[发明专利]基于CRJ-OSELM算法的航空发动机传感器故障诊断方法

说明书

本发明公开了一种基于CRJ‑OSELM算法的航空发动机传感器故障诊断方法，首先在在线序列极限学习机算法中引入确定性跳跃循环储备池，提出CRJ‑OSELM算法；然后采用CRJ‑OSELM算法构造传感器信号预测模块，用于辨识和重构传感器发生的偏置及漂移故障。本发明提供的航空发动机故障诊断方法解决了传统前馈神经网络算法用于传感器故障诊断时不具备保存历史输入序列状态的记忆能力的缺陷以及反馈神经网络在线动态建模过程中计算复杂、耗时大的问题，能通过高维映射和输出层更新提高训练精度，降低计算规模，实现飞行包线内的航空发动机传感器故障诊断与信号重构，对发动机健康管理，降低维修成本有一定的促进作用。

技术领域

本发明涉及航空发动机传感器故障诊断技术领域，主要涉及一种基于深度神经网络的航空发动机直接推力逆控制方法。

背景技术

传感器测量信号是航空发动机控制系统的主要信息来源，其准确性决定了发动机能否安全、高效地工作。航空发动机传感器长期工作在高温、高压、强振动、燃气腐蚀的条件下，属于故障多发元件。为了提高传感器工作的可靠性，通常采用硬件余度和解析余度的方式来保证控制系统的正常运行。但是由于发动机工作环境恶劣，可安装的传感器数目和位置本就受到一定的限制，且硬件余度还会使机体重量增加，成本提高，增加了控制系统的复杂程度。因此，研究基于智能算法的传感器解析余度技术十分必要。

近年来，随着人工智能的蓬勃发展，机器学习算法在航空发动机的传感器诊断和解析重构技术研究中已经得到了广泛且深入的应用。其中，在线序列极限学习机算法(Online Sequential Extreme Learning Machine,OS-ELM)训练速度快、泛化性能好，可以将测量信号序列直接作为训练样本进行在线学习。ELM的本质是一个单隐层前馈神经网络，由输入层、隐含层和输出层组成，其对应的输入权重和偏置是通过随机赋值产生的，从而形成一个参数固定的线性系统，再用最小二乘方法求解该线性系统。然而，传感器信号预测属于时间序列建模问题，传统的前馈神经网络内部无反馈连接，网络不具备记忆能力，在具有强时效性的时间序列预测问题中往往表现欠佳。而在递归神经网络中，隐含层内部具有反馈连接结构，可将当前时刻神经元的输出反馈回来作为未来时刻的输入，从而使网络具有一定的动力学特性，更适于处理复杂的时间序列建模问题。

为了建立具有良好适应能力的传感器故障诊断系统，针对OS-ELM算法的不足，本发明引入由大量稀疏连接的神经元构成的动态储备池，将测量信号的历史信息投影到高维空间中，然后利用OS-ELM构建储备池输出状态与目标输出之间的映射关系，从而使网络具备保存历史输入序列状态的记忆能力，且仅更新输出层，降低了训练的复杂度。在此基础上，本发明提出一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，采用CRJ-OSELM算法构造传感器好预测模型，提高了航空发动机传感器故障诊断的准确度和重构信号的精度。

发明内容

发明目的：针对传统前馈神经网络用于航空发动机传感器故障诊断时无法有效处理时间序列的建模的问题，本发明了提供了一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，在传统OS-ELM算法的基础上引入确定性跳跃循环状态网络，利用稀疏连接的储备池结构将低维输入空间的问题映射到高维空间，使网络具备记忆能力，提高训练精度和泛化性能。在此基础上，采用CRJ-OSELM算法构造传感器信号预测模型并设计航空发动机传感器故障的诊断与重构系统。该方案能快速准确地对传感器偏置和漂移故障进行有效识别，并对故障信号进行隔离与重构，实现了解析余度的功能。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于CRJ-OSELM算法的航空发动机传感器故障诊断方法，包括以下步骤：

步骤S1、在OS-ELM算法中引入确定性跳跃循环网络中的储备池结构，提出一种由输入层、储备池和ELM非线性输出层组成的CRJ-OSELM算法；

步骤S2、基于所提出的CRJ-OSELM算法，建立航空发动机传感器信号预测模型；