[发明专利]一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法

权利要求书

1.一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，包括以下步骤：

步骤1，在发动机标称状态下收集历史飞行数据作为源域数据；

步骤2，在发动机当前退化程度下收集飞行数据作为目标域数据；

步骤3，给定模型以及算法训练过程的所有参数，包括核函数参数、算法精度容忍值、源域及目标域的松弛参数、源域与目标域之间的平衡参数；

步骤4，初始化源域SVDD模型的参数；

步骤5，利用源域数据，采用SMO算法训练源域SVDD模型，得到相关的参数；

步骤6；初始化目标域模型的参数；

步骤7，利用目标域数据以及源域SVDD模型，采用SMO算法训练SVDD-TL模型；

步骤8，将实时飞行数据输入故障检测模型，检测发动机处于正常状态还是故障状态。

2.根据权利要求1所述一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，步骤1和步骤2中每组飞行数据均包括高压转子转速N_H、低压转子转速N_L、风扇出口温度T₂₂、压气机出口压力T₃、压气机出口压力P₃、低压涡轮进口温度T₄₅、低压涡轮出口温度T₄₆、低压涡轮出口压力P₄₆、掺混室进口温度T₆₅以及主燃油流量WFB。

3.根据权利要求1所述一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，步骤1中源域数据为标称状态历史运行数据，包括故障数据和非故障数据，其中，故障数据类型包括风扇故障数据、压气机故障数据、高压涡轮故障数据和低压涡轮故障数据；步骤2中目标域数据包括非故障数据和故障数据。

4.根据权利要求1所述一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，步骤3中核函数参数、算法精度容忍值、源域及目标域的松弛参数、源域与目标域之间的平衡参数如下；

其中，采用常见的高斯核函数进行映射，其定义如式所示，

其中，x表示飞行数据，i＝1，2，…，n，n为样本个数；

核函数参数选择σ＝0.3；

算法精度容忍值：算法容忍值选择ε＝1e-4；

源域及目标域的松弛参数：源域与目标域的松弛参数将这四个参数统一为一个参数C，该值根据经验选择为1；

源域与目标域之间的平衡参数：平衡参数λ利用目标域数据进行5折交叉验证确定，其搜索范围为{0.05，0.10，…，1.00}，共20个候选值。

5.根据权利要求1所述一种基于支持向量数据描述和迁移学习的航空发动机故障检测方法，其特征在于，步骤4中初始化SVDD模型的参数α_i的具体方式为：α_l＝0，其中y_i＝1、y_l＝-1；n⁺为训练集中正类样本个数。