[发明专利]基于DBN的多维时序信息驱动航空发动机故障诊断方法

说明书

本发明涉及一种基于DBN的多维时序信息驱动航空发动机气路故障诊断方法，包括：收集航空发动机ACARS数据；归一化处理，利用小波包变换方法提取参数内时序信息，利用动态时间归整方法提取参数间相关信息；将参数内时序信息与参数间相关信息向量化，转化为一维向量；训练故障诊断模型，故障诊断模型先利用DBN对输入的一维向量进行深度特征提取，再利用SVM基于深度特征提取结果进行故障诊断；利用训练好的故障诊断模型对测试集提取得到的发动机样本特征进行故障识别；统计故障诊断模型的故障识别结果，并进行评价；利用保存的故障诊断模型对航空发动机ACARS数据进行故障识别，得到诊断结果。该方法可以充分利用数据的多维时序信息，有效处理数据高维特征。

技术领域

本发明涉及航空发动机技术领域，尤其涉及一种基于DBN的多维时序信息驱动航空发动机故障诊断方法。

背景技术

航空发动机作为飞机的核心部件，由于长期工作在高温、高压等恶劣条件下，非常容易发生故障，导致飞机无法正常飞行。所以，有必要进行发动机故障诊断，从而提高发动机安全性、可靠性，延长发动机寿命以及降低航空公司投入的维修费用。目前，很多航空发动机故障检测方法都基于发动机制造商(Original Equipment Manufacturer，OEM)提供的性能参数小偏差数据。航空公司不仅需要向OEM支付高昂的费用来获取性能参数小偏差数据，而且航空公司与OEM之间的合作一旦中断，航空公司将无法有效地进行发动机故障检测，容易导致不安全飞行事件以及巨大经济损失。因此，需要一种数据来替代性能参数小偏差。根据航空公司提供的飞机历史飞行数据，发现飞机通信寻址与报告系统(AircraftCommunications Addressing and Reporting System，ACARS)数据是比较合适的选择。

ACARS数据属于典型的多维时间序列(Multivariate Time Series，MTS)，同时记录了多个发动机参数随时间变化的时序数据。ACARS数据相对于性能参数小偏差数据有以下两个特点：一方面，在每次飞行的巡航过程中，ACARS数据参数较多，而性能参数小偏差数据通常较少；另一方面，ACARS数据中各参数之间相关关系复杂，同时每个参数包含的噪声多，发动机故障模式通常隐藏在多参数的复杂变化中，而性能参数小偏差数据消除了发动机工况变化带来的影响，可以明显地反映发动机运行状态。传统的发动机故障诊断方法在利用ACARS数据进行故障诊断时有以下两个问题：一方面，传统的特征提取方法如主成分分析(Principal Component Analysis，PCA)、线性判别分析(Linear DiscriminantAnalysis，LDA)等难以挖掘航空发动机数据间的深层特征。另一方面，数据内部既包含参数间的相关信息，也包含参数内部随时间变化的信息。目前，传统故障诊断方法仅仅将多维发动机数据向量化，以一维向量作为故障诊断模型的输入，这可能会损失各参数间的相关信息以及参数随时间变化的时序信息，导致模型诊断能力下降，引起误诊、漏诊等现象。

发明内容

本发明的目的是针对上述至少一部分问题，提供一种方法来挖掘航空发动机ACARS数据内部特征并解决多维时序问题。

为了实现上述目的，本发明提供了一种基于DBN的多维时序信息驱动航空发动机气路故障诊断方法，包括如下步骤：

S1、收集航空发动机ACARS数据，构建发动机样本数据集，并进行训练集与测试集的划分；

S2、对所述训练集与所述测试集的数据进行归一化处理，利用小波包变换方法提取发动机样本参数内时序信息，利用动态时间归整方法提取发动机样本参数间相关信息；

S3、将所述参数内时序信息与所述参数间相关信息向量化，转化为一维向量，作为发动机样本特征；

S4、利用所述训练集提取得到的发动机样本特征训练故障诊断模型，所述故障诊断模型先利用深度置信网络对输入的一维向量进行深度特征提取，再利用支持向量机基于深度特征提取结果进行故障诊断；