[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

说明书

本发明提出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，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。该模型可帮助技术人员进行较为准确的故障诊断，当识别出发动机正处于故障初期时，可进行及时排查提高发动机运行的可靠性。

技术领域

本发明提供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，它涉及一种基于柯西核函数的贝叶斯自适应共振网络模型对航空发动机进行故障诊断技术的实现，属于发动机故障状态识别和诊断领域。

背景技术

发动机是航空飞机的核心，其性能及当前状态直接影响到整个飞机的运行状态，而发动机部件故障使其性能逐渐衰退，退化到一定程度时将威胁飞机整体性能和安全，严重时直接导致发动机的损毁。因此，对发动机开展健康监测具有重大意义。有效的健康监测要求技术人员实时获取发动机设备数据，通过故障诊断技术，监测发动机运行状态，并做出相应决策控制动作，进而提高设备安全性与可靠性，减少维修成本。其中，故障诊断则健康监测的核心工作，是当前领域技术人员重点研究内容。

传统的发动机故障诊断技术依赖于故障树分析、功能推理或先验知识、专家经验等，当基于当前知识规则无法实现准确有效的诊断时，数据驱动型诊断技术则成为技术人员的重点研究方向。但是，发动机本身结构的复杂性、传感器之间的耦合性、传感器数据的异质性，都对故障诊断模型提出了更高的要求。

鉴于实际应用场景中，可有效应用的故障样本数据相对匮乏，浅层神经网络或分类器成为技术人员重点研究的技术重点。其中，支持向量机(SVM，Support VectorMachine)是故障诊断研究中较为经典的有监督分类技术，大量学者基于SVM实现了对故障模式识别及定位研究。人工神经网络(ANN，Artificial Neural Network)是较为灵活的浅层学习网络，通过选择训练结构和参数，学习输入和输出之间复杂非线性关系，但由于其选择网络结构和参数过程缺乏科学性指导，导致拟合结果存在较大误差。深层置信网络(DBN，Deep Belief Network)则不同于浅层网络，其学习系统更为复杂深入，且DBN在分类方面的故障诊断结果在诊断准确率方面优于SVM和ANN等，但其更适合大样本数据，在样本数量较少的情况下，分类性能一般，且神经网络在处理高维数据时计算更为复杂，易陷入局部极值，而使其在故障诊断中的应用效果无法达到预期。

尽管上述分类技术已在发动机故障诊断领域展示出一定优势，但发动机退化特性以及发动机传感器信号潜在的异质性，使基于多传感器的发动机故障诊断技术仍面临着较大的挑战。在对单个的发动机进行监测和故障诊断过程中，随着传感器数据维数的增加，如何保证诊断准确率，是亟待解决的问题之一。此外，目前大多数发动机数据集是无标签的，如何对无标签的数据集进行故障状态划分也是故障诊断技术中需要解决的问题。

因此，针对上述问题，本发明提供了一种基于柯西核贝叶斯自适应共振网络(Cauchy Kernel Bayesian Adaptive Resonance Theory Map，CKBAM)的航空发动机故障诊断方法，通过谱聚类技术实现对故障状态的划分，并通过CKBAM分类模型实现对故障状态的识别和诊断，该模型能够有效地处理高维数据，提高多传感器的发动机故障诊断的准确率。此外，本发明基于多个数据集，将CCKBAM与其他现有分类模型进行对比，如：SVM、DBN、II型自适应共振网络(Adaptive Resonance Theory，ARTII)、BAM和KBAM分类模型等，大量的试验结果均能验证CCKBAM在准确度、精确率、召回率和F1分数方面的优势。

发明内容

(一)本发明目的：