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%。

Aero-Engine Performance Anomaly Detection Method Based on ResNet-LSTM