开云优惠体育网页版入口

专利名称：航空发动机的状态检测方法、系统、电子设备及存储介质

专利类型：发明专利

专利申请号：CN202311735058.6

专利申请（专利权）人：中国人民解放军海军航空大学
权利人地址：山东省烟台市二马路188号

专利发明（设计）人：王元鑫,王小飞,陈永展,高艳丽,戴豪民,刘泽坤

专利摘要：本发明实施例提供一种航空发动机的状态检测方法、系统、电子设备及存储介质，属于航空检测领域。该方法包括：获取待检测飞行器的飞行参数；将飞行参数输入至预先构建的异常检测模型中，以使异常检测模型将飞行参数映射至高维空间，并判断飞行参数在高维空间中的空间位置分布是否符合预设位置分布要求，若不符合，则表征待检测飞行器的发动机异常，其中，异常检测模型是基于混合核最大熵的深度支持向量数据描述建立的，预设位置分布要求表征为不超过预设超球体的边界。基于混合核最大熵的深度支持向量数据描述预先构建的异常检测模型其鲁棒性较高，而且通过实验证明，该异常检测模型不仅具有较高的泛化性能，而且其检测结果更为准确。

主权利要求：
1.一种航空发动机的状态检测方法，其特征在于，包括：
获取待检测飞行器的飞行参数；
将所述飞行参数输入至预先构建的异常检测模型中，以使所述异常检测模型将所述飞行参数映射至高维空间，并判断所述飞行参数在高维空间中的空间位置分布是否符合预设位置分布要求，若不符合，则表征所述待检测飞行器的发动机异常，其中，所述异常检测模型是基于混合核最大熵的深度支持向量数据描述建立的，预设位置分布要求表征为不超过预设超球体的边界；
分别构建所述异常检测模型的目标边界函数、损失函数以及混合核函数；
其中，所述目标边界函数为：
式中，R为超球体的半径， 为控制超球体体积和超出边界程度的超参数，n为样本个数， 为样本的映射空间位置，c为超球体的球心，λ是控制权重衰减的超参数，L为神经网络的层数；W为神经网络的权重值；
所述损失函数为：
式中， 为期望值； 为核函数，满足 ，
为特征提取函数，H为Hilbert空间， 为核宽度；
所述混合核函数为：
式中，km为混合核，ui为基核函数对应的权重值， 为核宽度，λi是控制权重衰减的超参数。
2.根据权利要求1所述的状态检测方法，其特征在于，所述飞行参数包括气压高度、排气温度、燃油流量、转子转速、滑油压力、滑油温度以及发动机振动参数中的至少一种。
3.根据权利要求1所述的状态检测方法，其特征在于，所述异常检测模型的训练过程包括：获取飞行器的历史飞行参数样本；
对所述历史飞行参数样本采用SMOTE进行异常样本数据扩充，获得目标历史飞行参数样本；
将所述目标历史飞行参数样本输入至初始异常检测模型中，获得损失值，并判断所述损失值是否收敛，若所述损失值不收敛，则对所述初始异常检测模型的参数进行修正处理，直至所述损失值收敛，获得训练好的异常检测模型。
4.一种应用于权利要求1?3任一项所述的航空发动机的状态检测方法的航空发动机的状态检测系统，其特征在于，包括：获取单元，用于获取待检测飞行器的飞行参数；
检测单元，用于将所述飞行参数输入至预先构建的异常检测模型中，以使所述异常检测模型将所述飞行参数映射至高维空间，并判断所述飞行参数在高维空间中的空间位置分布是否符合预设位置分布要求，若不符合，则表征所述待检测飞行器的发动机异常，其中，所述异常检测模型是基于混合核最大熵的深度支持向量数据描述建立的，预设位置分布要求表征为不超过预设超球体的边界。
5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1?3任一项所述的状态检测方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1?3任一项所述的状态检测方法的步骤。 说明书 : 航空发动机的状态检测方法、系统、电子设备及存储介质技术领域[0001] 本发明涉及航空检测技术领域，具体地涉及一种。[0002] 航空发动机的状态检测方法、系统、电子设备及存储介质背景技术[0003] 传统的航空发动机维修主要包含定期维修和人工检查等手段，均属于被动维修方式。然而，航空发动机属于复杂系统，传统方式容易造成维修不及时或过度维修，从而导致严重故障或不必要的人力物力消耗。