首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种针对航空发动机故障预测的脉冲回声状态网络模型 

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:大连理工大学

摘要:一种针对航空发动机故障预测的脉冲回声状态网络模型,属于航空发动机故障诊断技术领域。1获取飞机飞行各架次的各种传感器信号,选择数据的适当样本特征;对各状态数据进行预处理,根据故障标签划分数据段组成样本集;2构建包含脉冲输入层、脉冲储备池、训练输出层的脉冲回声状态网络;3利用航空发动机数据样本集训练脉冲回声状态网络模型,利用训练好的脉冲回声状态网络模型计算训练集和测试集的预测结果;4将预测结果提供给航空发动机检测预警设备使用。本发明能够自动根据航空发动机运行规律给出运行状态的未来发展趋势,准确预测出航空发动机短期内各性能参数指标变化情况,用于辅助机组判断航空发动机是否会发生故障,使故障预警更加智能化。

主权项:1.一种针对航空发动机故障预测的脉冲回声状态网络模型的构建方法,其特征在于,包括如下步骤:步骤S1:数据样本特征选择首先,使用航空发动机上的多组传感器,采集飞机飞行多架次的各种运行状态数据;每一种运行状态数据代表一个特征变量,其数据形式为一维数据序列;然后,利用传统的经验判据方法确定采集到的数据序列中发生故障的时间,将序列中的故障标签列出;最后,使用MATLAB数据分析方法,观测每一维数据在故障标签附近各参数数据的波动,选取航空发动机运行过程中与故障发生相关程度高的特征变量用于故障预测;步骤S2:样本预处理针对航空发动机运行中产生的多种故障类型,使用步骤1中挑选出的特征变量数据分别建立多个数据集,以构建用于各种故障预测的脉冲回声状态网络模型样本集,具体如下:首先,对步骤1中挑选出的特征变量数据进行预处理;然后,根据步骤1中列出的故障标签,从数据中划分出包含同一种故障的多个数据段,要求每个数据段中故障发生前后采样次数均不低于4000次,对每种故障重复操作可以得到属于不同故障类型的多个数据段;其次,将属于每一种故障的每个数据段标记基本信息,并存储至数据库;最后,针对某一种故障,从数据库中,选择属于该故障类型的一个数据段作为脉冲回声状态网络模型的训练样本集Xtrain,选择剩余数据段的其中一个作为测试样本集Xtest;步骤S3:构建脉冲回声状态网络模型对脉冲回声状态网络Spike-ESN进行了改进,改进之处为:在输入层中加入脉冲编码机制,形成脉冲输入层;在储备池中加入脉冲激活函数,形成脉冲储备池;即采用的脉冲回声状态网络Spike-ESN由脉冲输入层、脉冲储备池和训练输出层组成,使用步骤2中获得的训练样本集Xtrain建立模型;所述的步骤S3模型具体如下:1脉冲输入层所述脉冲回声状态网络在t时刻的输入信号和输出信号分别记为ut和yt;将训练样本集Xtrain中的各维数据分别用于建模,采用其中一维数据进行说明,将该维数据序列记为[a1,a2,...,at]T,t为该维数据的采样时间;定义数据at预测数据at+i时预测步长为i,则在脉冲回声状态网络模型中,当预测步长为i时,输入信号ut为at,输出信号yt为at+i;脉冲输入层的作用是将输入信号ut转化为脉冲序列,可以表示为式1; 式1中,fin·为脉冲输入层的转化函数,ttime为脉冲神经元对于同一数值的脉冲采样次数,在规定Spike-ESN网络的脉冲采样次数后,每个输入数据都将变成等长的脉冲序列,脉冲序列的格式为以脉冲采样次数为长度,每个元素为1或0,代表激活或抑制;数值产生脉冲序列泊松分布如公式2所示; 式2中,k表示事件发生次数;γ为泊松分布的总体均值和方差,分布的实际意义可以表示为,观察事件平均发生γ次的条件下,实际发生k次的概率;输入数据的数值大小决定了生成脉冲间隔的平均值γ,再根据泊松分布生成脉冲序列; 式3中,κt表示ut产生脉冲的平均间隔数;将κt代入式2中,根据泊松分布随机生成得到ttime个间隔数,即对每个输入数据以间隔数生成脉冲序列; 式4中,uit为脉冲化序列中的元素;k表示脉冲元素“1”的次序;i表示脉冲元素“1”在脉冲序列中位置;2脉冲储备池脉冲储备池是一个由很多神经元随机连接组成的稀疏网络,通过调整网络内部权值的方法可以达到记忆数据的功能;将脉冲储备池的脉冲神经元数量记为Nres,内部状态信号记为xt,随机固定内部权重为Wres,则脉冲储备池生成过程如式5所示; 式5中,λmaxW是矩阵W的最大特征值;W是在区间[-1,1]上根据均匀分布随机生成的稀疏矩阵,其稀疏度为η,代表矩阵W内部非零元素的比例;谱半径ρ是决定Wres生成的重要控制参数,代表Wres最大特征值的上界;脉冲储备池的状态转移方式为式6和式7;xt=tanhWinfspikeut+Wresxt-16 式6中,Win为储备池的输入权重矩阵,依均匀分布在[-1,1]区间上产生;tn为从开始观察到结束观察的时间数列;tspike为finut脉冲数据化后的脉冲序列间隔;fspike·是脉冲激活函数;τ为脉冲激活函数的整体缩放因子;xt表示内部状态信号;3训练输出层将内部状态信号进行整合,获得采集状态矩阵[·,·]表示状态间水平连接,Spike-ESN的输出向量可以表示为式8; 式8中,Wout是输出权重;步骤S4,训练脉冲回声状态网络模型采用回归方式训练步骤3中生成的模型,即计算Wout,目标函数为式9; 式9中,||·||2表示L2正则化范数,λ为正则化系数;使用岭回归方法求解目标函数,可以表示为式10; 式10中,正则化系数λ取小于0.01的正数;步骤S5:测试并调整脉冲回声状态网络准确率将测试样本集Xtest按步骤3中的公式1-公式8进行模型预测,公式8输出结果与真实结果进行对比,调整脉冲回声状态网络模型参数,并重复步骤S1-步骤S4,测试模型准确度是否达到要求;步骤S6:利用训练好的脉冲回声状态网络模型预测故障数据将预警各种故障类型的脉冲回声状态网络装载到航空发动机的检测预警设备中,传感器数据作为设备输入,检测预警设备进行实时计算,预测航空发动机在未来短期时间1-2s内的状态数据;利用预设经验判据对设备中的预测数据进行判定,若设备从预测数据中检测到异常数据,则会发出故障预警警报,根据故障类型给出预设好的操作建议供机组人员采用。

全文数据:

权利要求:

百度查询: 大连理工大学 一种针对航空发动机故障预测的脉冲回声状态网络模型

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。