一种基于极限学习机的迁移学习涡轴发动机气路故障诊断方法

1.本发明涉及涡轴发动机气路故障诊断领域，具体涉及一种基于极限学习机的迁移学习涡轴发动机气路故障诊断方法。


背景技术：

2.航空发动机作为一种高价值设备，是一个结构复杂的气动热力系统。它长期工作在高温、高压、高速等恶劣环境下，必然导致航空发动机结构性能退化，发动机运行状态与运行安全密切相关。因此，对其性能的监控就显得尤为重要。故障诊断作为航空发动机健康管理的关键技术，可以根据监测到的性能参数对部件故障进行定位和诊断，对保障航空发动机健康运行具有重要意义。由于无法获得直接反映发动机部件故障状态的流量、效率等性能参数，只能通过温度、压力、速度等可测参数间接判断发动机的故障，这是航空发动机故障诊断的一大难点。
3.发动机故障诊断技术可分为两大类：模型驱动的故障诊断方法和数据驱动的故障诊断方法。传统的故障诊断技术，即基于模型的故障诊断技术，需要详细的发动机数学模型，但其可靠性随着系统非线性、复杂性和建模不确定性的增加而降低。也就是说，在目前的条件下，要获得发动机精确的数学物理模型是非常困难的。相比之下，目前流行的数据驱动技术更具实用性，尤其是以机器学习方法为代表的智能故障诊断能够挖掘出气路故障与可测参数之间的关系。因此，它被广泛应用于发动机故障诊断。机器学习方法在航空发动机故障诊断领域的广泛使用，显著提高了故障诊断的效果。一般来说，使用机器学习方法进行故障诊断有两个前提：一是机器学习算法使用的训练数据和待判断数据服从相同的分布，即来自同一特征空间；二是有大量有标记的训练实例，包含足够多的知识，可以构建一个性能良好的分类器。这些算法以发动机运行的历史数据作为训练数据，以当前或未来的发动机运行数据作为测试数据。事实上，在发动机故障诊断中，部件性能退化、维修更换、机器安装误差等因素都会导致训练与试验数据存在较大差异，从而导致故障诊断模型的精度随着发动机运行而不断下降。
4.例如，在航空发动机的使用寿命中，整机性能会随着使用时间的增加而下降。当发动机性能下降到一定程度时，其性能不能满足任务要求，达到发动机使用寿命的终点。这个问题称为性能趋势变化。随着发动机性能趋势的变化，历史数据与当前发动机数据的差异会越来越大，用历史数据训练的诊断模型效果会越来越差。由于获取航空发动机故障数据的成本很高，很难在新状态下获取足够的数据对模型进行再训练。
5.迁移学习(transfer learning)的出现一定程度上解决了这一问题。迁移学习旨在通过迁移不同但相关的源域中的知识，提高目标域模型在目标域中的表现，以减少对大量目标域数据的依赖。其主要思想是提取源领域的知识并将其应用到目标领域。一般认为，拥有大量知识和大量标记数据的领域是源领域，是知识转移的源头，只有少量或没有标记数据的目标领域是知识转移的目标。这两个域之间有一些相似之处，但也有很大的差异，这
就是为什么不能直接使用源域的数据。利用迁移学习的方法将源域中包含的信息迁移到目标域，以解决目标域中数据不足的问题。注意，知识转移也可能对目标任务产生不良影响，因此要特别注意源域与目标域之间的相关性和转移方法。在航空发动机故障诊断方面，积累了很多历史数据，这些数据可能是在发动机正常状态下或某一退化状态下采集的，可以作为迁移学习中的源域数据集。当前发动机状态下收集的数据较少时，可以作为目标域数据集。
6.迁移学习方法可以分为四类：基于实例的、基于特征的、基于参数的和基于关系的。基于实例的迁移学习方法主要基于实例加权策略，即考虑在损失函数中为每个源域的样本分配一个权重。基于特征的方法对原始特征进行变换，形成新的特征表示。更准确地说，该方法的目的是通过构造新的特征表示来减小两个域之间的分布差异。最大均值差异(maximum mean discrepancy，mmd)是分布差异度量的代表性度量。基于参数的迁移学习方法在模型或参数层次上迁移知识。基于关系的迁移学习方法主要关注关系领域的问题，这种方法将从源域学习到的逻辑关系或规则转移到目标域。


