[发明专利]基于生成式对抗网络的航空发动机状态监测数据生成方法

说明书

技术领域

本发明属于航空发动机状态监测技术领域，具体涉及一种基于生成式对抗网络的航空发动机状态监测数据生成方法。

背景技术

以大数据为代表的人工智能技术为从状态监测信息全面表征航空发动机状态提供了可能。但这些算法的前提都是以大数据为基础，因此如何获取足够样本量的监测数据成为制约其应用的瓶颈。航空发动机作为飞机的“心脏”，是高度集成的复杂系统，提高航空发动机运行可靠性、安全性、维修性及经济性是航空公司、航空发动机制造商和维修厂家共同关注的问题。由于监测成本的制约和运行环境的影响，导致航空发动机状态监测数据存在着有限性和不确定等诸多问题，难以支撑准确表征运行状态和评估可靠性的要求。

航空发动机在运行过程中，其各种状态监测参数反映了发动机可靠性水平。采集状态监测数据作为航空发动机状态监测的核心，由于采集数据样本量过小其复杂性体现在以下三方面，一是航空发动机状态监测过程中某些性能参数的敏感性不同；二是各个状态参数具有一定的关联性；三是状态监测数据采集环境的不同且不同的监测参数服从不同的统计分布；以上因素都影响了航空发动机状态监测数据的不确定性，进而影响了发动机可靠性评估的准确性。

发明内容

本发明为了解决航空发动机运行过程发动机状态监测参数数据量过小导致不能够准确预测其可靠性的问题，提供了基于生成式对抗网络的航空发动机状态监测数据生成方法。

本发明提出的基于生成式对抗网络的航空发动机状态监测数据生成方法，包括以下步骤：

1)针对航空发动机状态监测参数，以生成式对抗网络理论为基础，设计生成航空发动机状态监测数据模型；

2)建立基于生成网络及判别网络的生成航空发动机状态监测数据的对数似然函数；

3)针对航空发动机状态监测参数，分别建立生成网络及判别网络的目标函数，最终建立生成式对抗网络的目标函数；

4)根据建立的生成式对抗网络目标函数，确立生成状态监测数据的网络对抗训练的收敛标准；

5)对建立的生成式网络进行网络对抗训练并生成航空发动机状态监测数据；

6)针对生成数据运用拉依达准则进行异常值剔除及数据分析。

步骤1)所述的不同的状态监测参数包括排气温度裕度、滑油压力、高压转子转速偏差、燃油消耗量偏差、低压转子振动值偏差、高压转子振动值偏差。

步骤2)所述的生成网络和判别网络由多层神经网络构成，其网络参数包括神经元个数及层数。

步骤5)所述的生成式对抗网络训练是基于步骤3)中的生成式对抗网络的目标函数及步骤4)中的收敛标准，其网络训练过程如下：

1)获取与航空发动机状态监测数据样本匹配的噪声样本集{z₁，...,z_m}；

2)从生成的监测数据分布中，获取与原始数据样本匹配的样本S＝{x₁，...,x_m}；

3)针对状态监测数据，通过生成对抗网络梯度下降法更新判别网络,其梯度计算公式为

4)网络迭代直到P_g＝P_data(x),表示梯度下降法更新生成网络时的最大化判别误差。

有益效果：本发明提供的基于生成式对抗网络的航空发动机状态监测数据生成方法，与现有技术相比，具有以下优势：

1)生成式对抗网络比信念网络能够更快的生成航空发动机状态监测数据样本。

2)生成式对抗网络不需要采用蒙特卡洛估计法来对网络进行训练，与训练依赖于蒙特卡洛估计法和对数配分函数的玻尔兹曼机相比，生成式对抗网络训练效率更高。

3)相比于变分自编码器,生成式对抗网络没有引入任何决定性偏置,由于变分方法引入决定性偏置，生成式对抗网络比变分自编码器生成的数据更加精确可靠。

4)生成式对抗网络不仅不要求生成器输入的潜在变量有任何特定的维度，而且不要求生成器是可逆的。再者，生成式对抗网络生成数据的过程只需要模型运行一次,而不是以马尔科夫链的形式迭代很多次。

附图说明

图1为基于生成式对抗网络的航空发动机状态监测数据生成方法示意图。

具体实施方式