[發(fā)明專利]一種基于深度學習的軸流壓氣機失速喘振預測方法

在審

• 申請?zhí)枺?/td>: 202010521798.X
• 申請日: 2020-06-10
• 公開（公告）號: CN111737910A
• 公開（公告）日: 2020-10-02
• 發(fā)明（設計）人: 全福祥;趙宏陽;孫希明;馬艷華;秦攀
• 申請（專利權）人: 大連理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/15;G06N3/04;G06N3/08
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮;潘迅

1.一種基于深度學習的軸流壓氣機失速喘振預測方法，其特征在于，包括以下步驟：

S1.對航空發(fā)動機喘振數(shù)據(jù)進行預處理：

S1.1在對實驗數(shù)據(jù)進行處理前，在實驗數(shù)據(jù)中劃分出測試數(shù)據(jù)集和訓練數(shù)據(jù)集；

S1.2采用低通濾波器，對訓練數(shù)據(jù)集中所有測量點測量的壓力變化數(shù)據(jù)濾波處理；

S1.3對濾波后數(shù)據(jù)進行降采樣；

S1.4按時間步大小切分時域數(shù)據(jù)，并為切分后的每個樣本貼標簽；所述的時間步設為256，設置長度為256的時間窗口在時域數(shù)據(jù)上滑動，落在時間窗口內(nèi)的數(shù)據(jù)切分出來作為一個樣本；根據(jù)喘振與否給每個樣本賦予標簽1或0；

S1.5將訓練數(shù)據(jù)集按4:1的比例劃分為訓練集和驗證集；

S2.構建LR分支網(wǎng)絡模塊：

S2.1提取每個樣本的時域統(tǒng)計特征，包括方差、峰度、偏度、平均值、最小值、最大值共6個，將其作為LR分支網(wǎng)絡模塊的輸入；

S2.2搭建帶有relu激活函數(shù)的單層神經(jīng)網(wǎng)絡，輸入層神經(jīng)元個數(shù)為6，輸出層神經(jīng)元個數(shù)為1，得到LR分支網(wǎng)絡模塊的輸出，其維度為(m,1)，其中m為樣本數(shù)；

S3.構建WaveNet分支網(wǎng)絡模塊：

S3.1將每個樣本維度調(diào)整為(n_steps,1)，作為WaveNet分支網(wǎng)絡模塊的輸入，其中n_steps為時間步；

S3.2搭建基于因果卷積和擴張卷積的擴張卷積模塊，并設置兩個相同的擴張卷積模塊；每層卷積引入門控激活以調(diào)整傳入下一層的信息，層與層之間采用殘差連接以避免梯度消失，采用跳躍連接保留每個卷積層的輸出，將每層的輸出特征加和得到擴張卷積模塊的輸出特征；

S3.3將擴張卷積模塊提取的特征通過多層全連接，并采用relu激活函數(shù)激活得到WaveNet分支網(wǎng)絡模塊的輸出，其維度為(m,1)；

S4.構建LR-WaveNet預測模型：

S4.1采用stacking算法將兩個分支網(wǎng)絡模塊融合，首先將LR分支網(wǎng)絡模塊和WaveNet分支網(wǎng)絡模塊的輸出拼接，得到維度為(m,2)的融合輸出，將其作為stacking融合模塊的輸入；S4.2搭建stacking融合模塊，通過兩層神經(jīng)網(wǎng)絡加sigmoid激活輸出得到喘振概率，即為LR-WaveNet模型的輸出；

S4.3采用改進聚焦損失函數(shù)處理喘振數(shù)據(jù)訓練中存在的問題；

所述改進聚焦損失函數(shù)為：

MFL(p_t)＝-α_tβ_t(1-p_t)^γlog(p_t)

其中，MFL表示改進聚焦損失，α_t為類別權重系數(shù)，β_t為重要程度權重系數(shù)，p_t為模型預測概率，γ為調(diào)節(jié)因子參數(shù)；

S4.4基于改進聚焦損失函數(shù)，在訓練集上對模型進行權重更新；具體為：

WaveNet分支網(wǎng)絡模塊輸出層的輸出為：

a^(L)＝f(z^(L))＝f(W^(L)x^(L)+b^(L))

其中，L代表WaveNet分支網(wǎng)絡模塊的輸出層；W^(L)為連接權重；b^(L)為偏置；x^(L)為輸出層輸入；z^(L)為x^(L)線性變換后的結果；f()為relu激活函數(shù)；a^(L)為WaveNet分支網(wǎng)絡模塊輸出層的輸出；

LR分支網(wǎng)絡模塊輸出層的輸出為：

a^(LR)＝f(z^(LR))＝f(W^(LR)x^(LR)+b^(LR))

其中，LR代表LR分支網(wǎng)絡模塊的輸出層；W^(LR)為連接權重；b^(LR)為偏置；x^(LR)為分支神經(jīng)網(wǎng)絡的輸入特征；z^(LR)為x^(LR)線性變換后的結果；f()為relu激活函數(shù)；a^(LR)為LR分支網(wǎng)絡模塊輸出層的輸出；

將兩個分支網(wǎng)絡模塊的輸出拼接：

a^(L′)＝[a^(L),a^(LR)]

z^(L′)＝[z^(L),z^(LR)]

其中，L′代表兩個分支網(wǎng)絡模塊輸出拼接后的新層；a^(L′)為拼接層的輸出；z^(L′)為拼接層激活函數(shù)的輸入；

根據(jù)反向傳播公式將LR-WaveNet模型輸出層誤差量反向傳播，得到WaveNet分支網(wǎng)絡模塊輸出層上的誤差量為：

LR分支網(wǎng)絡模塊輸出層上的誤差量為：

其中，δ_i^(l)為損失函數(shù)在第l層第i個節(jié)點上的誤差量；為第l層第j個節(jié)點與上一層第i個節(jié)點間的權重系數(shù)；s_l+1表示第l+1層節(jié)點數(shù)；

根據(jù)兩個分支網(wǎng)絡模塊輸出層上的誤差量分別在分支網(wǎng)絡上反向傳播，更新模型參數(shù)；

S4.5保存訓練后模型并在驗證集上測試，根據(jù)驗證集評價指標調(diào)整模型超參數(shù)，評價指標采用F2指標，保存使評價指標最優(yōu)的模型為終的LR-WaveNet預測模型；

S5.在測試數(shù)據(jù)上進行實時預測

S5.1按S1中步驟對測試集數(shù)據(jù)預處理，并按LR-WaveNet預測模型的輸入要求調(diào)整數(shù)據(jù)維度；

S5.2按時間順序，采用LR-WaveNet預測模型給出每個樣本的喘振預測概率；

S5.3在測試數(shù)據(jù)中截取一段沒有喘振先兆的數(shù)據(jù)，在該段數(shù)據(jù)中加入一段噪聲點，采用LR-WaveNet預測模型給出帶噪聲點數(shù)據(jù)隨時間的喘振概率，以測試模型的抗干擾性。

2.根據(jù)權利要求1所述的一種基于深度學習的軸流壓氣機失速喘振預測方法，其特征在于，所述的F2指標為：其中，P為精確率，R為召回率。