(19)中华 人民共和国 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 202111441733.5 (22)申请日 2021.11.30 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路２ 号 (72)发明人 孙希明　李育卉　全福祥　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 代理人 苗青　王海波 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06Q 10/04(2012.01) G06F 119/14(2020.01) (54)发明名称 一种基于多源数据融合的压气机旋转失速 预测方法 (57)摘要 一种基于多源数据融合的压气机旋转失速 预测方法， 首先， 获取来自多传感器的对航空发 动机动态压力数据并进行预处理， 划分测试、 训 练和验证数据集。 其次， 依次构建多源数据特征 提取模块、 构建时间模式提取模块、 构建多源数 据融合预测模型、 保存最优预测模型。 最后， 在测 试数据上进行 实时预测： 按构建多源 数据融合预 测模型的输入要求调整数据维度； 采用多源数据 融合预测模 型计算每个样本的失速预测概率； 采 用多源数据融合预测模型计算失速预测概率； 采 用多源数据融合预测模型给出包含一个工作异 常的传感器所记录数据的失速预测概率。 本发明 综合多源数据信息， 提高信息特征的全面性和预 测精度， 具有一定容错性； 有利于提高发动机主 动控制的性能， 具有 普适性。 权利要求书2页 说明书7页 附图8页 CN 114186337 A 2022.03.15 CN 114186337 A 1.一种基于多源数据融合的压气机 旋转失速预测方法， 其特 征在于， 包括以下步骤： S1.获取航空发动机多源失速数据， 并对其进行预处理， 其中多源失速数据包括实验平 台中多个传感器记录的动态压力数据： S1.1收集不同位置的传感器所记录的动态压力实验数据作为多源数据集， 对实验数据 进行频谱分析， 确定稳态工作频率范围以及失速频率范围； S1.2采用低通滤波器对压力变化数据进行滤波处理， 过滤高频分量， 保留稳态工作频 率分量和失速频率分量； S1.3对滤波后数据进行重采样， 缩小数据维度； S1.4对降采样后数据进行归一 化处理， 将数据分布通过线性变化映射到[0,1]区间； S1.5以采样点为基本单位生成与数据集同时间长度的标签列， 其中每个采样点根据是 否喘振标为1或0； S1.6将预处 理后的全部数据集划分为训练数据集、 验证数据集和 测试数据集； S2.构建多源数据特 征提取模块， 包括以下步骤： S2.1采用滑动窗口方法对每个传感器的压力变化数据以固定时间步长单独进行划分， 将滑动窗口所覆盖的采样数据组成一个样本， 将所有数据集维度均调整为(samples,seq_ length,sensors)， 其中samples为样本个数， seq_length为时间步长， sensors为传感器数 量； S2.2为每个传感器构建一个独立的特征提取分支模块， 每个分支模块面向输入定义两 个堆叠的时间分布卷积模块， 并构建两个时间分布卷积模块， S2.3根据所用传感器数目， 组建由特征提取分支模块构成的多源数据特征提取模块， 每个传感器对应的特征提取分支模块面向输入样本定义本模块的参数， 模块之间相互独 立， 参数不共享， 独立保存本模块的输出 特征信息， 并传至时间模式提取模块； S3.构建时间模式提取模块， 包括以下步骤： S3.1连接合并多源数据 特征提取模块中每个分支模块的输出特征信息， 作为 时间模式 提取模块的输入； S3.2基于双向长短期记忆网络Bi ‑LSTM构建时间模式提取模块， 依次经过两层Bi ‑LSTM 网络对输入数据进行处 理， S3.3添加dropout层， 再通过一组密集层及线性激活Linear函数， 将Bi ‑LSTM网络的输 出维度调整为(n_outputs,1)， 即为旋转失速预测概 率； S4.构建多源数据融合预测模型， 包括以下步骤： S4.1基于多源数据 特征提取模块和时间模式提取模块构建多源数据融合预测模型， 不 同传感器测量所得的压力变化数据经过不同的特征提取模块进行 处理， 每个模块有独立的 滤波器提取相关特征， 合并多个模块输出 的特征信息并传递给时间模式提取模块， 学习 数 据中时间长期依赖性， 通过线性激活的全连接层得到失速预测概 率； S4.2采用模型输出值f(x)和真实值y 之间的均方误差 MSE作为损失函数； S4.3保存训练后的多源数据融合预测模型并在验证集上测试， 根据验证集评价指标调 整模型超参数， 采用均方根误差RMS E和Score函数量化模 型预测性能的评价指标， 综合两个 评价指标 结果， 保存最优 模型得到最终的多源数据融合预测模型； S5.在测试 数据上进行实时预测权　利　要　求　书 1/2 页 2 CN 114186337 A 2S5.1获取步骤S1中预处理后划分出的测试集数据， 按照S2.1步骤将数据维度调整为 (samples,seq_length,sensors)； S5.2采用S4.3中保存的多源数据融合最优预测模型计算每个样本的失速预测概率， 并 按照时间顺序排序； S5.3随机选取测试集中一组动态压力数据， 采用保存的最优预测模型仅对其中一个传 感器数据进行失速预测， 并同基于全部传感器数据计算的失速预测概率进行对比， 以观察 多源数据融合对 模型预测效果的帮助性； S5.4选取一组动态压力数据， 其中包含一个工作异常的传感器所记录的实验数据， 采 用训练后的模型对这组数据进行失速概 率预测。 2.根据权利要求1所述的一种基于多源数据融合的压气机旋转失速预测方法， 其特征 在于， 所述的步骤S2.2中， 每个时间分布卷积模块均由单通道 一维卷积层、 归一化层和激活 层组成； 输入样本在经过第一个时间分布卷积模块的卷积层后进行批量归一化处理， 引入 校正非线性单元ReLU以调整传 入下一个时间分布卷积模块的信息， 再重复进 行第一个时间 分布卷积模块的处 理步骤， 利用Flat ten()函数将其 最后的多维输出一维化。 3.根据权利要求1所述的一种基于多源数据融合的压气机旋转失速预测方法， 其特征 在于， 所述步骤S3.2中， 第一层Bi ‑LSTM中的记忆单元数量大于等于第二层中的记忆单元数 量。 4.根据权利要求1所述的一种基于多源数据融合的压气机旋转失速预测方法， 其特征 在于， 所述的步骤S4.2中， 损失函数计算方式如下： 其中， i表示当前训练的是第i个样本， n表示每批次计算的样本数量， 对于全批量学习， n为整个训练样本集大小。 5.根据权利要求1所述的一种基于多源数据融合的压气机旋转失速预测方法， 其特征 在于， 所述 步骤S4.3中： 所述均方根 误差RMSE的计算方式如下： 其中， Δyi＝ypred‑ytrue， 是模型根据第i个样本生成 的预测值ypred与真实值ytrue之差， N 是每批次输入 模型的总样本数量； 所述Score函数计算方式如下： 权　利　要　求　书 2/2 页 3 CN 114186337 A 3