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！

申请/专利权人：南京航空航天大学

摘要：本发明提供一种基于可迁移神经网络的航空发动机故障诊断方法。该方法利用迁移学习的基本思想，克服了传统的基于数据驱动航空发动机气路故障诊断方法中训练数据和测试数据集服从相同分布的这一过于理想化假设问题，通过结合域自适应思想和RVFL算法，提出了两种故障诊断算法UD‑RVFL和UJD‑RVFL，使其在保留原始RVFL网络拓扑结构简单这一主要优点的前提下，可通过学习可迁移的数据特征表示，减少源域和目标域数据之间分布差异，同时尽可能保留源域的数据属性和特征结构。本发明采用迁移学习策略，可降低数据集之间存在的边缘分布和条件分布差异，从而提升故障诊断精度。

主权项：1.一种基于可迁移神经网络的航空发动机故障诊断方法，其特征在于，具体包括如下步骤：步骤1，采集航空发动机运行数据，作为样本数据，包括正常数据样本和故障数据样本，建立原始RVFL的数学模型，航空发动机故障是指发动机中的低压压气机LPC故障，高压压气机HPC故障，高压涡轮HPT故障和低压涡轮LPT故障；步骤2，在原始RVFL的数学模型中加入正则项，优化目标函数；步骤3，求解数学模型，得到输出权重；步骤4，根据得到的输出权重，计算重构的数据表示，通过重构的数据表示进行故障诊断任务；步骤1中原始RVFL的数学模型的目标函数为： 其中是发动机运行数据样本，N为样本总体数目，d为特征个数；对于第i个实例，xi是一个d维的特征向量；为输出权重，为β的第j行；wj和bj为随机设置的输入到增强层的权重和偏置；T＝[ti,…tN]T为样本的标签集，若xi属于第j类，则tij为1，其余的为0；hj·为第j个增强节点的激活函数；对于xi，它的定义为： 公式1被进一步表示为矩阵形式，目标函数写为： 其中矩阵的定义如下公式所示： 随后，RVFL的最优输出为： 其中，为H的广义逆矩阵；步骤2，在原始RVFL的数学模型中加入正则项以减轻过拟合风险并简化模型复杂度，目标函数优化成如下： 其中为误差向量，C为预先定义的平衡因子，并且进一步有hxi＝[hw1,xi,b1,…,hwL,xi,bL,xi]；步骤2还包括利用迁移学习中降低边缘分布的策略，并整合发动机数据信息，得到UD-RVFL的数学模型，重构公式6，目标函数写成： 其中是源域中第i个样本的重构误差，上标为t的样本则代表目标域中的样本；φ·由网络的连接权重组成，包括随机初始化的和优化的；为输出权重，λ和C为预先定义的平衡因子；经过简化计算，公式9变为： 其中为一个对角平衡矩阵，且矩阵的定义如下所示： 此外，为MMD矩阵，它的计算如下式所示： 为了便于计算，将两个矩阵展开为合适的维度；假设为： 并且其中具有合适维度的全0向量；因此，公式10中的UD-RVFL算法目标函数被进一步简化为： 步骤3，求解数学模型，得到输出权重，具体为：取公式14中模型关于β的导数，并设之为零，得：β+HTΩHβ-HTΩX+CHTΜHβ＝015随后，当L+d≤ns+nt成立时，公式15的解是：β＝I+HTΩ+CΜH-1HTΩX16否则，解表示为：β＝HTI+Ω+CΜHHT-1ΩX17步骤4，根据得到的输出权重，计算重构的数据表示；对于源域中的数据，可迁移的数据表示计算为：Xs'＝Hsβ18而目标域数据的重构特征表示通过下式计算：Xt'＝Htβ19自此，重构后的目标数据被由重构后的源标记数据训练的分类器识别。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于可迁移神经网络的航空发动机故障诊断方法