[发明专利]基于深度学习的航空发动机转子系统故障诊断方法及装置

说明书

本发明公开了一种基于深度学习的航空发动机转子系统故障诊断方法及装置，涉及航空发动机故障诊断技术领域。包括：获取待诊断的航空发动机轴承的一维振动信号数据；对一维振动信号数据进行预处理，得到二维时频域图像；将二维时频域图像输入到训练好的特征提取网络，得到待诊断的航空发动机轴承的故障分类结果。本发明通过对一维轴承振动信号数据进行时频分析，生成具有物理意义的二维时频图像，能够充分挖掘出数据的频域特征，具有鲁棒性高、抗噪声的优点。基于视觉多层感知机的特征提取网络，能够获取具有全局依赖关系的高维故障特征，进一步提高诊断的准确性。迁移学习有助于克服故障样本量不足的局限性，加速故障诊断算法的实际应用。

技术领域

本发明涉及航空发动机故障诊断技术领域，特别是指一种基于深度学习的航空发动机转子系统故障诊断方法及装置。

背景技术

航空发动机转子系统是航空发动机的重要组成部分，其运行过程受变环境、变载荷、变工况、大扰动和强冲击等因素影响，性能也会随着运行时间的增长发生不可避免的退化，一旦因设备性能退化造成最终失效，将会造成巨大的人员伤亡和财产损失。人工智能与计算机技术的飞速发展极大地提升了航空发动机转子系统健康管理的能力。其中，故障诊断是连接航空发动机运行状态信息感知与基于运行状态实现个性化精准健康管理的纽带和关键，根据航空发动机转子系统的监测信息，及时发现异常并对发动机故障进行诊断预测，据此对设备实施健康管理，对于切实保障航空发动机的运行安全性、可靠性与经济性具有重要意义。

近年来，随着深度学习的发展，许多研究人员在他们的航空发动机转子系统故障诊断工作中使用具有高效、泛化性强等特点的深度学习算法。基于深度学习的故障诊断方法对原始数据进行预处理后，将其输入到深度神经网络模型中，进而获得故障诊断结果，该方法具有端到端得故障诊断能力。然而，现有基于深度学习的航空发动机转子系统智能故障诊断方法大多是直接始于使用轴承的一维振动信号作为模型的训练数据集，但一维振动信号反应的信息具有局限性，不足以保证诊断的精确性和鲁棒性。其次，现有基于深度学习的故障诊断特征提取网络大多是基于循环神经网络和卷积神经网络。另外，用于训练深度神经网络模型的故障数据大多是小样本数据，然而，传统的基于深度学习的故障诊断方法在处理小样本数据集时具有很大局限性。

发明内容

本发明针对现有技术中故障诊断方法精度低、鲁棒性差的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案：

一方面，本发明提供了一种基于深度学习的航空发动机转子系统故障诊断方法，该方法由电子设备实现，该方法包括：

S1、获取待诊断的航空发动机轴承的一维振动信号数据。

S2、对一维振动信号数据进行预处理，得到二维时频域图像。

S3、将二维时频域图像输入到训练好的特征提取网络。

S4、根据二维时频域图像以及训练好的特征提取网络，得到待诊断的航空发动机轴承的故障分类结果。

可选地，S2中的对一维振动信号数据进行预处理，得到二维时频域图像包括：

S21、基于生成对抗网络对一维振动信号数据进行缺失数据补全，得到完整的一维振动信号数据。

S22、基于希尔伯特黄变换对完整的一维振动信号数据进行时频域分析，得到完整的一维振动信号数据的二维时频域图像。

可选地，S22中的基于希尔伯特黄变换对完整的一维振动信号数据进行时频域分析，得到完整的一维振动信号数据的二维时频域图像包括：

S221、基于经验模态分解将完整的一维振动信号数据分解为多个固有模态分量。

S222、对多个固有模态分量进行希尔伯特变换，得到多个固有模态分量中每个固有模态分量的瞬时频率、瞬时相位和瞬时幅值，进而得到完整的一维振动信号数据的二维时频域图像。