CN109000930B - 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 - Google Patents
一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 Download PDFInfo
- Publication number
- CN109000930B CN109000930B CN201810565712.6A CN201810565712A CN109000930B CN 109000930 B CN109000930 B CN 109000930B CN 201810565712 A CN201810565712 A CN 201810565712A CN 109000930 B CN109000930 B CN 109000930B
- Authority
- CN
- China
- Prior art keywords
- data
- network
- denoising
- self
- health factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Of Engines (AREA)
Abstract
一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法,它用于发动机性能退化评估技术领域。本发明解决了传统多传感器数据选择需要依赖复杂信息评价准则,HI构建时提取退化特征需依赖大量信号处理技术及专家经验,有监督训练方式标签选择需依赖人工参与,方法通用性不足的问题。本发明的4个去噪自编码机构建堆叠去噪自编码器来对输入数据进行单个节点值提取,训练集数据对网络进行预训练后利用BP算法微调参数,将提取的单个节点值作为各循环处的健康因子值,并构建训练集的HI曲线;将测试集输入训练好的堆叠去噪自编码器得到各循环处的健康因子值,并构建HI曲线;分别对训练集和测试集的HI曲线平滑处理,对平滑处理后的HI曲线进行评价。
Description
技术领域
本发明属于发动机性能退化评估技术领域,具体涉及一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法。
背景技术
涡轮发动机作为常用且重要的航空器部件之一,保证其可靠的运行状态对于航空器的稳定运行、降低维护成本具有非常重要的现实意义。涡轮发动机的健康因子作为一种评价其健康水平的特征量,可以表征发动机健康水平的退化状态或退化程度。它是由运行过程中不同的退化性能变量映射得到,构建出的健康因子曲线将发动机性能退化过程表征为单调上升或下降趋势,通过预测健康因子曲线的变化是否达到退化失效阈值可以获得设备的剩余寿命,因此构建良好的健康因子曲线对涡轮发动机的运行状况监测及剩余寿命预测具有重要意义。
发动机运行工况复杂度的增加使得对其退化过程建立准确的物理解析模型变得愈加复杂,而基于数据驱动的方法受益于传感器技术以及存储技术的发展,可以利用大量的传感器监测数据挖掘退化信息,减少了对专家经验的依赖,因此逐渐成为主流方式。按照处理数据所反映目标对象健康状态的特性,即表征对象***退化行为和寿命的健康因子,数据驱动的方法可以分为直接预测和间接预测两大类。由于直接预测方法是将原始数据直接作为被测对象的健康因子,通常情况难以满足较好的趋势性,且涡轮发动机的监测过程往往由多个传感器协作完成,无法直接将原始监测数据直接作为健康因子,因此国内外学者对间接的涡轮发动机HI构建方法做了广泛的研究。
在间接HI构建过程中,往往需要先根据一定的评价指标对各个传感器包含的有益信息进行评价,对传感器监测数据进行选择;之后还需进行特征提取过程获得特征集从而对原始数据进行更加高级的表征,在此基础上进行特征选择去除冗余特征,之后在必要情况下需继续进行特征融合,通过多种特征结合共同反映设备的健康状态。传感器选择方法如人工观察数据趋势性、主成份分析、根据排列熵计算传感器数据趋势等等,特征提取方法作为关键的一步,主要有基于传统信号处理技术的方法以及机器学习的方法。如LiYongxiang等人首先利用主成份分析对多传感器数据进行维数约减,之后借助加权欧氏距离和回归算法获得HI曲线;RachaKhelif等人在对传感器信息进行筛选后,利用线性回归和曲线拟合获得HI曲线;此外还有聚类分析、维纳过程、向量机模型等等。