为解决前述缺陷，发动机健康管理(EngineHealthMangement，EHM)技术应运而生，其可以利用发动机个体运行信息进行异常检测、状态监控、故障诊断和寿命预测等，实现了从定期检修向视情维修模式的转变。[0004] 异常检测是视情维修的重要内容之一，然而，由于航空发动机异常样本数量较少，当前，关于航空发动机异常检测方法的研究大致可以分为三类：第一类，建立基于数字孪生的涡扇发动机模型，能够根据发动机模型生成的故障特征进行异常检测与故障诊断。然而，此类方法对模型精度要求较高，特别是航空发动机结构复杂、耦合度高，模型偏差、性能退化、噪声干扰等是建模时必须要考虑的问题；第二类，基于谱回归和高斯混合模型多源信息融合的航空发动机异常检测方法，能够提前识别出异常点，进而评估航空发动机的健康状态；第三类，JunjieLu等采用插入策略和消除策略来分别扩展和减小网络规模，提出了基于核极限学习机的航空发动机异常检测算法，在大幅缩小测试时间的同时得到与极限学习机相近的准确率。但上述检测方法存在一些缺陷，例如，其构建的检测模型鲁棒性较差、检测周期长而且准确度较低以及泛化性能较差。发明内容[0005] 本发明实施例的目的是提供一种航空发动机的状态检测方法、系统、电子设备及存储介质，用于全部或至少部分的解决上述现有技术中存在的技术问题。[0006] 为了实现上述目的，本发明实施例提供一种航空发动机的状态检测方法，包括：获取待检测飞行器的飞行参数；[0007] 将所述飞行参数输入至预先构建的异常检测模型中，以使所述异常检测模型将所述飞行参数映射至高维空间，并判断所述飞行参数在高维空间中的空间位置分布是否符合预设位置分布要求，若不符合，则表征所述待检测飞行器的发动机异常，其中，所述异常检测模型是基于混合核最大熵的深度支持向量数据描述建立的，预设位置分布要求表征为不超过预设超球体的边界。[0008] 可选的，所述飞行参数包括气压高度、排气温度、燃油流量、转子转速、滑油压力、滑油温度以及发动机振动参数中的至少一种。[0009] 可选的，所述异常检测模型的构建过程包括：[0010] 分别构建所述异常检测模型的目标边界函数、损失函数以及混合核函数。[0011] 可选的，所述目标边界函数为：[0012][0013] 式中，R为超球体的半径，v∈(0,1]为控制超球体体积和超出边界程度的超参数，n为样本个数，φ(xi；w)为样本的映射空间位置，c为超球体的球心，λ是控制权重衰减的超参数，L为神经网络的层数；W为神经网络的权重值。[0014] 可选的，所述损失函数为：[0015][0016] 式中，E[·]为期望值；k(·,·)为核函数，满足为特征提取函数，H为Hilbert空间，σ为核宽度。[0017] 可选的，所述混合核函数为：[0018][0019] subjectto[0020] 式中，km为混合核，ui为基核函数对应的权重值，σ为核宽度，λi是控制权重衰减的超参数。[0021] 可选的，所述异常检测模型的训练过程包括：[0022] 获取飞行器的历史飞行参数样本；[0023] 对所述历史飞行参数样本采用SMOTE进行异常样本数据扩充，获得目标历史飞行参数样本；[0024] 将所述目标历史飞行参数样本输入至初始异常检测模型中，获得损失值，并判断所述损失值是否收敛，若所述损失值不收敛，则对所述初始异常检测模型的参数进行修正处理，直至所述损失值收敛，获得训练好的异常检测模型。[0025] 另一方面，本发明还提供一种航空发动机的状态检测系统，包括：[0026] 获取单元，用于获取待检测飞行器的飞行参数；[0027] 检测单元，用于将所述飞行参数输入至预先构建的异常检测模型中，以使所述异常检测模型将所述飞行参数映射至高维空间，并判断所述飞行参数在高维空间中的空间位置分布是否符合预设位置分布要求，若不符合，则表征所述待检测飞行器的发动机异常，其中，预设位置分布要求表征为不超过预设超球体的边界。[0028] 另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，所述处理器执行所述程序时实现上述所述的状态检测方法的步骤。