CN115905930B 航空发动机样本数据不均衡叶片裂纹诊断方法及系统 （西安交通大学）

conditionalvariational航空发动机样本数据不均衡叶片裂纹诊断本发明公开了一种航空发动机样本数据不2获取叶片的三维叶尖间隙信号，建立基于条件变分编码网络的深度生成网络诊断模将深度聚焦损失函数与深度生成网络诊断模型相结合，获将少数故障类样本集与原始样本集相混合组成训练集，利用特征提将待诊断的叶片三维叶尖间隙样本输入建立所述样本不均衡诊断所述基于条件变分编码网络的深度生成网络诊断模型包括数据生成层、特征提取层、将少数故障类样本集与原始样本集相混合组成训练集，利用特征提将少数故障类样本集与原始样本集相混合组成训练集，通过生成将融合特征作为分类层的输入，通过不断优化分类层的输出与叶片依次重复迭代优化由数据生成层、特征提取层、张量融合层以及分2.根据权利要求1所述的一种航空发动机样本数据不均衡叶片裂纹诊断方法，其特征采集叶片不同程度裂纹状态下的三维叶尖间隙信号组成样本集，总共包括X种健康状态；其中，xm∈RN×3为第m个三维叶尖间隙信号样本，其包含三个维度参量33.根据权利要求1所述的一种航空发动机样本数据不均衡叶片裂纹诊断方法，其特征将生成的故障样本集与不均衡样本集相混合形成训练样本4.根据权利要求1所述的一种航空发动机样本数据不均衡叶片裂纹诊断方法，其特征5.根据权利要求1所述的一种航空发动机样本数据不均衡叶片裂纹诊断方法，其特征基于Adam优化算法依次对特征提取层、张量融合层以及分类层中待优化参数进行优6.一种航空发动机样本数据不均衡叶片裂纹诊断系统，基于权利要求1~5任一项所述获取模块，用于获取叶片的三维叶尖间隙信号，建立扩充模块，用于将深度聚焦损失函数与深度生成网络诊断模型训练模块，用于将少数故障类样本集与原始样本集相4诊断模块，用于将待诊断的叶片三维叶尖间隙样本输入建立所述样5[0004]为克服传统故障诊断方法只能对不同健康状态下样本数基本一致的情况进行有本分布不均衡条件下样本不均衡诊断模型诊断6[0014]采集叶片不同程度裂纹状态下的三维叶尖间隙信号组成样本集总共[0017]构建深度聚焦损失函数，聚焦于对少数故障类样本的[0020]作为本发明的进一步改进，将少数故障类样本集与原始样本集相混合组成训练7[0036]对张量融合层的输出特征进行分类，进而得到样本xm属于第c种健康状态的预测[0048]为克服传统故障诊断方法只能对不同健康状态下样本数基本一致的情况进行有8员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范条件变分编码器(Conditionalvariationalautoencoder,CVAE)是一种新的深度生成模[0060]本发明将所提的深度焦损失函数与条件变分编码网络相结合解决正常类和故障类两类样本的类不均衡问题并应用于航空发动机叶片裂纹[0061]参照图1，本发明第一个目的是提供一种航空发动机样本数据不均衡叶片裂纹诊9[0067]本发明首先鉴于传统的条件变分编码网络在处理类别不均衡数据时未考虑少量进行故障识别。损失函数仅对少数故障类样本进行优化而忽略了多[0078]步骤4)将步骤3)中所得到的少数故障类样本集与原始样[0079]所述的步骤4)中，将生成的少数故障类样本集与原始样克服了传统条件变分编码网络对在处理不均衡数据时未考虑少数故障样本类的损失权重[0090]所述的步骤4)中,利用步骤3)中DWCAVE_DFL所生成生成的故障样本消除了样本的不均衡分布。利用特征提取层对训练样本集进行特征提取，[0091]步骤5：使用步骤4)中确定的深度生成网络诊断模型进行样本不均衡下叶片裂纹网络层之间使用了批归一化技术(Batchnormali[0104]LDFL则提供了聚焦于少数故障类样本的加权损失值，其可以对少数故障类样本损[0110]步骤4:参照图3，构建张量融合层，为了实现对多维特征间动力学特性的联合建[0111]将步骤3中提取的三维叶尖间隙不同维度的特征进行融合，得到的融合特征包好[0126]利用表1所示不均衡数据集构建诊断模型验证本发明方法的可行性，为了量化本发明在样本不均衡诊断任务上的效果，除选用诊断精度来衡量诊断效果，另外还选用G_mean与F_score两种不均衡分类评价指对不同健康状态的诊断结果进行量化。为排除随机[0129]此外选取三种不同诊断方法近一步验证本发明的有效性，方法1为将基于聚焦损其低于本发明方法，这说明本发明所提DFL损失函数优于FL损失函数。方法2仅基于传统对概率预测小的少数故障类样本加权更大的损失权重，使得其中总体损失中所在权重增对训练集进行特征学习后利用t_SNE简约方法将获得的高维特征进行维度约简得到三维特[0132]图6为对不同健康状态诊断结果的分布图，可以看出本发明方法实现了对不均衡