技术实现要素：

7.发明目的：
8.为了突破当前涡轴发动机气路故障诊断领域的传统智能诊断算法中，面对数据量过少、训练数据和测试数据不属于同分布时，诊断效果较差的局限，本发明将迁移学习应用到涡轴发动机气路故障诊断领域。为了满足气路故障诊断的实时性要求，采用极限学习机作为诊断模型，首先使用源域数据作为训练集，得到一个泛化性能较好的模型，再将模型参数和目标域数据一起加入训练，从而提高在目标域数据缺乏情况下涡轴发动机气路故障的准确度。
9.技术方案：
10.本发明的一种基于极限学习机的迁移学习涡轴发动机气路故障诊断方法，包括如下步骤：
11.步骤1，分别收集退化状态下和非退化状态下的涡轴发动机状态监控传感器数据以及对应的故障状态，每个数据样本为一个数据对；
12.步骤2，将传感器数据归一化并分为两组，一组是非退化状态下的传感器参数数据以及对应的故障状态，作为源域；另一组是退化状态下的传感器参数数据以及对应的故障状态，作为目标域；
13.步骤3，初始化极限学习机模型的参数，随机初始化输入层和隐层之间的权重和偏置w，b，并在后续的训练、测试中保持不变。
14.步骤4，将未退化状态的数据即源域数据作为训练集加入训练，得到训练结果，即隐层和输出层之间的权重
15.步骤5，将退化状态下的数据即目标域数据和步骤4中得到的训练结果一起加入训练，得到最后目标域模型的参数和步骤3中初始化的参数w，b共同构成故障诊断模型。
16.进一步的，步骤1中所述涡轴发动机状态监控传感器数据包括燃油流量、高压轴承转速、压气机出口总温、压气机出口总压、燃气涡轮出口温度、燃气涡轮出口压力、动力涡轮
出口温度和动力涡轮出口压力。
17.进一步的，步骤1中航空发动机故障状态包括压气机故障、燃气涡轮故障和动力涡轮故障。
18.进一步的，步骤1中退化状态是指发动机由于外部环境干扰、变工况条件、运行时间因素影响，发动机气路系统的状态会产生变化，比如压气机流通流量降低，增压能力降低；未退化状态则是指发动机各部件都处于标准状态，能达到设计要求。
19.进一步的，步骤2中源域和目标域所含数据比例设置为100:1，即目标域数据量是源域数据量的1％；
20.进一步的，步骤4中，源域数据作为训练集，使用的模型是极限学习机模型，目标函数为：
[0021][0022]
其中||
·
||f是f范数，e是预测值和实际值之差，βs是隐层和输出层之间的权重，也是要求的结果，cs是常数项，控制正则化项所占比例，ts是源域数据的标签，xs是源域数据，h(xs)使用源域数据和输入层、隐层之间的权重和偏置w，b计算，计算公式为：
[0023][0024]
g(
·
)是激活函数，使用sigmoid函数。目标函数的计算结果为：
[0025][0026]
进一步的，步骤5中将步骤4中所得的计算结果和目标域数据一起加入训练，求解目标域模型的参数，其目标函数为：
[0027][0028]
x
t
是目标域数据，是式(3)的计算结果，目标函数的计算结果为：
[0029][0030]
进一步的，步骤2中传感器数据归一化公式如下：
[0031][0032]
其中x为原始的传感器数据，x
norm
是归一化之后的传感器数据，μ和σ分别表示原始传感器数据分布的均值和方差。
[0033]
有益效果：本发明针对涡轴发动机气路故障诊断领域目标域数据缺乏、数据获取困难等问题，将迁移学习的思想引入涡轴发动机气路故障诊断中，首先将源域数据作为训
练数据，得到训练结果，该结果蕴含源域中的知识，再把该结果和目标域数据一起加入训练，通过这种方式迁移知识，提高目标域数据缺乏情况下的气路故障诊断准确度；利用了相关但是不同领域的数据训练目标域模型，解决了传统气路故障诊断算法在数据量过少、训练数据和测试数据不属于同分布时，诊断效果较差的问题。同时本发明使用极限学习机作为诊断模型，兼顾了气路故障诊断的准确率和实时性。
附图说明
[0034]
图1是本发明涡轴发动机结构图。
[0035]
图2是本发明方法流程图。
[0036]
图3是测试结果混淆矩阵图。
[0037]
实施案例
[0038]
本发明的一种基于极限学习机的迁移学习涡轴发动机气路故障诊断方法，包括如下步骤：
[0039]
步骤1：分别收集退化状态下和未退化状态下的涡轴发动机状态监控传感器数据以及对应的故障情形，每个数据样本为一个数据对，其中包括传感器参数数据以及对应的航空发动机故障状态。发动机传感器数据包括8种传感器数据，分别为：燃油流量、高压轴承转速、压气机出口总温、压气机出口总压、燃气涡轮出口温度、燃气涡轮出口压力、动力涡轮出口温度、动力涡轮出口压力。退化状态是指发动机由于外部环境干扰、变工况条件、运行时间等因素影响，发动机气路系统的状态会产生变化，比如压气机流通流量降低，增压能力降低。未退化状态则是指发动机各部件都处于标准状态，能达到设计要求。航空发动机故障状态分为三类，即压气机故障、燃气涡轮故障、动力涡轮故障。