深度学习因其强大的自适应提取特征能力以及非线性函数表征能力在图像处理、语音识别等领域取得了显著成果。自从2013年Tamilselvan等人第一次将深度学习应用于故障诊断领域以来,深度神经网络、卷积神经网络等典型深度学习算法在设备的健康管理领域中得到了愈加广泛的应用。如Pankaj Malhotra等人首先对原始传感器信息进行主成份分析进行优化选择,之后利用长短时记忆网络对其信息编码及解码,之后将重构误差通过线性回归模型映射为HI曲线。尽管传统的数据驱动方法在涡轮发动机HI构建中取得了显著成就,但仍存在以下问题:往往需要借助复杂的传感器信息评价准则对原始传感器信息进行优化选择,提取退化特征仍需依赖大量专家经验以及传统的信号处理方法;部分HI构建模型的训练通常采用有监督方式,即训练过程中需要提供输入对应的真实输出值作为标签,而标签的选择需依赖人工参与,费时且没有一致标准;为了得到综合的单调HI曲线,往往需针对具体预测问题采用多种信号处理方法融合及依赖人工经验选择参数,缺乏一定的通用性。
发明内容
本发明的目的是为解决传统涡轮发动机健康因子(HI)曲线构建方法中存在的需要借助复杂的传感器信息评价准则对原始传感器信息优化选择,且提取退化特征仍需依赖大量专家经验;HI曲线构建模型的训练仍通常采用有监督方式,训练标签的选择费时且没有一致标准;需要多种信号处理方法融合,缺乏一定的通用性的问题。
本发明为解决上述技术问题采取的技术方案是:
一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法,该方法的具体步骤为:
步骤一、利用N个监控单元获取涡轮发动机的所有传感器监测数据;观察、并筛选出监测数据存在变化的传感器的数据xk,k=1,2,…,Q,Q是监测数据存在变化的传感器个数;
步骤二、将步骤一筛选出的每个传感器的数据xk分别归一化至[0,1]区间内;将筛选后的一部分监控单元的传感器数据作为训练集数据,另一部分监控单元的传感器数据作为测试集数据;
步骤三、建立由4个去噪自动编码机组成的堆叠去噪自编码器网络用于对训练集数据和测试集数据进行特征提取,其中,第一去噪自编码机和第二去噪自编码机构成堆叠去噪自编码器网络的编码网络,第三去噪自编码机和第四去噪自编码机构成堆叠去噪自编码器网络的解码网络;
将步骤二确定的训练集数据输入堆叠去噪自编码器网络的编码网络中,使训练集数据依次经过编码网络的第一去噪自编码机和第二去噪自编码机的无监督预训练,得到编码网络的第一去噪自编码机的编码参数θ1={W1,b1},第二去噪自编码机的编码参数θ2={W2,b2};
设置解码网络的第三去噪自编码机的编码权值W3为W2的转置,第四去噪自编码机的编码权值W4为W1的转置;预训练完成后,利用BP算法对堆叠去噪自编码器网络的网络参数进行微调;利用微调后的网络参数得到编码网络输出的单个节点值;
步骤四、将步骤三提取出的单个节点值作为涡轮发动机循环处的健康因子值,构建出训练集上的健康因子曲线;
步骤五、将测试集数据输入到步骤三训练好的堆叠自编码器网络中,通过多个隐含层提取单个节点值;利用步骤四的方法构建测试集上的健康因子曲线;
步骤六、分别对步骤四和步骤五中构建好的健康因子曲线进行平滑处理,得到平滑处理后的训练集健康因子曲线和测试集健康因子曲线;
步骤七、分别计算训练集健康因子曲线和测试集健康因子曲线的时间关联性和单调性;利用平滑处理后的测试集健康因子曲线来评估涡轮发动机性能退化情况。
本发明的有益效果是:本发明提供了一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法,本发明采用直接观察数据的方法即可筛选出监测数据存在变化的传感器的数据,不需要根据复杂指标对传感器进行分析处理,简化了处理过程;本发明利用4个去噪自编码机构建一个堆叠去噪自编码机,来提取涡轮发动机各循环处的单个节点值,不同于现有HI曲线构建模型的训练采用有监督方式,本发明的训练集数据可以在无监督的方式下进行训练,本发明减少了人工和专家经验的参与,避免引入人为因素造成的干扰,省时省力;相比较于传统方法,本发明通过观察即可筛选出有用的传感器数据,提取的传感器数据经过堆叠去噪自编码机的无监督训练即可提取出单个节点值,即预测涡轮发动机的退化情况不需要采用多种信号处理方法,且不需要依赖于人工和专家经验参与,具有很好的通用性。
本发明方法构建出的涡轮发动机健康因子曲线可以更好地刻画出涡轮发动机全寿命周期内健康状况的退化趋势,并且局部振荡更小,曲线更加平滑,且涡轮发动机健康因子曲线相比较于现有方法曲线的时间关联性提高了约82%,单调性提高了约7.4倍,因此,可以更好的预估出涡轮发动机性能的退化情况。
附图说明
图1为本发明所述的一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法的流程图;
图2为本发明所述的堆叠去噪自编码器的结构图;
其中:编码网络和解码网络的虚线框内共有的部分为:编码网络的输出层,同时也是解码网络的输入层;
