基于单维卷积门控单元的飞机发动机故障诊断方法

本发明属于故障检测，具体涉及一种基于单维卷积门控单元的飞机发动机故障诊断方法。

背景技术：

1、近年来，随着航空业的飞速发展，飞机的安全性和可靠性越来越受到关注。然而，飞机故障率预测仍然是一个具有挑战性的问题。如何准确、及时地预测航空发动机的剩余使用寿命不仅对于维持运行效率而且对于确保安全也至关重要。飞机系统日益增加的复杂性，加上严格的维护和安全规定，各种各样的情况都要求目前需要更加精确和可靠的rul预测技术。目前来说，rul预测已成头维护策略的重要组成部分，可以主动做出维修或更换决策，以防止故障并最大限度地减少停机时间。发动机作为飞机的心脏，对于确保飞机的成功运行起着至关重要的作用。长时间暴露在高温高压的极端条件下，发动机的性能可能会迅速恶化，这一过程在不同的飞行场景和持续时间中会有很大差异。为了减少与不必要维护相关的人力、物料和财务成本，精确的维护计划已成为实时预测性健康管理系统的一个关键目标。

2、传统的预测方法往往依赖于专家经验和统计模型里，一般就是只指通过专家经验和统计模型在间隔一定的时间内进行维修,这些方法可以在一定程度上有效预防故障的发生，但是也会大大的浪费不必要的人力物力，由于这些方法往往无法充分利用大量的飞机运行数据和故障记录。为了解决这个问题，深度学习这项先进技术逐渐引起了有关研究人员的关注。

3、深度学习是一种以神经网络为基础的机器学习技术，它可以自动地从数据中学习和识别关键特征，并通过分层的方法来进行预测和分类。在预测飞机的故障率方面，深度学习能够通过分析大量飞机运行数据，识别出数据中隐藏的模式和规律。这些发现有助于我们预测飞机可能出现的故障，以便及时进行必要的维护和保养，进而增强飞机的可靠性和安全性。

4、与传统的预测方法相比，深度学习具有以下优势。首先，深度学习可以对大规模的数据进行处理，其中包括飞机的运行参数、维修记录、环境条件等，从而更全面地分析飞机故障的影响因素。其次，深度学习可以自动学习和提取数据中的特征，无需依赖人工选择的特征，从而提高了预测的准确性和可靠性。最后，深度学习还可以进行端到端的学习，即从原始数据到最终的预测结果，无需人工干预，减少了预测过程中的主观性和误差。

技术实现思路

1、针对现有技术中的飞机发动机在故障检测中特征提取不足的技术问题，提供了一种基于单维卷积门控单元的飞机发动机故障诊断方法。

2、一种基于单维卷积门控单元的飞机发动机故障诊断方法，包括以下步骤：

3、步骤s1：构建数据集,数据集采用c-mapss数据集，数据集内的数据相应设有标签；

4、步骤s2：构建故障诊断模型，通过故障诊断模型的patchtst模型对步骤s1中数据集的数据进行处理，将数据集中的数据按时间序列进行拆分，从而获取若干个子序列；

5、步骤s3：将步骤s2中的子序列作为输入向量导入故障诊断模型的单维卷积门控单元进行特征提取，获得提取特征向量；

6、步骤s4：将步骤s3中的提取特征向量导入故障诊断模型的位置编辑器进行位置信息注入，获得注入特征向量；

7、步骤s5：将步骤s4中的注入特征向量注入故障诊断模型的transformer层进行预测，获得预测结果；

8、步骤s6：对步骤s5的预测结果进行降维，获得预测输出，构建包括rsme评估函数和score评估函数的总损失函数，总损失函数根据步骤s1的标签计算总损失，最小化总损失以更新故障诊断模型的参数。

9、进一步的，步骤s1中的数据集的数据结构包括4种字段，分别为：

10、第一字段，表示飞机发动机id；

11、第二字段，表示飞机发动机当前的运行周期；

12、第三字段，表示飞机发动机的操作设置；

13、第四字段，表示飞机发动机传感器的数据。

14、进一步的，步骤s2具体为：

15、通过patchtst对步骤s1中数据集的数据按时间序列进行拆解，表示为：

16、；

17、；

18、其中，表示从时间序列x中提取的第i个子序列，时间序列,t表示时间步长，f表示特征数，表示当前序列对应的时间步，表示输入时间序列数据的形状或维度，表示长度为l的子序列，n是子序列的总数。

