论文部分内容阅读
高效且准确的航空发动机异常检测对保障飞机运行安全和民航企业的经济利益至关重要。目前实际应用的发动机异常检测方法效率较低且检测效果有待提高。因此,航空发动机异常检测方法的研究具有较强的理论价值和实用价值。深度学习通过模拟人类大脑的神经系统结构,能够从数据提取出高层次特征,这种特征往往包含数据中的更多不易被发现的结构信息。本文结合航空发动机监控数据的特点,将深度学习引入航空发动机异常检测,提出了3种基于深度学习的航空发动机异常检测方法。针对航空发动机点形式异常的数据特点,利用堆叠去噪自动编码器(Stack Denoising Auto Encoder,SDAE)可以无监督提取特征的优势,提出了基于SDAE-BP的航空发动机点形式异常检测方法。首先进行基于SDAE的特征提取,然后进行基于BP(Back Propagation,BP)神经网络的异常检测。针对缺乏有效的SDAE结构确定方法的情况,提出了一种基于特征平均差异度的SDAE结构确定方法。受计算机视觉领域常用卷积神经网络(Convolutional Neural Network,CNN)识别图像启发,将卷积神经网络引入航空发动机时间序列形式异常检测中,提出了基于CNN-BP的航空发动机时间序列形式异常检测方法。首先对归一化后的样本进行基于CNN的特征提取,然后对提取的特征进行基于BP神经网络的异常检测。考虑到航空发动机监控参数重构为CNN输入过程中存在参数排序问题,建立了一种CNN输入参数排序优化模型,并提出了基于动态规划的参数排序优化方法和基于启发式贪心算法的参数排序优化方法。在异常检测过程中,模型结构确定需要大量实验确定,随机确定的模型结构异常检测效果并不理想。集成学习进行分类时,将若干个基础分类器集成在一起,最终的分类结果往往拥有比单个基础分类器更好的效果。将集成学习方法引入航空发动机异常检测,提出了基于集成学习的航空发动机异常检测方法。根据基础分类器的不同,具体又分为基于BP神经网络的集成学习点形式异常检测方法、基于SDAE-BP的集成学习点形式异常检测方法和基于CNN-BP的集成学习时间序列形式异常检测方法。并选择基于AdaBoost的集成学习方法作为上述3种方法的框架。最后,基于本文研究的3种航空发动机异常检测方法,结合航空公司对航空发动机异常检测的需要,设计开发了航空发动机异常检测原型系统。首先介绍了系统的体系结构,然后对系统的功能模型进行详细说明,最后给出了系统运行实例和应用情况。航空发动机异常检测原型系统的开发设计为实际航空发动机异常检测工作提供了技术支持。