一种基于IWOA优化BP的航空发动机故障模式建模与检测方法与流程

本技术属于航空发动机故障检测，特别涉及一种基于iwoa优化bp的航空发动机故障模式建模与检测方法。

背景技术：

1、目前对航空发动机的故障建模通常采用两种方法：机理模型和数据驱动。

2、但非线性数学机理模型的建立存在许多困难，主要包括以下几点：

3、1)模型参数个数未知，且求解十分困难；

4、2)计算量大，复杂程度过高；

5、3)收敛速度过于缓慢，不利于性能参数的实时在线监测；

6、4)模型泛化性与自适应性难以保证，一旦更换发动机，模型的监测精度不能得到保障。

7、而航空发动机运行状态复杂多变，且多架次之间相似度低，采用机理法建立的发动机模型不适于健康管理系统使用。

8、而近年来兴起以数据驱动进行建模的方法可以在不知道发动机模型的前提下，仅利用实验测量数据进行建模，能够有效地避免非线性数学机理模型存在的参数求解困难等问题。基于数据驱动的故障检测技术其目的在于自动检测被监控设备的故障模式，并在学习特征与被监控机器的健康状态之间建立桥梁，进而可以取代传统的故障检测方法。通过这种检测方式，可以节省人力、避免计划外停机，亦能够缩短维护周期。

9、鉴于航空发动机参数的高维性和数据量大的特点，基于数据驱动的故障检测在航空发动机故障检测中具有很大的优势，可以根据不同的发动机故障情况实现自适应学习和优化检测效果。尽管基于数据的智能检测方法经过大量的研究已经取得了很好的效果，但是这些方法还是有很多限制。例如传统的采用bp神经网络进行故障检测的方法中，对其初始权值和阈值选取不稳定，随机性很大，这就导致预测结果陷入局部极小。

技术实现思路

1、本技术的目的是提供了一种基于iwoa优化bp的航空发动机故障模式建模与检测方法，以解决或减轻背景技术中的至少一个问题。

2、本技术的技术方案是：一种基于iwoa优化bp的航空发动机故障模式建模与检测方法，所述方法包括：

3、获取航空发动机正常运转时传感器测得的数据形成正常数据集，对正常数据集进行皮尔逊相关性分析，剔除正常数据集中相关性较大的输入或输出参数形成精简数据集；

4、将精简数据集中的输入和/或输出参数进行故障处理以形成表征发动机不同故障的故障模拟数据集，对故障模拟数据集进行划分得到故障模拟训练集和故障模拟测试集；

5、对划分后的故障模拟数据集数据进行归一化处理；

6、建立基于bp神经网络的发动机故障模式模型，通过所述故障模拟训练集对bp神经网络的发动机故障模式模型进行训练而得到均方误差，将所述均方误差与设定的理想均方误差做比较，以此获得bp神经网络的最佳隐藏层节点数；

7、以最佳隐藏层节点数构建bp神经网络并确定bp神经网络的结构以及连接神经元的初始权值和初始阈值；

8、基于iwoa对bp神经网络进行优化，获得用于bp神经网络的最优权值和最优阈值；

9、以最优权值和最优阈值再次构建bp神经网络下的航空发动机故障模式模型，通过故障模拟测试集对优化后的bp神经网络建模下的航空发动机故障模型进行测试，判断优化后的bp神经网络建模下的航空发动机故障模型是否满足要求；

10、当航空发动机故障模型的要求满足时，通过优化后的航空发动机故障模型对航空发动机实际运转过程中产生的包含故障数据和正常和故障数据集进行异常检测，通过根据均方根误差是否满足要求，实现航空发动机故障模式的检测。

11、在本技术优选实施方式，对正常数据集进行皮尔逊相关性分析的过程包括：

12、两个参数变量之间的皮尔逊相关系数定义为两个参数变量之间的协方差和标准差的商，公式如下：

13、

14、式中，pccx,y为参数变量x、y的皮尔逊相关系数，cov为协方差，x、y分别为参数变量，σx、σy分别为参数变量x和参数变量y的标准差，e为期望，μx、μy分别为参数变量x和参数变量y的期望。

