兵工学报 ›› 2024, Vol. 45 ›› Issue (1): 253-263.doi: 10.12382/bgxb.2022.0615
收稿日期:
2022-07-07
上线日期:
2024-01-30
通讯作者:
基金资助:
LÜ Weimin*(), SUN Chenfeng, REN Likun, ZHAO Jie, LI Yongqiang
Received:
2022-07-07
Online:
2024-01-30
摘要:
长时间工作在高温高压、强振动等恶劣气路环境下的航空发动机经常面临部件疲劳、腐蚀和性能退化的问题,且其故障诊断时序逻辑性不强、故障参数耦合较深等特点十分明显,为此提出一种基于时间卷积神经网络(Temporal Convolutional Network,TCN)和轻量级梯度提升机(Light Gradient Boosting Machine,LGBM)的航空发动机气路故障诊断方法。故障诊断分为故障特征提取和分类诊断两个过程:引入TCN框架,在保证故障数据训练时序逻辑的基础上,实现对远层历史信息和当前层信息的特征融合构建,融合通道注意力机制增强了高质量特征的权重;基于LGBM模型实现对特征的快速分类,利用贝叶斯方法实现对模型超参数的快速优化。以基于PROOSIS软件建模的某军用小涵道比涡扇发动机故障仿真数据为例,对6种故障模式进行诊断识别。仿真结果表明了所提方法的有效性;通过与其他模型对比体现了该方法的优越性。
中图分类号:
吕卫民, 孙晨峰, 任立坤, 赵杰, 李永强. 一种基于TCN-LGBM的航空发动机气路故障诊断方法[J]. 兵工学报, 2024, 45(1): 253-263.
LÜ Weimin, SUN Chenfeng, REN Likun, ZHAO Jie, LI Yongqiang. A Gas Path Fault Diagnosis Method for Aero-engine Based on TCN-LGBM Model[J]. Acta Armamentarii, 2024, 45(1): 253-263.
TCN模型 | 参数 | T-SNE | 参数 |
---|---|---|---|
Batch-size | 256 | init | random |
Epoch | 300 | random_state | 33 |
Dropout | 0.1 | learning_rate | 200 |
Hidden Layers | [64,16,16] | metric | cosine |
表2 TCN框架及T-SNE降维参数
Table 2 TCN model and T-SNE parameters
TCN模型 | 参数 | T-SNE | 参数 |
---|---|---|---|
Batch-size | 256 | init | random |
Epoch | 300 | random_state | 33 |
Dropout | 0.1 | learning_rate | 200 |
Hidden Layers | [64,16,16] | metric | cosine |
贝叶斯参数 | 数值 | 贝叶斯参数 | 数值 |
---|---|---|---|
num_leaves | 84 | bagging_fraction | 0.6 |
max_depth | 40 | bagging_freq | 5 |
lambda_l1 | 0.1 | min_data_in_leaf | 30 |
lambda_l2 | 0.1 | n_estimators | cosine |
表3 贝叶斯模型超参数
Table 3 Bayesian model hyperparameters
贝叶斯参数 | 数值 | 贝叶斯参数 | 数值 |
---|---|---|---|
num_leaves | 84 | bagging_fraction | 0.6 |
max_depth | 40 | bagging_freq | 5 |
lambda_l1 | 0.1 | min_data_in_leaf | 30 |
lambda_l2 | 0.1 | n_estimators | cosine |
[1] |
朱之丽, 陈敏, 唐海龙, 等. 航空燃气涡轮发动机工作原理及性能[M]. 上海: 上海交通大学出版社, 2018:257-261.
|
|
|
[2] |
周忠宝, 马超群, 周经伦. 基于动态贝叶斯网络的动态故障树分析[J]. 系统工程理论与实践, 2008, 28(2):35-42.
doi: 10.12011/1000-6788(2008)2-35 |
|
|
[3] |
蔡鼎. 融合先验知识的燃气轮机欠定气路故障诊断方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2105: 40-42.
|
|
|
[4] |
金山. 复杂系统可靠性建模与分析[M]. 北京: 国防工业出版社, 2015:5-17.
|
|
|
[5] |
杨洁, 万平安, 王景霖, 等. 基于多传感器融合卷积神经网络的航空发动机轴承故障诊断[J]. 中国电机工程学报, 2022, 42(13):4933-4941.
|
|
|
[6] |
魏晓良, 潮群, 陶建峰, 等. 基于LSTM和CNN的高速柱塞泵故障诊断[J]. 航空学报, 2021, 42(3):435-445.
|
|
|
[7] |
|
[8] |
doi: 10.1109/TII.9424 URL |
[9] |
doi: 10.1016/j.aei.2019.100977 URL |
[10] |
邓飞跃, 丁浩, 吕浩洋, 等. 一种基于轻量级神经网络的高铁轮对轴承故障诊断方法[J]. 工程科学学报, 2021, 43(11): 1482-1490.
|
|
|
[11] |
潘宏侠, 张玉学. 基于SST时频图纹理特征的供输弹系统故障诊断[J]. 振动与冲击, 2020, 39(6): 132-137.
|
|
|
[12] |
doi: 10.1007/s10470-020-01732-8 |
[13] |
|
[14] |
|
[15] |
皮骏, 黄江博. 基于IPSO-Elman神经网络的航空发动机故障诊断[J]. 航空动力学报, 2017, 32(12):3031-3038.
|
|
|
[16] |
谭海旺, 杨启亮, 邢建春, 等. 基于XGBoost-LSTM组合模型的光伏发电功率预测[J]. 太阳能学报, 2022, 43(8):75-81.
