[发明专利]基于分组卷积自编码器的航空发动机故障检测方法及系统

摘要

本发明涉及一种基于分组卷积自编码器的航空发动机故障检测方法及系统，其中方法包括：变量分组步骤、基于变量之间的相关性将飞机通讯寻址与报告系统数据的变量分成多个变量组；特征提取步骤、采用卷积去噪自动编码器模型独立地提取每个变量组的特征；故障识别步骤、将所有变量组的特征融合起来形成特征向量，基于该特征向量采用支持向量机来识别故障样本。本发明不需要大量的专家知识经验，避免了繁琐的数据预处理工作，在没有大量良好的有标签样本的情况下仍然具有较好的综合故障检测性能，且鲁棒性好，适合于工程实践，计算与时间成本较低。

主权项

1.一种基于分组卷积自编码器的航空发动机故障检测方法，其特征在于，包括以下步骤：变量分组步骤、基于变量之间的相关性将飞机通信寻址与报告系统ACARS数据的变量分成多个变量组；特征提取步骤、采用卷积去噪自动编码器模型独立地提取每个变量组的特征；故障识别步骤、将所有变量组的特征融合起来形成特征向量，基于该特征向量采用支持向量机来识别故障样本；所述特征提取步骤包括以下子步骤：无监督学习子步骤、采用去噪自动编码器模型对每个变量组的卷积核进行无监督学习；卷积操作子步骤、将每个变量组的ACARS数据片段与对应的卷积核进行卷积，求得每个变量组的卷积特征图；池化操作子步骤、基于每个变量组的卷积特征图进行池化操作，得到每个变量组的池化特征；所述无监督学习子步骤包括：(1)将每个ACARS数据片段向量化成为一维向量A；(2)通过一个随机函数sf(·)，将一维向量A污染成(3)将映射到隐层表示h，如下式所示：σ(a)＝1/(1+e‑a)式中，σ表示输入层与隐层之间的激活函数，W是输入层与隐层之间的权重矩阵，b是偏置向量；(4)通过Dropout模型正则化技术，产生一个包含0‑1随机数且服从伯努利分布的向量bv，将该向量与隐层表示h进行内积运算得到(5)通过以下公式将映射到A的重构Z：式中，WT是输入层与隐层之间的权重矩阵W的转置，c是隐层与输出层之间的偏置向量；(6)基于输入数据A、输出数据Z以及正则化项构建目标函数，通过最小化目标函数得到权重矩阵W和偏置向量b的最优值Wopt与bopt，其中最优值Wopt变形为卷积核，bopt作为偏置向量在卷积操作中使用。