[0040]
步骤2：数据分为两组，一组是未退化状态下的传感器参数数据以及对应的故障状态，含有大量数据，作为源域使用；另一组是退化状态下的传感器参数数据以及对应的故障状态，数据量较小，作为目标域使用。源域和目标域所含数据比例一般设置为100:1，即目标域数据量是源域数据量的1％。
[0041]
步骤3：初始化极限学习机模型的参数，随机初始化输入层和隐层之间的权重和偏置w，b，并在后续的训练、测试中保持不变。
[0042]
步骤4：将未退化状态的数据即源域数据作为训练集加入训练，得到训练结果，即隐层和输出层之间的权重源域数据作为训练集，其中使用的模型就是传统的极限学习机模型，目标函数为：
[0043][0044]
其中||
·
||f是f范数，e是预测值和实际值之差，βs是隐层和输出层之间的权重，也是要求的结果，cs是常数项，控制正则化项所占比例，ts是源域数据的标签，xs是源域数据，h(xs)使用源域数据和输入层、隐层之间的权重和偏置w，b计算，计算公式为：
[0045][0046]
g(
·
)是激活函数，使用sigmoid函数。计算结果为：
[0047][0048]
步骤5：将退化状态下的数据即目标域数据和步骤4中得到的训练结果一起加入训练，得到最后目标域模型的参数和步骤3中初始化的参数w，b共同构成故障诊断模型。将步骤4中所得的计算结果和目标域数据一起加入训练，求解目标域模型的参数，其目标函数为：
[0049][0050]
x
t
是目标域数据，是式(8)的计算结果，目标函数的计算结果为：
[0051][0052]
本次案例使用的数据来自于某型号涡轴发动机，其结构如图1所示，有以下8种数据：燃油流量、高压轴承转速、压气机出口总温、压气机出口总压、燃气涡轮出口温度、燃气涡轮出口压力、动力涡轮出口温度、动力涡轮出口压力。发动机分为退化状态和未退化状态，正常状态下发动机的压气机和涡轮都处于设计性能下，即效率和流量都是设计值；退化状态时，压气机效率降低流量变小，涡轮效率降低流量变大，具体的变化情况见表1。发动机气路故障分为压气机故障、燃气涡轮故障和动力涡轮故障三类，每一类故障下对应的健康参数变化见表2。另外，考虑到不同外部条件对发动机性能的影响以及算法的泛化性能，通过改变高度和前飞速度得到不同的外部条件，如表3所示。
[0053]
在使用本发明所提供的基于迁移学习的航空发动机气路故障诊断方法之前，首先对原始传感器数据进行归一化处理。归一化处理公式定义如下：
[0054][0055]
其中x为原始数据，x
norm
是归一化之后的数据，μ和σ分别表示原始数据分布的均值和方差。
[0056]
将归一化后的数据按照收集数据时发动机状态分为退化状态和未退化状态数据两组，将未退化状态数据作为源域数据，退化状态下数据作为目标域数据。基于这两组数据进行算法有效性、可行性的验证，方法流程图如图2所示。首先初始化极限学习机模型的参数，即输入层与隐层之间的连接权重和隐层的偏置。然后将源域数据加入模型中进行训练，得到一个通用的一般模型，其计算公式如下：
[0057]
[0058]
最后将一般模型的训练结果和目标域数据一起加入训练，其计算公式如下：
[0059][0060]
为了说明算法的有效性，使用准确率作为衡量算法性能的指标，即预测正确的样本数与预测样本数之比。作为对比，设置了三种基准算法作为对比：
[0061]
1)baseline1:仅使用目标域数据训练传统的正则化极限学习机模型，并用目标域数据作为测试集验证效果。
[0062]
2)baseline2:将源域数据和目标域数据混合一起作为正则化极限学习机模型的训练数据，用目标域数据作为测试集验证效果。
[0063]
3)baseline3:仅使用源域数据训练传统的正则化极限学习机模型，并用目标域数据作为测试集验证效果。
[0064]
对比结果如表4所示，其中mtelm是本发明所提供的的方法，在每种外部条件下加粗字体代表准确率最高。由结果对比可以看出，相比几种基准算法，本发明所提供的方法在缺乏目标域数据且有较多源域数据的情况下，取得了优异的气路故障诊断效果。本发明所提供的算法的混淆矩阵如图3所示。
[0065]
表1退化状态下发动机各健康参数变化情况
[0066][0067]
表2各故障情况下发动机健康参数
[0068][0069]
表3外部条件
[0070][0071]
表3涡轴发动机气路故障诊断效果对比
[0072]