久久精品视频18,欧美高清久久,中文日产日产乱码乱偷在线,国产成人+综合亚洲+天堂,免费观看黄色av网站,久久精品大全,欧美成人片在线

基于循環(huán)神經(jīng)網(wǎng)絡(luò)的飛機(jī)渦輪轉(zhuǎn)速故障預(yù)測(cè)方法及系統(tǒng)與流程

文檔序號(hào):42288849發(fā)布日期:2025-06-27 18:20閱讀:7來(lái)源:國(guó)知局

本技術(shù)屬于智能制造,具體涉及一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的飛機(jī)渦輪轉(zhuǎn)速故障預(yù)測(cè)方法及系統(tǒng)。


背景技術(shù):

1、故障診斷技術(shù)發(fā)展至今,已經(jīng)提出了較多的方法,從開(kāi)始的基于解析模型方法到現(xiàn)在的基于機(jī)器學(xué)習(xí)方法,在不需要太多的先驗(yàn)知識(shí)以及系統(tǒng)精確解析模型的情況下完成系統(tǒng)的故障診斷,機(jī)器學(xué)習(xí)擁有很廣泛的應(yīng)用空間,其在故障診斷領(lǐng)域的應(yīng)用主要包括決策樹(shù)、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等。

2、其中決策樹(shù)是一種基本的分類與回歸方法,在2020年的《基于決策樹(shù)與脈沖神經(jīng)膜系統(tǒng)的輸電網(wǎng)故障診斷方法》中,劉偉等提出一種基于決策樹(shù)與模糊推理脈沖神經(jīng)網(wǎng)絡(luò)的輸出電網(wǎng)故障診斷方法,結(jié)果表明該方法在單類型和多類型故障信息丟失時(shí),依然能夠正確診斷出故障元。

3、支持向量機(jī)(support?vector?machine)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的有監(jiān)督學(xué)習(xí)方法。在2002年公開(kāi)的《support?vector?classification?for?fault?diagnostics?if?anelectrical?machine》中,poyhonen?s等將支持向量機(jī)算法應(yīng)用于在電機(jī)故障診斷,成功將電機(jī)健康功率譜和故障功率分類,識(shí)別出故障。

4、卷積神經(jīng)網(wǎng)絡(luò)(cnn)是有一種監(jiān)督學(xué)習(xí)方法最初由yann?lecun于1994年提出,在2016年公開(kāi)的《convolutional?neural?network?based?fault?detection?for?rotatingmachinery》中,olovier?janssens等則采用卷積神經(jīng)網(wǎng)絡(luò)的方法從數(shù)據(jù)中自動(dòng)學(xué)習(xí)用于軸承故障檢測(cè)的特征,實(shí)現(xiàn)齒輪箱的故障檢測(cè)與分類問(wèn)題,與基于隨機(jī)森林分類器的故障診斷準(zhǔn)確率相比,有明顯提高。

5、機(jī)器學(xué)習(xí)理論方法已發(fā)展較為成熟,但在飛機(jī)渦輪冷卻器轉(zhuǎn)速故障預(yù)測(cè)領(lǐng)域仍無(wú)相關(guān)的工程應(yīng)用方法。由于飛機(jī)擁有十分繁雜的飛參記錄系統(tǒng),其維護(hù)數(shù)據(jù)記錄項(xiàng)眾多,數(shù)據(jù)主要用于飛機(jī)系統(tǒng)健康狀況的評(píng)估。目前,國(guó)內(nèi)飛機(jī)工程師主要通過(guò)人工判斷各數(shù)據(jù)項(xiàng)數(shù)據(jù)是否超出設(shè)計(jì)技術(shù)條件范圍判斷飛參是否存在異常,診斷飛機(jī)的健康狀況。


技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中存在的上述問(wèn)題,本發(fā)明提出一種利基于循環(huán)神經(jīng)網(wǎng)絡(luò)的飛機(jī)渦輪冷卻器轉(zhuǎn)速故障預(yù)測(cè)方法,該方法是基于識(shí)別的與渦輪冷卻器轉(zhuǎn)速故障相關(guān)的飛參記錄項(xiàng),使用循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)渦輪冷卻器轉(zhuǎn)速故障,監(jiān)控渦輪冷卻器的健康狀況,解決現(xiàn)階段無(wú)飛機(jī)渦輪冷卻器轉(zhuǎn)速故障預(yù)測(cè)手段的問(wèn)題。

