(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211300350.0 (22)申请日 2022.10.24 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 赵永平　蔡文　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 秦秋星 (51)Int.Cl. G06N 20/00(2019.01) G01M 15/14(2006.01) (54)发明名称 基于非均匀间隔核感知机的迁移学习航空 发动机故障检测方法 (57)摘要 本发明提供一种基于非均匀间隔核感知机 的迁移学习航空发动机故障检测方法。 提出的方 法分为两个阶段。 在第一阶段， 使用源域中的数 据训练非均匀间隔核感知机模型， 以提取源域中 信息。 在第二阶段， 以第一阶段感知机模型为基 础， 使用目标域中的数据来实现模 型对目标域的 适应， 学习到最优的航空发动机故障检测模型。 由于迁移学习可以将数据信息从源域转移到目 标领域， 从而缓解目标域的数据稀缺问题， 因此， 本发明提出的方法， 克服了传统的数据驱动故障 检测方法效果受实际数据分布限制的缺点， 有利 于求得更优的航空发动机故障检测方法。 另外， 本发明所提供的方法， 可以提高航空发动机故障 检测的准确度， 改善视情维修的及时性， 增强飞 机飞行的安全性。 权利要求书2页 说明书9页 附图2页 CN 115545217 A 2022.12.30 CN 115545217 A 1.一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测方法， 其特征在于， 包括如下步骤： 步骤1： 分别收集标称状态下和退化状态下的航空发动机传感器参数数据， 包括正常样 本以及各类故障状态下的故障样本； 步骤2： 将传感器数据归一化并分为两组， 一组是标称状态下的传感器参数数据， 作为 源域； 另一组是 退化状态下的传感器参数 数据， 作为目标域； 步骤3： 设置非均匀间隔核感知机模型的核函数参数σ， 感知机的学习率η， 间隔超参数 τ±1， 将源域数据作为训练集进行模型训练， 得到训练结果， 即源域模型的权 重参数as； 步骤4： 将步骤3中的间隔超 参数τ±1迁移到目标域， 作为本阶段训练的超 参数， 并将步骤 3中得到的权重参数as作为初始值， 使用目标域数据进行训练非均匀间隔核感知机模型， 输 出最后目标域模型的权 重参数as、 at和偏置参数bt， 构成故障检测模型。 2.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测 方法， 其特征在于， 步骤1中航空发动机故障状态包括风扇故障、 压气 机故障、 高压涡轮故障 和低压涡轮故障。 3.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测 方法， 其特征在于， 步骤1中所述航空发动机传感器参数数据包括低压转子转速， 高压转子 转速， 燃油油量， 风扇出口总温， 压气机出口总温， 压气机出口总温， 低压涡轮进口总温， 低 压涡轮出口总温， 低压涡轮出口总压， 掺混 室进口总温。 4.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测 方法， 其特征在于， 步骤2 中源域和目标域所含数据比例设置为40:1， 即目标域数据量是源 域数据量的2.5％。 5.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测 方法， 其特 征在于， 步骤3中采用的核为高斯核， 公式如下： 式中xi与xj为两个样本， σ 是核函数参数。 6.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测 方法， 其特 征在于， 步骤3中非均匀间隔核感知机的训练过程如下 所示： 给 定 训练 数 据 集 其 中 感 知机的 学 习率η， 间隔 超参数τ+ 1,τ‑1， 核函数参数σ， 非均匀间隔核感知机的决策模型为 其中a＝(a1,a2,…,aN)T， b为偏置； 将非均匀间隔核感知机模型参数初始化为a,b＝0， 每次从训练集 中随机挑选一个样 本(xi,yi)， 如果 则执行 ai←ai+ η#(2) b←b+ ηyiR2#(3) 重复这个过程， 直到数据集 中的样本满足权　利　要　求　书 1/2 页 2 CN 115545217 A 2获得最终的非均匀间隔核感知机模型 7.根据权利要求1所述一种基于非均匀间隔核感知机的迁移学习航空发动机故障检测 方法， 其特 征在于， 步骤4中非均匀间隔核感知机模型的训练过程如下 所示： 步骤3中的训练数据集为源域 步骤4中的训练数据集为目标域 其中Ns， Nt代表各个域的样本数量， 设 置感知机的学习率η， 核函数参数σ， 训练误差与源域信息保留度之间的权衡系数λ， 最 终 非 均 匀 间 隔 核 感 知 机 的 决 策 模 型 为 其中 使用步骤3中 的间隔超参数τ±1作为本阶段训练过程中的间隔超参数τ±1， 即 将模型参数初始化为at,bt＝0， 每次从训练集 中随机挑选一个样本 如果 则执行 bt←bt+ ηyiR2#(7) 重复这个过程， 直到数据集 中的样本满足 获得最终的非均匀间隔核感知机模型 权　利　要　求　书 2/2 页 3 CN 115545217 A 3