航空发动机性能图像纹理片段划分方法

为了解决深度学习在航空发动机性能异常检测中出现的数据不平衡的问题，在高频次纹理片段对应性能稳定状态、低 频次纹理片段对应异常波动状态的合理假设下，提出了一种航空发动机性能图像纹理片段划分方法。通过研究性能数据空间与 RGB彩色空间的映射，提出高维性能数据图像化。引入分形盒维理论，定义纹理特征维数表征性能图像纹理特征，提出基于高频 次生长树的图像纹理片段划分方法，实现性能图像按纹理出现频次的精细划分，建立正常样本和异常样本数量接近的数据集。选 取多个航段发动机性能数据，与时频图和采样法生成的数据集进行对比验证。验证结果表明：该方法可以生成数量相当且真实 客观的正常样本和异常样本，在ResNet50模型上的准确率达91.72%，减小了数据不平衡对准确率的影响。     

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%。