[0029] 另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的状态检测方法的步骤。[0030] 通过上述技术方案，基于混合核最大熵的深度支持向量数据描述预先构建的异常检测模型其鲁棒性较高，而且通过实验证明相比于现有技术中采用的异常检测模型，该异常检测模型不仅具有较高的泛化性能，而且其检测结果更为准确。[0031] 本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明[0032] 附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：[0033] 图1是本发明实施例提供的一种航空发动机的状态检测方法的实施流程图；[0034] 图2是本发明实施例提供的一种高维空间中的超球面的示意图；[0035] 图3是本发明实施例提供的一种基于MKMCC?DSVDD的检测模型示意图；[0036] 图4是本发明实施例提供的另一种航空发动机异常检测实施流程图；[0037] 图5是本发明实施例提供的一种飞行架次发动机发生喘振时气路系统的各项参数曲线图像及MKMCC?DSVDD模型输出结果图；[0038] 图6是本发明实施例提供的一种滑油系统压力过低时间段滑油压力及滑油温度参数曲线图；[0039] 图7是本发明实施例提供的一种滑油压力跃变时间段的滑油压力参数曲线图；[0040] 图8是本发明实施例提供的一种滑油温度跃变时间段的滑油压力参数曲线图；[0041] 图9是本发明实施例提供的一种航空发动机的状态检测系统的结构示意图。具体实施方式[0042] 以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。[0043] 为了方便理解本发明实施例，对于本发明涉及的专业名词进行解释说明。[0044] 航空发动机异常状态时即发动机整机或子部件的出现了一定的功能缺陷，其物理指标出现偏移，此时发动机仍可以完成指定任务但是存在安全隐患。异常状态在机务维护中通常不易被察觉，需要采用技术手段加以甄别。在航空发动机状态监控中，气路异常检测和滑油异常检测为两项重要内容。[0045] 气路异常检测通过检测排气温度、转子转速、气压高度等气路参数，判断发动机气路的工作状态是否出现异常。气路异常包括喘振、气路异物、叶片腐蚀积垢和叶尖间隙增大等，其中喘振严重威胁飞行安全，出现喘振现象时发动机内部温度异常升高、加剧部件及整机振动，极端条件下会造成发动机熄火直接影响到起飞条件和飞行安全。从气路异常的数据统计中发现，发动机气路异常占到发动机异常事件的半数以上，因其发生次数频繁和：π灾恃现，是EHM系统的重要检测对象。[0046] 滑油系统在发动机各轴承、齿轮高速旋转部件中起到冷却、清除杂质还有润滑的作用，能够避免机件温度过高损伤整机，降低管道中可能出现的金属碎屑带来的安全隐患，同时润滑保护高速旋转部件，增加其使用寿命。滑油系统异常检测通过检测转子转速、滑油压力、滑油温度和气压高度参数，判断发动机滑油系统是否出现异常工作状态。滑油系统异常工作状态包括滑油压力异常、滑油温度异常、滑油耗量异：突退樾家斐，其中滑油压力异常较为常见，表现为滑油压力过大、滑油压力过小和滑油压力脉动，异常情况可能来源有滑油系统油滤堵塞、管路破裂、调压活门卡死和油压传感器异常等。[0047] 参阅图1所示，为本发明实施例提供的一种航空发动机的状态检测方法的实施流程图，包括以下执行步骤：[0048] 步骤100：获取待检测飞行器的飞行参数。[0049] 在一些实施方式中，所述飞行参数包括气压高度、排气温度、燃油流量、转子转速、滑油压力、滑油温度以及发动机振动参数中的至少一种。[0050] 步骤101：将所述飞行参数输入至预先构建的异常检测模型中，以使所述异常检测模型将所述飞行参数映射至高维空间，并判断所述飞行参数在高维空间中的空间位置分布是否符合预设位置分布要求，若不符合，则表征所述待检测飞行器的发动机异常。[0051] 其中，所述异常检测模型是基于混合核最大相关熵的深度支持向量数据描述建立的，预设位置分布要求表征为不超过预设超球体的边界。[0052] 在一些实施方式中，所述异常检测模型的构建过程包括分别构建所述异常检测模型的目标边界函数、损失函数以及混合核函数。