(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110899542.7 (22)申请日 2021.08.0 6 (65)同一申请的已公布的文献号 申请公布号 CN 113569338 A (43)申请公布日 2021.10.2 9 (73)专利权人 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 专利代理师 苗青 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 112001128 A,2020.1 1.27 CN 112990536 A,2021.0 6.18 US 202016 0065 A1,2020.0 5.21 CN 111192245 A,2020.0 5.22 CN 112365040 A,2021.02.12 US 2021193259 A1,2021.0 6.24 US 20193410 52 A1,2019.1 1.07 审查员 熊林 (54)发明名称 一种基于时间扩张卷积网络的压气机旋转 失速预警方法 (57)摘要 一种基于时间扩张卷积网络的压气机旋转 失速预警方法， 首先， 对航空发动机动态压力数 据进行预处理， 在实验数据中划分出测试数据集 和训练数据集。 其次， 依次构建时间卷积网络模 块、 构建Resnet ‑v网络模块、 构建时间扩张卷积 网络预测模型， 保存最优 预测模型。 最后， 在测试 数据上进行实时预测： 首先按照时间卷积网络预 测模型的输入要求调整测试集数据维度； 按时间 顺序， 通过时间扩张卷积网络预测模 型计算每个 样本的喘振 预测概率； 通过时间扩张卷积网络预 测模型计算含有协变量与不含协变量的一对样 本的实时喘振概率， 观察协 变量对模 型预测效果 的提升作用。 本发明综合了时域统计特征和变化 趋势， 提高预测精度； 有利于提高发动机主动控 制的性能， 具有一定的普适 性。 权利要求书2页 说明书7页 附图5页 CN 113569338 B 2022.10.14 CN 113569338 B 1.一种基于时间扩张卷积网络的压气机旋转失速预警方法， 其特征在于， 包括以下步 骤： S1.对航空发动机喘 振数据进行 预处理， 包括以下步骤： S1.1导入测量 点的实验数据作为数据集， 对压力变化数据进行 滤波处理； S1.2对滤波后数据进行降采样； S1.3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； S1.4构建数据集样本， 以steps大小的时间步长为单位切分时域数据， 每个数据窗口覆 盖的采样点组成一个样本， 并为每 个样本标注喘 振与否的标签1或0； S1.5将整体数据集划分为训练数据集和测试数据集， 再将训练数据集按比例划分为训 练集和验证集； S2.构建时间卷积网络模块， 包括以下步骤： S2.1将每个样本维度调整为(steps， 1)， 作为时间卷积网络模块 的输入， 其中steps为 时间步； S2.2搭建基于因果卷积和扩张卷积的扩张卷积模块， 时间卷积网络内部每层的基本模 块由两个内核 大小和扩张因子数值相同的扩张卷积模块组成； 在第一个扩张卷积后进 行批 量归一化处理， 引入校正非线性单元ReLU以调整传入下一层的信息， 第二个扩张卷积后再 进行批量归一化处理， 所得特征与上一层提取的特征加和， 通过ReLU激活函数计算得到本 层的输出 特征； S2.3通过堆叠多个扩张卷积模块组建时间扩张卷积网络， 扩大网络接受域， 采用跳跃 连接保留每个卷积层的输出信息， 并采用ReLU激活函数激活得到时间卷积网络模块的输 出； S3.构建Resnet ‑v网络模块， 包括以下步骤： S3.1考虑到喘振数据特性， Resnet ‑v网络允许两部分数据输入， 其中一部分是历史数 据特征， 另一部 分是数据协变量； 计算每个样 本的时域统计特征， 和样本所对应的测量点编 号， 构成一组协变量特 征， 将其作为Resnet ‑v网络模块的输入之一； S3.2通过一组密集层和批量归一化层处理输入的协变量， 再应用ReLU激活函数传入下 一组密集层和批量归一化层； 将其输出与时间卷积网络获取的数据特征加和， 通过ReLU激 活函数得到Resnet ‑v网络的输出； S4.构建时间扩张卷积网络预测模型， 包括以下步骤： S4.1构建时间扩张卷积网络预测模型， 分为Encoder和D ecoder两部分， 其中Encoder部 分为时间卷积网络模块， Decoder部分由Resnet ‑v网络模块和输出密集层组成； S4.2将Encoder模 块的输出特征ht输入Resnet ‑v网络模块， 如步骤S3 所述进行运算得到 融合输出； S4.3 Decoder模块的输出密集层接收上步的融合输出， 依次通过密集层、 批量归一化 层、 ReLU激活函数处 理， 得到喘 振的概率预测值； S4.4针对 喘振数据训练中存在的问题， 选用M HL作为损失函数， 其公式为：权　利　要　求　书 1/2 页 2 CN 113569338 B 2其中， y代表真实数据值， f(x)代表当前预测值， δ是决定如何计算误差的超 参数， Lδ(y， f (x))为当前计算的损失值； 另外引入影响因子β， β ∈[0， 1]， 用来表示喘振状态的样本被错误分类为非喘振状态的 影响大小， 定义权 重系数β0‑1为： 最终损失函数 形式为MHL＝β0‑1Lδ(y， f(x))； S4.5保存训练后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， 评价 指标采用F_score指标， 保存使评价指标最优的模型得到最终的时间扩张卷积网络预测模 型； S5.在测试 数据上进行实时预测 S5.1获取步骤S1中预处理后划分出的测试集数据， 按照时间扩张卷积网络预测模型的 输入要求调整数据维度； S5.2采用训练后的时间扩张卷积网络预测模型计算每个样本的喘振预测概率， 并按照 时间顺序排序； S5.3在测试数据中随机选取一组动压变化数据， 将输入模型的数据分别整理为带有协 变量参数的和不带有协变量参数的两组对比样本， 采用训练后的时间扩张卷积网络预测模 型， 分别给 出两组对比数据实时喘 振概率； 所述步骤S1.2中， 根据喘振频率的数值分布区间， 基于奈奎斯特采样定理， 选定降采样 率； 所述步骤S1.5中， 训练集和验证集的比例为3∶ 1。 2.根据权利要求1所述的一种基于时间扩张卷积网络的压气机旋转失速预警方法， 其 特征在于， 所述 步骤S4.5中F_score指标如下： 其中， P为精确 率， 表示被分为正类的样本中实际为正类的比例： TP为真 正例数， FP为假正例数； R为召回率， 表示样本中正类被正确预测的比例： TP 为真正例数， FN 为假负例数； β 取为2。权　利　要　求　书 2/2 页 3 CN 113569338 B 3