一种航空发动机压气机旋转失速实时预警方法

本发明涉及一种特征融合和轻量化故障诊断方法及其在航空发动机压气机旋转失速方面的应用，涉及智能故障诊断。

背景技术：

1、随着机器学习和深度学习的快速发展，智能故障诊断在航空航天领域得到了广泛应用。智能故障诊断的优势在于能够通过先验知识和实时传感器信号实现实时监测和自动诊断，显著提高了故障诊断的准确性和效率，同时避免了手动诊断带来的主观性和误判。此外，基于深度学习和神经网络的智能故障诊断向操作员提供及时的故障信息和操作建议，帮助他们对故障采取及时准确的行动或措施，从而降低飞行安全风险。

2、近年来，随着航空动力系统对性能的追求，对更先进、更可靠的压气机旋转失速预警系统的需求持续增长。压气机旋转失速是导致发动机失速和故障的关键现象，通常发生在极短时间内。压气机旋转失速预警对模型的实时响应性要求很高，这对智能故障诊断的执行速度是极大的挑战。本发明旨在研究一种在保证精度的基础上尽可能提升模型执行速度的新的智能故障诊断方法，用于航空发动机压气机旋转失速实时预警。

3、随着航空动力系统复杂性的增加，传感器的工作环境更加恶劣，因此有必要考虑传感器故障。为了解决传感器故障这一问题，现代航空动力系统主要采用硬件冗余和分析冗余两种方式来提高智能故障诊断的容错能力。硬件冗余包括使用多个传感器从同一部件收集相同物理量的信号，从而提高信号采集的稳定性。对于利用硬件冗余的航空发动机部件，如进气道和压气机，在设计智能故障诊断方法时，多传感器融合策略至关重要。目前应用于航空发动机智能故障诊断的多传感器融合主要有三种策略：数据层融合、决策层融合(df)和特征层融合(ff)。

4、在现有的研究工作中，精度的提高往往是基于模型结构的扩展和网络层的增加，导致模型占用了大量的参数和计算复杂度。尽管现有的方法可以在离线时在高计算能力的gpu上运行，但应用于实时机载cpu告警任务时，该模型的执行时间过长，这可能会影响实际告警时间，甚至导致无法提供及时的告警信号。考虑优化网络结构，并为实时机载压气机旋转失速警告任务设计一种轻量级智能故障诊断方法，以提高网络的训练和执行时间，同时保持相同的预测精度，从而为模型的机载转换做好准备。

5、总之，为了应对机载压气机旋转失速实时预警任务中多传感器融合和轻量级设计的挑战，本发明希望提出一种新的基于注意力机制的多传感器特征融合轻量级网络。

技术实现思路

1、技术问题：

2、为改进现有航空发动机压气机旋转失速预警任务中模型执行时间过长和传感器故障的问题，本发明旨在提出一种结合注意力特征融合策略和轻量化神经网络的航空发动机压气机旋转失速预警方法，可以在实时机载cpu上快速执行航空发动机压气机旋转失速预警任务。

3、技术方案：

4、本发明提出一种航空发动机压气机旋转失速实时预警方法，其中涉及一种新型的神经网络aff-lwnet。该方法所提出的深度神经网络架构始于一个基于注意力机制的特征融合模块，aff模块。aff模块从不同的传感器输入中提取并融合特征，可用于自动化筛选故障传感器。它为来自正常有效运行的传感器的信号分配更高的权重，同时淡化来自故障或异常传感器的信号，实现多传感器数据的高效特征融合。随后，采用深度可分离卷积的两个轻量化神经网络单元进行进一步的特征提取，这两个轻量化神经网络单元被命名为lwnet。最后，使用多层感知机输出分类结果。当压气机的实时机载动态压力信号输入到模型中时，aff-lwnet在每个时刻提供瞬时失速分类结果，形成压气机旋转失速警告信号。

5、首先，简要介绍一下本发明涉及的轻量化神经网络lwnet和通道注意力机制se模块等预备知识，然后再具体描述本发明提出的aff-lwnet进行压气机旋转失速预警的过程。

6、1)轻量化神经网络lwnet

7、本发明所提出的轻量化神经网络(lwnet)是一种计算效率极高的卷积神经网络架构，专门为计算能力非常有限的移动设备设计。该网络结构利用了通道打乱、深度可分离卷积和通道分离技术，在大大降低计算成本的同时提高了分类精度。

