买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京林业大学

摘要：本发明提供一种基于SFA‑GMM‑BID的航空发动机动态健康监测方法，包括以下步骤：对训练数据进行慢特征分析，提取缓慢变化特征，选取健康状态训练数据构建高斯混合模型，并得到模型的参数，利用GMM参数计算测试数据的BID值，描述航空发动机性能退化的过程，为了提高BID指标对航空发动机退化描述的敏感度，在BID的基础上加入EWMA[31]进行平滑，计算训练数据的控制限，对训练数据进行慢特征分析，提取缓慢变化特征，计算测试数据和健康状态GMM之间的BID距离，对BID数据进行滑窗处理，计算相邻窗口数据的最大信息系数。本发明提供的本发明提供一种基于SFA‑GMM‑BID的航空发动机动态健康监测方法，采用慢特征分析的方法提取反映气路状态缓慢变化的有效特征，提高了健康监测的有效性。

主权项：1.一种基于SFA-GMM-BID的航空发动机动态健康监测方法，其特征在于，包括以下步骤：S1、离线阶段S11、对训练数据进行慢特征分析，提取缓慢变化特征；S12、选取健康状态训练数据构建高斯混合模型，并得到模型的参数；S13、利用GMM参数计算测试数据的BID值，描述航空发动机性能退化的过程，为了提高BID指标对航空发动机退化描述的敏感度，在BID的基础上进行平滑；Et＝1-αEt-1+αBIDt；S14、计算训练数据的控制限S2、在线阶段S21、对训练数据进行慢特征分析，提取缓慢变化特征；S22、计算测试数据和健康状态之间的距离；S23、对数据进行滑窗处理；S24、计算相邻窗口数据的最大信息系数，确定遗忘因子，更新滑动窗数据；S25、计算滑动控制限，连续超过10个点进行报警；所述S12中的高斯混合模型包括以下步骤：S121、高斯混合模型是一种基于多个高斯概率密度函数的模型，高斯混合模型采用期望最大算法对高斯分布模型进行训练，表示为： 式中：M为模型中单高斯模型的个数，πm为混合模型中单高斯模型的权重系数，且∑πm＝1；px|θm是第m个高斯分布函数，其均值为μm，协方差矩阵为Sm，记φ＝{π1,K,πm；μ1,K,μm；S1,K,Sm}，公式表示如下： 在经过建模以后，以无故障数据建立健康状态基准GMM模型，采用基于贝叶斯推断的量化指标作为融合指标，以此定量评估航空发动机的健康状态；S122、给定K个高斯分类，Ck为其中的第k个分量，将每个分量出现的概率记为αk，此时，对于测试点xt属于第k个分量Ck的概率可以记为pCk|xt： 式中：αk为先验概率，由建模数据求得，pxt|Ck可表示为： 式中：第k个高斯分量的均值为μk，协方差矩阵为Sk，xt到每个分量Ck的距离可表示为： BID指标为单个测试点的每个分量距离加权求和值，可表示为： 所述S23中的滑窗处理，定义BID所有顺序排列的数据块构成滑动窗口模型，第k个数据窗口表示为：Xk＝[xk+1,xk+2,L,xk+L]T式中：L为窗口的大小，当窗口滑动后，第k+1个数据窗口为：Xk+1＝[xk+L-l,L,xk+L+H]T式中，H为滑动步长，l为自适应丢弃的数据量；所述S23中滑窗大小自适应选择，定义Xk为第k个数据窗口、XH为新增数据窗口，用IXk,XH表示两个变量之间的互信息，设pXk为变量Xk的边缘概率，pXH为变量XH的边缘概率，pXk,XH表示Xk和XH的联合分布概率，那么IXk,XH的计算公式如下： 对于Xk和XH两个数据窗口，在两变量的散点图中绘制网格线，进而划分两个随机变量的数据集，Xk×XH网格以GX,Y表示，p0,L,为横坐标轴上的分割点坐标，q0,L,为纵坐标轴上的分割点坐标，变化p1,L,与q1,L可得不同的网格GX,Y；令maxI{Xk,XH}为不同GX,Y中的最大互信息值，则此分割方式的特征矩阵值为： 最大相关系数为： 将MIC作为旧窗口的遗忘因子，对旧数据进行自适应丢弃，遗忘个数为l＝MIC·L；所述S1中的Et为前t个数据的均值，α为平滑指数，在0.05和0.25之间，选取α值为0.15，可以反映退化趋势。

全文数据：

权利要求：

百度查询： 南京林业大学 一种基于SFA-GMM-BID的航空发动机动态健康监测方法