摘要
航空发动机作为飞机的动力来源，其安全性对于保障飞行安全具有十分重要的意义。但是航空发动机的工作环境十分恶劣，需要长时间在高温、高压、强振动的环境中工作，导致发动机气路部件十分容易发生故障，因此有必要对发动机进行气路故障诊断。航空发动机气路故障诊断的主要任务是对发动机气路故障进行检测、识别、定位等。数据驱动的航空发动机气路故障诊断方法利用发动机历史运行数据，结合人工智能算法建立发动机运行数据与故障征兆的映射关系，达到故障诊断的目的。然而，航空发动机的故障数据非常难以获取，给数据驱动的故障诊断方法造成了一定的困难。迁移学习的主要思想是从相关领域迁移标注数据或者知识结构，完成或改进目标领域或任务的学习效果。因此，本文就针对航空发动机故障数据稀少的问题，探究迁移学习在航空发动机气路故障诊断上的应用研究。本文主要内容如下： 首先，针对航空发动机的气路故障检测问题，考虑了目标域故障数据稀少的情况，在常见的故障检测算法支持向量数据描述（SVDD）以及迁移学习的基础上提出了基于SVDD的迁移学习算法，即SVDD-TL。该算法首先使用源域数据进行训练原始SVDD模型，然后使用目标域数据继续进行训练，在继续训练的过程中，除了考虑了目标域的数据分布之外，还考虑了模型的球心与源域球心的距离，使模型能够结合源域和目标域的信息，得到性能更好的故障检测模型。设计的航空发动机气路故障检测实验证明了该算法的有效性。 其次，针对航空发动机气路故障诊断问题，考虑了目标域故障数据稀少的情况，将迁移学习与故障诊断中应用广泛的极限学习机相结合，提出了两种算法，OSTL-ELM和TSTL-ELM。其中OSTL-ELM将源域的训练损失和目标域的训练损失同时放在损失函数中，得到的模型能够同时适配源域和目标域。TSTL-ELM首先利用源域数据进行训练，然后再利用目标域数据进行继续训练，训练过程同时考虑了目标域的训练损失以及与源域所得模型的差异，得到模型只适配目标域。航空发动机气路故障诊断的实验证明了TSTL-ELM算法具有优越的故障诊断性能。 最后，针对航空发动机气路故障诊断问题，考虑了目标域缺乏故障数据，即目标域中只包含正常数据的情况，结合了领域对抗神经网络，提出了部分对齐的领域对抗神经网络PADANN。领域对抗神经网络通过领域对抗的方式将源域和目标域进行对齐，减小领域之间的差异，从而将源域的标签数据信息迁移到目标域。对于目标域中只有正常数据的问题，目标域中只有正常数据的分布，不能够代表整个目标域的分布，因此PADANN将源域中的正常数据与目标域进行对齐，减小领域之间的差异，从而将源域的标签数据信息迁移到目标域中。最后设计的航空发动机气路故障诊断实验验证了该算法的有效性。
NETL