[0053] 在一些实施方式中，所述目标边界函数为：[0054][0055] 式中，R为超球体的半径，v∈(0,1]为控制超球体体积和超出边界程度的超参数，n为样本个数，φ(xi；w)为样本的映射空间位置，c为超球体的球心，λ是控制权重衰减的超参数，L为神经网络的层数；W为神经网络的权重值。[0056] 在一些实施方式中，所述损失函数为：[0057][0058] 式中，E[·]为期望值；k(·,·)为核函数，满足为特征提取函数，H为Hilbert空间，σ为核宽度。[0059] 在一些实施方式中，所述混合核函数为：[0060][0061] subjectto[0062] 式中，km为混合核，ui为基核函数对应的权重值，σ为核宽度，λi是控制权重衰减的超参数。[0063] 在一些实施方式中，支持向量数据描述(SupportVectorDataDescription，SVDD)通过核函数将数据映射至高维空间，并建立最小超球体包含所有正常训练样本，当测试样本位于超球体内部被识别为正常样本，位于超球体外部时被识别为异常样本，位于超球面上时被识别为特征向量，高维空间中的超球面的示意图如图2所示。深度支持向量数据描述(DeepSupportVectorDataDescription，DeepSVDD)采用神经网络代替核函数进行非线性高维映射，减少了内存空间的占用，降低了对算法运行硬件条件的要求，提高了高维超大数据集的处理能力。[0064] DeepSVDD优化软边界目标函数如下：[0065][0066] 式中，R为超球体半径；v∈(0,1]为控制超球体体积和超出边界程度的超参数；n为样本个数；φ(xi；w)为样本经神经网络映射的空间位置；c为超球体的球心；λ是控制权重衰减的超参数；L为神经网络的层数；W为神经网络的权重值。[0067] 目标函数(1)中的第一项用作惩罚样本空间特征到超球中心距离的损失，若样本点落在超球体外部，则要使得这一距离最。诙项为约束网络权值以防止过拟合的规则项。优化目标函数并训练网络使其学习参数W，使各样本点紧密映射到超球体的球心c。为了达成这一目标，模型必须将正常样本点被紧密映射到球心c，而异常样本点则被映射到距球心较远处或超球体之外。[0068] 在选取损失函数上，传统异常检测方法通常采用损失函数MSE(MeanSquaredError)，如下式所示：[0069][0070] 式中， 为第i个样本的预测标签； 为第i个样本的真实标签；n为样本个数。[0071] MSE存在以下两个方面不足：(1)损失值采用误差的平方，会导致正负误差权重均等，而在DeepSVDD中更应重视异常样本对边界建立和描述的作用；(2)假定了误差服从高斯分布，即预测标签和真实标签之间的差异是由遵循高斯分布的随机误差引起，然而航空发动机异常检测中的误差并非都满足高斯分布假设。最大相关熵(MaximumCorrentropyCriterion，MCC)具有以下优势能弥补MSE的不足：(1)非对称性误差修正，MCC考虑到异常样本和正常样本对边界建立的影响权重不同，改变了MSE的正负误差均等化处理，可以更好地捕捉到非对称性，并提供更准确的模型拟合(2)不依赖分布假设，MCC改变了MSE的假设误差服从高斯分布情况，不依赖于分布假设，因此应用数据和场景更为广泛。因此，提出最大相关熵替换MSE成为DeepSVDD的损失函数。[0072] 和 之间的相关熵为：[0073][0074] 式中，E[·]为期望值；k(·,·)为核函数，满足为特征提取函数，H为Hilbert空间。[0075] 当核函数选用高斯核时，[0076][0077] 式中，σ为核宽度。[0078] 其损失函数为：[0079][0080] 结合式(3)?式(5)，可以发现最小化Loss(ypred,ytrue)等价于最大化式(4)，因此式(5)被称为最大相关熵损失函数。最大化正常样本的相关熵，从而使得异常样本的相关熵相对较。梢愿既返匮罢Ｑ镜奶卣，使得异常样本更容易被检测和识别。然而，MCC效果受限于核宽度σ的取值，σ控制了样本之间的相似度度量，过大的宽度可能导致噪声样本的过度拟合，而过小的宽度可能导致缺乏对数据噪声的鲁棒性，因此提出采用线性加权的方式构建混合核(MixedKernel，MK)改进MCC。