[发明专利]一种航空发动机结构类故障的智能诊断方法

说明书

一种多技术融合航空发动机故障智能诊断方法，通过数据分析方法对故障数据样本进行识别，匹配出故障库中与待诊样本相似度不低于判断值的故障作为疑似故障。依据典型故障因子决策表，对所有疑似故障进行多轮筛选，得出可能性最大的有限个主要疑似故障。利用模式识别算法，对主要疑似故障进行模式识别，识别时的学习训练样本来自于故障样本数据特征库中的故障数据特征，识别时的识别对象为待识别样本的特征，并对识别结果进行一次或多次动力学特征检验。本发明能够有选择性地确定模式识别的学习对象，缩小学习范围，查全率η从1降为33％。学习时间从90s减少到了19s。通过检验环节，对识别结果进行检验，将干扰信号的虚警概率由33％将为0。

技术领域

本发明涉及一种航空发动机智能诊断技术。属于故障诊断与健康管理领域。

技术背景

目前对于航空发动机故障的分析与诊断已具备智能化特点。智能化程度体现在数学模型与真实系统间问题本质的逼近程度，以及领域专家知识的人工智能再现，是人工智能、其他相关学科理论与技术在故障诊断学科中的综合体现。将多种不同的智能技术结合起来，建立合理的混合推理模型，能够有效提高航空发动机故障诊断的智能化程度。

每一型号的航空发动机故障复杂多样，但其典型故障均可穷举。而每种故障的影响因素杂糅繁多，如发动机振动：影响航空发动机振动的直接因素有几十种，间接因素达上百种。但对于典型故障，如发动机转子不平衡引发振动等，其典型特征都是可描述且有限的。

在以往公开的方法中，多数采用模式识别的方法进行航空发动机的故障诊断。

中国发明专利为CN105758645A公布了一种基于概率神经网络的发动机故障诊断系统，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，进行诊断。整个过程工程师不能干预，是一种黑箱识别方法。

欧洲发明专利为EP0988583公布了一种用于诊断发动机故障的诊断方法，包括从信息来源处提取信息并进行特征处理后串联两个神经网络形成诊断的关键系统和方法。

但上述方法只是依据故障的训练样本，训练识别模型后黑箱识别，并不反映领域知识；当待诊样本种类多，数据量大时，诊断速度慢；对于数据质量不高的待诊样本(故障特征不显著或存在干扰)，往往会有低质量的诊断结果；且实际诊断时常存在与故障信号相似的干扰信号时，单一进行有“黑箱”特征的诊断方法，虚警率高。有的信号故障模式相近，如转子支承不同心和转子支承结构间隙松动这两种故障模式在频谱图上都会出现1,2,…倍频振，此时则会有误诊的情况。

中国发明专利CN201610231577.2公开了一种基于自适应加权DS证据理论的航空发动机气路故障融合诊断方法，以解决采用单一方法诊断精度不足的问题。该方法的诊断结构为一种并行结构，是将具有不同可信度的两个子模块的诊断结果赋予差异的权值，采用自适应加权的证据理论做融合决策，以解决结果冲突的问题。

所述的大多数的推理方法及模式识别方法都主要在算法上进行优化，并未注意从动力学的角度出发进行结果的检验，进行故障的推理等。进行模式识别时，对于存在干扰等低质量的大量数据，随着模型训练的进行，模型的复杂度会增加，此时模型在训练数据集上的训练误差会逐渐减小，但是在模型的复杂度达到一定程度时，模型在验证集上的误差反而随着模型的复杂度增加而增大。即模型的复杂度升高，但是该模型在除训练集之外的数据集上却失效，识别精度难以满足工程要求。

对于航空发动机而言，对大数据样本进行故障识别，仅采用单一的模式识别方法进行故障诊断，或并行融合模式识别算法与其它推理方法结果时：

1.模式识别方法输入维数过多，存在维数灾难的情况，使得学习范围过大，模式识别时间长。

2.实际运用时，需要设置繁琐的优化算法，来保证模式算法的输入输出，识别模型，识别过程输出在实际运用中的精度与速度，还有可解释性。但少有人从动力学角度出发，通过运用动力学知识提纯输入数据，检验输出结果的方法来保证精度与速度。