科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
- 单位
