

(一)技术交底书的要求:
□应清楚、完整地写明发明或实用新型的内容;
□使所属技术领域的普通技术人员能够根据此内容实施发明创造;
□使上述人员相信本发明确实可以解决现有技术不能解决的问题。
(二)技术交底书的具体样本如下:
1)发明创造的名称:
一种发动机的故障预测方法
2)所属技术领域:
技术领域:
本发明涉及航空航天器领域,尤其涉及一种发动机的故障预测方法。
3)背景技术
3.1)详细介绍技术背景,并描述申请人所知的与发明方案最接近的已有技术(应详细介绍,以不需再去看文献即可领会该技术内容为准,如果现有技术出自专利、期刊、书籍,则提供出处);
3.2)对现有技术存在的缺点进行客观的评述(现有技术的缺点是针对于本发明的优点来说的;如果找不出对比技术方案及其缺点,可用反推法,根据本发明的优点来找对应的缺点;本发明不能解决的缺点,不需提供;缺点可以是成本高、处理时间慢等类似问题)。
背景技术:
发动机是飞行器中的核心部件,同时又是最容易发生故障的部件之一。飞行器一旦发生故障,会对整个机械设备造成不利的影响。因此,挖掘准确、高效的发动机故障预测方法对于保证飞行器的正常运行是十分必要的。
目前发动机故障预测的方法有很多,主要可以分为基于模型的方法、基于数据的方法等等,这些方法的效果很大程度上取决于对采集的真实数据的预处理能力和特征提取的能力。由于不同的发动机,不同的操作条件,所产生的信号特征不一样,很难找到一种通用的发动机故障预测方法,目前提出的一些故障预测方法都有一定的局限应用范围。
以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案,其并不必然属于本专利申请的现有技术,在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下,上述背景技术不应当用于评价本申请的新颖性和创造性。
4)发明内容:
4.1)正面描述本发明所要解决的技术问题(对应现有技术的所有缺点;本发明解决不了的,不需提供);
4.2)清楚完整的叙述发明创造的技术方案,应结合工艺流程图、原理框图、电路图、仿真图、布局图、设备结构图进行说明(越详细越好,可与第6部分合写;发明中每一功能的实现都要有相应的技术实现方案,不能只有原理,也不能只做功能介绍;需要详细提供与现有技术的区别技术和关联技术;每个附图都应有对应的文字描述,以他人不看附图即可明白技术方案为准;所有英文缩写都应中文注释):
对于机械产品的发明创造应详细说明每一个结构零部件的形状、构造、部件之间的连接关系、空间位置关系、工作原理等;
对于电器产品应描述电器元件的组成、连接关系;
对于无固定形状和结构的产品,如粉状或流体产品、化学品、药品,应描述其组分及其含量、制造工艺条件和工艺流程等;
对于方法发明,应描述操作步骤、工艺参数等;
4.3)简单点明本发明的关键点和欲保护点(逐项列出1、2、3、、、),并简单介绍与最好的现有技术相比,本发明有何优点(一两个自然段即可;结合技术方案来描述,做到有理有据,即用推理或因果关系的方式推理说明;可以对应所要解决的技术问题或发明目的来描述)。
发明内容:
为解决上述技术问题,本发明提出一种发动机的故障预测方法,流程简单,易于操作,能够广泛应用于飞行器的各类发动机中。
为了达到上述目的,本发明采用以下技术方案:
本发明公开了一种发动机的故障预测方法,包括以下步骤:
S1:获取所述发动机的多个传感器的有效测量数据;
S2:对所述有效测量数据进行归一化处理;
S3:将归一化处理后的所述有效测量数据进行切片处理,形成多个切片样本;
S4:将多个所述切片样本分别送入深度神经网络进行特征提取,特征提取后连接到全连接网络;
S5:根据所述全连接网络的输出,通过softmax分类器进行分类,确定所述发动机的剩余使用寿命。
优选地,所述发动机为燃气涡轮发动机。
优选地,步骤S1中具体包括:获取所述发动机的多个传感器的直接测量数据,根据所述直接测量数据求得各个传感器在所述发动机上的波动方差,并将所述直接测量数据中波动方差小于10-10的数据进行剔除,剔除后剩余的直接测量数据形成所述有效测量数据。
优选地,步骤S1中的多个传感器的数量为21个,其中21个传感器分别测量的物理量为:风扇进气口总温度、低压压缩机出气口总温度、高压压缩机出气口总温度、低压涡轮出气口总温度、风扇进气口压强、旁路导管总温度、高压压缩机出气口总压强、物理风扇转速、物理核心速度、引擎压强比、高压压缩机出气口统计压强、高压压缩机燃料流量、风扇修正转速、核心修正转度、主旁路比、燃烧室燃气比、热力泄漏量、风扇转速要求、风扇转速修正要求、高压涡轮冷却剂泄漏量、低压涡轮冷却剂泄漏量。
优选地,步骤S3中所述切片处理中切片的时间长度为20~30个时间单元。
优选地,步骤S3中所述切片样片的输入为切片处理后的切片,输出为对应的剩余使用寿命。
优选地,步骤S4中的所述深度神经网络采用长短时记忆网络。
优选地,所述长短时记忆网络包括两层长短时记忆单元。
优选地,第一层所述长短时记忆单元的个数为128个,第二层所述长短时记忆单元的个数为64个。
本发明与现有技术相比的有益效果是:
本发明通过采用深度神经网络进行特征提取,对噪声具有较强的抑制作用,保证了数据的可靠性,再结合softmax分类器进行分类,实现了发动机剩余使用寿命的端到端的学习,能够及时地预测出飞行器失效发生的时间,流程简单,易于操作,能够广泛应用于飞行器的各类发动机中。