doi: 10.19912/j.0254-0096.tynxb.2021-0005 |
|
|
[17] |
马怀祥, 冯旭威, 李东升, 等. 基于CNN和XGBoost的滚动轴承故障诊断方法[J]. 中国工程机械学报, 2019, 19(3):254-259.
|
|
|
[18] |
|
[19] |
doi: 10.1088/1742-6596/1213/4/042050 |
[20] |
|
[21] |
华校专. AI算法工程师手册[R/OL].(2022-04-03)[2022-04-08]. http://www.huaxiaozhuan.com/.
|
|
|
[22] |
杜先君, 巩彬, 余萍, 等. 基于CBAM-CNN的模拟电路故障诊断[J]. 控制与决策, 2022, 37(10):2609-2618.
|
|
|
[23] |
田彦云. 涡轴发动机建模与扭矩加载控制技术研究[D]. 南京: 南京航空航天大学, 2016.
|
|
|
[24] |
张浩, 李密, 赵海刚. 基于试飞数据的涡轴发动机性能建模技术[J]. 推进技术, 2021, 42(10):2177-2186.
|
|
|
[25] |
潘慕绚, 陈强龙, 周永权, 等. 涡扇发动机多动力学建模方法[J]. 航空学报, 2019, 40(5):99-110.
|
|
|
[26] |
doi: 10.1016/j.ast.2016.08.008 URL |
[27] |
楚娜娜, 张曙光, 高艳蕾, 等. 基于Simscape模型的航空发动机系统安全性分析方法[J]. 航空动力学报, 2021, 36(4): 885-896.
|
|
|
[28] |
刘星怡. 基于深度信念网络的航空发动机气路故障诊断方法研究[D]. 南京: 南京航空航天大学, 2020.
|
|
|
[29] |
葛怡. 航空发动机几种典型故障建模仿真及预测[D]. 西安: 西安理工大学, 2020.
|
|
|
[30] |
doi: 10.1115/1.4053564 URL |
[31] |
|
[32] |
石重托, 姚伟, 黄彦浩, 等. 基于SE-CNN和仿真数据电力系统主导失稳模式智能识别[J/OL]. 中国电机工程学报.(2021-11-08). https://kns.cnki.net/kcms/detail/11.2107.TM.2021110-5.1639.046.html.
|
|
|
[33] |
张浩, 胡昌华, 杜党波, 等. 多状态影响下基于Bi-LSTM网络的锂电池剩余寿命预测方法[J]. 电子学报, 2022, 50(3):619-624.
doi: 10.12263/DZXB.20210207 |
doi: 10.12263/DZXB.20210207 |
[1] | 林森,王金刚,高宏伟. 基于全局补偿注意力机制的战场图像去雾方法[J]. 兵工学报, 2024, 45(4): 1344-1353. |
[2] | 王伽豪,那文波,刘志威,昝琪,王铮. 双闭环比值控制系统传感器故障诊断方法[J]. 兵工学报, 2024, 45(4): 1252-1263. |
[3] | 宋晓茹, 刘康, 高嵩, 陈超波, 阎坤. 复杂战场环境下改进YOLOv5军事目标识别算法研究[J]. 兵工学报, 2024, 45(3): 934-947. |
[4] | 熊佳梅, 王永振, 燕雪峰, 魏明强. 一种基于语义引导和对比学习的战场图像去烟算法[J]. 兵工学报, 2024, 45(2): 671-683. |
[5] | 李曾琳, 李波, 白双霞, 孟波波. 基于AM-SAC的无人机自主空战决策[J]. 兵工学报, 2023, 44(9): 2849-2858. |
[6] | 秦昊林, 许廷发, 李佳男. 基于超像素注意力和孪生结构的半监督高光谱显著性目标检测[J]. 兵工学报, 2023, 44(9): 2639-2649. |
[7] | 彭沛然, 任术波, 李佳男, 周鸿伟, 许廷发. 基于光照感知的多光谱融合行人检测方法[J]. 兵工学报, 2023, 44(9): 2622-2630. |
[8] | 吴礼洋, 呙鹏程, 刘超, 李文强. 基于注意力机制增强残差网络的雷达信号调制类型识别[J]. 兵工学报, 2023, 44(8): 2310-2318. |
[9] | 连静, 丁荣琪, 李琳辉, 王雪成, 周雅夫. 基于图模型和注意力机制的车辆轨迹预测方法[J]. 兵工学报, 2023, 44(7): 2162-2170. |
[10] | 陈子涵. 基于多模态Transformer的机电作动器剩余寿命预测[J]. 兵工学报, 2023, 44(10): 2920-2931. |
[11] | 魏剑峰, 张发平, 卢继平, 杨向飞, 杨鹏楷. 基于高斯模型和RMSD-DS的火炮反后坐装置故障诊断方法[J]. 兵工学报, 2023, 44(10): 3101-3114. |
[12] | 黄文宽, 钱林方, 尹强, 刘太素. 基于迁移学习的供药装置故障诊断方法[J]. 兵工学报, 2023, 44(10): 2964-2974. |
[13] | 杨春伟, 刘炳琪, 王继平, 邵节, 韩治国. 基于注意力机制的高超声速飞行器LSTM智能轨迹预测[J]. 兵工学报, 2022, 43(S2): 78-86. |
[14] | 李良钰, 苏铁熊, 马富康, 吴小军, 徐春龙. 基于集合经验模态分解-支持向量机的高压共轨系统故障诊断方法[J]. 兵工学报, 2022, 43(5): 992-1001. |
[15] | 王伟平, 王琦, 于洋. 基于注意力机制与深度学习算法的机床主轴系统故障辨识[J]. 兵工学报, 2022, 43(4): 861-875. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||