航空发动机健康状态多源深度信息融合与智能预示研究

Aircraft engine works for long time under high temperature, high pressure, high rotating speed and changing load, which will lead to the key parts of aircraft engine service performance degradation. Aircraft engine service performance safety preservation is important. In this project, aircraft engine health condition multisource deep information fusion method is constructed, and the performance degradation multisource information fusion features of aircraft engine health condition are obtained. Aircraft engine multisource imbalance data deep Generative adversarial network model is constructed, and Aircraft engine health condition multisource deep information fusion imbalance data features are generated. Aircraft engine health condition deep enhancement intelligent prognostics model based on multisource deep information fusion features is constructed, and it autonomously identify and predict aircraft engine health condition. The aircraft engine health condition multisource deep information fusion and intelligent prognosis method is developed based on above research, and it obtains aircraft engine service multisource features and predicts the health condition. The engineering application and verification will be carried out for aircraft engine key parts, such as blade, disk, bearing, oil pump and so on. This project research will provide novel operation maintenance theory and technology in aircraft engine health condition deep information fusion and health condition intelligent prognosis.

航空发动机长期服役在高温、高压、高转速、交变负载等条件下，会导致其关键部件服役性能化，发动机服役过程中的安全保障至关重要。本项目拟建立航空发动机健康状态多源深度信息融合方法，获取航空发动机健康状态多源信息下的性能退化状态信息融合特征；构造航空发动机多源不平衡数据深度生成对抗网络模型，生成航空发动机健康状态多源深度融合不平衡数据特征集；建立基于航空发动机健康状态多源深度信息融合特征的深度强化智能预示模型，实现航空发动机健康状态自主识别和预测。在上述研究基础上，提出航空发动机健康状态多源深度信息融合与智能预示方法，自主获取航空发动机服役过程中的多源信息特征并识别和预测其健康状态。对叶片、轮盘、轴承、油泵等航空发动机关键部件开展工程验证与应用研究。通过本项目的研究，可望在航空发动机健康状态深度信息融合、健康状态智能预示等方面有所突破和创新，为航空发动机运行维护提供新的理论与技术。

本项目针对航空发动机健康状态智能预示问题，重点研究了多源深度信息融合方法、多源不平衡数据特征生成方法和健康状态智能预示方法，构造了航空发动机健康状态多源深度信息融合与智能预示算法。主要研究工作和成果如下：研究了基于多源传感器数据的集成深度多尺度特征融合网络构造方法，提出了基于集成深度多尺度特征融合网络的航空发动机寿命预测方法；研究了构造不同深度自动编码器的方法，提出了改进选择性集成深度学习故障诊断方法;研究了周期估计嵌入到稀疏表示模型方法，提出了一种基于自适应周期匹配增强稀疏表示的早期故障特征提取方法；研究了小波全变分稀疏表示模型构建方法，提出了基于非凸小波全变分策略故障特征检测方法；研究了预测生成去噪自动编码器故障数据生成方法，提出了基于预测生成去噪自动编码器和D-coral网络数据不平衡故障诊断方法；研究了Wasserstein梯度惩罚生成对抗网络构建方法，提出了基于深度自动编码器的生成对抗网络智能故障诊断方法；研究了变分自编码生成对抗网络数据扩充方法，提出了基于深度遗憾分析与变分自编码生成对抗网络的故障诊断方法；研究了深度非负约束稀疏自编码器模型构建方法，提出了小样本下基于深度迁移非负稀疏自动编码器的故障诊断方法；研究了选取智能故障诊断模型最优结构方法，提出了基于策略梯度的深度强化迁移学习的故障诊断方法；研究了自适应批量归一化卷积神经网络构建方法，提出了一种基于集成自适应批量归一化卷积神经网络的故障智能预示方法；研究了混合深度学习模型构造方法，提出了基于门控循环神经网络和稀疏自动编码器的故障诊断方法；研究了正则化参数和群组大小的自适应选择策略，提出了基于非凸周期群稀疏的故障诊断方法；研究了构造的多源深度信息融合方法在航空发动机健康状态特征提取中的应用；研究了构造的多源不平衡数据特征生成方法在航空发动机故障诊断中的应用；研究了构造的健康状态智能预示方法在航空发动机故障预示中的应用。