8、深度可分离卷积主要分为两个过程，分别为逐通道卷积(dwconv)和逐点卷积(pwconv)。dwconv与常规卷积操作的不同之处在于，常规卷积操作每个卷积核同时操作输入张量的每个通道，而dwconv每个卷积核只操作单个通道。pwconv指卷积核尺寸为1×1的卷积操作。dwconv和pwconv的叠加可以获得和普通卷积相同的效果，如图1所示。

9、为了从复杂性的角度量化深度可分离卷积的计算优势，比较了两种卷积运算的浮点运算(flops)。flops是指计算机或计算设备执行浮点计算所需的操作次数。它通常用于测量计算设备的计算能力和性能，特别是在人工智能和深度学习领域，以评估模型的复杂性和计算要求。

10、对于一个尺寸为h×w×c的输入，要完成卷积核为kh×kw，步长为p，间隔为s，输出通道为c′的卷积操作，对比dsconv和conv的flops。各操作的flops计算公式如下：

11、

12、

13、

14、

15、标准卷积和深度可分离卷积之间的flops比值计算如下公式：

16、

17、对比可知，与标准卷积相比，深度可分离卷积表现出显著更低的flops。此外，随着输出通道数量的增加，两种方法之间的差异也会放大。例如，考虑输出通道大小为64的3×3卷积运算，标准卷积的flops将为576，而深度可分离卷积的flops将为73，导致比标准卷积小近8倍。这一发现表明，用深度可分离卷积代替标准卷积可以有效降低计算复杂度，尤其是在更复杂的网络中。

18、lwnet主要由两个单元组成，如图2所示。其中(a)单元使用步长为2的dwconv使输入张量的长和宽减少为原来的一半，在特征提取的同时完成降采样工作。(b)单元的dsconv步长设置为1，主要用于更好地学习输入的特征。通道打乱通过几个常规的张量操作实现特征张量不同通道间的通信和信息融合，一定程度上可以解决分组卷积导致的全局信息丢失的问题。

19、与传统的分类神经网络相比，如resnet和mobilenet，lwnet被认为可以在保持精度的同时显著降低计算复杂度。

20、2)通道注意力机制及注意力特征融合aff模块

21、通道注意力机制是深度学习模型中采用的一种技术，通过选择性地关注重要通道来提高其性能。它通过学习通道之间的相互依赖性并相应地调整分配给每个通道的权重来实现这一点。在深度学习的背景下，通道通常用于表示输入数据的不同特征或方面，例如图像中的颜色通道。然而，并不是所有通道都对最终任务有同等的贡献，或者包含同等的信息功能。通道注意力机制旨在通过根据每个通道与手头任务的相关性动态地为其分配权重来解决这一问题。通过这样做，该模型可以有效地关注信息量最大的渠道，从而提高模型的整体表示性和性能。

22、se模块是近年来计算机视觉领域中常用的通道注意机制模块。它可以模块化地嵌入到其他深度神经网络中。se模块的核心思想是通过学习通道之间的关系来调整每个通道的学习权重。它由两个模块组成：squeeze和excitation，如图3所示。

23、在squeeze步骤中，se模块通过全局平均池化操作将每个通道的特征图压缩为标量值。该标量值表示每个通道的全局重要性。在excitation步骤中，压缩特征通过完全连接层映射到较小的维度，然后通过激活函数relu和sigmoid分别进行变换。该激励值表示每个通道的权重，用于调整通道特征的重要性。最后，将调整后的通道特征与原始特征相乘，得到加权特征表示，从而增强了模型对重要通道的关注度。

24、se模块在计算机视觉领域有着广泛的应用。它学习通道重要性的能力与多传感器特征融合的目标非常一致，在多传感器特征中，可以学习不同传感器对模型的重要性。可以考虑将se模块应用于多传感器特征融合，以了解不同特征的重要性。

25、飞机发动机压气机的信号采集需要多个动态压力传感器的圆周布置。然而，这些传感器通常表现出信号采集能力的差异。例如，一些位置可以更早地检测到失速的前兆，而另一些位置可以稍后检测到它们。特别是当一些传感器出现故障或行为异常时，如果没有在神经网络中正确注释或选择，可能会导致模型的错误诊断，大大降低模型的可靠性和性能。

