[发明专利]一种基于CNN-GCN的双传感器航空发动机机匣故障源声发射定位方法

说明书

一种基于CNN‑GCN的双传感器航空发动机机匣故障源声发射定位方法属于航空发动机机匣故障定位领域，它涉及一种仅使用双传感器的航空发动机机匣故障声发射源定位方法，具体来说，涉及一种基于卷积神经网络与图卷积神经网络相结合的、双传感器条件下的具有多零件耦合特征的航空发动机机匣故障源声发射定位方法。该方法仅使用两个声发射传感器采集信号，并应用于具有耦合界面的机匣结构中。该方法结合多个神经网络模型，提高了定位精度。可实现航空发动机机匣模拟试验台的故障源区域定位。

技术领域

本发明属于航空发动机机匣故障定位领域，它涉及一种仅使用双传感器的航空发动机机匣故障声发射源定位方法，具体来说，涉及一种基于卷积神经网络与图卷积神经网络相结合的、双传感器条件下的具有多零件耦合特征的航空发动机机匣故障源声发射定位方法。

背景技术

航空发动机提供飞机飞行过程中需要的全部动力，被称作飞机的心脏，由诸多复杂程度高的精密部件构成，且工作在高温、高速、强振动、大应力的恶劣环境下，不可避免地容易出现各种故障。发动机故障在飞行故障中占有相当大的比重，且常常因为发动机故障导致飞行中的灾难性事故。因此，为了使发动机安全高效地运行，节省维修成本，就必须提高航空发动机的状态监测和故障诊断能力。

传统的在线监测技术主要有振动监测技术、气路分析监测技术、滑油监测技术和静电监测技术等，但在发动机故障的初始阶段(如裂纹、冲击、摩擦、结构变形等)，早期损伤的微弱特征不会导致发动机出现明显的异常状态，此时，上述技术无法实时监测到早期损伤。然而，基于声发射技术的发动机结构健康监测方法在处理此类问题方面具有显著优势。声发射是指材料或结构在受外力或内力作用的情况下，当受力超过屈服极限强度时，内部应力突然释放而产生瞬态弹性波的一种物理现象，其携带着结构或者材料缺陷处的大量信息，探测和分析这些信号进而确定与材料或结构损伤相关的信息，包括损伤性质、损伤位置、损伤程度和剩余寿命等，称为声发射检测技术。近年来，声发射无损检测技术研究的深度和广度都有了较大的发展，在众多领域得到了应用。

然而，现有的许多基于声发射技术的结构健康监测研究主要集中在单一结构上，而在包含耦合界面的部件上应用很少。大多数研究仅仅是在一些具有孔洞结构的平板中进行实验验证。但是并未探索多零件耦合结构的情况，如包含复杂耦合界面、多变尺寸和各种螺栓紧固，甚至包含不同材料的结构。其中包含耦合界面的筒状结构在航空航天工业中普遍存在，如包含机匣安装边的低压压气机机匣结构。复杂的界面耦合关系使得理论波路分析变得困难且耗时，导致在这些部件上的声发射源定位非常困难。并且由于发动机结构复杂，部件繁多以及工作在高温、高压、高转速的环境中，针对发动机的故障诊断只能在有限位置布置传感器以提供监测能力，故只能使用比传统定位方法更少的传感器。但现有的涉及少传感器故障源定位的文献大多局限于简单结构，而在包含复杂耦合界面的零部件中鲜有进展。此外，单传感器声发射监测技术只能实现简单的不同类别故障源的识别，以及非对称结构的定位。而对于具有对称结构的对象无法实现有效定位，如完全对称的薄壳圆筒结构。因此，本发明采用双传感器声发射技术实现故障源定位。

近年来，深度学习技术的快速发展加速了故障诊断领域的发展。同时，在深度学习中，卷积神经网络(CNN)得益于深度学习的层次抽象能力，已经被广泛的应用于图像分类、对象检测、语义分割等领域。图卷积神经网络(GCN)作为一种前馈神经网络，它利用图卷积来处理图结构数据。目前，GCN在药物合成、电力负荷预测和链路学习等领域表现出了优异的性能。GCN不仅可以使用具有较强学习能力的图卷积层有效地挖掘故障源位置与声发射信号之间复杂的非线性关系，还可以使用邻接矩阵表示未知样本与标记样本之间的相似性度量，从而提高故障源定位的准确性。因此，有必要建立一个CNN与GCN结合的模型来实现仅使用双传感器情况下基于声发射的包含耦合界面的航空发动机机匣故障源定位。

发明内容

本发明拟利用卷积神经网络与图卷积神经网络强大的特征提取能力和模式识别能力解决双传感器条件下包含耦合界面的航空发动机机匣的故障声发射定位。