图3为本发明所述的第一去噪自编码机的工作原理图;
h是隐含层;
图4为本发明实施例所述的涡轮发动机仿真图解;
其中:1代表风扇(Fan),2代表燃烧室(Combustor),3代表高压通路(N1),4代表低压涡轮(LPT),5代表低压压缩机(LPC),6代表高压压缩机(HPC),7代表低压通路(N2),8代表高压涡轮(HPT),9代表喷嘴(Nozzle);
图5为本发明实施例所述涡轮发动机的不同模块及相互连接关系图;
其中:外界环境为Ambient,入口为Inlet,分流器为Splitter,旁路通道为BypassPath,旁路喷嘴为Bypass Nozzle,燃料为Fuel,燃烧器为Burner,核心喷嘴为Core Nozzle。
图6为本发明实施例的监控单元在2#传感器上的退化数据图;
图7为本发明实施例的监控单元在7#传感器上的退化数据图;
图8为本发明实施例的监控单元在14#传感器上的退化数据图;
图9为本发明实施例的平滑处理后涡轮发动机的训练集健康因子曲线图;
图10为本发明实施例的平滑处理后涡轮发动机的测试集健康因子曲线图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
具体实施方式一:结合图1和图2说明本实施方式。本实施方式所述的一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法,该方法的具体步骤为:
步骤一、利用N个监控单元获取涡轮发动机的所有传感器监测数据;观察、并筛选出监测数据存在变化的传感器的数据xk,k=1,2,…,Q,Q是监测数据存在变化的传感器个数;
步骤二、将步骤一筛选出的每个传感器的数据xk分别归一化至[0,1]区间内;将筛选后的一部分监控单元的传感器数据作为训练集数据,另一部分监控单元的传感器数据作为测试集数据;
步骤三、建立由4个去噪自动编码机组成的堆叠去噪自编码器网络用于对训练集数据和测试集数据进行特征提取,其中,第一去噪自编码机和第二去噪自编码机构成堆叠去噪自编码器网络的编码网络,第三去噪自编码机和第四去噪自编码机构成堆叠去噪自编码器网络的解码网络;
将步骤二确定的训练集数据输入堆叠去噪自编码器网络的编码网络中,使训练集数据依次经过编码网络的第一去噪自编码机和第二去噪自编码机的无监督预训练,得到编码网络的第一去噪自编码机的编码参数θ1={W1,b1},第二去噪自编码机的编码参数θ2={W2,b2};
设置解码网络的第三去噪自编码机的编码权值W3为W2的转置,第四去噪自编码机的编码权值W4为W1的转置;预训练完成后,利用BP算法对堆叠去噪自编码器网络的网络参数进行微调;利用微调后的网络参数得到编码网络输出的单个节点值;
步骤四、将步骤三提取出的单个节点值作为涡轮发动机循环处的健康因子值,构建出训练集上的健康因子曲线;
步骤五、将测试集数据输入到步骤三训练好的堆叠自编码器网络中,通过多个隐含层提取单个节点值;利用步骤四的方法构建测试集上的健康因子曲线;
步骤六、分别对步骤四和步骤五中构建好的健康因子曲线进行平滑处理,得到平滑处理后的训练集健康因子曲线和测试集健康因子曲线;
步骤七、分别计算训练集健康因子曲线和测试集健康因子曲线的时间关联性和单调性;利用平滑处理后的测试集健康因子曲线来评估涡轮发动机性能退化情况。
本实施方式中建立的堆叠去噪自编码器网络可以由2、4、6、8,或8以上的偶数个去噪自动编码机组成,而且,各个去噪自编码机的网络节点数具体可以根据数据的实际情况确定;而且本发明提取出每个循环处的单个节点值,根据提取的节点值构建HI曲线。为了使构建的HI曲线能够具有强化趋势,并保留局部细节,我们按照实际曲线结果选择平滑处理次数为15次。
采集到多个传感器信息之后,我们的方法只需要通过观察,就可以去除没有变化的值以直接得到输入数据,相比较于已有方法则需要根据复杂指标对传感器进行分析处理,而且本发明的方法不需要先提取多个特征再输入到SOM网络进行降维,而是直接提取单个节点值即可作为健康因子值,因此,减少了人工和专家经验参与,简化了数据处理流程,实现了效益的提升。
通过观察平滑处理后的测试集健康因子曲线,可以对涡轮发动机当前状态的性能退化情况进行评估,进一步对健康因子曲线进行外推可以对涡轮发动机的未来运行状况进行预测。
具体实施方式二:本实施方式对实施方式一所述的一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法进行进一步的限定,所述步骤二中每个传感器的数据归一化的过程为:
归一化方式为xk *=(xk-xk,min)/(xk,max-xk,min),其中xk *是每个传感器数据xk归一化后的值,xk,max和xk,min分别对应于每个传感器在涡轮发动机各个循环的最大值和最小值。
