[发明专利]一种用于航空发动机气路故障诊断的深度计算模型

摘要

本发明公开了一种用于航空发动机气路故障诊断的深度计算模型，属于计算机技术领域，包括如下步骤：(1)对连续航发性能数据进行分割预处理；(2)利用卷积神经网络提取数据对象块的空间特征；(3)利用多层感知机学习数据对象块中的局部非线性特征；(4)利用循环神经网络提取数据对象块中的长时依赖特征；(5)使用端到端的方法，即联合误差反向传播算法，训练深度混合模型。本发明实施考虑航空发动机模型的特点，融合其产生的气路性能数据的空间特性、非线性特性和长时依赖特性，构建航发气路故障诊断模型，并以分类任务作为目标，设计了联合误差反向传播算法用于深度混合模型端到端的训练。

主权项

1.一种用于航空发动机气路故障诊断的深度计算模型，其特征在于，包括如下步骤：(1)对连续航发性能数据进行分割预处理将航空发动机运行产生的以时间序列存储的气路性能数据按时序进行分割，使得原始的数据对象以块的形式进行处理；(2)利用卷积神经网络提取数据对象块的局部空间特征航空发动机的性能参数序列存在空间关联，故障的发生会引起局部多个时序参数的异常，因此利用卷积神经网络抽象空间关系的特性提取航发性能数据中的局部空间特征；卷积神经网络处理数据对象块，经过卷积和池化操作，得到局部空间特征向量；(3)利用多层感知机学习数据对象块中的局部非线性特征通过卷积神经网络得到数据对象块的局部空间特征后，利用多层感知机实现对局部非线性高阶特征的提取；将卷积神经网络提取的局部空间特征向量输入多层感知机，经过隐藏层，再到输出层，来学习数据中的高阶非线性特征，输出层产生的局部高阶特征向量为多层感知机的输出；(4)利用循环神经网络提取数据对象块中的长时依赖特征采用循环神经网络结构对多层感知机输出的局部高阶特征向量进行处理，提取航发性能数据对象中的依赖特征；同时考虑到航空发动机连续运行所产生的性能数据的规模较大，采用长短时记忆单元LSTM作为网络的基本结构体，捕捉性能数据中的长时依赖特征；所述的LSTM可将当前时刻的输入与之前的输入信息同时作为故障诊断的依据，其当前时刻的输出用于故障模式识别；提出一种混合神经网络单元HLSTM，网络单元第一层为卷积网络层，用来提取性能数据中的局部空间特征；以多层感知机作为网络单元的第二层，由上层输出的局部空间特征向量作为感知机输入，来提取数据对象的非线性高阶特征，输出的局部高阶特征向量作为LSTM的输入，模型以循环网络结构组织多层网络，提取性能数据中的长时依赖特征；对同时包含了数据对象块的空间特征、非线性特征和时序特征的深度特征向量，使用softmax多分类器作为输出层对其进行故障模式判别，以此来构建深度网络；(5)采用端到端的方法，即联合误差反向传播算法，训练深度混合模型采用端到端的方式训练所提出的混合深度计算模型，即联合误差反向传播算法对网络参数进行更新、迭代，训练模型产生的系统联合误差反向依次经由输出层、循环网络层、多层感知机层、卷积网络层，在混合神经网络单元中向上传播，以结构风险最小化为训练目标，直至设定的最大迭代次数；所述的联合误差反向传播算法具体为：以最小化交叉熵损失函数为目标，假设给定的数据对象块D_k关于各故障模式类别的真实概率分布为y_k，y_k为一个P维的一维向量，P表示故障模式类别的数量，如果数据对象块隐含有故障模式p，p表示故障模式编号，p从0开始，p<P；那么y_k中对应的第p维的值为1，即其他为0；模型的损失函数定义为：其中，表示第i个数据对象块关于各故障模式类别的真实概率分布向量的第j维的值，相应的表示模型对于第i个数据对象块关于各故障模式类别的预测概率分布向量的第j维的值；ln为自然对数运算符；N为航发产生的性能参数序列数量；K为数据对象块包含的参数序列数量；为了防止过拟合，在损失函数中添加关于模型参数的正则化项λ/2||θ||²，其中λ＞0为参数衰减系数，θ为模型参数；在模型训练过程中，每次迭代通过模型损失函数计算得到的联合误差经输出层反向传播到循环神经网络层，循环神经网络层的误差表示成内部各个门控单元误差的和的形式；误差经循环神经网络层反向传播至多层感知机层，多层感知机本质上为BP神经网路，按照BP算法进行误差的反向传播；误差继续反向传播至卷积网络层，在该层误差需要经过池化层和卷积层，在经过池化层时需要进行上采样操作，作为池化操作下采样的逆过程，由于卷积操作权值共享特性的存在，误差经过卷积层反向传播时，会存在输入数据对象块的多个区域与卷积核权值的更新相关；通过上述联合误差反向传播算法求解损失函数关于模型各网络层的权重矩阵偏置向量的梯度，然后利用随机梯度下降法对参数进行更新，直到设定的最大迭代次数。