基于ResNet-LSTM的航空发动机性能异常检测方法

为了实现数据驱动的航空发动机性能异常的智能检测,提出了一种基于残差网络（ResNet）-长短期记忆网络（LSTM）的发动机性能异常检测方法。采用发动机性能数据图像化方法,在数据降维的同时,完备保留数据的关联特征和时序特征;以残差单元构建发动机性能异常检测模型,在加深网络结构的同时,消除深层网络梯度消失问题,提高发动机性能图像空间关联特征的提取能力。同时,引入LSTM,提出基于ResNet-LSTM的发动机性能异常检测模型,通过ResNet与LSTM的融合,强化异常检测模型对时序特征的提取,提升发动机性能异常检测的准确率;通过发动机运行数据进行验证。结果表明：在训练集上,该方法的异常检测准确率为94.95%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高10.87%、8.00%、3.23%;在测试集上,该方法的异常检测准确率为92.15%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高11.81%、9.45%、3.78%。     

基于飞行过程数据的航空发动机故障诊断方法研究

针对航空发动机飞行过程数据,结合门控循环单元（GRU）动态网络和深度神经网络（DNN）,提出了一种数据驱动的航空发动机故障诊断结构。首先,从飞行数据中抽取发动机健康数据,并通过一组GRU网络建立发动机在健康状态下的动态模型。其次,通过GRU动态模型的预测值与真实测量信号生成残差信号,残差信号作为DNN网络的输入预测发动机健康参数。最后,通过诊断决策模块实现对发动机的故障检测与识别。使用仿真生成的真实飞行工况数据集对提出的故障诊断系统进行了验证。结果表明,相比于直接使用传感器测量数据,基于GRU网络的残差结构能够大幅提升故障检测和识别性能,故障检测和识别准确率分别可达96.51%和95.06%,并且对训练数据样本数量的依赖性较小,较少的训练样本也能获得很好的预测结果。     

基于图像化变差函数的性能数据异常明别

为提升发动机性能监控的智能化水平，实现性能数据的高效利用，提出了基于图像化变差函数的发动机性能数据异常 判别方法。 通过研究发动机性能数据的标准化修正方法和图像转化方法，将数值型表示的发动机性能数据转化为发动机性能图像。 通过引入变差函数理论，采用 4 方向的变差函数值表示性能特征值，融合不同时刻不同参数的性能数据。 在提取发动机性能图像关 键特征点的基础上，定义性能图像间的差异距离，实现基于变差函数的发动机性能图像异常判别方法，从而实现对发动机性能状态 的判别。 选用若干组实际发动机性能数据对方法进行验证O 验证结果表明:该方法运算高效，实现了高维性能数据的降维和对性能 图像运行状态的分类，从而判别发动机性能数据的运行状态。     

故障机理与领域自适应混合驱动的机械故障智能迁移诊断

航空发动机的健康稳定对于保障飞行器的安全运行具有重要的作用，针对各台发动机建立具备高准确率的智能诊断模型是飞行器稳定运行的关键。现有故障诊断方法在具备故障数据的条件下能取得较好效果，但实际应用中往往因仅含正常数据，无法实现诊断模型的构建。针对该问题，提出一种故障机理与领域自适应混合驱动的机械故障智能迁移诊断方法，该方法首先依据故障机理和源域数据建立旋转机械故障虚拟样本生成模型，再采用目标域正常数据实现生成模型对目标域的自适应，最后通过虚拟样本训练得到目标域故障诊断模型。采用标准数据集和实验室轴承数据对提出方法进行验证，结果表明，提出方法对不同型号轴承诊断时取得88.61%的平均准确率，相比对比方法高41.22%。     

