出维度，k表示输出维度的阈值；

S3：将所述输入矩阵作为Transformer模型的输入，调整权重矩阵w_o、W_i的维度，使所述输入矩阵的参数维度与Transformer模型的大小一致；

S4：多次迭代训练，得到故障诊断模型，针对任意航空涡桨发动机气路故障诊断，将采集的航空涡桨发动机气路数据输入到所述故障诊断模型，输出航空涡桨发动机气路的故障信息。

优选的，所述方法使用GPU并行运算。

优选的，所述步骤S1中“对数据集中的序列数据进行预处理得到数据矩阵X”具体为：