2、為了實(shí)現(xiàn)上述目的,本發(fā)明的技術(shù)方案如下:

3、一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的飛機(jī)渦輪轉(zhuǎn)速故障預(yù)測(cè)方法,包括如下步驟:

4、步驟1.1,首先采集飛機(jī)渦輪冷卻器參數(shù)的實(shí)測(cè)數(shù)據(jù);

5、步驟1.2,對(duì)渦輪工作時(shí)間進(jìn)行轉(zhuǎn)換處理;

6、步驟1.3,對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化;

7、進(jìn)一步地,步驟1.1具體內(nèi)容為,按時(shí)間序列采集飛機(jī)單架渦輪冷卻器正常工作狀態(tài)下的參數(shù)的實(shí)測(cè)數(shù)據(jù),參數(shù)包括渦輪工作時(shí)間、壓氣機(jī)入口溫度、壓氣機(jī)入口壓力、壓氣機(jī)出口溫度、壓氣機(jī)出口壓力、渦輪入口溫度、渦輪入口壓力、渦輪出口溫度、渦輪出口壓力、渦輪轉(zhuǎn)速。

8、再進(jìn)一步地,數(shù)據(jù)量不少于8架次渦輪冷卻器啟動(dòng)數(shù)據(jù),并且采樣周期為5次/秒;按順序取前不少于6次啟動(dòng)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),后不少于2次啟動(dòng)數(shù)據(jù)作為測(cè)試數(shù)據(jù)。

9、進(jìn)一步地,步驟1.2具體內(nèi)容為:將渦輪工作時(shí)間做如下轉(zhuǎn)換,將渦輪工作時(shí)間換算成以秒為單位的數(shù)值,并做如下處理,處理公式為:

10、a1*=a1×5

11、其中a1為渦輪工作時(shí)間;

12、a1*為處理后的渦輪工作時(shí)間。

13、進(jìn)一步地,所述步驟1.3具體內(nèi)容為:使用z標(biāo)準(zhǔn)化法,對(duì)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)中的壓氣機(jī)入口溫度、壓氣機(jī)入口壓力、壓氣機(jī)出口溫度、壓氣機(jī)出口壓力、渦輪入口溫度、渦輪入口壓力、渦輪出口溫度、渦輪出口壓力數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,公式如下:

14、

15、其中z為標(biāo)準(zhǔn)數(shù)據(jù);

16、x為某一具體數(shù)據(jù)的值;

17、μ為該組數(shù)據(jù)的平均數(shù);

18、σ為該組數(shù)據(jù)的標(biāo)準(zhǔn)差;

19、并將經(jīng)過(guò)時(shí)間換算和標(biāo)準(zhǔn)化的數(shù)據(jù)稱為標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)和標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)。

20、步驟2,首先確定循環(huán)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu);初始化模型參數(shù),再輸入標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)調(diào)整循環(huán)神經(jīng)網(wǎng)絡(luò)參數(shù),再輸入標(biāo)準(zhǔn)測(cè)試數(shù)據(jù),得到預(yù)測(cè)結(jié)果。

21、進(jìn)一步地,所述步驟2具體包括如下步驟:

22、步驟2.1,確定循環(huán)神經(jīng)網(wǎng)絡(luò)模型具體結(jié)構(gòu);

23、步驟2.2,使用訓(xùn)練數(shù)據(jù)對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練;

24、步驟2.3,確定數(shù)據(jù)故障判斷閥值;

25、步驟2.4,使用預(yù)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

26、再進(jìn)一步地,所述步驟2.1的具體內(nèi)容為:循環(huán)神經(jīng)網(wǎng)絡(luò)模型的具體結(jié)構(gòu)包含輸入層、隱含層和輸出層,并搭好循環(huán)神經(jīng)網(wǎng)絡(luò)模型;構(gòu)建的循環(huán)神經(jīng)網(wǎng)絡(luò)模型采用1個(gè)輸入層,4個(gè)隱含層和1個(gè)輸出層,每個(gè)隱含層包含的神經(jīng)元個(gè)數(shù)為4個(gè)。

27、再進(jìn)一步地,所述步驟2.2的具體內(nèi)容為:

