买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种考虑类不平衡的航空发动机气路故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118482935B 。

龙图腾网通过国家知识产权局官网在2025-05-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410698706.3，技术领域涉及：G01M15/00；该发明授权一种考虑类不平衡的航空发动机气路故障诊断方法是由胡家文;张世杰;黄加鑫设计研发完成，并于2024-05-31向国家知识产权局提交的专利申请。

本一种考虑类不平衡的航空发动机气路故障诊断方法在说明书摘要公布了：本发明提供了一种考虑类不平衡的航空发动机气路故障诊断方法，该方法将自训练方法和ACGAN方法进行融合，第一阶段利用随机噪声、真实数据及真实数据对应的故障类型标签为输入构建辅助分类器生成对抗网络ACGAN，利用ACGAN对发动机不平衡数据进行平衡操作，第二阶段利用各截面状态监测参数构建基于自训练的ELM模型，利用ELM模型对发动机的故障模式进行诊断，以避免数据集不平衡带来的影响，同时可对大量无监督数据进行利用，以提高模型的准确率。

本发明授权一种考虑类不平衡的航空发动机气路故障诊断方法在权利要求书中公布了：1.一种考虑类不平衡的航空发动机气路故障诊断方法，其特征在于，所述方法包括：步骤1：数据采集，采集航空发动机运行数据作为样本数据，运行数据为各截面状态监测参数，包括温度、压力、转速，采集的样本分为正常数据样本、故障数据样本以及无标签样本，同时标注采集样本的故障类型，每个样本由一段时间的运行数据组成；步骤2：对样本数据集进行预处理，包括清除不完整数据，对离群值进行剔除；将所有数据进行归一化，归一化方法为：其中，x为原始数据；x'为归一化后的数据；xmin是原始数据的最小值；xmax是原始数据的最大值；步骤3：对步骤2中预处理后的数据，将故障类型作为标签，将各故障类型对应的各截面状态监测参数作为输入，得到故障数据集；没有故障类型标签的作为无标签数据集；并将故障数据集按照一定比例划分成训练集、验证集和测试集；步骤4：第一阶段以随机噪声、真实数据以及真实数据对应的故障类型标签为输入，分别构建辅助分类器生成对抗网络ACGAN的生成器和判别器，其中生成器输出合成数据，判别器判断合成数据为真实数据的概率以及合成数据的故障类型，当生成器和判别器达到纳什均衡时，辅助分类器生成对抗网络ACGAN模型Net1构建完毕，其中，真实数据为采集到的样本，第二阶段采用Net1对训练集中的各故障类型对应的样本数据进行平衡，通过生成少数类型数据加入到训练集中使各故障类型数据占比相同，然后以各截面状态监测参数作为输入，航空发动机故障类型作为输出，构建极限学习机ELM模型，并以无标签数据集进行自训练，得到半监督ELM故障诊断模型Net2；步骤5：训练结束，得到两个阶段的神经网络模型Net1与Net2，其中Net1为数据生成模型，Net2为半监督故障诊断模型；步骤6：故障诊断，将飞行器飞行时机载传感器采集的参数输入模型Net2，得到诊断结果；其中，ACGAN模型Net1与ELM故障诊断模型Net2的训练按照以下步骤执行：步骤4.1：第一阶段，搭建ACGAN生成模型Net1，输入为随机噪声、真实数据以及真实数据对应的故障类型标签，输出为逼真的合成数据；ACGAN是生成对抗网络GAN的扩展，GAN由两个相互竞争的神经网络组成，包括生成器G和判别器D，生成器接收随机噪声z，并生成与真实数据x相似的数据Gz，判别器D用于区分当前输入是真实的还是生成器生成的，并将判别梯度信息反向传播到生成器G以指导数据生成，D和G的模型参数通过对抗训练交替更新，直到达到纳什均衡，生成器G的优化方向是使损失函数LG最小，判别器的优化方向是使得损失函数LD最大，因此综合来看，GAN的目标函数LD,G为： 其中，Prx和Pzz是真实数据x和随机噪声z的分布；Dx是判别器判断真实数据x来自真实数据的概率；Gz是生成器的输出；E是数学期望；将类标签信息c嵌入到随机噪声向量z中，ACGAN的目标函数由判别损失和分类损失组成，判别损失LS表示如下： LS用于确认数据的真实性，分类损失LC表示如下： LC用于测量输出样本的准确性；Pclass＝c|x表示输入是真实数据x时，判别器正确判断其类别的概率；Pclass＝c|Gz表示输入来源于生成器时，判别器正确判断其类别的概率；对于判别器，优化目标是最大化LC+LS；对于生成器，优化目标是最小化LC-LS；步骤4.2：第二阶段，采用经过模型Net1平衡过的数据训练故障诊断模型Net2，模型Net2的输入是经过平衡后的故障数据集参数，输出是故障类型；ELM计算过程表示为： 其中，xj是第j个样本的输入向量；L是隐藏节点的数量；N是训练样本的数量；βi是第i个隐藏节点和输出之间的权重向量；ωi是第i个隐藏节点和输入之间的权重向量；g是激活函数；bi是第i个隐藏节点的阈值，上式简写成：T+Hβ其中，H是隐藏层输出矩阵，可逆；T是训练集目标矩阵；β是权重向量矩阵，分别表示为： 其中，m是输出的数量，优化函数表达为： 其中，是H的Moore-Penrose广义逆。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。