基于分量解耦重构的航空发动机异常检测方法及系统与流程

本发明涉及航空发动机异常检测领域，具体涉及一种基于分量解耦重构的航空发动机异常检测方法及系统。

背景技术：

1、航空发动机作为典型的复杂热力机械系统，其运行状态监测依赖于部署在整机及关键部件上的分布式传感器网络，这些传感器能够实时采集涵盖气路、滑油、振动、温度及转速等多维度的海量参数，从而为系统健康状态的精准表征与评估提供数据基础。然而，当前针对这些监测参数的异常检测算法在实际工程应用中仍面临诸多挑战。当前发动机参数异常检测算法往往将时域与频域特征置于同一特征空间内处理，未能充分挖掘二者在物理意义上的本质差异：时域特征如幅值、均值、峰度主要反映信号的能量与统计分布，对突变性冲击敏感；而频域特征如频谱能量分布、边频带结构则能揭示信号内在的周期性成分及其调制关系，对旋转部件的磨损或裂纹更为有效。

2、离散小波变换dwt作为一种先进的多分辨率分析工具，能够有效实现时频域的解耦与分离。不同于傅里叶变换只能提供全局频域信息，dwt通过缩放和平移小波基函数，将原始一维时序信号分解为具有不同频率分辨率的一系列细节分量和近似分量。这一过程本质上是在不同尺度上对信号进行细致的"检视"：高频部分即细节分量具有高时间分辨率，擅长捕捉由突发冲击引起的局部异常特征；低频部分即近似分量则具有高频率分辨率，能够精确刻画信号的整体趋势和周期性调制成分。通过这种机制，dwt能够将航空发动机振动或气路参数中原本混叠的时频信息进行结构化分离，为后续针对不同物理过程如瞬时冲击与旋转调制建立差异化的诊断模型奠定了坚实的基础。

3、卷积神经网络cnn与长短期记忆网络lstm的组合模型，在挖掘监测数据的深层时序依赖与局部敏感特征方面展现出显著优势。在该架构中，cnn凭借其强大的局部感知能力，首先通过卷积核在时间维度上的滑动，自动提取信号中的短时局部特征，如幅值的突变脉冲或波形的细微畸变，这恰好对应于发动机运行过程中发生的突发性异常或早期损伤事件。随后，lstm网络以其独特的门控单元结构，专门负责捕捉时序数据中的长程依赖关系，能够有效记忆并学习参数在较长运行周期内的缓慢退化趋势。这种串行结构的设计，本质上是在特征提取层面实现了对由cnn负责的"突变"与由lstm负责的"渐变"两类不同性质变化的差异化建模，从而提升了模型对复杂工况下健康状态的综合感知能力。

4、空洞卷积dilated convolution技术，则提供了一种在无需增加参数量且不损失时间分辨率的前提下，高效提取信号全局频域特征的新途径。传统cnn通过池化操作增大感受野，但这会不可避免地导致时间分辨率的降低和局部细节的丢失，不利于精确的频域分析。空洞卷积通过在卷积核元素之间引入"空洞"即零值，使得卷积核能够在相同的参数量下覆盖更广泛的时间范围。这种扩张式的感受野增强机制，使得网络可以直接作用于原始或浅层特征，捕捉信号中的长周期成分和低频调制信息。从频域角度看，空洞卷积等效于一种多尺度滤波器组，能够自适应地关注不同频带的能量分布及其变化，特别适用于提取航空发动机旋转部件如轴承、齿轮因磨损或裂纹而产生的复杂边频带调制特征，从而弥补了传统cnn在深层频域建模上的不足。

技术实现思路

1、为了解决上述现有技术的不足，本发明的目的在于提供一种基于分量解耦重构的航空发动机异常检测方法及系统，能够解决传统发动机参数异常检测中的一系列问题，使用先解耦再重构的思路，结合空洞cnn和lstm针对不同信号的特点构建近似分量自编码器和细节分量自编码器，提高发动机异常检测的准确率，实现发动机健康状态的监测。

2、具体地，一方面，本发明提供一种基于分量解耦重构的航空发动机异常检测方法，其包括以下步骤：

3、s1、获得航空发动机目标信号并对航空发动机目标信号进行解耦，得到航空发动机目标信号的近似分量和细节分量；

4、s2、使用近似分量自编码器完成近似分量特征提取并进行近似分量重构，具体包括：

5、s21、定义近似分量自编码器输入数据为，其中，为批次大小，为滑动窗口大小，为输入数据的特征维度，使用一维卷积层对每个窗口内的个特征进行cnn空间特征提取；

6、s22、将卷积层的输出输入到lstm层，使用序列最后一个时间步的隐藏状态作为潜在表示，为：

7、；

8、其中，是激活函数；为一维卷积层；

9、将潜在表示通过全连接层映射到潜在空间维度，得到近似后验分布的均值向量和对数方差向量，为编码器的权重参数；

10、s23、基于近似后验分布通过重参数化技巧采样得到潜在变量，解码器将映射回原始输入空间，重建时间序列的均值和对数方差，并通过最大化变分下界进行优化，得到重构后的近似分量；