28、步驟2.2.1,初始化模型:初始化循環(huán)神經(jīng)網(wǎng)絡(luò)參數(shù),包含三個(gè)權(quán)重矩陣u,w,v和兩個(gè)偏置矩陣b和c;設(shè)置迭代輪數(shù)、學(xué)習(xí)速率以及參數(shù)角色;

29、步驟2.2.2,正向傳播:將標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)輸入循環(huán)神經(jīng)網(wǎng)絡(luò)模型,通過(guò)正向傳播算法,得出初始模型參數(shù)下循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值,用來(lái)與標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)的實(shí)際渦輪轉(zhuǎn)速作差來(lái)調(diào)整模型參數(shù);

30、步驟2.2.3,反向傳播:對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行反向傳播計(jì)算,通過(guò)對(duì)之前的渦輪轉(zhuǎn)速預(yù)測(cè)輸出與實(shí)際渦輪轉(zhuǎn)速進(jìn)行對(duì)比計(jì)算出誤差,從而根據(jù)誤差使用梯度下降法迭代模型參數(shù),進(jìn)一步優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò)模型參數(shù),包括三個(gè)權(quán)重矩陣u,w,v和兩個(gè)偏置矩陣b和c;

31、步驟2.2.4,反復(fù)迭代確定最終參數(shù)。

32、更進(jìn)一步地,步驟2.2.2的具體步驟如下:

33、2.2.2.1計(jì)算時(shí)刻t時(shí)模型的隱藏狀態(tài)h(t),h(t)由輸入x(t)和上一時(shí)刻的隱藏狀態(tài)h(t-1)得出,其公式如下:

34、h(t)=σ(u?x(t)+w?h(t-1)+b)

35、其中激活函數(shù)σ為relu函數(shù),偏置矩陣b為線性關(guān)系的偏倚,權(quán)重矩陣u,w是循環(huán)神經(jīng)網(wǎng)絡(luò)模型的線性關(guān)系參數(shù),x(t)代表時(shí)刻t時(shí)訓(xùn)練樣本的輸入,h(t-1)代表t-1時(shí)刻模型的隱藏狀態(tài);

36、步驟2.2.2.2,使用上述公式計(jì)算出的隱藏狀態(tài)h(t)來(lái)計(jì)算時(shí)刻t時(shí)刻模型的輸出o(t),公式如下

37、o(t)=v?h(t)+c

38、其中權(quán)重矩陣v和偏置矩陣c均為循環(huán)神經(jīng)網(wǎng)絡(luò)模型參數(shù)。

39、更進(jìn)一步地,所述步驟2.2.3具體步驟為:

40、步驟2.2.3.1,使用損失函數(shù)計(jì)算模型預(yù)測(cè)轉(zhuǎn)速與實(shí)際轉(zhuǎn)速之間的差異l,公式如下:

41、

42、其中l(wèi)(t)為損失函數(shù),t代表時(shí)刻,n代表最終時(shí)刻,代表t時(shí)刻的渦輪轉(zhuǎn)速預(yù)測(cè)輸出,y(t)代表t時(shí)刻的渦輪轉(zhuǎn)速實(shí)際輸出;

43、步驟2.2.3.2,計(jì)算權(quán)值矩陣v和偏置矩陣c具體公式如下:

44、

45、步驟2.2.3.3,對(duì)權(quán)重矩陣w,u和偏置矩陣b進(jìn)行計(jì)算,公式分別如下:

46、

47、其中δ(t)代表t位置的隱藏狀態(tài)的梯度,函數(shù)diag表示取矩陣對(duì)角元素,代表t時(shí)刻的渦輪轉(zhuǎn)速預(yù)測(cè)輸出,y(t)代表t時(shí)刻的渦輪轉(zhuǎn)速實(shí)際輸出。

48、更進(jìn)一步地,步驟2.2.4具體包括如下步驟:

49、步驟2.2.4.1,使用相同的標(biāo)準(zhǔn)訓(xùn)練數(shù)據(jù)重新輸入調(diào)整過(guò)參數(shù)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型;

50、步驟2.2.4.2,重復(fù)步驟2.2.2、步驟2.2.3對(duì)參數(shù)進(jìn)行調(diào)整,直至達(dá)到要求的訓(xùn)練次數(shù)后,確定模型參數(shù);

51、步驟2.2.4.3,確定最終的模型參數(shù)包括權(quán)重矩陣u,w,v和偏置矩陣b和c,并將此時(shí)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型作為渦輪轉(zhuǎn)速預(yù)測(cè)模型。

