[發明專利]基于改進模式梯度譜熵的航空發動機控制系統傳感器的智能故障診斷方法

在審

• 申請號: 202110016434.0
• 申請日: 2021-01-07
• 公開（公告）號: CN112881018A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 李慧慧;緱林峰;劉志丹;孫瑞謙;楊江
• 申請（專利權）人: 西北工業大學
• 主分類號: G01M15/00
• 分類號: G01M15/00;G01R31/00;G05B23/02;G06F30/27;G06N3/08;G06N3/06
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 陳星

1.一種基于改進模式梯度譜熵的航空發動機控制系統傳感器的智能故障診斷方法，其特征在于：包括以下步驟：

步驟1：采集航空發動機的不同工作狀態中，航空發動機處于正常狀態以及傳感器不同故障狀態下，航空發動機控制系統中的若干可測傳感器數據，構成樣本數據集；每個工作狀態下的數據包括健康數據和多種傳感器故障下的數據；并對傳感器不同健康狀態設定編號；

步驟2：對采集的傳感器數據進行預處理：

其中，x為待預處理的樣本數據向量，x_i為某一樣本數據向量中的第i個樣本數據，N為樣本數據向量中的樣本個數，f為預處理后的樣本數據向量，所有傳感器的樣本數據向量組合得到預處理后的樣本數據集；

步驟3：對于每種健康狀態的預處理后的樣本數據，通過模式梯度譜熵的方法進行處理，得到對應譜熵圖，從而將樣本數據集中的一維傳感器故障信號變換成適應于CNN處理的RGB圖像；其中模式梯度譜熵方法中的最大結構元素尺度λ_max的取值，采用粒子群算法來自適應地確定；

步驟4：對得到的譜熵圖進行邊緣裁剪，使得處理后的譜熵圖的大小符合CNN能夠處理的像素尺寸大小要求；根據設定的編號，對模式梯度譜熵分析后的數據按照健康狀態設置標簽進行標記；

步驟5：將樣本數據集中的訓練集數據對應的譜熵圖輸入CNN模型，對CNN模型進行訓練，并使用樣本數據集中的驗證集驗證訓練好的CNN模型，若模型的準確率達到要求，則表示模型的離線訓練階段完成，否則調整模型參數繼續進行訓練；

步驟6：得到訓練好的CNN模型后，對于航空發動機控制系統傳感器的實時測量數據，在進行預處理和PGSE分析得到譜熵圖后，將譜熵圖輸入到訓練好的CNN模型中，得到的輸出結果為傳感器故障診斷的結果。

2.根據權利要求1所述一種基于改進模式梯度譜熵的航空發動機控制系統傳感器的智能故障診斷方法，其特征在于：步驟3中對預處理后的樣本數據集進行模式梯度譜熵方法處理的過程為：設定結構元素尺度λ，將λ從1變化到λ_max，計算不同尺度下，發動機傳感器信號的模式梯度譜熵值PGSE，并以λ_max為橫坐標，PGSE為縱坐標，得到譜熵圖。