基于图像化变差函数的性能数据异常判别

为提升发动机性能监控的智能化水平,实现性能数据的高效利用,提出了基于图像化变差函数的发动机性能数据异常判别方法。通过研究发动机性能数据的标准化修正方法和图像转化方法,将数值型表示的发动机性能数据转化为发动机性能图像。通过引入变差函数理论,采用4方向的变差函数值表示性能特征值,融合不同时刻不同参数的性能数据。在提取发动机性能图像关键特征点的基础上,定义性能图像间的差异距离,实现基于变差函数的发动机性能图像异常判别方法,从而实现对发动机性能状态的判别。选用若干组实际发动机性能数据对方法进行验证。验证结果表明:该方法运算高效,实现了高维性能数据的降维和对性能图像运行状态的分类,从而判别发动机性能数据的运行状态。     

基于降噪自编码器的航空发动机性能退化评估

针对航空发动机性能退化的形式及规律,提出一种基于降噪自编码器的航空发动机性能退化评估方法。针对采集的航空发动机6个状态监测参数,采用降噪自编码器,利用贪婪逐层训练算法,挖掘各参数对发动机性能的深层影响,提取出更有利于评估的数据特征,进行性能退化评估。将提出的算法与BP(back propagation)神经网络以及支持向量机得到的结果进行测试比较,测试表明:提出的方法准确率有所提高,达到93.5%,具有较强的鲁棒性,在信噪比为10dB时准确率达到84.5%,并且能够防止航空发动机状态监测中小样本过拟合的问题。     

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

航空涡扇发动机全包线平衡流形建模

根据航空发动机相似工作状态原理和非线性系统平衡流形建模原理,提出一种适用于全飞行包线发动机性能仿真的换算平衡流形模型.首先,根据发动机各状态量的换算参数,对航空发动机平衡流形的概念进一步推广,提出换算平衡流形概念.然后,选取高压转子换算转速和飞行马赫数定义二维调度变量,对全包线发动机参量换算平衡流形进行拟合;并在换算参...     

基于监督流形学习的航空发动机振动故障诊断方法

航空发动机故障诊断中一个有挑战性的难题就是如何处理具有高维数、非线性化特点的故障数据,传统模式识别方法很难发现这类数据集的真实结构,导致故障诊断准确性不高。针对这一问题,将一种新兴的非线性维数约简技术——流形学习引入航空发动机振动故障诊断,提出基于监督流形学习理论的航空发动机特征提取与识别方法。该方法首先采用最近兴起的监督局部线性嵌入流形学习算法对蕴含在高维振动故障数据中不同故障的流形特征进行学习,映射到低维嵌入空间以实现故障的特征提取,在降维后的流形特征空间中构造分类器实现故障识别。利用航空发动机转子故障数据对方法的有效性进行了验证,结果表明,该方法显著提高了故障诊断性能,克服了传统的模式识别方法PCA和LDA的不足,并且在训练样本数为每类100的条件下,该方法的平均故障诊断正确率比PCA和LDA分别高出2.93%和7.20%。     

基于MTF-MSMCNN的小样本滚动轴承故障诊断方法

针对样本数量不足以及工况条件复杂导致故障识别精度低下的问题，提出一种基于马尔科夫转移场与多维监督卷积神经网络（Markov transition field and multidimensional supervised module convolutional neural networks, MTF-MSMCNN）的小样本滚动轴承故障诊断方法。采用MTF编码方式将一维滚动轴承信号转化为二维特征图像，使其保留时间相关性；提出多维监督模块（Multidimensional supervision module, MSM），在空间维度和通道维度监测重要故障特征并自适应赋予权重，提升模型捕捉关键特征的能力；将MSM嵌入到卷积神经网络中，构建出MSMCNN模型；通过试验构建复杂工况条件，将MTF图像输入到所提模型进行故障诊断，并运用两种数据集验证模型有效性。试验结果表明，MTF-MSMCNN在每类故障训练集样本仅有10个且在0 dB噪声污染下故障诊断精度依然可达90%左右，对比其他诊断模型，本文所提方法在小样本、变工况以及噪声干扰条件下具有更高的识别准确率、更强的泛化能力以及抗噪性能。