[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

说明书

本发明公开了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，该方法基于支持向量数据描述，并引入了迁移学习的思想。该方法考虑了航空发动机退化过程中不同退化程度下的发动机运行数据的差异，以发动机历史运行数据为源域数据，以发动机当前状态下收集的运行数据为目标域数据，该方法将SVDD模型的球心当作知识结构从源域迁移到目标域，辅助目标域建立精确性较高的故障检测模型。本发明通过迁移学习来解决航空发动机故障检测领域的故障数据缺乏的问题，并和单分类算法SVDD相结合，提高了故障检测模型在故障数据较少的情况下的故障检测效果。

技术领域

本发明属于航空发动机故障检测领域，尤其涉及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。

背景技术

航空发动机故障检测是指根据发动机的实时运行数据判断发动机所处状态，故障状态或者正常状态。故障检测是航空发动机健康管理的重要组成部分，对保障飞机与发动机的健康运行具有重要意义。由于90％的航空发动机故障都是气路部件故障，因此非常有必要对气路部件进行故障检测。流量与效率的改变能够直接反映发动机部件的健康状态，但是它们不能被直接观测到。而发动机上一些可以测量的参数，比如温度、压力、转速等等，并不能直接反映航空发动机部件的健康状态。这给航空发动机的故障检测带来了一定的困难。

当前故障检测方法可以粗略的分为基于模型的方法以及数据驱动的方法。基于模型的方法需要根据气动热力学原理建立精确的发动机机理模型。故障检测的准确度高度依赖于所建立的模型的精度。数据驱动的方法依靠发动机历史运行数据，利用机器学习算法建立数据和发动机状态之间的映射关系。

数据驱动的方法通常将发动机历史运行过程中的带标签的数据作为训练数据，将当前运行状态下收集的数据作为测试数据。这些方法都假定训练集和测试集中的数据服从同一分布，换句话说，就是训练数据和测试数据从同一个条件下收集。然而，由于发动机状态不同、运行工况不同、发动机存在安装误差等情况，训练数据和测试数据很难服从同一分布。

比如，在航空发动机的寿命周期内，随着使用次数的增加，发动机的整体性能会下降。当这种下降到了一定的程度，就到了发动机寿命的终点。在不同程度的退化状态下，航空发动机的性能会不同，因此，在不同程度的退化状态下收集的数据会服从于不同的分布。所以，利用在不同状态下收集的数据来训练同一个故障诊断模型会导致模型的性能较低甚至不可用。另外，从同一个状态下收集到足够的数据来训练故障检测模型也是不可行的。因为故障数据的获取非常困难，并且通常都会花费非常大的代价。

迁移学习旨在解决机器学习领域的数据缺乏问题，其主要的思想就是提取其他领域(源域)的信息，并且运用到目标领域。源域与目标域具有一定的相似性，并且源域的数据丰富，包含了大量的有用信息。然而由于源域与目标域之间存在差异，包含在源域中的信息不能被直接利用。庆幸的是，可以通过迁移学习将该信息迁移到目标域中，从而解决目标域中数据不充分的情况。对于航空发动机故障诊断，可以利用迁移学习将从其他状态下收集的数据中包含的信息提取，并将其用来训练当前发动机的故障诊断模型。特别地，对于退化状态下的发动机故障诊断，可以将发动机在当前退化状态下收集的数据作为目标域数据，将未退化或者其他程度的退化状态下收集的数据作为源域数据，利用迁移学习解决当前状态下数据不足以训练故障诊断模型的问题。

SVDD是一种常见的单分类算法，其主要目标是在特征空间中寻找一个超球体，球体里面是正类，球体外面是负类，位于球面上的样本称为支持向量，超球体的体积应该尽量小。对于待判断的样本，计算该样本与球心的距离，如果大于球体的半径，则被认为是故障样本，小于球体半径则被认为是正常样本。SVDD经常被用在航空发动机的故障检测中，具有较好的分类效果，因此本发明在SVDD的基础上结合迁移学习来进行航空发动机的故障检测。

发明内容