摘 要: | 针对航空发动机的喘振故障严重影响飞机安全运行的问题,提出了一种基于深度学习的航发喘振智能化故障诊断模型。结合喘振的生成机理对航空发动机传感器数据进行喘振故障分析,采用基于滑动窗口的数据预处理算法构造数据集和标签集;集成卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆(Long-Short Term Memory, LSTM)网络,设计出针对航发喘振故障诊断的深度神经网络模型(1D-CLSTM);在所构建的数据集上,对所提模型与当下流行的深度神经网络进行比较。实验结果表明,所提模型对喘振故障分类的F1分数(F1_score)、召回率(Recall)和精确度(Precision)分别达到了96.45%、95.48%、97.46%,优于其它网络模型。所提模型在时序信号处理与旋转机械智能化故障诊断方面有着较高的应用和推广价值。
|