一种飞机发动机瞬态故障检测的方法
【技术领域】
[0001] 本发明涉及故障诊断技术领域，具体为一种飞机发动机瞬态故障检测的方法。
【背景技术】
[0002] 现代飞机的复杂度日益增高，这就导致了人们对能自动检测飞机故障系统的需求 也愈发强烈。这些故障检测系统被设计出来，用以监测飞机在这些系统中的状态，以检测潜 在的故障，从而使得潜在的故障在可能导致更严重的系统故障之前被处理掉，如在飞行中 停机，起飞中止，延误或取消航班等。
[0003] 发动机是飞机中一个特别重要的组成部分，因此飞机发动机的故障检测方法是飞 机故障检测系统中的一个重要组成部分。传统发动机故障检测仅仅局限于那些基于在稳 定状态下采集发动机数据，进而进行故障检测的方法。虽然这些方法能够有效地检测到稳 态运行过程中表现出的故障症状，但是并不能有效地检测出其在稳定状态且无任何症状下 出现故障，即瞬态故障的情况。与此同时，其他故障可能根本不会在稳态运行期间表现出症 状。
[0004] 综上所述，目前的故障检测方法并不能一致地检测出所有可能影响发动机运行的 潜在故障，对于往往表现在发动机启动特性中的早期故障更是如此。因此，现在所需要的就 是，用于检测发生在瞬态条件下，如发动机启动时的改进的故障检测方法。
【发明内容】
[0005] 为了解决现有飞机发动机故障检测中，仅仅局限于基于稳定状态下采集发动机 数据，进而进行故障检测的问题，本发明提出一种飞机发动机瞬态故障检测的方法，采用 马氏自适应Hessian 局部线性嵌入（Mahalanobis Adaptive Hessian Locally Linear Embedding，MAHLLE)和自适应BP神经网络相结合的方法实现飞机发动机瞬态故障的检测。 本发明的特征提取采用了基于MHLLE的流行学习方法，从发动机传感器数据中提取显著 特征。本发明将自适应流形学习和马氏距离学习的优点结合起来，改进了流形学习在数据 降维中的性能，再将降维后的数据应用于分类以提高故障诊断精度。
[0006] 本发明的技术方案为：
[0007] 所述一种飞机发动机瞬态故障检测的方法，其特征在于：包括以下步骤：
[0008] 步骤1 :获取带有故障标签的飞机发动机转速数据；
[0009] 步骤2:以步骤1获取的发动机转速数据中前若干秒数据作为样本集，样本 集合为，其中N为带有故障标签的发动机转速数据的数据组个数，Xi为其中 一组转速数据，Xi中包含η个转速数据点；对样本集合X构建约束点对must-link集 合：M = {(xk, Xj) |xk, Xj均为正常或均为故障状态下的数据}和cannot-link集合：C = {(xm, xn) I xm, Xn为一个在正常状态下，另一个在故障状态下的数据};
[0010] 步骤3:根据主成分分析中固有维数的计算方法，计算N维样本集合的目标维数d， 其中要求前d个维数的累计贡献率达到95%以上；
[0011] 步骤4 :计算约束点对的协方差矩阵，并求出马氏距离矩阵A :
[0012] 步骤4. 1 :计算M集合中的点对的平方距离和：
【主权项】
1. 一种飞机发动机瞬态故障检测的方法，其特征在于：包括w下步骤： 步骤1:获取带有故障标签的飞机发动机转速数据； 步骤2 ; W步骤1获取的发动机转速数据中前若干砂数据作为样本集，样本集合为 X,.}；!,，其中N为带有故障标签的发动机转速数据的数据组个数，Xi为其中一组转速数 据，Xi中包含n个转速数据点；对样本集合X构建约束点对must-link集合： M = {(Xk, Xj) I Xk, Xj均为正常或均为故障状态下的数据}和cannot-link集合： 〇={知。，义。）心，义。为一个在正常状态下，另一个在故障状态下的数据}; 步骤3;根据主成分分析中固有维数的计算方法，计算N维样本集合的目标维数d，其中 要求前d个维数的累计贡献率达到95% W上； 步骤4 ;计算约束点对的协方差矩阵，并求出马氏距离矩阵A : 步骤4. 1 ;计算M集合中的点对的平方距离和：
其中*i是集合M中点对的协方差矩阵，
并计算的秩 r ； 同时计算C集合中的点对的平方距离和：而乂W)，其中
步骤4. 2 ;根据优化形式
