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ResNet 18、ResNet34、ResNet50异常检测模型的分别提高11.81％、9.45％、3.78％.