在进一步的技术方案中,本发明通过对数据进行有效地预处理,克服了飞行器发动机测量信号的非线性、非平稳性、随机性、噪声干扰等因素,提高采集到的加速度信号的可靠性,更好地提取样本特征信息,实现对滚动轴承准确、高效、端到端的故障预测。
在更进一步的方案中,具体采用长短时记忆网络结合softmax分类器,更进一步提高了对噪声的抑制作用,更有效地提取样本特征信息,保证数据的可靠性,从而进一步提高发动机的故障预测的可靠性。
5)附图:实用新型专利必须提供附图,附图中构成件可以有标记,尺寸和参数不必标注。
附图说明:
图1是本发明优选实施例的发动机的故障预测方法的流程示意图;
图2是本发明优选实施例的发动机的故障预测方法的核心部分的图示。
6)优选具体实施方式(可与第4部分合写
;尽量写明所有同样能完成发明目的的替代方案,所述替代可以是部分结构、器件、方法步骤的替代,也可以是完整的技术方案):
对于产品发明应描述产品构成、电路构成或者化学成分、各部分之间的相互关系、工作过程或操作步骤;对于方法发明应写明步骤、参数、工艺条件等,可提供多个具体实施方式。
具体实施方式:
下面对照附图并结合优选的实施方式对本发明作进一步说明。
如图1所示,本发明的优选实施例公开了一种发动机的故障预测方法,具体是对于燃气涡轮发动机的故障预测,包括以下步骤:
S101:利用21个传感器采集发动机原始数据;
在燃气涡轮发动机上布置21个传感器,所测量的物理量分别是:风扇进气口总温度、低压压缩机(LPC)出气口总温度、高压压缩机(HPC)出气口总温度、低压涡轮(LPT)出气口总温度、风扇进气口压强、旁路导管总温度、高压压缩机(HPC)出气口总压强、物理风扇转速、物理核心速度、引擎压强比、高压压缩机(HPC)出气口统计压强、高压压缩机(HPC)燃料流量、风扇修正转速、核心修正转度、主旁路比、燃烧室燃气比、热力泄漏量、风扇转速要求、风扇转速修正要求、高压涡轮(HPT)冷却剂泄漏量、低压涡轮(LPT)冷却剂泄漏量,通过21个传感器采集燃气涡轮发动机上的原始数据(也即直接测量数据)。
S102:对传感器数据进行剔除操作;
对21个传感器中的部分进行剔除,分别求出各个传感器在所有发动机单元上的波动方差,需要剔除的标准是该传感器在所有发动机单元中的波动方法均小于10-10。也即将原始数据(直接测量数据)中波动方差小于10-10的数据进行剔除,剔除后剩余的原始数据(直接测量数据)形成有效测量数据。
S103:对剔除后的传感器进行归一化处理;
对有效测量数据进行归一化处理,即将最大值设定为1,最小值设定为0,其余值在(0,1)之间。
S104:将多维传感器的数据进行切片处理;
将归一化处理后的有效测量数据进行切片处理,切片的时间长度为20~30个时间单元,在本实施例中,切片的时间长度为30个时间单元,形成多个切片样本,其中每一个切片分别作为一个切片样本的输入,对应的剩余使用寿命作为切片样本的输出。
S105:将多个切片样本分别送入深度神经网络(本实施例中采用长短时记忆网络)进行特征提取,特征提取后连接到全连接网络;
结合图2所示,长短时记忆网络采用两层长短时记忆单元(LSTM),其中第一层的个数为128,第二层的个数为64;通过长短时记忆网络,可以得到时序数据的特征表达形式,将该特征作为全连接网络的输入,本实施例中,全连接网络包括两层全连接层,全连接层的后一层的输出作为softmax分类器的输入。
S106:根据全连接网络的输出,通过softmax分类器进行分类,给出当前样本输出所属的类别的概率值,从而确定发动机的剩余使用寿命。
其中通过softmax分类器可以给出当前样本输出所属的类别的概率值,概率分布是离散形式,取最大概率对应的随机变量取值即为发动机的剩余使用寿命。
当把一个新的未知剩余使用寿命的单元传感器数据采集出来,即可按照步骤S102进行传感器的筛选,按照步骤S103对时序数据进行归一化处理,利用步骤S104对多维传感器数据进行切片处理,得到时间长度为30的序列,利用步骤S105中训练好的长短时记忆网络提取出的多维传感器数据的特征并送入全连接层,最后利用步骤S106中的softmax分类器,确定最终的剩余使用寿命。
本发明优选实施例的发动机的故障预测方法克服了真实发动机测量信号的非平稳性、非线性、随机性、含噪声等因素,提高采集到的加速度信号的可靠性,对采集到的原始测量信号具有较好的去噪能力;同时基于深度学习思想,采用长短时记忆深度神经网络结构,能够有效地提取样本特征信息,为后续完成softmax分类器,提高故障预测的可靠性打下基础;从而实现对滚动轴承准确、高效、端到端的故障预测。本发明的故障预测方法流程简单,易于操作,具有一定的工程使用价值,能够广泛应用于飞行器的各类发动机中。
通过本发明优选实施例的发动机的故障预测方法,可以及时地预测出飞行器失效发生的时间,并对预警的失效采取有效的处理方式,对保障飞行器正常安全运行具有重要意义。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干等同替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。

图1

图2