15、在本技术优选实施方式，在对输入和/或输出参数进行故障处理的过程中，通过将某一个或多个输入和/或输出参数进行拉偏预定百分比，从而表征或模拟某个故障模式。

16、在本技术优选实施方式，通过iwoa对bp神经网络进行优化的过程包括：

17、在鲸鱼优化算法中，鲸鱼的位置是一个局部解，鲸鱼捕获猎物的位置是全局最优解，鲸鱼捕猎行为分为搜寻猎物、包围收缩猎物和泡泡网攻击猎物；

18、1)搜寻猎物：对于全局搜索能力，种群需要随机选择一个可行解来扩大搜寻范围，数学模型为：

19、

20、式中：t为当前迭代次数；x(t)、x(t+1)分别为当前、下一刻鲸鱼的位置；xrand(t)为随机选择的鲸鱼位置；a表示的是(0，2)区间内的一个数值，r表示的是(0，1)区间内的一个随机数；d为包围步长；c、a为系数向量；当系数向量|a|≥1时，进行随机寻找猎物活动；因为数值a是随着迭代次数的增加从2递减至0，所以当系数向量|a|＜1时，就会进行局部寻找猎物行为；

21、2)包围收缩猎物：鲸鱼群在寻找猎物过程中，将当前的最佳解作为目标猎物，并使种群中其他个体靠近目标猎物来更新位置，数学模型为：

22、

23、式中：x*(t)为当前的全局最优个体位置；假设x*是目前得到的最佳解的位置向量即距离猎物最近的位置，则鲸鱼会根据x*的位置进行收缩包围活动；

24、3)泡泡网攻击猎物：鲸鱼在捕食猎物时，沿着螺旋形路径逐渐缩小包围圈，紧逼猎物，且不断吐出气泡，形成螺旋形状的泡泡网，数学模型为：

25、

26、式中，g用来定义螺旋线形状；l为[-1,1]的随机量；

27、通过步骤2)和步骤3)可知，局部寻找猎物存在两种行为即包围收缩猎物和泡泡网攻击；选择概率p判断鲸鱼应该进行包围收缩猎物行为还是泡泡网攻击猎物行为；如果选择概率p小于p*，则先进行包围收缩猎物行为，否则就选择泡泡网攻击行为；当进行局部寻找猎物行为后，鲸鱼相应会更新下一次迭代次数的位置：

28、其中，p*是(0，1)区间内的随机数；

29、因为基本的woa依赖于初始种群的参数且基本woa是随机产生初始种群，使用sine混沌映射对种群初始化，使初始种群变得更加合理化多样化；

30、sine混沌映射种群初始化具体计算公式如下：

31、

32、其中，x'()表示最终的种群；lb表示个体参数的下界，ub表示个体参数的下界，b表示控制系数，可取[0，4]；

33、因为收缩包围收缩猎物行为和攻击猎物行为均属于局部寻优；为了防止算法后期陷入局部最优，将粒子群算法中的惯性权重应用到鲸鱼算法中，使用自适应调整权重，其权重方程如下所示：

34、

35、原来的包围收缩猎物方程将改为如下的数学方程式：

36、x(t+1)＝w×x*(t)-a·d

37、原来的攻击猎物方程将改为如下的数学方程式：

38、x(t+1)＝w×x*(t)+d·egl·cos(2πl)

39、取选择概率p*为0.5，所以最终的包围收缩猎物和攻击猎物方程改为如下方程式：

40、

41、在本技术优选实施方式，根据均方根误差进行异常数据检测的过程为：

42、将故障数据和正常数据差值的均方根误差作为阈值，若差值大于此阈值则将其看作故障数据，阈值的计算公式为：

43、

44、其中，n为样本数目，δi为故障数据与正常数据的差值。

45、本技术提供iwoa-bp的航空发动机故障模式建模与检测方法具有如下优点：

46、1)针对基本鲸鱼优化算法存在的比较容易陷入局部最优的问题，本技术中使用了sine混沌映射种群初始化和增加自适应权重策略对基本的鲸鱼算法进行改进；

47、2、针对基本鲸鱼算法存在的收敛速度慢的问题，本技术运用了两种方法减少鲸鱼算法程序运行时间：

48、1)由于在航空发动机领域，会有大量的数据和多种输入/输出，本技术首先分别对数据的输入和输出进行了皮尔逊相关性分析，剔除掉相关性较大的数据，减少输入输出的数量，降低数据维度，以此减少鲸鱼算法的迭代次数，进而增加了鲸鱼算法的运行速度；

49、2)本发明首先设置隐藏层节点数＝2×输入层+1，通过对数据的训练而得到的均方误差作为该隐藏层节点数是否是最佳隐藏层节点数的标准，若由训练得到的均方误差小于0.01，则认为设置的隐藏层节点数即为最佳隐藏层节点数，以此自动获取最佳隐藏层节点数来减少鲸鱼算法程序运行时间；

50、3、将故障数据和正常数据差值的均方根误差作为阈值，实现航空发动机的数据异常特征提取，不再需要人为积累大量的经验，从经验中设定阈值，以此保证航空发动机数据异常提取的准确率。