[发明专利]一种基于神经网络的航空发动机传感器故障自诊断方法

权利要求书

1.一种基于神经网络的航空发动机传感器故障自诊断方法，其特征在于，该方法包括以下步骤：

步骤A、建立航空发动机部件级模型，收集传感器历史参数数据库；

步骤B、基于神经网络设计传感器参数概率分布函数预测模型，该模型仅依据传感器自身历史参数数据库中的本地历史参数数据，预测传感器参数下一时刻的概率分布函数，并依据真实传感器参数的概率大小判断是否发生参数突变；

步骤C、基于神经网络设计传感器时间序列故障分类模型，该模型提取传感器历史时间序列的特征向量，间断性地判断传感器是否发生故障并对故障进行分类；

步骤D、结合概率分布突变预测模型和传感器故障分类模型，构建传感器故障自诊断框架，保存并输出诊断结果及报告。

2.如权利要求1所述的一种基于神经网络的航空发动机传感器故障自诊断方法，其特征在于：步骤A具体包括：依据航空发动机原理建立某型发动机部件级模型，在发动机的运行过程中收集传感器参数，并以时间序列排序存储于数据库中，用于神经网络训练。

3.如权利要求1所述的一种基于神经网络的航空发动机传感器故障自诊断方法，其特征在于：步骤B包括以下步骤：

(1)设计神经网络结构

设计神经网络输入，用历史访问深度p时刻内的传感器参数数据作为网络输入[X_t-1,X_t-2,X_t-3,...,X_t-p]^T，其中X_i表示i时刻的传感器参数数据；设计神经网络输出，以预测向量作为网络输出，预测向量维数对应样本标签以正态分布函数的均值μ与标准差σ作为网络输出，构建出预测值概率分布函数N(μ，σ)；根据经验与实验结果选取及优化神经网络隐含层数及各层节点个数；根据神经网络整体结构与神经网络功能选取激活函数，中间层激活函数选取ReLU函数max(0,x)，输出层选取tanh函数

(2)训练神经网络

数据批采样，从数据库中随机选取部分数据作为训练集，每次训练从训练集中随机采样N个训练样本，其中第i个样本特征表示为[X_i-1,X_i-2,X_i-3,...,X_i-p]^T，样本标签为X_i；设计损失函数，为了提高训练样本的标签出现的概率值P(X_t|X_t-1,X_t-2,...,X_t-p)，损失函数应与该值正相关，为降低训练速度提高训练过程的稳定性，选取P的对数函数构建损失函数，由于批训练方法单次采用多个样本训练，因此损失函数为多个样本采样概率的期望L＝-∑lnP；神经网络参数向量优化，根据所设计的损失函数，采用梯度下降法以学习率α优化神经网络参数向量θ，第k次训练过程可表示为

(3)测试神经网络

构建测试集，从数据库中随机选取部分数据作为测试集；计算样本标签出现的概率分布，将样本特征输入神经网络，由神经网络估计概率正态分布的均值与标准差构建估计的概率分布确定突变阈值，根据3σ准则确定突变阈值范围，正态分布在(μ-3σ,μ-3σ]以内的取值概率为99.7％，样本标签在(μ-3σ,μ-3σ]以外的概率不到0.3％，称为小概率事件，这时可判断传感器发生突变。

4.如权利要求3所述的一种基于神经网络的航空发动机传感器故障自诊断方法，其特征在于：所述步骤B中，仅有传感器自身本地历史信息实现自诊断；为应对由航空发动机工况变化带来的不确定性和随机性，采用构建估计概率分布函数涵盖所有不确定性；用估计概率大小代替传统的估计残差判断是否发生突变，在正态分布中，以3σ准则作为突变判断依据。