[发明专利]基于柯西核贝叶斯自适应共振网络的航空发动机故障诊断方法

权利要求书

1.一种基于柯西核贝叶斯自适应共振网络的航空发动机故障诊断方法，其特征在于，包括如下步骤：

步骤1：获取发动机数据并进行分析，对样本数据进行处理，描述发动机采样时刻下发动机的状态；

步骤2：基于谱聚类分析方法实现对获取的多传感器发动机数据集进行故障状态划分，得到故障初期、故障频发期和故障晚期三种类型的数据；

步骤3：基于卷积柯西核函数CCK和贝叶斯自适应共振网络BAM，构建卷积柯西核贝叶斯自适应共振分类模型CCKBAM；

步骤4：基于构建的CCKBAM分类模型，进行类簇选择和类簇匹配跟踪，实现航空发动机故障状态分类诊断。

2.根据权利要求1所述的基于柯西核贝叶斯自适应共振网络的航空发动机故障诊断方法，其特征在于：在步骤1中，具体做法如下：收集发动机数据，对发动数据进行预处理，发动机数据集本身是按照时间顺序进行排列的，按照时间间隔去采集传感器数据；传感器数据为与发动机状态相关的多个传感器测量数据，从数据中读出当前发动机的故障噪声,从而推断当前发动机的损伤或者磨损状态；此外，数据集还包括了发动机的单元号、时间戳和配置条件。

3.根据权利要求2所述的基于柯西核贝叶斯自适应共振网络的航空发动机故障诊断方法，其特征在于：初始故障并开始运行发动机，记初始时刻为T₀，然后按照传播规则一直运行直至完全故障，记结束时刻为T₁，发动机从T₀至T₁的过程称为一个故障周期，期间所获取的发动机传感器数据以时间轨迹的形式呈现。

4.根据权利要求1所述的基于柯西核贝叶斯自适应共振网络的航空发动机故障诊断方法，其特征在于：在步骤2中，具体做法如下：为实现对样本数据故障周期的故障状态划分，引入谱聚类分析方法，基于关系矩阵划分传感器数据集，并保留数据之间的全局或局部样本相似性，使同一聚类中的样本尽可能相似，不同聚类中的样本尽可能不同；具体来看，给定传感器数据样本点X＝{x₁,x₂,x₃...,x_n}，以及需要划分的类簇个数k，谱聚类方法设样本空间中的每个点都以一条无向边相连，整个样本空间便形成了一张图，分为三个步骤：

1)建立n*m的相似性矩阵W，表示为公式(1)

其中，w_ij为x_i和x_j间的权重，用高斯核函数定义，则表示数据点间的欧氏距离，σ表示高斯核函数的作用范围；

2)构造拉普拉斯特征空间；计算度矩阵D，为每个样本点的度d_i组成的n*n对角矩阵，其中d_i表示为公式(2)：

然后计算拉普拉斯矩阵L＝D-W，并计算L的特征值，将特征值按照从小到大的顺序排列，通过找到L最小的k个特征值，得到对应的k个特征向量，此时对应二分切图效果最佳；这k个特征向量u₁，u₂，...，u_k组成一个n*k维度的矩阵U^n*k，取矩阵U中的每一行作为一个k维的样本，共n个样本，构成新样本点Y＝{y₁，y₂，...y_n}，y_i∈{0，1，...，k}；

3)进行聚类；使用K-means算法对矩阵U中每一行进行一次聚类，将新样本点聚类后，输出类簇A₁，A₂，...，A_k。

5.根据权利要求4所述的基于柯西核贝叶斯自适应共振网络的航空发动机故障诊断方法，其特征在于：将发动机整个故障周期下的时间序列型数据集进行聚类，计算谱聚类的轮廓系数，选定当轮廓系数最大且随着数量的增加不再有明显变化时的类簇数量，对原始数据再次聚类，并将完成聚类的数据点可视化展示于坐标轴，横坐标表示数据的标准化一四分位数，纵坐标表示数据的标准化三四分位数，并用不同颜色来区分类簇，根据类簇的分布情况，将所拟合的曲线划分成三部分，分别表征发动机所处故障状态，得到故障初期、故障频发期和故障晚期三种类型的数据。