11、s3、利用细节分量自编码器完成细节分量特征提取并进行细节分量重构；

12、s4、对重构后近似分量与细节分量进行离散小波反变换得到重构目标信号，以重构目标信号与航空发动机目标信号的差异采用双规则异常检测判断方法对航空发动机异常进行识别，双规则异常检测判断方法包括累积统计量检测规则和3σ检测规则，当任何一个规则判定为异常后，双规则检测器将对应数据点标记为异常点。

13、优选地，s1具体包括以下子步骤：

14、s11、对航空发动机参数信号进行皮尔逊相关性分析，计算各信号间的相关系数矩阵，挑选最能表征发动机故障的参数信号作为异常检测的航空发动机目标信号；

15、s12、采用多层离散小波分解目标参数，经过多层离散小波分解后，每一维原始信号被重构为一组时频分量，每一组时频分量包括一个近似分量和多个细节分量。

16、优选地，s2中使用一维卷积层对每个窗口内的个特征进行cnn空间特征提取：

17、；

18、其中，表示卷积层的输出。

19、优选地，s2中，是权重矩阵，近似后验分布表示为：

20、；

21、其中，为潜在变量；

22、，其中为随机噪声，服从正态分布：，为单位向量，n代表正态分布；为标准差。

23、优选地，s3具体包括以下子步骤：

24、s31、采用多尺度空洞卷积作为细节分量自编码器，根据不同发动机运行特征采取m个并行分支，分别提取轴承点蚀造成的短冲击特征、齿轮啮合造成的中短冲击、局部共振造成的中长冲击以及结构共振造成的长振荡，将m个并行分支进行特征拼接得到综合输出特征，每个分支采取不同的膨胀率；

25、s32、经过多层多尺度空洞卷积后，得到特征图，采用全局平均池化聚合时间维度的信息：

26、；

27、其中，分别是通道数量和时间步；

28、s33、通过全连接层将池化特征映射到潜在空间：

29、；

30、其中，为潜在向量维度，；

31、细节分量编码器的前向传播整体映射函数表示为：

32、；

33、其中，为第层多尺度空洞卷积模块的映射；为细节分量输入；为偏置量。

34、s34、细节分量解码器将潜在空间中的特征进行逆卷积操作，输出重构的细节分量。

35、优选地，s31中膨胀率呈指数增长：

36、。

37、优选地，膨胀率对应感受野分别为：

38、：感受野为k；

39、：感受野为2k-1；

40、：感受野为4k-3；

41、：感受野为8k-7。

42、优选地，双规则异常检测判断方法具体为：将重构目标信号与航空发动机目标信号输入到双规则异常检测器中；利用累积统计量检测规则识别微小但持续的偏差；利用3σ检测规则识别突发冲击事件。

43、优选地，累积统计量检测规则分别构建正向累积统计量与负向累积统计量得出正向偏差和负向偏差，公式定义为：

44、

45、其中，为漂移参数，当且当前残差时，令，其中为衰减系数；

46、3σ检测规则通过计算残差序列的均值与标准差，判定满足的采样点为瞬时突变点。

47、另一方面，本发明提供一种基于分量解耦重构的航空发动机异常检测系统，其包括参数解耦模块、近似分量重构模块、细节分量重构模块以及航空发动机异常检测模块；

48、参数解耦模块用于获得航空发动机目标参数并对航空发动机目标参数进行解耦，得到航空发动机目标参数每一组时频分量的近似分量和细节分量；

49、近似分量重构模块用于使用近似分量自编码器完成近似分量重构；

50、细节分量重构模块用于利用细节分量自编码器完成细节分量重构；

51、航空发动机异常检测模块用于对近似分量、细节分量自编码器的结果进行离散小波反变换，实现对目标信号的重构，以重构信号与实时目标信号的差异来判断异常点，对航空发动机异常进行检测。

52、与现有技术相比，本发明的有益效果如下：

53、（1）本发明的方法针对发动机复杂的故障机理，提出一套可以同时捕捉传感器时序信号在频域和时域特征的算法模型，并结合该模型和异常检测规则实现发动机时序信号的实时异常点标注，提高了传统异常检测算法的精度并优化了异常检测规则，对发动机健康状态评估提供了有力支撑，能够满足航空发动机健康状态动态监测的需求。

54、（2）本发明的方法能够解决传统发动机参数异常检测中的一系列问题，使用先解耦再重构的思路，结合空洞cnn和lstm针对不同信号的特点构建近似分量自编码器和细节分量自编码器，提高发动机异常检测的准确率，实现发动机健康状态的监测。

55、（3）本发明的方法在判定异常点时，给出一套双规则的实时异常检测判定方法。一方面用累积统计量检测规则统计正负向累积偏差，一方面用3σ检测规则识别超阈值的异常点，提高异常检测的准确率，在实时检测中降低虚警和漏报的概率。