19、进一步的，步骤s3具体为：

20、步骤s31:对步骤s2中获取的子序列进行单维卷积，表示为：

21、；

22、其中，表示卷积特征向量，表示一维卷积层；

23、步骤s32:经过一维卷积层处理后的卷积特征向量导入门控单元，经过控制信息流的重置门和更新门，重置门和更新门的公式如下：

24、；

25、；

26、其中，表示重置门，表示更新门，表示sigmoid激活函数，分别表示不同的权重矩阵，分别表示不同的偏置项；

27、步骤s33:进行残差连接，表示为：

28、；

29、；

30、其中，表示初步提取特征向量，表示中间提取特征向量，表示残差权重矩阵，表示逐元素乘积，表示残差连接的偏置；

31、步骤s34:对步骤s33的中间提取特征向量进行padded处理表示为：

32、；

33、其中，表示提取特征向量，表示经过填充后的。

34、进一步的，步骤s4具体为：

35、位置编码器通过正弦和余弦函数的组合来生成子序列的位置和维度的唯一编码，位置编码形式化为：

36、当为偶数时：

37、；

38、当为奇数时：

39、；

40、其中，表示偶数位置编码，表示奇数位置编码，表示位置编码器的维度，表示子序列的位置，表示子序列的维度。

41、进一步的，步骤s6中的通过rsme评估函数和score评估函数联合评估最终输出的损失，最小化损失以更新诊断模型的参数，具体为：

42、通过rsme评估函数评估最终输出，表示为：

43、；

44、其中，表示故障诊断模型的预测值和标签的差值，n表示样本的总数，表示数据集的第个样本；

45、通过score评估函数评估最终输出表示为：

46、；

47、其中，为故障诊断模型对第个样本的预测值，表示数据集的第个样本对应的标签，n表示样本数据的总个数；

48、；

49、其中，表示总损失，通过最小化总损失来更新故障检测模型的参数。

50、本发明的积极进步效果在于：

51、本发明提供的故障诊断方法成功地将patch技术用于将时间序列数据划分为子序列，并采用单维卷积门控单元捕获时间序列内的长短期依赖关系。

技术特征：

1.一种基于单维卷积门控单元的飞机发动机故障诊断方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于单维卷积门控单元的飞机发动机故障诊断方法，其特征在于，步骤s1中的数据集的数据结构包括4种字段，分别为：

3.如权利要求2所述的一种基于单维卷积门控单元的飞机发动机故障诊断方法，其特征在于，步骤s2具体为：

4.如权利要求1所述的一种基于单维卷积门控单元的飞机发动机故障诊断方法，其特征在于，步骤s3具体为：

5.如权利要求1所述的一种基于单维卷积门控单元的飞机发动机故障诊断方法，其特征在于，步骤s4具体为：

6.如权利要求1所述的一种基于单维卷积门控单元的飞机发动机故障诊断方法，其特征在于，步骤s6中的通过rsme评估函数和score评估函数联合评估最终输出的损失，最小化损失以更新诊断模型的参数，具体为：

技术总结
本发明公开了基于单维卷积门控单元的飞机发动机故障诊断方法，包括以下步骤：S1：采集并构建数据集,数据集采用C‑MAPSS数据集；S2：构建故障诊断模型，通过PatchTST模型对S1中数据集的数据进行处理；步骤S3：将S2中的子序列作为输入向量导入单维卷积门控单元进行特征提取；S4：将S3中的提取特征向量导入故障诊断模型的位置编辑器进行位置信息注入；S5：将S4中的注入特征向量注入故障诊断模型的transformer层进行预测，获得预测结果；S6：对S5的预测结果进行降维，获得预测输出。本发明提供的故障诊断方法成功地将Patch技术用于将时间序列数据划分为子序列，并采用单维卷积门控单元捕获时间序列内的长短期依赖关系。

技术研发人员：陈华,吴尚,李宏伟,吴子煌,王千,叶永辉
受保护的技术使用者：江西师范大学
技术研发日：
技术公布日：2024/8/27