一种基于优化组合模型的航空发动机振动异常趋势预测方法

本发明涉及航空发动机异常振动趋势预测领域，具体是一种基于优化组合模型的航空发动机振动异常趋势预测方法。

背景技术：

1、航空发动机预测与健康管理系统(后文简称为phm系统)的工程需求包括：状态监测、故障诊断、故障预测和状态评估。phm系统可分为机载部分与地面部分，两部分共同协作，实现对航空发动机的健康管理。不论是机载系统还是地面系统都有对发动机开展预测工作的需求。随着航空发动机推重比不断提升以及自适应变循环发动机研制需求的提出，航空发动机phm技术越来越受到重视，对于健康管理与状态预测的要求不断增加。

2、在航空发动机地面试车中，发动机工作状态多为稳态，此时若发动机振动状态异常，则振动幅值会表现出明显的随时间变化趋势，如线性增长趋势、周期摆动趋势以及振幅突变趋势。为最大程度的保障发动机整机安全，需要及时发现这些异常趋势并基于已有趋势做出后续振动趋势预测，根据预测结果采取相应维修措施。对于航空发动机异常振动趋势振动预测而言，最为关键的是能够以较高的精度实现对于三种异常振动趋势的多步长预测。

3、在公开号为cn113200153a的发明专利中公开了一种飞行器飞行振动预测方法，该方法以飞行参数与振动参数为输入，搭建多种机器学习方法和多种输入参数组合的不同预测模型进行振动预测，最终选取精度最高的预测模型。该方法没有针对航空发动机典型异常振动趋势做出预测，且并未对多种模型的参数进行优化选取。

4、马进锐等人的《发动机振动趋势预测模型研究》一文中，建立了趋势项的周期摆动模型、线性发展模型和振幅突变模型，用于描述典型故障振动，然后基于所建立的振动趋势模型进行了最大步长为3步的振动预测实验。但该方法采用的振动预测方法精度较低，无法实现多步长高精度的异常振动趋势预测。

5、大多数预测模型并未很好的与航空发动机实际工作状态紧密结合起来，尤其是在振动预测领域。当前研究中极少有针对异常趋势开展振动趋势预测，相关工作多为地面旋转机械(如水电机组)的振动预测，与航空发动机工作状况存在明显差异。此外，针对航空发动机振动趋势数据的特征提取方法应用不足，导致预测精度较低；并且在预测模型参数选取时多采用人工试凑的方法，这种方法全凭人工经验，参数选取并非最优选择。

技术实现思路

1、为克服现有技术中存在的未针对发动机振动异常趋势、预测模型单一、参数非最优的问题，本发明提出了一种基于优化组合模型的航空发动机振动异常趋势预测方法。针对线性发展、周期摆动以及振幅突变这三种异常振动趋势，本发明首先使用卷积神经网络(后文简称为cnn)进行趋势特征提取，然后使用双向长短时记忆神经网络(后文简称为bilstm)进行异常趋势建模预测，在此过程中使用改进优化算法对网络参数进行最优选取以达到最优预测效果。在训练预测模型时，为提高预测模型工程适用性，使用一组地面试车振动数据进行训练，然后用该模型同时实现3种异常趋势的预测。

2、本发明的技术方案为：

3、一种基于优化组合模型的航空发动机振动异常趋势预测方法，包括以下步骤：

4、步骤1：选取航空发动机振动实验数据，构建异常趋势预测模型训练数据集；

5、步骤2：构建异常振动趋势预测cnn-bilstm组合模型；其中使用issa算法对cnn-bilstm组合模型中的重要参数进行寻优计算，得到参数优化后的异常振动趋势预测组合模型；

6、步骤3：基于步骤2得到的最优组合模型参数，进行异常趋势振动预测模型训练；

7、步骤4：利用步骤3得到的异常趋势振动预测模型进行航空发动机振动异常趋势预测。

8、进一步的，步骤1中，选取的航空发动机振动实验数据为稳态工作数据，所述稳态指发动机高、低压转速保持平稳，转速波动小于0.5％；且选取的数据样本点不少于3w。

9、进一步的，步骤1中，将所选数据进行振动单位无量纲化处理，按照cfm56-5b标注，处理后的振动幅值单位统一为“unit”。

10、进一步的，步骤1中，还通过以下过程确定了异常振动趋势预测模型最优输入步长：设置异常振动趋势预测步长，搭建单层lstm预测网络，对比输入步长分别为：20、30、40、50、60情况下网络的预测性能，根据预测性能确定最优输入步长。

11、进一步的，步骤2中，构建异常振动趋势预测cnn-bilstm组合模型时，先进行cnn网络层数以及bilstm网络层数选取，通过使用分别搭建1、2、3层的cnn与bilstm网络进行预测实验，比较预测效果，选取预测效果最好的网络层数设置方案。