具体实施方式三:结合图3说明本实施方式。本实施方式对实施方式二所述的一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法进行进一步的限定,所述第一去噪自编码机的工作原理为:
将训练集数据作为堆叠去噪自编码器网络的第一去噪自编码机的输入数据,第一去噪自编码机通过随机映射函数qD对输入数据xk进行破坏,得到加入噪声后的数据经过编码过程fθ1生成隐含层的输出隐含层的输出再经过解码过程gθ1'生成重构数据z;输入数据xk与重构数据z的差作为重构误差LH(xk,z)用于训练;
编码过程fθ1的具体过程如下:
其中s为sigmoid激活函数,W1是第一去噪自编码机的编码权值,b1是第一去噪自编码机的编码偏置,θ1是第一去噪自动编码机预训练好的编码参数;
θ1={W1,b1} (2)
解码过程gθ1'的具体过程如下:
其中W1'是编码网络的第一去噪自编码机的解码权值,b1'是编码网络的第一去噪自编码机的解码偏置,θ1'是编码网络的第一去噪自动编码机的解码参数;
θ1'={W1',b1'} (4)
重构误差LH(xk,z)=||xk-z||2,其中,||·||表示2范数;
通过使用梯度下降算法将目标函数最小化,提高去噪自编码机从输入数据xk中学习到的特征的鲁棒性,其中n为训练集样本数目,xk (i)是第i个样本数据,是第i个样本数据加入噪声后的数据,i=1,2,…,n;
第二去噪自编码机、第三去噪自编码机和第四去噪自编码机的工作原理均与第一去噪自编码机的工作原理相同。
具体实施方式四:本实施方式对实施方式三所述的一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法进行进一步的限定,所述步骤三具体为:
堆叠去噪自编码器网络的结构包括输入层、编码网络的一个隐含层、编码网络的输出层、解码网路的一个隐含层和解码网络的输出层;
堆叠去噪自编码器网络参数进行随机初始化后,训练集数据依次经过编码网络中的第一去噪自编码机和第二去噪自编码机的无监督预训练;第一去噪自编码机预训练完成后保留隐含层的输出并将隐含层的输出作为第二去噪自编码机的输入,完成训练集数据在编码网络中的无监督预训练;
以训练集的原始数据作为标签,利用BP算法对堆叠去噪自编码器网络的网络参数进行微调的具体过程为:
假设训练集的原始数据为其中,是训练集原始数据的第m个原始样本,m的取值范围是1~M;则堆叠去噪自编码器网络的第一去噪自编码机的隐含层输出为将第一去噪自编码机的隐含层输出作为第二去噪自动编码机的输入,则第二去噪自编码机的隐含层输出为以此类推,堆叠去噪自编码器网络的第四去噪自动编码机的输出为
利用微调后的网络参数提取出编码网络输出的单个节点值。
本实施方式中的堆叠去噪自编码器网络的结构为14-7-1-7-14,其中,14为涡轮发动机数据的14维传感器值,14-7-14和7-1-7分别构成了从输入层到编码网络输出层对应的2个去噪自编码机。
具体实施方式五:本实施方式对实施方式四所述的一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法进行进一步的限定,所述步骤六对健康因子曲线进行平滑处理的具体过程为:
设健康因子曲线长度为L1,滤波器窗宽为L2,且L2为奇数;返回与健康因子曲线等长的向量,应注意平滑处理时平滑点处左右两端数据点数需相同:
以此类推,
其中,y为健康因子曲线中涡轮发动机各循环处对应的健康因子数据,yy为健康因子曲线经过平滑滤波处理后各循环处对应的健康因子数据。
具体实施方式六:本实施方式对实施方式五所述的种基于堆叠去噪自编码器的涡轮发动机性能退化评估方进行进一步的限定,所述步骤七中计算健康因子曲线的时间关联性和单调性的具体过程为:
时间关联性和单调性是两个评价健康因子曲线的指标,前者表征健康因子值和运行时间的线性相关程度,后者衡量健康因子曲线的单调变化趋势情况;
训练集的第j个监控单元的健康因子曲线的时间关联性如下:
其中,yytj代表训练集的第j个监控单元的健康因子曲线第t个循环处的健康因子曲线值,j=1,2,…,K,且K∈N,K是训练集数据对应的监控单元的个数;ltj代表第j个监测单元涡轮发动机循环的编号,Tj为训练集第j个监测单元涡轮发动机健康因子曲线长度,为训练集第j个监测单元健康因子曲线的各循环处对应的曲线值的平均值,为第j个监测单元涡轮发动机循环编号的平均值;
训练集第j个监测单元的健康因子曲线的单调性如下:
其中,dFj为第j个监测单元健康因子曲线中序列值之间的微分;Num of dFj>0表示大于0的dFj值的个数,Num of dFj<0表示小于0的dFj值的个数;
则总体评价训练集K个监控单元的健康因子曲线,K个曲线的时间关联性的平均值Corravg为:
K个曲线的单调性的平均值Monavg为:
测试集健康因子曲线与训练集健康因子曲线的时间关联性和单调性计算方式相同。
实施例
本发明选择NASA卓越故障预测研究中心(Prognostics Center of Excellence,PCoE)提供的飞机发动机仿真状态监测公开数据集——C-MAPSS。
发动机仿真图解如图4所示,不同模块及相互连接关系如图5所示。本发明获取涡轮发动机所有传感器监测数据的监控单元为200个,即200个监控单元中的100个监控单元的数据作为训练集数据,另100个监控单元的数据作为测试集数据。
本实施例利用数据集提供的“train_FD001”和“test_FD001”文件分别作为训练集和测试集进行HI曲线构建,该数据是在单一工况下连续监测的21个传感器参量,传感器的物理含义如表1所示。
200个监测单元的时间序列长度不同。训练集和测试集分别包括20631和13096个循环。实验过程中,所有监控单元均从不同程度的轻微损耗状态开始退化。
经对数据分析可以发现,21维传感器信息中14维信息具有不同程度的趋势性(#2,#3,#4,#7,#8,#9,#11,#12,#13,#14,#15,#17,#20,#21),其余7维监测信息无变化(#1,#5,#6,#10,#16,#18,#19),不具备有益信息。
图6、图7和图8分别以所有监控单元均具有上升趋势的传感器#2、所有监控单元均具有下降趋势的传感器#7、所有监控单元变化趋势不一致的传感器#14为例给出了具体的退化过程示意图。
将原始传感器监测信号数据输入本发明的堆叠去噪自编码器网络,通过本发明的方法,得到如图9所示的平滑处理后的涡轮发动机的训练集健康因子曲线图;
如图10所示的平滑处理后的涡轮发动机的测试集健康因子曲线图,根据获得的平滑处理后的涡轮发动机健康因子曲线图,根据涡轮发动机已工作的时间情况,可以评估涡轮发动机性能的退化情况。
经过算法验证,本发明构建涡轮发动机健康因子曲线的方法相比较于传统方法而言,获得的涡轮发动机健康因子曲线的时间关联性提高了约82%,单调性提高了约7.4倍。
表1 飞机发动机多传感器信息
Claims (5)
1.一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法,其特征在于,该方法的具体步骤为:
步骤一、利用N个监控单元获取涡轮发动机的所有传感器监测数据;观察、并筛选出监测数据存在变化的传感器的数据xk,k=1,2,…,Q,Q是监测数据存在变化的传感器个数;
步骤二、将步骤一筛选出的每个传感器的数据xk分别归一化至[0,1]区间内;将筛选后的一部分监控单元的传感器数据作为训练集数据,另一部分监控单元的传感器数据作为测试集数据;
步骤三、建立由4个去噪自动编码机组成的堆叠去噪自编码器网络用于对训练集数据和测试集数据进行特征提取,其中,第一去噪自编码机和第二去噪自编码机构成堆叠去噪自编码器网络的编码网络,第三去噪自编码机和第四去噪自编码机构成堆叠去噪自编码器网络的解码网络;
将步骤二确定的训练集数据输入堆叠去噪自编码器网络的编码网络中,使训练集数据依次经过编码网络的第一去噪自编码机和第二去噪自编码机的无监督预训练,得到编码网络的第一去噪自编码机的编码参数θ1={W1,b1},第二去噪自编码机的编码参数θ2={W2,b2};
设置解码网络的第三去噪自编码机的编码权值W3为W2的转置,第四去噪自编码机的编码权值W4为W1的转置;预训练完成后,利用BP算法对堆叠去噪自编码器网络的网络参数进行微调;利用微调后的网络参数得到编码网络输出的单个节点值;
所述步骤三的具体过程为:
堆叠去噪自编码器网络的结构包括输入层、编码网络的一个隐含层、编码网络的输出层、解码网路的一个隐含层和解码网络的输出层;
堆叠去噪自编码器网络参数进行随机初始化后,训练集数据依次经过编码网络中的第一去噪自编码机和第二去噪自编码机的无监督预训练;第一去噪自编码机预训练完成后保留隐含层的输出并将隐含层的输出作为第二去噪自编码机的输入,完成训练集数据在编码网络中的无监督预训练;
以训练集的原始数据作为标签,利用BP算法对堆叠去噪自编码器网络的网络参数进行微调的具体过程为:
假设训练集的原始数据为其中,是训练集原始数据的第m个原始样本,m的取值范围是1~M;则堆叠去噪自编码器网络的第一去噪自编码机的隐含层输出为将第一去噪自编码机的隐含层输出作为第二去噪自动编码机的输入,则第二去噪自编码机的隐含层输出为以此类推,堆叠去噪自编码器网络的第四去噪自动编码机的输出为
利用微调后的网络参数提取出编码网络输出的单个节点值;
步骤四、将步骤三提取出的单个节点值作为涡轮发动机循环处的健康因子值,构建出训练集上的健康因子曲线;
步骤五、将测试集数据输入到步骤三训练好的堆叠自编码器网络中,通过多个隐含层提取单个节点值;利用步骤四的方法构建测试集上的健康因子曲线;
步骤六、分别对步骤四和步骤五中构建好的健康因子曲线进行平滑处理,得到平滑处理后的训练集健康因子曲线和测试集健康因子曲线;
步骤七、分别计算训练集健康因子曲线和测试集健康因子曲线的时间关联性和单调性;利用平滑处理后的测试集健康因子曲线来评估涡轮发动机性能退化情况。
2.根据权利要求1所述的一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法,其特征在于,所述步骤二中每个传感器的数据归一化的过程为:
归一化方式为xk *=(xk-xk,min)/(xk,max-xk,min),其中xk *是每个传感器数据xk归一化后的值,xk,max和xk,min分别对应于每个传感器在涡轮发动机各个循环的最大值和最小值。
3.根据权利要求2所述的一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法,其特征在于,所述第一去噪自编码机的工作过程为:
将训练集数据作为堆叠去噪自编码器网络的第一去噪自编码机的输入数据,第一去噪自编码机通过随机映射函数qD对输入数据xk进行破坏,得到加入噪声后的数据 经过编码过程fθ1生成隐含层的输出隐含层的输出再经过解码过程gθ1'生成重构数据z;输入数据xk与重构数据z的差作为重构误差LH(xk,z)用于训练;
编码过程fθ1的具体过程如下:
其中s为sigmoid激活函数,W1是第一去噪自编码机的编码权值,b1是第一去噪自编码机的编码偏置,θ1是第一去噪自动编码机预训练好的编码参数;
θ1={W1,b1} (2)
解码过程gθ1'的具体过程如下:
其中W1'是编码网络的第一去噪自编码机的解码权值,b1'是编码网络的第一去噪自编码机的解码偏置,θ1'是编码网络的第一去噪自动编码机的解码参数;
θ1'={W1',b1'} (4)
通过使用梯度下降算法将目标函数最小化,提高去噪自编码机从输入数据xk中学习到的特征的鲁棒性,其中n为训练集样本数目,xk (i)是第i个样本数据,是第i个样本数据加入噪声后的数据,i=1,2,…,n;
第二去噪自编码机、第三去噪自编码机和第四去噪自编码机的工作原理均与第一去噪自编码机的工作原理相同。
5.根据权利要求4所述的一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法,其特征在于,所述步骤七中计算健康因子曲线的时间关联性和单调性的具体过程为:
训练集的第j个监控单元的健康因子曲线的时间关联性如下:
其中,yytj代表训练集的第j个监控单元的健康因子曲线第t个循环处的健康因子曲线值,j=1,2,…,K,且K∈N,K是训练集数据对应的监控单元的个数;ltj代表第j个监测单元涡轮发动机循环的编号,Tj为训练集第j个监测单元涡轮发动机健康因子曲线长度,为训练集第j个监测单元健康因子曲线的各循环处对应的曲线值的平均值,为第j个监测单元涡轮发动机循环编号的平均值;
训练集第j个监测单元的健康因子曲线的单调性如下:
其中,dFj为第j个监测单元健康因子曲线中序列值之间的微分;Num of dFj>0表示大于0的dFj值的个数,Num of dFj<0表示小于0的dFj值的个数;
则总体评价训练集K个监控单元的健康因子曲线,K个曲线的时间关联性的平均值Corravg为:
K个曲线的单调性的平均值Monavg为:
测试集健康因子曲线与训练集健康因子曲线的时间关联性和单调性计算方式相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810565712.6A CN109000930B (zh) | 2018-06-04 | 2018-06-04 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810565712.6A CN109000930B (zh) | 2018-06-04 | 2018-06-04 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109000930A CN109000930A (zh) | 2018-12-14 |
CN109000930B true CN109000930B (zh) | 2020-06-16 |
Family
ID=64574283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810565712.6A Active CN109000930B (zh) | 2018-06-04 | 2018-06-04 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109000930B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111175054B (zh) * | 2020-01-08 | 2021-12-03 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN111310830B (zh) * | 2020-02-17 | 2023-10-10 | 湖北工业大学 | 一种联合收割机堵塞故障诊断***及方法 |
CN111289250A (zh) * | 2020-02-24 | 2020-06-16 | 湖南大学 | 一种伺服电机滚动轴承剩余使用寿命预测方法 |
CN112182854B (zh) * | 2020-09-09 | 2022-08-16 | 中南大学 | 一种高炉异常炉况智能监测方法及*** |
CN112101659A (zh) * | 2020-09-15 | 2020-12-18 | 安徽三禾一信息科技有限公司 | 一种基于堆叠去噪自编码器的复杂装备寿命预测方法 |
CN112232404B (zh) * | 2020-10-13 | 2023-12-22 | 中国铁路上海局集团有限公司南京供电段 | 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及*** |
CN112633476B (zh) * | 2020-12-24 | 2023-09-22 | 东北大学 | 一种发动机状态监测方法、***、设备及介质 |
CN112816191B (zh) * | 2020-12-28 | 2022-07-29 | 哈尔滨工业大学 | 一种基于sdrsn的多特征健康因子融合方法 |
CN112597705B (zh) * | 2020-12-28 | 2022-05-24 | 哈尔滨工业大学 | 一种基于scvnn的多特征健康因子融合方法 |
CN113051809A (zh) * | 2021-03-12 | 2021-06-29 | 中国人民解放军海军工程大学 | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 |
CN113111575B (zh) * | 2021-03-30 | 2023-03-31 | 西安交通大学 | 基于深度特征编码与混合高斯模型的燃机退化评估方法 |
CN113239979B (zh) * | 2021-04-23 | 2024-01-09 | 广州市祺能电子科技有限公司 | 一种物联网传感器数据采集的方法及装置 |
CN114792026A (zh) * | 2021-05-19 | 2022-07-26 | 湖南科技大学 | 一种航空发动机设备的剩余寿命预测方法及*** |
CN114580291B (zh) * | 2022-03-10 | 2024-06-21 | 未必然数据科技(北京)有限公司 | 一种基于lstm-vae的动设备健康状况评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1258618A2 (en) * | 2001-05-18 | 2002-11-20 | General Electric Company | System and method for monitoring engine performance in a gas turbine engine |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789545B (zh) * | 2012-07-12 | 2015-08-19 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
CN104159245B (zh) * | 2014-08-22 | 2017-08-25 | 哈尔滨工业大学 | 面向无线数据传输设备的间接健康因子获得方法 |
CN104748962B (zh) * | 2015-04-03 | 2017-02-22 | 西安交通大学 | 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法 |
US10330664B2 (en) * | 2015-06-18 | 2019-06-25 | Pratt & Whitney Canada Corp. | Evaluation of component condition through analysis of material interaction |