[0081] 构建混合核km如下所示：[0082][0083] 式中，ki为基核函数；ui为基核函数对应的权重值。[0084] 常见的基核函数有高斯核函数、多项式核函数、线性核函数等，不同基核函数具体如表1所示：[0085] 表1基核函数表达式[0086][0087] 高斯核函数适应性强，具有非线性映射能力，且为连续可微函数平滑性好，线性核函数和多项式核函数被认为是高斯核函数的扩展表达，多项式核函数计算简单，多项式次数可调，因此通过线性加权分配不同的权重值构建混合核，可以灵活地控制混合核中不同核的占比，提高混合核的学习和泛化能力，使模型更具有鲁棒性。依据准确率优先原则，经测试实验，选取多项式核函数和高斯核函数来构造新的混合核函数，表达式如下所示：[0088][0089] subjectto[0090] 在一些实施方式中，基于MKMCC?DSVDD的检测模型示意图如图3所示。飞行数据首先进入卷积神经网络(卷积层、池化层、卷积层、池化层以及全连接层)将样本点(x1，x2，…xm)通过MKMKCC损失函数映射至高维空间，然后建立涵盖正常样本点最小体积边界的超球体，最后将测试数据输入高维空间，基于SVDD判断其所处的空间位置位于超球体内或者超球体外(即异常点)，进而识别是否出现异常状态。MKMCC?DSVDD模型参数如表2所示。[0091] 表2MKMCC?DSVDD模型参数[0092][0093] 在一些实施方式中，所述异常检测模型的训练过程包括以下步骤：[0094] S1：获取飞行器的历史飞行参数样本。[0095] S2：对所述历史飞行参数样本采用SMOTE进行异常样本数据扩充，获得目标历史飞行参数样本。[0096] 需要说明的是，SMOTE是一种用于解决样本非均衡问题的数据增强技术。在样本非均衡的情况下，异常样本数量较少，导致DeepSVDD在训练阶段对少数类样本的分类性能较差，因此需要依靠SMOTE进行异常样本数据扩充。[0097] 在一些实施方式中，采用SMOTE进行异常样本数据扩充包括其流程为依次选取一个异常样本xi作为合成样本的根样本，选其附近的k个近邻异常样本中随机一个作为合成样本的辅助样本，合成样本通过根样本和辅助样本之间线性插值生成，如下式所示：[0098] xi,new＝xi+(xnew?xi)×λ(8)[0099] 式中，xi为原有数据中的异常样本；xi,new为新生成的异常样本；λ为(0，1)之间的随机数。[0100] SMOTE通过合成新的异常样本以达到平衡样本的目的，有助于提高模型对于非均衡样本的学习能力，提升其泛化性能。[0101] S3：将所述目标历史飞行参数样本输入至初始异常检测模型中，获得损失值，并判断所述损失值是否收敛，若所述损失值不收敛，则对所述初始异常检测模型的参数进行修正处理，直至所述损失值收敛，获得训练好的异常检测模型。[0102] 在一些实施方式中，参阅图4所示，为本发明实施例提供的另一种航空发动机异常检测实施流程图，包括步骤：首先输入飞行数据，并对数据进行预处理，其中预处理包括同步化、标准化、采用SMOTE对同步化和标准化处理后的数据进行数据增强处理并设置数据标签划分数据集，形成训练集和测试集，基于训练集对模型进行训练，其训练过程主要包括：将训练集输入至建立的MKMCC?DSVDD模型，计算混合核最大相关熵损失函数，并判断损失值是否收敛，若收敛则表征模型构建完毕，若不收敛，则对模型超参数进行修正，重复执行训练过程直至损失值收敛。基于测试集进行模型测试，其模型测试过程主要包括将测试集输入至MKMCC?DSVDD模型中，输出测试结果，计算MKMCC?DSVDD模型性能指标。[0103] 在一些实施方式中，数据采集自某型发动机的655个架次的全航段飞行数据，选取的飞行参数名称详如表3所示。其中，滑油压力等飞行参数与其他飞行参数的采样率不一致，因此需要进行同步化处理，后再将处理后的数据进行标准化预处理，由于MKMCC?DSVDD模型对异常值和噪声数据具有较好的鲁棒性，飞行数据可直接进入模型训练。