本系统提供一种飞机引擎故障预警方法,旨在解决设备故障预警技术领域中,由于飞机引擎运行环境和使用寿命差异导致的故障预测不精确问题。
背景技术
在实际工业生产中,小到一个标准件,大到发动机等复杂系统,其寿命都是有限的,运行一段时间后需要进行维修(或者更换)。因此,及时对设备进行故障预警可以有效减少事故的发生。目前,机械设备的故障预测技术主要集中在信号分析和智能预测两方面。在信号分析方面,需要相关从业人员具备良好的知识基础和经验;在智能预测方面,机器学习相关算法的应用取得了显著的效果,主要包括支持向量机(Support Vector Machines,SVM)、人工神经网络(Artificial Neural Network,ANN)、核方法(Kernel Method)和卷积神经网络(Convolutional Neural Network)等模式识别的方法。这些方法在模型的训练过程中,需要通过大量的历史异常数据拟合模型参数,但对于实际的工业场景来说,设备正常状态数据可以方便且准确地获取,而故障样本却时常难以采集,这对常见的监督学习模型提出了很大的挑战。
自组织映射网络(以下简称SOM)是一种无监督的人工神经网络,通过模拟人脑对信号处理的特点,依靠神经元之间互相竞争逐步优化网络。SOM算法结构简单、参数量少,所以被广泛用于语音识别、聚类、异常值剔除等。现有技术中,已有研究将SOM算法和免疫神经网络相结合,进行飞机发动机中燃油系统的故障预测及预测,该方法在使用SOM算法进行数据处理的基础上,利用BP神经网络进行故障分类,依然要求有充足的异常数据样本。但是,该研究并未考虑不同飞机发动机的运行环境、使用寿命等方面的个体化差异,导致故障预测结果准确度较低。
实现思路