申请/专利权人：南京航空航天大学

申请日：2024-04-18

公开（公告）日：2024-07-05

公开（公告）号：CN118296323A

主分类号：G06F18/20

分类号：G06F18/20;G06F18/214;G06N3/0464;G06N3/0442;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种基于卷积神经网络和双向长短期记忆网络CNN‑BILSTM的航空发动机气路故障诊断方法。包括：步骤1，采集航空发动机飞行包线内不同工作点的气路故障数据，对数据进行归一化处理，通过滑窗操作生成包含时序信息的二维数据样本，再将故障数据集划分为训练集和测试集：步骤2，构建CNN‑BILSTM融合神经网络，作为航空发动机气路故障诊断模型，并将训练集输入故障诊断模型进行训练；步骤3，将测试集数据输入步骤2训练完成的模型，对不同工作点不同故障类别进行诊断。本发明克服了卷积神经网络提取特征缺少时间关联性以及双向长短期记忆网络难以提取深层特征的缺点，对飞行包线内工作点差异具有较强的适应性，有效提升了故障诊断模型精度及稳定性。

主权项：1.一种基于CNN-BILSTM的航空发动机气路故障诊断方法，其特征在于包括以下步骤：步骤1：采集航空发动机飞行包线内不同工作点的气路故障数据，对数据进行归一化处理，采用有助于提升模型泛化能力的平滑独热码标签，通过滑窗操作生成包含时序信息的二维数据样本，再将故障数据集划分为训练集和测试集；步骤2：构建CNN-BILSTM融合神经网络，作为航空发动机气路故障诊断模型，并将训练集输入故障诊断模型进行训练；步骤3：将测试集数据输入步骤2训练完成的模型，对不同工作点不同故障类别进行诊断，并计算测试集诊断准确率、损失函数值和标准差，同时使用混淆矩阵和t-SNE技术对故障诊断效果进行直观展示。所述步骤2包括以下具体步骤：1将训练集数据输入到基于CNN-BILSTM的航空发动机气路故障诊断模型中，先经过卷积神经网络提取传感器数据深层特征，再经过双向长短期记忆网络提取时间关联性，在输出层得到故障预测值；2计算故障预测值和实际故障标签的交叉熵函数均值，作为气路故障诊断模型的损失函数，通过Adam随机梯度下降算法反向传播优化模型参数，直至达到设置的最大训练回合数。所述步骤1中，基于CNN-BILSTM的航空发动机气路故障诊断模型采用的是将CNN和BILSTM进行前后串联的结构，具体包括：在输入层发动机数据采用批量输入，单个输入是k×num的矩阵，其中k为时间步数，num是特征数；CNN结构由卷积核分别为1，1、5，1和1，3的3个卷积操作组成；之后是BILSTM层，每个LSTM层包含50个神经元；BILSTM层之后是拼接层，将两层LSTM的输出值按最后一个维度拼接；拼接层之后是两个全连接层，第一个全连接层的尺寸是1×100，第二个全连接层尺寸与发动机状态类型数相一致；最后是Softmax输出层，其输出是对应发动机状态的概率。

全文数据：

权利要求：

百度查询： 南京航空航天大学 基于CNN-BILSTM的航空发动机气路故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD