[發明專利]一種基于ELM濾波算法的航空發動機包線內氣路故障識別方法

有效

• 申請號: 201810013686.6
• 申請日: 2018-01-08
• 公開（公告）號: CN108205310B
• 公開（公告）日: 2020-03-17
• 發明（設計）人: 魯峰;吳金棟;黃金泉;吳斌;仇小杰
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 賈郡

本發明公開了一種基于ELM濾波算法的航空發動機包線內氣路故障識別方法，該方法包括：采用卡爾曼濾波算法訓練ELM模型拓撲參數；將濾波算法訓練好的ELM模型用于發動機包線內氣路故障識別。本發明解決了現有的包線內航空發動機氣路故障診斷中，常規的數據驅動的發動機故障診斷在不同工作點泛化能力不強，精度不高的問題，適用于在飛行包線內不同工作點的發動機故障模式識別，對于發動機健康管理、降低維修成本有著積極促進的作用。

技術領域

本發明屬于航空發動機氣路故障診斷技術領域，尤其涉及一種基于ELM濾波算法的航空發動機包線內氣路故障識別方法。

背景技術

航空發動機作為飛機的心臟，其結構復雜且工作環境惡劣。發動機故障診斷技術是保證發動機性能與可靠性，降低使用維護成本的重要手段。在航空發動機服役過程中，部件性能會發生緩慢退化。此外，還可能發生部件健康參數突變。氣路部件故障影響著航空發動機的性能與可靠性，有必要對其進行診斷。極限學習機(Extreme Learning Machine,ELM)是在神經網絡理論基礎上發展起來的一種快速學習方法，在數據挖掘、模式識別等領域已有廣泛應用。ELM的本質是一個單隱層前饋神經網絡(Single hidden-layer Feed-forward Networks,SLFNs)。傳統的前饋神經網絡由輸入層、隱藏層和輸出層組成。ELM模型與傳統的SLFNs不同的之處在于ELM對應的輸入權重和偏置是通過隨機賦值產生的，從而形成一個參數固定的線性系統，再用最小二乘方法求解該線性系統。Huang等人通過理論以及大量的仿真實驗驗證了ELM是一種高效并且有效的學習算法。

ELM算法也存在一些缺陷，其隨機產生輸入權重和偏置的做法給ELM帶來了一定的隨機性，不同的初始化參數會引起不同的學習效果。并且由于最小二乘算法本身的精度不高，從而影響了ELM模型的穩定性和泛化能力。彌補這個缺陷的方法之一是利用組合神經網絡思想，但這種網絡結構會是網絡結構冗余，同時增加計算復雜度。利用遺傳算法或者交叉驗證法獲得最優的隱藏節點參數也是提高ELM穩定性的一個舉措，但這些算法需要大量的迭代計算，導致學習效率不高。

卡爾曼濾波算法是線性最小方差估計的一種遞推形式。在隨機估計理論中，線性最小方差估計是所有線性估計中的最優者。本發明基于卡爾曼濾波算法，將傳統的ELM求解算法替換為濾波遞推估計的方法，所有訓練樣本只需一次濾波迭代即可求得ELM的輸出權值，提高了ELM模型的穩定性。在此基礎上，本發明提出了一種基于ELM濾波訓練算法的航空發動機氣路故障識別方法，提高了發動機在飛行包線內不同工作點故障模式的識別精度。

發明內容

針對上述技術問題，本發明提供一種基于ELM濾波算法的航空發動機包線內氣路故障識別方法，針對ELM網絡拓撲參數的隨機性帶來的學習效果的不穩定性，采用卡爾曼濾波算法取代傳統的最小二乘求解方法，有效地提高了ELM模型的穩定性。針對航空發動機在包線內不同的工作點的故障模式設計了基于ELM濾波訓練算法的識別方法，有效提高了發動機在飛行包線內不同的工作點故障模式的識別精度。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種基于ELM濾波算法的航空發動機包線內氣路故障識別方法，包括以下步驟：

步驟1)根據發動機在飛行包線內邊界點的故障模式數據，采用卡爾曼濾波算法訓練ELM模型；

步驟2)將濾波算法訓練好的ELM模型用于包線內其他常用工作點的故障模式識別。

進一步的，所述步驟1)中根據發動機在飛行包線內邊界點的故障模式數據，采用卡爾曼濾波算法訓練ELM模型具體步驟如下：

步驟1.1)將發動機模型在邊界點的故障數據進行標準化處理，得到訓練樣本，所述故障模式數據由各個傳感器測量參數組成；