52、再進(jìn)一步地,步驟2.3的具體內(nèi)容如下:

53、步驟2.3.1,將標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)作為輸入,應(yīng)用渦輪轉(zhuǎn)速預(yù)測(cè)模型預(yù)測(cè)渦輪轉(zhuǎn)速,并計(jì)算渦輪轉(zhuǎn)速殘差q,計(jì)算公式如下:

54、

55、代表t時(shí)刻的渦輪轉(zhuǎn)速預(yù)測(cè)輸出,y(t)代表t時(shí)刻的渦輪轉(zhuǎn)速實(shí)際輸出;

56、步驟2.3.2,通過(guò)殘差評(píng)估渦輪轉(zhuǎn)速預(yù)測(cè)模型精度,當(dāng)精度滿足要求時(shí),將步驟2.2.4.3輸出的最終的模型參數(shù)和渦輪轉(zhuǎn)速預(yù)測(cè)模型作為后續(xù)渦輪轉(zhuǎn)速預(yù)測(cè)模型參數(shù)和預(yù)測(cè)模型,否則重復(fù)步驟2.2,直至殘差精度滿足要求;

57、步驟2.3.3,計(jì)算渦輪轉(zhuǎn)速殘差q的標(biāo)準(zhǔn)差σ1和均值,作為后續(xù)判斷預(yù)測(cè)數(shù)據(jù)是否故障的閥值;

58、步驟2.3.4,當(dāng)預(yù)測(cè)數(shù)據(jù)連續(xù)10s超過(guò)5倍標(biāo)準(zhǔn)差σ1時(shí),即超出范圍時(shí),則判定數(shù)據(jù)渦輪轉(zhuǎn)速出現(xiàn)異常。

59、再進(jìn)一步地,步驟2.4具體內(nèi)容為:將預(yù)測(cè)數(shù)據(jù)先按步驟1.2、步驟1.3處理后,輸入步驟2.3.2所得模型,得到預(yù)測(cè)轉(zhuǎn)速后,按步驟2.3.1計(jì)算渦輪轉(zhuǎn)速殘差,按步驟2.3.3確定是否存在超過(guò)故障判定標(biāo)準(zhǔn)的點(diǎn),并輸出數(shù)據(jù)是否故障的判定結(jié)果。

60、一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的飛機(jī)渦輪轉(zhuǎn)速故障預(yù)測(cè)系統(tǒng),包括數(shù)據(jù)處理模塊和循環(huán)神經(jīng)網(wǎng)絡(luò)識(shí)別模塊,所述數(shù)據(jù)處理模塊執(zhí)行步驟1.1-步驟1.3的內(nèi)容;所述循環(huán)神經(jīng)網(wǎng)絡(luò)識(shí)別模塊執(zhí)行步驟2的內(nèi)容。

61、本技術(shù)的優(yōu)點(diǎn)在于:

62、1、本發(fā)明基于識(shí)別的與渦輪冷卻器轉(zhuǎn)速故障相關(guān)的飛參記錄項(xiàng),使用循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)渦輪冷卻器轉(zhuǎn)速故障,監(jiān)控渦輪冷卻器的健康狀況,解決現(xiàn)階段無(wú)飛機(jī)渦輪冷卻器轉(zhuǎn)速故障預(yù)測(cè)手段的問(wèn)題。實(shí)際應(yīng)用中證明,該方法可在飛機(jī)渦輪冷卻器轉(zhuǎn)速故障前,預(yù)測(cè)該渦輪存在轉(zhuǎn)速異常。故障預(yù)測(cè)模型為飛機(jī)渦輪冷卻器提前開(kāi)展視情維護(hù)提供了依據(jù),減少了因飛機(jī)渦輪冷卻器空中報(bào)告導(dǎo)致飛行任務(wù)終止或者引發(fā)飛行事故的可能。

63、2、本發(fā)明基于識(shí)別的與渦輪冷卻器轉(zhuǎn)速故障相關(guān)的飛參記錄項(xiàng),使用循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)渦輪冷卻器轉(zhuǎn)速故障,監(jiān)控渦輪冷卻器的健康狀況,解決現(xiàn)階段無(wú)飛機(jī)渦輪冷卻器轉(zhuǎn)速故障預(yù)測(cè)手段的問(wèn)題。

當(dāng)前第1頁(yè)1 2 
網(wǎng)友詢問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1