[發明專利]發動機的故障分析預測方法

在審

• 申請號: 202010971532.5
• 申請日: 2020-09-16
• 公開（公告）號: CN112232370A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 李泉洲;聶國健;蔣詩新;胡寧;陳冰泉
• 申請（專利權）人: 中國電子產品可靠性與環境試驗研究所（（工業和信息化部電子第五研究所）（中國賽寶實驗室））
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 史治法

1.一種發動機的故障分析預測方法，其特征在于，包括：

對發動機的狀態監測參數和故障種類進行分析，獲取各故障種類的關鍵影響因素；

建立SOM神經網絡模型，使用歷史故障數據中的關鍵影響參數對所述SOM神經網絡模型進行訓練，并基于待預測發動機的關鍵影響參數預測獲取所述待預測發動機的預測故障種類；

建立小波神經網絡模型，使用歷史故障數據中所述預測故障種類的狀態監測參數對所述小波神經網絡模型進行訓練，并基于所述待預測發動機的預測故障種類預測獲取所述待預測發動機的預測故障時間。

2.根據權利要求1所述的發動機的故障分析預測方法，其特征在于，所述對發動機的狀態監測參數和故障種類進行分析，獲取各故障種類的關鍵影響因素，包括：

將發動機出現不同的故障種類時狀態監測參數的組合與實際故障情況進行對比；

使用決策樹分析的方法來篩選出對于不同的故障種類具有參考價值的關鍵影響因素。

3.根據權利要求2所述的發動機的故障分析預測方法，其特征在于，所述使用決策樹分析的方法來篩選出對于不同的故障種類具有參考價值的關鍵影響因素，包括：

根據模糊理論將所述狀態監測參數劃分為N個類別；其中，N為整數，且3≤N≤5；

根據信息增益計算公式計算出在不同故障種類下各所述狀態監測參數的信息增益值；

根據所述狀態監測參數的信息增益值的大小，以所述信息增益值由大到小的順序構建決策樹；

將所述決策樹中所述信息增益值小于預設閾值以及等于0的所述狀態監測參數剔除，以篩選出具有參考價值的關鍵影響因素。

4.根據權利要求3所述的發動機的故障分析預測方法，其特征在于，所述信息增益計算公式為：

其中，Gain(G_i,H_j)為信息增益，G_i^v為第i個處于第v種類別狀態下的監測參數向量，G_i為第i個監測參數向量，H_j為第j個故障種類，Ent(G_i,H_j)為信息熵；

所述信息熵的計算公式為：

其中，p_v為第j個故障種類處于第v種類別狀態下的概率。

5.根據權利要求1所述的發動機的故障分析預測方法，其特征在于，所述SOM神經網絡模型包括輸入層和競爭層，所述建立SOM神經網絡模型包括：

對SOM神經網絡模型進行初始化，將隨機數值設定為輸入層和競爭層之間權值的初始值；

根據所述發動機的歷史故障數據中的關鍵影響因素與各故障種類間的數據關系，確定所述SOM神經網絡模型的誤差控制界限；

將待預測發動機的關鍵影響因素作為所述SOM神經網絡模型的輸入向量，導入所述SOM神經網絡模型中。

6.根據權利要求5所述的發動機的故障分析預測方法，其特征在于，所述使用歷史故障數據中的關鍵影響參數對所述SOM神經網絡模型進行訓練包括：

利用所述發動機的歷史故障數據對所述SOM神經網絡模型的神經元以及鄰近神經元權值進行修正，直至對各故障種類的區分識別誤差小于預設閾值。

7.根據權利要求6所述的發動機的故障分析預測方法，其特征在于，所述競爭層包括多個神經元，所述基于待預測發動機的關鍵影響參數預測獲取所述待預測發動機的預測故障種類包括：

計算所述SOM神經網絡模型的競爭層中各神經元的權值向量和輸入向量的歐式距離；

根據所述輸入向量與各神經元的歐式距離進行故障種類的聚類識別，獲取所述待預測發動機的預測故障種類。

8.根據權利要求1所述的發動機的故障分析預測方法，其特征在于，所述建立小波神經網絡模型包括：

將歷史故障數據中的故障發生時間按照故障種類進行分類，獲取不同的故障種類對應的故障發生時間的數據集；

對不同的故障種類以發動機的運行時長為輸入、故障發生時間為輸出，分別構建小波神經網絡模型。