12、进一步的，步骤2中，所述重要参数包括cnn中每一层的卷积核数目、bilstm中每层的隐层数目、全连接层数目、训练样本批次、初始学习率以及正则化参数。

13、进一步的，步骤2中，issa算法中，发现者位置更新公式为：

14、

15、其中为t+1次迭代时候的发现者位置，ybest为发现者当前所寻找到的最优觅食位置，r2,r3∈[0,2π]均为随机数，r1为正余弦搜索步长因子，ω为非线性权重系数：

16、

17、a为常数，t为迭代次数，η为调节因子，itermax为预先设置的最大迭代次数；

18、而跟随者位置更新公式为：

19、

20、其中为t+1次迭代时候的跟随者位置，t(·)为t分布概率密度函数：

21、

22、m为自由度参数，其取值为算法迭代次数。

23、有益效果

24、与现有技术相比较，本发明的有益效果为：

25、1、本发明针对航空发动机在地面试车中常见的3种异常振动趋势开展了基于优化组合模型的异常振动趋势预测，在基于数据的振动预测中考虑到了航空发动机自身运行特点。该预测方法可以在地面试车中时刻监测异常振动趋势，若预测结果出现异常趋势则及时做出预警确保发动机安全。

26、2、本发明提出使用cnn与bilstm进行结合的组合模型预测方法，充分利用了cnn网络的特征获取能力。使用cnn进行趋势特征提取后的预测结果显著优于未经过特征提取的预测结果。该方法可针对多种异常振动趋势，工程适用性较好。

27、3、本发明使用issa算法进行组合模型参数的优化选取，避免了人工选取参数的耗时以及过度依赖经验的不足，参数优化后的预测效果得到了显著提升。该方法可针对多种组合模型进行参数优化，能够有效提升参数选取的效率并降低经验依赖性。

28、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种基于优化组合模型的航空发动机振动异常趋势预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述一种基于优化组合模型的航空发动机振动异常趋势预测方法，其特征在于：步骤1中，选取的航空发动机振动实验数据为稳态工作数据，所述稳态指发动机高、低压转速保持平稳，转速波动小于0.5％；且选取的数据样本点不少于3w。

3.根据权利要求1或2所述一种基于优化组合模型的航空发动机振动异常趋势预测方法，其特征在于：步骤1中，将所选数据进行振动单位无量纲化处理，按照cfm56-5b标注，处理后的振动幅值单位统一为“unit”。

4.根据权利要求1所述一种基于优化组合模型的航空发动机振动异常趋势预测方法，其特征在于：步骤1中，还通过以下过程确定了异常振动趋势预测模型最优输入步长：设置异常振动趋势预测步长，搭建单层lstm预测网络，对比输入步长分别为：20、30、40、50、60情况下网络的预测性能，根据预测性能确定最优输入步长。

5.根据权利要求1所述一种基于优化组合模型的航空发动机振动异常趋势预测方法，其特征在于：步骤2中，构建异常振动趋势预测cnn-bilstm组合模型时，先进行cnn网络层数以及bilstm网络层数选取，通过使用分别搭建1、2、3层的cnn与bilstm网络进行预测实验，比较预测效果，选取预测效果最好的网络层数设置方案。

6.根据权利要求1所述一种基于优化组合模型的航空发动机振动异常趋势预测方法，其特征在于：步骤2中，所述重要参数包括cnn中每一层的卷积核数目、bilstm中每层的隐层数目、全连接层数目、训练样本批次、初始学习率以及正则化参数。

7.根据权利要求1所述一种基于优化组合模型的航空发动机振动异常趋势预测方法，其特征在于：步骤2中，issa算法中，发现者位置更新公式为：

技术总结
本发明提出一种基于优化组合模型的航空发动机振动异常趋势预测方法，首先使用卷积神经网络进行趋势特征提取，然后使用双向长短时记忆神经网络进行异常趋势建模预测，在此过程中使用改进优化算法对网络参数进行最优选取以达到最优预测效果。该预测方法可以在地面试车中时刻监测异常振动趋势，若预测结果出现异常趋势则及时做出预警确保发动机安全。此外本发明使用ISSA算法进行组合模型参数的优化选取，避免了人工选取参数的耗时以及过度依赖经验的不足，参数优化后的预测效果得到了显著提升。该方法可针对多种组合模型进行参数优化，能够有效提升参数选取的效率并降低经验依赖性。

技术研发人员：王俨剀,姚尚鹏,王彤,贾欣竹
受保护的技术使用者：西北工业大学
技术研发日：
技术公布日：2024/6/5