s.t. W' W = l 对w进行求解，其中r为求解出的最优解，I是单位矩阵： 步骤4.2. 1 ;若d〉n-r，则进行W下步骤4. 2. 1. 1?步骤4. 2. 1.5,否则执行步骤 4. 2. 1. 6 ; 步骤 4. 2. 1.1;令
A ^ (Ai+A2)/2 ;其中 a。. . .，a d是4的特征值按从大到小排列时的前d个特征值，目。...，目d是的特征值 按从小到大排列时的前d个特征值，符号^表示将后侧值赋给前侧参数； 步骤4. 2. 1. 2 ;若A厂入1> e，则进行下一步，否则直接跳入步骤4. 2. 1. 5, e为误差 常数； 步骤4. 2. 1.3;通过公式
，计算gU);如果gU) > 0,入^〇.5本（入1+入2)，入1户入，否则入^0.5本（入1+入2)，入2^入；
步骤4. 2. 1. 4 ;入^ 0. 5* (入1+入2)，返回步骤4. 2. 1进行判断； 步骤4. 2. 1.5 ;取r= [y。...，Ud]，其中y。...，Wd是d个特征向量，对应的是 (女-2式.)的特征值按照从大到小排列时的前d个特征值； 步骤4. 2. 1. 6 ;取r = ZX [V 1，. . .，vj，其中V = [V。. . .，Vd]，V由之了单方的特征值按 照从大到小排列时的前d个特征值所对应的特征向量组成；Z = [zi，. . .，z"_t]，Z由左、，的 n-r个零特征值所对应的特征向量组成； 步骤4. 3 ;根据公式
得到马氏距离矩阵A ; 步骤5 ;利用K近邻方法对马氏距离矩阵A进行处理，完成样本自适应邻域的选择；其 中K近邻方法的初始参数为km"; 步骤5. 1 ;初始化k = km"，根据马氏距离矩阵A计算样本集合X中各元素之间的马氏 距离，用K近邻方法找到每个样本Xi的最大近邻点集《=[而，…而，义里面的向量从左 到右的顺序按照马氏距离进行升序排列Ik巧I间片2 -韦II心??含II而--Y,. I; 步骤5.2;计算勺奇异值巧
，其中I为单位矩阵，e 为元素为1的向量，式是第i个样本Xi对应的第h个近邻点的奇异值； 步骤5. 3 ;如果>/<;;，则乂,. ^ ，样本自适应邻域选择完成，进入步骤6,其中样本Xi 的自适应邻域选择为Xi，n为判断阔值，0 < n < 1，否则进入步骤5.4 ; 步骤5. 4 ;如果k > kmi。，则删除掉《的最后一列得到X"，WXf-i为样本Xi的新的最 大近邻点集，并且k ^ k-1，然后跳转到步骤5. 2,其中kmh= d+1或者d+2 ;否则进入步骤 5. 5 ; 步骤5. 5 ;计算/( =argmm,;, i, ，并且式^ ，样本自适应邻域选择完成，进入 步骤6,其中样本Xi的自适应邻域选择为X 步骤6 ;将步骤5选好的样本自适应邻域用Hessian局部线性嵌入的流形学习算法计 算，得到样本的目标维数d的特征嵌入； 步骤7 ;将步骤6得到的样本的目标维数d的特征嵌入代入到自适应BP神经网络分类 器中对分类器进行训练，得到训练好的分类器； 步骤8 ;将待测试的飞机发动机转速数据代入步骤7得到的分类器，得到分类结果，并 根据分类结果判断故障是否在瞬态下产生。
【专利摘要】本发明提出一种飞机发动机瞬态故障检测的方法，首先利用基于马氏自适应Hessian局部线性嵌入特征提取器对飞机发动机转速数据提取显著特征；然后，将特征提取后的结果，利用自适应BP神经网络分类器，分析确定故障是否在瞬态下产生；最后，将检测到的故障用一个诊断系统进行处理产生一个维修指导。本发明解决了现有飞机发动机故障检测，仅仅局限于基于稳定状态下采集发动机数据，进而进行故障检测的问题。本发明采用马氏自适应Hessian局部线性嵌入(Mahalanobis Adaptive Hessian Locally Linear Embedding,MAHLLE)和自适应BP(BackPropagation)神经网络相结合的飞机发动机瞬态故障检测的方法，提出一种飞机发动机瞬态故障检测的方法框架，能够有效地提升飞机发动机在瞬态情况下的故障检测性能。
【IPC分类】G06K9-62
【公开号】CN104598926
【申请号】CN201510046045
【发明人】刘贞报, 李洋, 布树辉, 张超
【申请人】西北工业大学
【公开日】2015年5月6日
【申请日】2015年1月29日