基于小波分析和多层超限学习机的高空台故障诊断方法

技术领域

本发明涉及高空试验台故障诊断领域的智能故障诊断方法，具体涉及一种基于小波分析和多层超限学习机的高空台智能故障诊断方法，属于高空台传感器系统智能故障诊断领域。

背景技术

航空发动机高空模拟试车台(简称高空台)是能够模拟发动机空中工作环境条件的地面试车台。高空台能进行发动机高空特性试验测量，获取发动机高空性能/特性，鉴定发动机附件和系统在不同飞行环境条件下的工作可靠性，研究和考核各种飞行条件下的发动机结构完整性。高空台是国家战略性资源，是自主研制先进航空发动机必不可少的重要手段和工具。随着发动机型号快速增多和性能不断提升，需要在高空环境下对发动机全包线范围内的性能和功能进行反复调试、验证及考核，对高空台进气调节系统测量传感器的可靠性和安全性提出了极高的要求。测量传感器长时运行在大负荷、强振动、高频率使用的恶劣工况下极易出现故障，轻则导致控制系统失灵，重则发生重大安全事故，严重威胁了被试发动机的试验安全和高空台的安全运行。因此，有必要开展高空台传感器故障诊断方法研究，从而达到典型故障状态实时在线诊断、有效规避试验风险的目的。

《基于深度小波自动编码器和极限学习机的轴承故障诊断》(陶沙沙,郭顺生，《科学技术与工程》，2020年第20期第29卷)一文中提出了一种基于深度小波自动编码器和极限学习机相结合的轴承故障诊断方法，该方法采用深度小波自动编码器去噪，然后采用极限学习机进行故障分类识别，达到了故障诊断的目的，但是对于高空试验台这种高可靠性设备，传感器故障诊断的准确度要求更高，而该方法的故障分类部分受到了一定局限性，无法对传感器多种故障进行很好的分类。本发明提供的多层超限学习机方法增加了隐含层数，能够充分提取故障的内在特征信息，从而对传感器故进行有效诊断分类，并且相比于深度学习分类方法计算量更少、更易在线实现。

发明内容

要解决的技术问题

为了克服目前发动机高空试验台传感器故障诊断的准确性缺陷，本发明提出一基于小波分析和多层超限学习机的高空台故障诊断方法。该方法能够更充分地挖掘感器故障特征，在线准确地诊断出故障，解决了高空台传感器故障在线诊断的难题

技术方案

一种基于小波分析和多层超限学习机的高空台故障诊断方法，其特征在于步骤下：

步骤1：基于系统带标签的故障样本原始数据x(t)，采用小波分析法进行提取征和去噪；

1)采用二进小波变换得到小波变换系数

其中τ为频移因子，n＝(log

2)对各个分解尺度下的小波系数选择一个阈值进行阈值量化处理，过滤小波系数低于阈值的噪声信号，保留小波系数高于阈值的有用信号；通过公式

计算得出阈值，式中，N为实际测量信号x(t)经过小波变换分解得到小波系数的个数总和，σ为给定的附加噪声信号的标准差；根据W

3)根据小波分解后的最底层低频小波系数和各个高频小波系数,进行信号的小波重构，得到重构后的信号：

步骤2：构造多层超限学习机，进行在线序列学习训练；

构建第一层自动编码器，初始阶段先选取N

1)随机产生输入权值矩阵w

2)计算初始的隐含层输出矩阵H

其中g(·)为激活函数，这里为Sigmiod函数；

3)计算初始的输出权重矩阵β

其中

4)设k＝0，k为块数，表示初始化学习阶段；

5)设第k+1块样本集

6)计算隐含层输出矩阵H

在线序列学习；利用新样本递推更新输出权重矩阵β

计算输出权重矩阵β

其中

令k＝k+1，转至在线学习阶段步骤1)直到k＝N结束；

构造下一层自动化编码器，以H

由以上递推步骤1)-6)计算第i层自动编码器输出权重矩阵

以

重复构造自动编码器直到层数达到q，计算出输出权重矩阵

步骤3：针对实际系统数据，进行故障诊断

把待检测的系统实际数据X

输入层输出为：

中间编码层输出为：

最后一层输出值为：

把输出值和故障样本的标签值

一种计算机系统，包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。

一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

一种计算机程序，包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

有益效果

本发明针对高空试验台压力、温度传感器故障提出了一种基于信号的智能故障诊断方法，采用小波分析法进行故障特征提取和去噪，构造了在线多层超限学习机进行多种故障分类，进一步诊断出故障类别，突破了目前已有单层超限学习机诊断精度低、不能及时诊断传感器故障的局限，提高了故障诊断的准确性。

此外，本发明针对高空台传感器故障智能诊断在线实现和计算量平衡的问题，采用在线序列多层超限学习机进行故障分类，保证了训练的实时性，相比与深度学习的故障分类算法，减少了计算量，利于工业中实时故障诊断，扩展了实际工程应用范围。

附图说明

图1本发明方法流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

为了提高高空台试验过程的安全性和可靠性，本发明提出一种基于小波分析和多层超限学习机的高空台传感器故障诊断方法，解决了高空台压力温度传感器故障在线诊断难题。下面结合高空试验台中传感器故障诊断过程阐述本发明的具体实施方式：

高空台进气压力系统可看作由液压伺服系统、流量阀门与进气容腔三部分构成。气源控制系统提供稳定的阀前输入气体流量，确保特殊流量调节阀的阀前压力保持稳定。在液压伺服的位置控制机构的作用下，调节特殊流量阀门的开度，进而控制流量阀门内气体的流量，同时在进气容腔的排气口会受到发动机流量的影响产生排气流量变化，可以得到较稳定的进气压力，以达到航空发动机在进气容腔中的高空模拟需求。在流量阀前后安装温度传感器和压力传感器，对传感器进行故障注入模拟生成不同故障下的样本数据x(t)，并进行故障标签标记。

执行步骤一，基于系统带标签的故障样本原始数据，采用小波分析法进行提取特征和去噪；

1)采用二进小波变换得到小波变换系数

其中τ为频移因子，n＝(log

2)对各个分解尺度下的小波系数选择一个阈值进行阈值量化处理，过滤小波系数低于阈值的噪声信号，保留小波系数高于阈值的有用信号。通过公式

计算得出阈值，式中，N为实际测量信号x(t)经过小波变换分解得到小波系数的个数总和，σ为给定的附加噪声信号的标准差。根据W

3)根据小波分解后的最底层低频小波系数和各个高频小波系数,进行信号的小波重构，得到重构后的信号。

执行步骤二：构造多层超限学习机，进行在线序列学习训练；

构建第一层自动编码器，初始阶段选取N

1)随机产生输入权值矩阵N

2)计算初始的隐含层输出矩阵H

3)计算初始的输出权重矩阵β

其中

4)设k＝0，k为块数，表示初始化学习阶段。

5)设第k+1块样本集

6)计算隐含层输出矩阵H

在线序列学习。利用新样本递推更新隐含层输出矩阵H

计算输出权重矩阵β

其中

令k＝k+1，转至在线学习阶段步骤(1)直到k＝N结束。

构造下一层自动化编码器，以H

由以上递推步骤计算第i层自动编码器输出权重矩阵

以

重复构造自动编码器直到层数达到q，计算出输出权重矩阵

步骤三：针对实际系统数据，进行故障诊断。

把待检测的系统实际数据，进行主元分析法提取特征和去噪后，在线输入多层超限学习机网络，基于输出权重矩阵

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。