[發明專利]基于LSTM結合注意力機制的航空發動機氣路故障診斷方法

有效

• 申請號: 202110060474.5
• 申請日: 2021-01-18
• 公開（公告）號: CN113158537B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 劉淵;吳超;王旗林;全哲;高晉鋒;肖桐;郭燕;李磊
• 申請（專利權）人: 中國航發湖南動力機械研究所
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/214;G06F18/2431;G06N3/0442;G06N3/084
• 代理公司: 深圳市興科達知識產權代理有限公司 44260
• 代理人: 殷瑜

1.一種基于LSTM結合注意力機制的航空發動機氣路故障診斷方法，其特征在于，包括如下步驟：

步驟一、收集航空發動機正常運行時以及發生各類故障時的氣動熱力參數從而構建數據集，對數據集進行切分形成訓練集和測試集；

步驟二、對訓練集的數據進行預處理；

步驟三、構建LSTM特征提取模塊：

將LSTM特征提取模塊分為全局特征提取模塊和M個局部特征提取模塊，其中局部特征提取模塊用來提取輸入矩陣中每一個維度變量的特征稱之為局部特征，全局特征提取模塊用來提取輸入矩陣中所有維度組合起來的整體特征；

其中，M為輸入參數矩陣的維度即列數，對于每一個模塊使用單層的LSTM結構，其中使用n個串聯到一起LSTM Cell，n表示時刻的步長；前一個LSTM Cell的輸出作為后一個LSTMCell的輸入，LSTM Cell表示LSTM內部單元，每個LSTM單元內部使用24個隱藏節點的神經網絡；

對于第i個局部特征模塊，將輸入矩陣中第i維度的向量作為輸入，記作Xⁱ，Xⁱ中第j時刻的數據記作作為第i個局部特征模塊的單層LSTM結構中第j個內部LSTM cell的輸入；將輸入矩陣中M個維度的向量分別輸入到對應的局部特征模塊即可得到各個維度的局部時序特征，記為F^m；

全局特征提取模塊由一個三層的堆疊式LSTM結構構成，其中每一層都使用n個串聯到一起LSTM Cell的形式，n表示時刻的步長，前一個LSTM Cell的輸出作為后一個LSTM cell的輸入，LSTM Cell表示LSTM內部單元，其中第一層的LSTM Cell內部使用64個隱藏節點的神經網絡，第二層的LSTM Cell內部使用128個隱藏節點的神經網絡，第三層的LSTM Cell內部使用64個隱藏節點的神經網絡；

對于全局特征提取模塊，將整個輸入參數矩陣X作為第一層的輸入，其中表示在輸入參數矩陣中時刻為t_j時的行向量數據，作為t_j時刻第一層LSTM內部第j個LSTM Cell的輸入，表示t_j時刻經過第l+1層LSTM單元對應的輸出值，其中作為t_j時刻經過全局特征提取模塊第1層LSTM的輸出，同時也作為全局特征提取模塊第二層LSTM的輸入，作為t_j時刻全局特征提取模塊第2層LSTM的輸出，同時也作為第三層LSTM的輸入，最后的輸出為取最后一個時刻的輸出作為全局特征提取模塊的輸出特征，記為F；

一個全局特征提取模塊和M個局部特征提取模塊構成整體提取模塊由；第m個局部特征提取模塊會將輸入矩陣中第m列的數據獨立輸入到單層LSTM中，取最后一個時刻LSTM Cell的輸出作為局部特征F^m，M等于每一個時刻發動機狀態變量的個數，m為輸入矩陣的列索引；全局特征模塊將輸入參數矩陣作為一個整體輸入到三層堆疊LSTM結構中，然后取最后一個時刻的輸出F作為全局特征模塊提取的特征；

步驟四、構建注意力模塊；

步驟五、構建分類器模塊；

步驟六、經過多次迭代計算，得到訓練后的模型。

2.如權利要求1所述的基于LSTM結合注意力機制的航空發動機氣路故障診斷方法，其特征在于，所述步驟一包括如下步驟：

1.1)將數據集進行打亂、切分，分為80％的訓練集和20％的測試集，測試集用來檢驗模型效果；

1.2)將數據集中異常數據進行刪除，空值和不符合事實的錯誤值采用數值方法規則進行過濾。