[發明專利]一種基于堆疊去噪自編碼器的渦輪發動機性能退化評估方法

有效

• 申請號: 201810565712.6
• 申請日: 2018-06-04
• 公開（公告）號: CN109000930B
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 趙光權;王少軍;劉小勇;劉月峰;姜澤東;高永成;胡聰;彭喜元
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G01M15/14
• 分類號: G01M15/14
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 楊立超

一種基于堆疊去噪自編碼器的渦輪發動機性能退化評估方法，它用于發動機性能退化評估技術領域。本發明解決了傳統多傳感器數據選擇需要依賴復雜信息評價準則，HI構建時提取退化特征需依賴大量信號處理技術及專家經驗，有監督訓練方式標簽選擇需依賴人工參與，方法通用性不足的問題。本發明的4個去噪自編碼機構建堆疊去噪自編碼器來對輸入數據進行單個節點值提取，訓練集數據對網絡進行預訓練后利用BP算法微調參數，將提取的單個節點值作為各循環處的健康因子值，并構建訓練集的HI曲線；將測試集輸入訓練好的堆疊去噪自編碼器得到各循環處的健康因子值，并構建HI曲線；分別對訓練集和測試集的HI曲線平滑處理，對平滑處理后的HI曲線進行評價。

技術領域

本發明屬于發動機性能退化評估技術領域，具體涉及一種基于堆疊去噪自編碼器的渦輪發動機性能退化評估方法。

背景技術

渦輪發動機作為常用且重要的航空器部件之一，保證其可靠的運行狀態對于航空器的穩定運行、降低維護成本具有非常重要的現實意義。渦輪發動機的健康因子作為一種評價其健康水平的特征量，可以表征發動機健康水平的退化狀態或退化程度。它是由運行過程中不同的退化性能變量映射得到，構建出的健康因子曲線將發動機性能退化過程表征為單調上升或下降趨勢，通過預測健康因子曲線的變化是否達到退化失效閾值可以獲得設備的剩余壽命，因此構建良好的健康因子曲線對渦輪發動機的運行狀況監測及剩余壽命預測具有重要意義。

發動機運行工況復雜度的增加使得對其退化過程建立準確的物理解析模型變得愈加復雜，而基于數據驅動的方法受益于傳感器技術以及存儲技術的發展，可以利用大量的傳感器監測數據挖掘退化信息，減少了對專家經驗的依賴，因此逐漸成為主流方式。按照處理數據所反映目標對象健康狀態的特性，即表征對象系統退化行為和壽命的健康因子，數據驅動的方法可以分為直接預測和間接預測兩大類。由于直接預測方法是將原始數據直接作為被測對象的健康因子，通常情況難以滿足較好的趨勢性，且渦輪發動機的監測過程往往由多個傳感器協作完成，無法直接將原始監測數據直接作為健康因子，因此國內外學者對間接的渦輪發動機HI構建方法做了廣泛的研究。

在間接HI構建過程中，往往需要先根據一定的評價指標對各個傳感器包含的有益信息進行評價，對傳感器監測數據進行選擇；之后還需進行特征提取過程獲得特征集從而對原始數據進行更加高級的表征，在此基礎上進行特征選擇去除冗余特征，之后在必要情況下需繼續進行特征融合，通過多種特征結合共同反映設備的健康狀態。傳感器選擇方法如人工觀察數據趨勢性、主成份分析、根據排列熵計算傳感器數據趨勢等等，特征提取方法作為關鍵的一步，主要有基于傳統信號處理技術的方法以及機器學習的方法。如LiYongxiang等人首先利用主成份分析對多傳感器數據進行維數約減，之后借助加權歐氏距離和回歸算法獲得HI曲線；RachaKhelif等人在對傳感器信息進行篩選后，利用線性回歸和曲線擬合獲得HI曲線；此外還有聚類分析、維納過程、向量機模型等等。

深度學習因其強大的自適應提取特征能力以及非線性函數表征能力在圖像處理、語音識別等領域取得了顯著成果。自從2013年Tamilselvan等人第一次將深度學習應用于故障診斷領域以來，深度神經網絡、卷積神經網絡等典型深度學習算法在設備的健康管理領域中得到了愈加廣泛的應用。如Pankaj Malhotra等人首先對原始傳感器信息進行主成份分析進行優化選擇，之后利用長短時記憶網絡對其信息編碼及解碼，之后將重構誤差通過線性回歸模型映射為HI曲線。盡管傳統的數據驅動方法在渦輪發動機HI構建中取得了顯著成就，但仍存在以下問題：往往需要借助復雜的傳感器信息評價準則對原始傳感器信息進行優化選擇，提取退化特征仍需依賴大量專家經驗以及傳統的信號處理方法；部分HI構建模型的訓練通常采用有監督方式，即訓練過程中需要提供輸入對應的真實輸出值作為標簽，而標簽的選擇需依賴人工參與，費時且沒有一致標準；為了得到綜合的單調HI曲線，往往需針對具體預測問題采用多種信號處理方法融合及依賴人工經驗選擇參數，缺乏一定的通用性。

發明內容