[发明专利]一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法

说明书

一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法，它用于发动机性能退化评估技术领域。本发明解决了传统多传感器数据选择需要依赖复杂信息评价准则，HI构建时提取退化特征需依赖大量信号处理技术及专家经验，有监督训练方式标签选择需依赖人工参与，方法通用性不足的问题。本发明的4个去噪自编码机构建堆叠去噪自编码器来对输入数据进行单个节点值提取，训练集数据对网络进行预训练后利用BP算法微调参数，将提取的单个节点值作为各循环处的健康因子值，并构建训练集的HI曲线；将测试集输入训练好的堆叠去噪自编码器得到各循环处的健康因子值，并构建HI曲线；分别对训练集和测试集的HI曲线平滑处理，对平滑处理后的HI曲线进行评价。

技术领域

本发明属于发动机性能退化评估技术领域，具体涉及一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法。

背景技术

涡轮发动机作为常用且重要的航空器部件之一，保证其可靠的运行状态对于航空器的稳定运行、降低维护成本具有非常重要的现实意义。涡轮发动机的健康因子作为一种评价其健康水平的特征量，可以表征发动机健康水平的退化状态或退化程度。它是由运行过程中不同的退化性能变量映射得到，构建出的健康因子曲线将发动机性能退化过程表征为单调上升或下降趋势，通过预测健康因子曲线的变化是否达到退化失效阈值可以获得设备的剩余寿命，因此构建良好的健康因子曲线对涡轮发动机的运行状况监测及剩余寿命预测具有重要意义。

发动机运行工况复杂度的增加使得对其退化过程建立准确的物理解析模型变得愈加复杂，而基于数据驱动的方法受益于传感器技术以及存储技术的发展，可以利用大量的传感器监测数据挖掘退化信息，减少了对专家经验的依赖，因此逐渐成为主流方式。按照处理数据所反映目标对象健康状态的特性，即表征对象系统退化行为和寿命的健康因子，数据驱动的方法可以分为直接预测和间接预测两大类。由于直接预测方法是将原始数据直接作为被测对象的健康因子，通常情况难以满足较好的趋势性，且涡轮发动机的监测过程往往由多个传感器协作完成，无法直接将原始监测数据直接作为健康因子，因此国内外学者对间接的涡轮发动机HI构建方法做了广泛的研究。

在间接HI构建过程中，往往需要先根据一定的评价指标对各个传感器包含的有益信息进行评价，对传感器监测数据进行选择；之后还需进行特征提取过程获得特征集从而对原始数据进行更加高级的表征，在此基础上进行特征选择去除冗余特征，之后在必要情况下需继续进行特征融合，通过多种特征结合共同反映设备的健康状态。传感器选择方法如人工观察数据趋势性、主成份分析、根据排列熵计算传感器数据趋势等等，特征提取方法作为关键的一步，主要有基于传统信号处理技术的方法以及机器学习的方法。如LiYongxiang等人首先利用主成份分析对多传感器数据进行维数约减，之后借助加权欧氏距离和回归算法获得HI曲线；RachaKhelif等人在对传感器信息进行筛选后，利用线性回归和曲线拟合获得HI曲线；此外还有聚类分析、维纳过程、向量机模型等等。

深度学习因其强大的自适应提取特征能力以及非线性函数表征能力在图像处理、语音识别等领域取得了显著成果。自从2013年Tamilselvan等人第一次将深度学习应用于故障诊断领域以来，深度神经网络、卷积神经网络等典型深度学习算法在设备的健康管理领域中得到了愈加广泛的应用。如Pankaj Malhotra等人首先对原始传感器信息进行主成份分析进行优化选择，之后利用长短时记忆网络对其信息编码及解码，之后将重构误差通过线性回归模型映射为HI曲线。尽管传统的数据驱动方法在涡轮发动机HI构建中取得了显著成就，但仍存在以下问题：往往需要借助复杂的传感器信息评价准则对原始传感器信息进行优化选择，提取退化特征仍需依赖大量专家经验以及传统的信号处理方法；部分HI构建模型的训练通常采用有监督方式，即训练过程中需要提供输入对应的真实输出值作为标签，而标签的选择需依赖人工参与，费时且没有一致标准；为了得到综合的单调HI曲线，往往需针对具体预测问题采用多种信号处理方法融合及依赖人工经验选择参数，缺乏一定的通用性。

发明内容