[0104] 表3飞行参数[0105][0106] 在一些实施方式中，利用MKMCC?DSVDD模型进行气路异常检测，航空发动机耦合程度高，不同的参数波动反应出不同的潜在异：凸收，例如发动机后端振动与较高的滑油温度相结合可能表明主后轴承损坏，因此从发动机的各项参数中提取多个能够反映气路系统性能的数据，如排气温度、气压高度、低压转子转速以及高压转子转速数据等来判断发动机的气路系统是否发生异常，根据数据查找异常状态出现的时间，分析其原因并给出可能的解决措施。[0107] 将某飞行架次的排气温度、气压高度、低压转子转速以及高压转子转速数据进行提取分析，经MKMCC?DSVDD模型判别，该架次在飞行中发生异常，定位异常时间后判读为喘振，图5是该飞行架次发动机发生喘振时气路系统的各项参数曲线图像及MKMCC?DSVDD模型输出结果，可以发现3638s?3677s气路系统进入了异常状态，表现为排气温度突然上升并伴随着转速的下降，这是由于压气机中转子在工作时收到激扰偏离中心轴位置，引起局部叶尖与机匣的间隙不均匀，进而使得该处气压分布不均匀。间隙较大处局部静压较。贾伦饔闷渖系闹芟蚱闲。湎督闲〈Ω蘸糜胫喾。综合考虑所有周向力的作用，其相当于在转子的轴心施加一个横向力，加剧了转子的涡动，导致转子的失稳。[0108] 在一些实施方式中，利用MKMCC?DSVDD模型进行滑油异常检测，选取航空发动机滑油系统中气压高度、滑油温度及滑油压力参数，输入MKMCC?SVDD异常检测模型中进行异常工作状态检测，以便及时发现滑油系统出现的异常并给出相应的解决方案。[0109] 1)润滑油压力过低异常检测：滑油压力过低是指在某时刻滑油压力突然降低并保持较低状态，经过一段时间后恢复正常。在此期间可能伴随着其他现象，例如由于摩擦加剧导致的内部温度升高以及由于润滑不足导致的机械噪音变大。正常工作条件下，滑油系统应当密封良好，滑油压力既不能过高，也不能过低。滑油压力过低往往表明封严失效或回、供油压差的失衡。因此当出现滑油系统压力过低时需要及时检查滑油系统。经MKMCC?DSVDD模型判别，该架次在飞行中发生异常，定位异常时间后判读为滑油系统压力过低，相关时间段的滑油压力及滑油温度参数曲线及输出结果如图6所示，可以发现235s?457s之间滑油压力大幅度降低，并在MKMCC?DSVDD模型中得以检测及定位。[0110] 2)润滑油压力跃变异常检测：滑油压力跃变是指在某时刻滑油压力突然发生变化，且持续时间很短，通常数秒后就恢复正常。在异常发生时，飞行员不能通过自身感受识别异常，基本只能通过对飞参数据进行分析后才能发现异常状态。滑油压力跃变一般是由于滑油系统内部相关测量油压的传感器发生了故障。飞行时，如果飞机进行机动动作或者遭遇湍流使机身振动，达到一定频率时可能导致滑油系统的压力传感器产生共振，引起传感器的输出值发生变化。而机身振动频率稍有改变，传感器共振结束，测量值也随之恢复正常。此外，如果没有及时对传感器进行维修和检查会导致传感器触点积碳，也会使测量值发生跃变，影响滑油压力的正常测量。经MKMCC?DSVDD模型判别，该架次在飞行中发生异常，定位异常时间后判读为滑油压力跃变，相关时间段的滑油压力参数曲线及输出结果如图7所示，可以发现2073s?2098s及3182s?3209s之间发动机系统的滑油压力发生了跃变。[0111] 3)润滑油温度跃变异常检测：滑油温度跃变是指飞行时，滑油温度传感器的输出在某时刻发生跃变，且持续时间很短，很快就恢复正常。随着推重比的提高，滑油温度也会逐渐升高，如轴承温度达到300℃?350℃时，滑油的温度也升至200℃以上。然而处于正常巡航态下温度物理量不可能在短时间内突变，且滑油温度通常能够保持恒定不易改变，所以这种异常状态一般也是由滑油系统的温度传感器故障、测量失真导致的。经MKMCC?DSVDD模型判别，该架次在飞行中发生异常，定位异常时间后判读为滑油温度跃变，相关时间段的滑油压力参数曲线如图8所示，可以发现3278s?3312s之间发动机系统的滑油压力发生了跃变。[0112] 在一些实施方式中，为了验证MKMCC?DSVDD检测模型的性能，本实施例将对比分析其与SVM、RF、AE、DeepSVDD、MCC?DSVDD和MKMCC?DSVDD(无SMOTE)算法的性能差异。为避免随机性干扰，所有异常检测实验均重复十次，结果如表4所示。