基于深度生成对抗网络的小样本下航空发动机气路故障智能识别技术研究

This project focuses on the urgent engineering requirements of high reliability, high safety and convenient maintenance of aircraft engine. Driven by the scientific problem of multi-source monitoring data fusion and fault intelligent diagnosis, this project aims to solve the problem of gas path fault intelligent diagnosis of aircraft engine via generative adversarial network under small samples. Considering the problem of correlation nonlinearity of monitoring data and the difficulty for running status feature extraction using monitoring data, the project proposes a multi-source data fusion method via weighted logarithmic autoencoders within the constraints of the optimal dimension index. Aiming at the problem that it is difficult to generate data because of the large number of fault modes, the project researches the data augmentation method for running status features of aircraft engine via Gaussian mixture model based conditional generative adversarial network. In order to solve the problem of the low accuracy of gas path fault diagnosis, the project gives researches on the aircraft engine gas path fault diagnosis via improved stacked generalization model, which finally realizes the intelligent gas path fault diagnosis and supports decision making for aircraft engine maintenance management. Considering the requirement of national strategies and aiming at the frontier fields, the research pays equal attention to the theory, the method and the application, which is of vital significance for academic research and of great importance for engineering application.

本项目瞄准航空发动机高可靠、高安全、易维护的迫切工程需求，在发动机多源监测信息融合与运行故障智能识别的关键科学问题驱动下，旨在实现基于深度生成对抗网络的小样本下航空发动机气路故障智能识别。针对多源性能监测数据之间信息关联关系高度非线性，难以进行多源数据融合提取运行状态特征等问题，提出最优维度指标约束下基于W-LVAE的多源性能监测数据最优融合方法，为后续运行状态特征数据增强提供信息基础；针对发动机故障模式较多，生成数据比较困难等问题，提出基于GMM-CGAN的发动机运行状态特征数据增强方法，为气路故障智能识别提供数据基础；针对气路故障智能诊断模型识别准确率较低等问题，提出基于优化SG模型的故障智能识别方法，最终实现气路故障准确识别，为发动机维修管理提供决策依据，取得工程应用效果。研究工作面向国家战略需求和学科发展前沿，理论、方法和应用研究并重，具有重要的学术研究意义和工程应用价值。

航空发动机作为飞机动力来源，是现代飞机的“心脏”。发动机复杂耦合的结构与极端恶劣的运行环境导致其不可避免的发生故障，引发飞行事故，其中气路部件故障占比最高。本项目瞄准航空发动机高可靠、高安全、易维护的迫切工程需求，在发动机多源监测信息融合与运行故障智能识别的关键科学问题驱动下，旨在实现基于深度生成对抗网络的小样本下航空发动机气路故障智能识别。针对多源性能监测数据之间信息关联关系高度非线性，难以进行多源数据融合提取运行状态特征等问题，提出多维度最优指标约束下自适应多源数据特征提取融合方法，为后续运行状态特征数据增强提供信息基础；针对发动机故障模式较多，生成数据比较困难等问题，提出自适应解耦策略增强下多模块生成对抗网络的小样本数据扩充方法，为气路故障智能识别提供数据基础；针对气路故障智能诊断模型识别准确率较低等问题，提出急变速条件下基于可选择核网络的故障智能识别方法，实现了高效高准确的发动机故障识别。经过实验数据验证，能够实现气路故障准确识别，为发动机维修管理提供决策依据。研究工作面向国家战略需求和学科发展前沿，理论、方法和应用研究并重，具有重要的学术研究意义和工程应用价值。