一种基于部件级融合的发动机健康状态识别方法与流程

技术特征：
1.一种基于部件级融合的发动机健康状态识别方法，其特征在于，包括以下步骤：步骤1：以航天发动机稳态运行阶段多个部件的多个传感器通道采集到的一维信号作为多源信号，对各传感器通道的一维信号进行预处理，根据各传感器通道一维信号采集的位置完成信号的部件级划分，并划分部件级数据的训练集和测试集；步骤2：使用加噪重采样的异常数据生成方法，以步骤1中部件级数据的训练集的健康样本为基础生成异常样本，并将异常样本并入训练集；步骤3：对各部件分别构建部件级卷积神经网络作为部件级状态智能识别模型，对步骤2得到的各部件训练集分别进行学习，模型通过对各部件多源数据进行自适应特征融合及提取，实现对航天发动机部件级状态的智能识别；步骤4：构建注意力融合网络作为整体状态智能识别模型，对步骤3得到的部件级状态的智能识别结果进行融合，实现航天发动机整机的状态智能识别。2.根据权利要求1所述的一种基于部件级融合的发动机健康状态识别方法，其特征在于，步骤1对各传感器通道的一维信号进行的预处理包括，对每个传感器通道的一维信号分别进行标准化处理，对标准化处理的样本进行采样与标签添加。3.根据权利要求2所述的一种基于部件级融合的发动机健康状态识别方法，其特征在于，所述标准化处理具体为：对各传感器通道的一维信号分别进行线性函数归一化处理，得到归一化信号，其计算式为：式中，x
i
为第i个传感器通道采集的一维信号序列，x
max
为序列的最大值，x
min
为序列的最小值，为第i个传感器通道归一化后的信号。4.根据权利要求2所述的一种基于部件级融合的发动机健康状态识别方法，其特征在于，每个传感器通道的一维信号有统一的时间序列，对标准化之后的多源信号进行统一采样，得到的各样本长度相同，且单个样本之间不存在重叠部分，单个样本表示为：式中，x表示样本，m表示样本中各传感器通道的采样数据，m表示样本中的具体数据，l为传感器通道数，n为样本长度。5.根据权利要求2所述的一种基于部件级融合的发动机健康状态识别方法，其特征在于，步骤1中的多源信号来自多组发动机，其中部分发动机状态健康，其余发动机存在异常，分别对各发动机采集到的信号进行样本采集，并根据发动机运行状态对样本添加对应标签，异常发动机采集的样本整体标签为0，健康发动机采集的样本整体标签为1。6.根据权利要求5所述的一种基于部件级融合的发动机健康状态识别方法，其特征在于，步骤1中的部件级数据来自发动机的不同部位，分别为：推力室数据、燃气发生器数据、氧化剂数据以及燃料数据；根据各传感器通道来源的不同部位，对原始多源信号进行通道级数据划分，并根据发动机运行状态对部件样本添加对应标签，健康发动机采集到的各部
件数据样本部件标签为0，异常发动机采集到各部件数据的样本不设置标签。7.根据权利要求6所述的一种基于部件级融合的发动机健康状态识别方法，其特征在于，步骤1中按照样本来源的发动机对预处理后的样本进行划分，将部分采集于异常发动机的部件样本作为训练集，将其余健康发动机及异常发动机采集到的部件样本作为测试集。8.根据权利要求6所述的一种基于部件级融合的发动机健康状态识别方法，其特征在于，步骤2中的加噪重采样的异常数据生成方法包括信号高斯加噪法和重采样叠加法，高斯加噪法用公式表示如下：x
a
＝tdata(x
g
g
n
)其中，x
g
为训练集中某正常样本的某通道数据，x
a
为经过高斯加噪法生成的数据，g
n
为高斯加噪法添加的经过原始信号重构的噪声数据，用公式表示如下：其中，loc为正态分布的均值，scale为整体分布的标准差，s为输出值，normal()为高斯分布函数的标准形式，p
n
为高斯噪声的生成系数，如下式所示：其中，snr为设定的信噪比；重叠采样法用公式表示如下：x
f
＝η
f
[λ
f
x
g
(1-λ
f
)
×
resample(x
g
)]其中，x
f
为经过重采样叠加法生成的数据，η
f
为缩放因子，其取值范围为(0.5，1.5)，λ
f
为叠加因子，其取值范围为[0，1)，resample()为重采样叠加函数。9.根据权利要求8所述的一种基于部件级融合的发动机健康状态识别方法，其特征在于，在步骤2中，以训练集中某条健康样本为基础，随机从[1,l]中选取整数l
a
,并随机从本条健康样本中选取l
a
个传感器通道用高斯加噪法进行处理，得到一条包含高斯噪声的样本，然后随机从[1,l]中选取整数l
b
，并随机从这条高斯加噪样本中选取l
b
个传感器通道采用重采样叠加法处理，得到一条异常样本。10.根据权利要求8所述的一种基于部件级融合的发动机健康状态识别方法，其特征在于，步骤3中部件级卷积神经网络包括长短期记忆层、一维卷积层、最大池化层和全连接层，模型输入为各部件对应传感器的多源数据，模型输出为部件级健康状态智能识别结果；步骤4中注意力融合网络包括自注意力层及全连接层，模型输入为部件级健康状态智能识别结果，输出为整体健康状态智能识别结果。

技术总结
本发明公开了一种基于部件级融合的发动机健康状态识别方法，以航天发动机稳态运行阶段多部件的多个传感器通道采集到的一维信号作为原始数据，统一对每个通道信号进行预处理，按照通道采集信息所在位置进行数据部件级划分，并划分训练集和测试集，通过训练集的健康样本生成异常样本并将其加入训练集；分别构部件级卷积神经网络作为部件智能状态识别模型，模型通过对训练集各部件多源数据进行自适应特征提取及融合，实现对航天发动机部件级的健康状态智能识别，并使用部件状态融合模型对部件识别结果进行融合完成整体状态的智能识别；将模型用于测试集的部件健康状态识别及整体状态融合识别，并对结果进行评估。并对结果进行评估。并对结果进行评估。


技术研发人员：陈景龙 刘倩 吕海鑫
受保护的技术使用者：西安交通大学
技术研发日：2021.11.17
技术公布日：2022/2/23