喘振是航空发动机在运行过程中一种危害性极大的气动失稳现象,严重时会导致飞行事故,引起人员和财产的巨大损失,因此寻求一种快速准确的发动机喘振故障的诊断方法对于保障航空发动机飞行安全具有重要的现实意义和价值.当前针对航空发动机喘振故障诊断的模型存在诊断时间长、诊断准确率不高的特点.为了解决这些问题,在序列到序列(Seq2Seq)模型的基础上,使用卷积神经网络(CNN)代替Seq2Seq中编码器-解码器结构上的长短时记忆网络(LSTM)构建得到基于CNN-Seq2Seq的航空发动机喘振诊断模型.该模型利用CNN局部连接以及权值共享的特点实现并行计算,从而大幅提高计算效率并降低诊断耗时.使用某型发动机上的多传感器试验数据对模型进行实验,实验结果表明该模型在显著降低模型大小和计算量的同时,在精确率、召回率及F1 Score上仍然获得了 94.3％、92.1％、93.2％的表现,同时单次预测耗时仅需2 ms.

发动机喘振;故障诊断;序列到序列;卷积神经网络

南京航空航天大学能源与动力学院,江苏南京 210016;中国航发四川燃气涡轮研究院,四川绵阳 621000;西南石油大学计算机科学学院,四川成都 610500;成都航空职业技术学院,四川成都 610000

[1]姚艳玲;袁化成;陆超;唐晓澜;黄爱华-.基于CNN-Seq2Seq的航空发动机喘振诊断模型的研究)[J].测控技术,2022(05):45-50

Seq2Seq,航空发动机,发动机喘振,诊断模型,危害性,飞行事故,巨大损失,快速准确,飞行安全,诊断时间,诊断准确率,序列到序列,编码器,解码器,长短时记忆网络,局部连接,权值共享,并行计算,高计算效率,多传感器,计算量,精确率,召回率,Score,ms

0.244159