从表中可以发现，传统异常检测模型如SVM、RF和AE的AUC均为9％以下，是因为其受限于浅层网络结构，对数据内在规律挖掘不足，性能难以提升。DeepSVDD采用深层网络结构，通过最小化超球体训练正常边界，AUC达到96.31％，MCC?DSVDD在DeepSVDD的基础上改进损失函数，AUC提升约2％，而MKMCC?SVDD采用混合核最大相关熵损失函数时，对异常值更为敏感，模型鲁棒性更强，AUC达到98.53％，而当MKMCC?SVDD不采用SMOTE对非均衡数据进行增强时，AUC下降约1％，实验结果说明MKMCC?DSVDD能够对异常状态进行更为准确的识别，且SMOTE能够对非均衡样本的异常状态识别起到帮助。[0113] 表4某型发动机异常检测结果对比[0114][0115] 结果表明：[0116] (1)利用SMOTE对非均衡样本进行数据增强，提高MKMCC?DSVDD识别异常状态约1％的AUC，使DSVDD正常样本边界描述更为精确。[0117] (2)采用混合核函数能够充分发挥不同核函数的优势，后将混合核融入最大相关熵损失函数，能够不依赖分布假设，实现非对称性误差修正，且相较于最大相关熵损失函数，减少了高斯核宽度的影响权重，进一步提高了模型的准确性以及鲁棒性。[0118] (3)MKMCC?DSVDD检测模型相较于传统机器学习异常检测模型AUC提升约15％，在仿真实验中取得更优的结果。[0119] 由此可见，基于混合核最大熵的深度支持向量数据描述预先构建的异常检测模型其鲁棒性较高，而且通过实验证明相比于现有技术中采用的异常检测模型，该异常检测模型不仅具有较高的泛化性能，而且其检测结果更为准确。[0120] 参阅图9所示，为本发明实施例提供的一种航空发动机的状态检测系统的结构示意图，包括：[0121] 获取单元900，用于获取待检测飞行器的飞行参数；[0122] 检测单元901，用于将所述飞行参数输入至预先构建的异常检测模型中，以使所述异常检测模型将所述飞行参数映射至高维空间，并判断所述飞行参数在高维空间中的空间位置分布是否符合预设位置分布要求，若不符合，则表征所述待检测飞行器的发动机异常，其中，预设位置分布要求表征为不超过预设超球体的边界。[0123] 另一方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，所述处理器执行所述程序时实现上述任一项实施例所述的状态检测方法的步骤。[0124] 另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项实施例所述的状态检测方法的步骤。[0125] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD?ROM、光学存储器等)上实施的计算机程序产品的形式。[0126] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0127] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0128] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0129] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。[0130] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。[0131] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD?ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。[0132] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。[0133] 以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

专利地区：山东

专利申请日期：2023-12-14

专利公开日期：2024-11-29

专利公告号：CN117906960B