26、不同传感器的特征提取和选择会对模型的分类结果产生重大影响。通过将通道注意力标量值分配给不同的传感器通道，该模型可以学习不同传感器在特征提取中的重要性，为功能正常的传感器分配更多的学习权重，并减少对故障或异常传感器信号的依赖。这完成了来自多个传感器的特征在特征级别上的融合。对于多个传感器输入，传感器特征对应于输入张量的通道。通道注意力模块用于在特征级别融合来自多个传感器的信号。对用于多传感器特征融合任务和轻量级目标的se模块进行了改进。

27、由于平均池提供了更平滑的特征提取，se模块采用全局平均池来学习图像的特征。然而，平均池化操作的缺点是边缘特征的丢失，这些特征对于压力信号的时频图像特别重要。最大池化操作的优点是能够捕捉图像中的重要边缘特征，这对于分析压气机中压力信号的时频图像至关重要。为了获得更完整的通道注意力和图像边缘的重要特征，对原始se模块进行了改进，同时使用平均池化层和最大池化层来提高网络的表示能力。

28、将原来的两个张量的乘法运算改为加法运算，以进一步降低计算复杂度。在两个池化层之后，使用完全连接层来生成通道注意力图。此外，在cpu计算中，relu激活函数等元素操作显著增加了模型的计算和执行时间，尤其是在轻量级网络中。为了满足轻量级网络和多传感器特征融合的要求，减去了全连接层的relu激活函数。提出了一种适用于轻量级网络的注意力-特征融合块，并命名为aff块，如图4所示。

29、aff块的输出计算如下：

30、xout＝σ(w1(w0(pavg(xin))+w0(pmax(xin)))#(6)

31、其中xin为输入数据，xout为输出数据，pavg和pmax表示平均池化和最大池化操作，w0∈rnc/r×c和w1∈rc×nc/r是全连接网络的权重，σ表示sigmoid函数，n表示传感器数量(输入特征维度)，c表示通道数，r表示通道比例。

32、基于所提出的lwnet和aff模块，本发明构建了一种用于航空发动机压气机旋转失速预警的轻量化特征融合神经网络并命名为aff-lwnet，如图5所示。经过时间窗口分割和cwt变换后的动态压力信号时频图像被输入aff-lwnet，首先经过一个卷积核为3×3的常规卷积操作，随后输入嵌入的aff模块，在(a)单元中经过两次深度可分离卷积，通过叠加操作后进行通道打乱，其输出经过未改动的(b)单元完成另一次深度可分离卷积。最后，经过一个全连接层输出一个一维向量，表示压气机运行状态。

33、本发明基于所提出的aff-lwnet网络，构建了一种航空发动机压气机旋转失速实时预警方法。该系统利用大量的本地历史飞行数据和试验台数据来训练网络参数，并建立航空发动机压气机的实时失速预警模型。该系统主要分为三个模块：训练模块、测试模块和实时执行模块，其流程如图6所示，包括以下步骤：

34、步骤1：搭建地面台架试验平台，收集压气机各转速下各传感器的动态压力信号，完成动态压力信号采集；

35、步骤2：通过cwt时频变换将一维动态压力信号转化为时频图像，并按照7：3的比例划分训练数据集和测试数据集；

36、步骤3：在训练模块中初始化aff-lwnet网络参数，在gpu上基于训练数据集完成aff-lwnet网络的训练；

37、步骤4：在测试模块中使用测试数据集，在cpu上执行训练得到的aff-lwnet网络，测试精度和模型执行时间，若达标，进入下一步，反之，返回步骤3继续训练；

38、步骤5：在实时执行模块中使用实时采集信号进行模型执行，当压气机出现失速情况时，模型输出预警信号，提示操作员和航空动力系统采取消喘或防喘措施。

39、有益效果：

40、1)结合多传感器融合和轻量化网络设计，构建了一种基于aff-lwnet网络的压气机旋转失速实时预警方法，且具有优异的性能。

41、2)开发了一个基于注意力的特征融合模块aff模块，该模块在多传感器融合中表现出出色的性能，即使在存在一些传感器故障的情况下也能确保良好的失速警告结果。

42、3)整个网络架构采用轻量级原理设计，在保持准确性的同时确保了高推理速度，为机载模型部署提供了有利条件。

43、本发明提出的工作可以被视为航空航天领域智能故障诊断的通用工作流程。未来，它可以考虑应用于其他具有轻量级和多传感器融合需求的智能故障诊断任务。