[发明专利]一种适于航空发动机机载的整机振动评估方法

说明书

一种适于航空发动机机载的整机振动评估方法，以降低虚警损失和误诊损失为目标。在航空发动机典型故障的智能诊断中，通过有限元模型进行故障响应仿真得到典型故障的振动响应；提取典型故障的时域以及频域特征作为bp神经网络输入参数。在模型训练过程中提出了考虑虚警损失和误诊损失的损失函数，以该损失函数最小化作为训练目标。并考虑到误诊情况下发动机存在严重实际损失风险，因此引入风险系数ε_i使得在模型参数迭代优化过程中更多的降低误诊损失。最后采用仿真数据进行模型准确性是否满足诊断要求的验证。本发明可针对不同结构的发动机转子进行建模仿真以及诊断模型训练，具有较为广泛的适用性。

技术领域

本发明涉及航空发动机智能诊断技术领域，具体是一种基于动力学模型的航空发动机的振动状态评估方法。

技术背景

在航空发动机振动状态评估领域，bp神经网络、支持向量机、卷积神经网络等智能诊断方法已有应用先例。其智能化体现在由事先训练完成的诊断模型自行计算得到振动状态评估结果，全程无需技术人员参与。智能诊断的关键在于数学模型与实际问题本质之间的逼近程度。对于机载智能诊断系统而言，确保飞行安全则是重中之重，这就需要诊断过程中将虚警损失与误诊损失降至最低。

在发动机振动状态评估中，整机振动数据能较好的反映故障本质。引起发动机异常振动的因素可达上百种，但对于特定型号的发动机，其典型振动故障种类有限且故障特征可描述。这便为利用振动数据进行智能诊断提供了可行性。

在以往公开的方法中，多数采用模式识别以及最大隶属度原则确定最终诊断结果。

在公开号为CN105758645A的发明创造中公开了一种基于概率神经网络的发动机振动状态评估系统，包括进行历史数据的预处理、特征选择和提取等流程，通过训练样本，得到期望的诊断模型，利用该模型进行诊断。该方法在模型训练过程中并未区分虚警与误诊两种错误诊断情况。

当训练样本特征不明显或存在干扰信号时，易造成虚警或误诊。当两类故障特征相近时，如不平衡故障与叶片掉块故障频域特征均表现为1倍频占优。但叶片掉块故障危害程度远大于不平衡故障，若将叶片掉块故障误诊为不平衡故障，则发动机存在重大安全隐患，这对于机载系统是不可接受的。

中国发明专利为ZL201710230772.8中公开了一种航空发动机结构类故障的智能诊断方法，采用数据分析方法对故障样本进行识别得到疑似故障，再依据故障因子决策表对疑似故障进行筛选得到主要疑似故障，最后采用模式识别确定故障类别。并利用否定检验降低了由干扰信号带来的虚警损失。该方法考虑到了干扰信号带来的虚警损失，并从动力学角度对结果进行了检验，缩小了模型学习范围，降低了虚警损失。该方法考虑到了干扰信号带来的虚警损失影响，但在模型训练过程中还是未能区分由于诊断结果错误带来的误诊损失与虚警损失影响。

大多数智能诊断方法以精确区分故障类别为首要目标，在训练样本选取时，直接选取实验器数据或是发动机实测数据进行特征提取，而后进行模型训练。这样做可以保证诊断模型尽可能贴近真实情况，但由于发动机实测数据存在大量噪声干扰，在模型训练过程中，这些干扰会极大的影响训练效果。致使诊断模型未能准确分辨出故障特征。究其原因就在于未能从动力学角度出发，建立故障模型，得到特征显著的训练数据，在模式识别过程中，未考虑到虚警损失和误诊损失对诊断结果的影响。为达到精确分类的目标，在训练过程中，模型复杂度会不断上升，结果导致模型对训练样本有很好的准确度，而对测试样本准确度大打折扣，也就难以在工程层面应用。

对于地面机械振动状态评估来说，准确率是追求的终极目标；而对于机载的实时状态评估系统来说，既要考虑诊断的准确性，也要考虑虚警损失。这二者实际上代表两类不同的识别损失。

发明内容

为克服现有技术中存在的虚警损失和误诊损失高、训练数据质量不一、难以应用于机载的问题，本发明提出了一种适于航空发动机机载的整机振动评估方法。

本发明的具体过程是：