CN105547705B (zh) * | 2016-03-10 | 2018-07-20 | 西安工业大学 | 发动机性能退化趋势预测方法 |
CN106682688B (zh) * | 2016-12-16 | 2020-07-28 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
CN107702922B (zh) * | 2017-09-11 | 2020-10-09 | 南京信息工程大学 | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 |
CN107766204A (zh) * | 2017-10-10 | 2018-03-06 | 曙光信息产业(北京)有限公司 | 一种检查集群健康状态的方法和*** |
CN107941537B (zh) * | 2017-10-25 | 2019-08-27 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
-
2018
- 2018-06-04 CN CN201810565712.6A patent/CN109000930B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1258618A2 (en) * | 2001-05-18 | 2002-11-20 | General Electric Company | System and method for monitoring engine performance in a gas turbine engine |
Also Published As
Publication number | Publication date |
---|---|
CN109000930A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
CN108398268B (zh) | 一种轴承性能退化评估方法 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现***和方法 | |
CN107122790A (zh) | 基于混合神经网络和集成学习的非侵入式负荷识别算法 | |
CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN112163640A (zh) | 基于深度卷积迁移学习行星齿轮箱故障诊断方法及*** | |
CN106656357B (zh) | 一种工频通信信道状态评估***和方法 | |
CN113110398B (zh) | 基于动态时间归整和图卷积网络的工业过程故障诊断方法 | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN114186379A (zh) | 基于回声网络和深度残差神经网络的变压器状态评估方法 | |
CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
CN114580545A (zh) | 一种基于融合模型的风电机组齿轮箱故障预警方法 | |
CN115204272A (zh) | 基于多采样率数据的工业***故障诊断方法与设备 | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN112101659A (zh) | 一种基于堆叠去噪自编码器的复杂装备寿命预测方法 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN113537382A (zh) | 一种基于残差收缩网络的设备诊断方法及*** | |
CN117874615A (zh) | 一种基于深度数字孪生的光伏故障诊断方法以及*** | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及*** | |
CN115733673B (zh) | 一种基于多尺度残差分类器的数据异常检测方法 | |
CN114235409B (zh) | 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法 | |
CN111241629A (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |