技术摘要：
本发明披露了一种基于CNN迁移学习的发动机气路状态诊断系统，所述诊断系统包括源域和目标域，所述源域包括一CNN模块，其特征在于：所述CNN模块包括一个内层和三个全连层，所述内层由两个卷积层、一个池化层组成，并以预设的源域训练集对所述CNN模块进行训练，待所述CNN  全部
背景技术：
作为一类高价值复杂装备，民航发动机的状态与其运行的安全性息息相关。作为 一项民航发动机管理的关键技术，发动机气路状态诊断能够根据发动机气路监控得到的气 路参数对民航发动机的气路故障进行精确定位和诊断，能够为发动机的维修时机预测、维 修方案制定、维修成本预估提供有力的支持。 目前民航发动机气路状态诊断方法主要分为基于模型的故障诊断方法和基于数 据驱动的故障诊断方法。基于模型的故障诊断方法需要建立发动机精确的物理数学模型， 而在当前的条件下，获取现役发动机精确的物理数学模型是非常困难的。因此，基于数据驱 动的方法更为适用。由于在很多高维复杂的模式识别问题中取得了很好的结果，最近几年 深度学习方法在民航发动机故障诊断领域得到了越来越多研究的关注。深度学习不仅解决 了传统神经网络方法存在泛化能力欠缺、易产生局部最优解等问题，同时很好的削弱了因 发动机个体差异大、监控参数复杂等造成的影响，从而取得了更为精确的故障诊断。 虽然深度学习算法在解决了传统神经网络存在的各种缺点，但是目前深度学习方 法依旧依赖大量的带标签样本，这一特性使其在小样本问题应用中受限。 而在真实的民航发动机运维中，迫切需要能够在民航发动机真实故障小样本条件 下，以更高精度提取OEM数据中的特征信息，实现更精确的故障定位和诊断。
技术实现要素：
基于发动机运维的迫切需求，本发明提出了一种基于CNN迁移学习的发动机气路 状态诊断系统，所述诊断系统包括源域和目标域，所述源域包括一CNN模块，其特征在于： 所述CNN模块包括一个内层和三个全连层，所述内层由两个卷积层、一个池化层组 成，并以预设的源域训练集对所述CNN模块进行训练，待所述CNN模块训练完成，将训练完成 的所述CNN模块中的所述内层迁移到所述目标域并保持不变，作为所述目标域的发动机状 态特征映射模型； 所述目标域还包括一SVM模块，所述SVM模块对经所述内层映射的发动机小样本故 障数据进行诊断和分类，从而输出发动机状态类别。 如上所述的系统，其特征在于： 还包括所述源域训练样本集全部由发动机正常指征数据组成标记集，所述标记集 由发动机故障指征数据和所述发动机正常指征数据组成； 所述标记集经所述内层映射后构成特征空间集，在所述特征空间集中分别构造 SVM  模块训练集和SVM模块测试集； 并用所述SVM模块训练集对所述SVM模块进行训练。 如上所述的系统，其特征在于： 4 CN 111598161 A 说　明　书 2/10 页 对所述SVM模块的训练完毕后，用所述SVM模块测试集对训练完毕的所述SVM模块 进行测试。 如上所述的系统，其特征在于： 对所述SVM模块的测试中，采用如下方法对测试结果进行评估： 其中，prec作为评估所述SVM模块分类效果的精度值，tp为准确识别出的故障数 量，即验证样本是ai类故障，算法正确地将其归类于ai类故障视为准确识别，fp为假异常点 的数量，即验证样本不是ai类故障，算法错误地将其归类于ai类故障。 如上所述的系统，其特征在于： 按照如下方法在所述特征空间集中分别构造所述SVM模块训练集和所述SVM模块 测试集， 将所述特征空间集中分别对应于所述测试集中的所述发动机故障指征数据和所 述发动机正常指征数据的映射按照一定的比例来分别构造。 如上任一所述的系统，其特征在于： 所述源域训练集中的数据采集过程如下： 步骤1获得故障发动机j的故障时间tj，并从OEM数据中提取发动机j故障时间tj前m  个飞行循环的主要气路性能参数偏差值：DEGT、DN2、DFF、EGTM，可表示为式(1)的形式 DEGT＝{DEGTm,DEGTm-1,DEGTm-2,...,DEGTi,...,DEGT3,DEGT2,DEGT1} DN2＝{DN2m,DN2m-1,DN2m-2,...,DN2i,...,DN23,DN22,DN21} DFF＝{DFFm,DFFm-1,DFFm-2,...,DFFi,...,DFF3,DFF2,DFF1} EGTM＝{EGTMm,EGTMm-1,EGTMm-2,...,EGTM3,EGTM2,EGTM1}  (1) 步骤2将步骤1中的m个循环按飞行时序进行分组，并将离故障确认点最近的一组 选为故障征候组，其余各组为正常组； 设Yn＝{ym,ym-1,...,y1}表示故障时性能参数n(n表示：EGTM、DN2、DFF、DEGT)前  m 个连续飞行循环性能值，如果每组r个飞行循环，那么Yn将会被分成k个子序列，k可以用式 (2)进行表示。 式中 ——非整数·的整数部分取值符号； 分组后的民航发动机性能参数可表示为式(3)的形式。 式中Yn,2,...,Yn,k表示正常数据组，Yn,1表示故障征候数据组； 步骤3令M ＝[Y Tj 1j  Y T2j  ...  Y Tnj ]T，j＝1,2,3,…,k，Ynj表示故障时第i个性能参数 5 CN 111598161 A 说　明　书 3/10 页 分组后的第j组数据，[·]T表示矩阵的转置； 当且仅当j＝1时，M1＝[Y T T T T11  Y21  ...  Yn1 ] 表示发动机故障指征数据； 当j＝2,3,…,k时，M ＝[Y T T T Tj 1j  Y2j  ...  Ynj ] 表示所述发动机正常指征数据。 如上所述的系统，其特征在于： 所述系统从发动机气路监控中获取发动机四个气路参数DEGT、DN2、DFF、EGTM，经 所述系统诊断所述发动机的气路状态时，所述四个气路参数的布置顺序为  DFF-DN2-EGTM- DEGT。 如上任一所述的系统，其特征在于： 所述内层包括第一卷积层和第二卷积层； 所述第一卷积层的卷积核尺寸为2×2； 所述第二卷积层的卷积核尺寸为3×3。 如上任一所述的系统，其特征在于： 在对所述CNN模块进行训练时，迭代次数设定为10次。 如上任一所述的系统，其特征在于： 在对所述CNN模块进行训练时，每次更新CNN模块参数时，从所述源域训练集中随 机选取的一组样本来对所述CNN模块进行训练； 随机选取的所述一组样本包含样本的个数为10个。 根据本发明的基于CNN与SVM相结合的民航发动机气路状态诊断系统，很好的解决 了基于数据驱动的故障诊断算法丢失OEM数据中不同参数之间的相关关系的问题，使用  CNN对二维时间序列进行处理特性，直接将OEM数据中的各变量值以及它们之间的关系一起 输入；针对发动机个体差异大、故障样本少等问题，通过迁移学习建立发动机状态特征映射 模型，而后利用建立的发动机状态特征映射模型将发动机原始故障数据映射到新的特征空 间中，利用SVM实现小样本分类，从而不仅将整体的预测精准度提升到了90％以上，而且对 发动机气路故障类型诊断精度也超过了90％。 附图说明 图1航空发动机基本结构示意图及部分传感器布置 图2航空发动机性能参数的获取与转换处理 图3航空发动机故障气路参数变化示例 a：故障样本DEGT变化趋势实例、b：故障样本EGTM变化趋势实例、c：故障样本DN2  变化趋势实例、d：故障样本DFF变化趋势实例 图4基于CNN与SVM的航空发动机气路状态诊断系统原理图 图5CNN中的内层参数迁移原理图 图6分类正确率(状态诊断准确率)与参数排列顺序关系 a：DEFG为起始位置、b：DN2为起始位置、c：DFF为起始位置、d、EGTM为起始位置 图7测试分类精度(状态诊断准确率)与样本批量大小的关系 图8测试分类精度(状态诊断准确率)与迭代次数之间的关系 具体实施方法 如图1所示，航空发动机主要由风扇、低压压气机(LPC)、高压压缩机(HPC)、燃烧室 6 CN 111598161 A 说　明　书 4/10 页 (CC)、低压涡轮(LPT)和高压涡轮(HPT)等6个主要部件组成。传统地，地面监控系统主要通 过监测气路性能参数EGT(排气温度，Exhaust  Gas  Temperature)、FF(Fuel Flow)、N1和N2 来监测航空发动机的气路性能。监测原始气路性能参数的传感器的具体安装位置如图1所 示。然而，原始气路性能参数中存在大量的误差和工况信息，使得利用原始气路性能参数进 行故障诊断变得困难。在实际运行中，原始发动机制造商(OEM)  利用推力设定值、环境因素 和工况信息将原始气路性能参数转换为原始气路性能参数转化为相对基线的偏差值，包括 DEGT、排气温度裕度变化量(Exhaust  Gas  Temperature Margin,EGTM)、核心机转速变化量 (Delta  Core  Speed,DN2)、燃油流量变化值(Delta Fuel  Flow,DFF)四个参数。 图2显示了燃气轮机的采集和转换过程。OEM数据是由发动机制造厂家根据发动机 的工况信息、推力设定、马赫数以及飞行高度等，将发动机的原始监控性能参数转化为基线 的偏差值，即EGTM、DEGT、DN2、DFF等四个性能参数，实现对发动机气路监控的数据采集。 图3所示为民航发动机发生某故障时的气路性能参数的变化图，其中T1表示发动 机被  OEM厂家确定为开始出现异常时的循环点，T2表示发动机被OEM厂家诊断为故障的循 环点；A点是发动机被诊断为故障时各性能参数的值，B点是发动机开始发生异常时各性能 参数的值； 表示T2时刻和T1时刻之间间隔的循环数。对图3a)b)c)d)进行分析，从T1时刻 到T2时刻，当发动机发生故障时，气路性能参数变化趋势均发生了显著的变化，其中DEGT持 续减小、EGTM持续增大、DFF持续减小以及DN2持续增大，对于同一台发动机， 是相同的。 根据上述分析思路，对其他典型的气路故障类型进行相同的分析，得到气路故障类型和气 路监控性能参数的变化趋势的关系如表1所示。 表1民航发动机气路故障类型与性能参数变化趋势关系表 经过上述分析，我们发现，在利用OEM数据对民航发动机进行气路故障诊断时，需 要综合分析各监控参数的变化趋势，同时还需要消除随机噪声、弱化个体差异对故障诊断 造成的影响，才能实现更为精确的故障诊断。 为了满足这些特性，我们基于迁移学习思想建立了基于CNN的发动机状态特征映 射模型，将复杂的OEM数据映射到新的特征空间中，消除噪声和弱化个体差异性的同时，采 用SVM来提高数据的辨识度。 一、样本设置 具体故障征候数据的采集过程如下： 步骤1通过民航发动机的CNR报告和维修报告获得故障发动机j的故障时间tj，并 从  OEM数据中提取发动机j故障时间tj前m个飞行循环的主要气路性能参数偏差值：DEGT、  DN2、DFF、EGTM，可表示为式(1)的形式。 DEGT＝{DEGTm,DEGTm-1,DEGTm-2,...,DEGTi,...,DEGT3,DEGT2,DEGT1} DN2＝{DN2m,DN2m-1,DN2m-2,...,DN2i,...,DN23,DN22,DN21} DFF＝{DFFm,DFFm-1,DFFm-2,...,DFFi,...,DFF3,DFF2,DFF1} 7 CN 111598161 A 说　明　书 5/10 页 EGTM＝{EGTMm,EGTMm-1,EGTMm-2,...,EGTM3,EGTM2,EGTM1}  (1) 步骤2将步骤1中的m个循环按飞行时序进行分组，并将离故障确认点最近的一组 选为故障征候组，其余各组为正常组。设Yn＝{ym,ym-1,...,y1}表示故障时间tj前m个循环飞 行时序的性能参数n(n表示：EGTM、DN2、DFF、DEGT)前m个连续飞行循环性能值，如果每组r个 飞行循环，那么Yn将会被分成k个子序列，k可以用式(2)进行表示。 式中 ——非整数·的整数部分取值符号； 分组后的民航发动机性能参数可表示为式(3)的形式。 式中Yn,2,...,Yn,k表示正常数据组，Yn,1表示故障征候数据组。 步骤3令M ＝[Y T  Y T T Tj 1j 2j  ...  Ynj ] ，j＝1,2,3,…,k，Ynj表示故障时第i个性能参数 分组后的第j组数据。矩阵M的具体表述如表2所示。其中，[·]T表示矩阵的转置；当且仅当j ＝1时，M1＝[Y T  Y T T T11 21  ...  Yn1 ] 表示故障样本；其余为正常样本。 表2民航发动机状态参数矩阵示意 二、基于CNN与SVM的民航发动机气路故障诊断系统的构建 图4给出了本发明所披露的发动机气路故障诊断系统的原理图，主要包括两个过 程： 一是利用基于CNN迁移学习建立发动机状态特征映射模型； 二是利用支持向量机对映射特征进行分类。 在获得航空发动机的正常样本数据组和故障征候数据样本组后，以足够多的正常 样本作为CNN模型输入，以预设正常样本的标签作为正常样本的预期输出对CNN模型进行训 练。待CNN模型训练完成，将CNN模型中的内层迁移到故障样本分类任务中并保持不变，建立 民航发动机状态特征映射模型。当求解当次发动机故障征候样本的映射特征时，将故障征 候样本组作为所建立的发动机状态映射模型的输入，通过发动机状态特征映射模型得到的 输出即为故障征候样本的映射特征。最后利用支持向量机对映射特征进行分类。 本发明的发动机状态诊断系统中，首先在大规模的监督任务中对CNN中的卷积层 和池化层进行训练，然后将训练好的卷积层和池化层参数迁移到目标领域中。实现该过程 的核心思想是卷积神经网络的卷积层和池化层能够充当一个通用的映射器，可以在如图5  所示的源域(这里有足够多的发动机正常样本)中进行预训练，然后应用到其他目标任务上 8 CN 111598161 A 说　明　书 6/10 页 (这里是少量的发动机故障样本)。对于源域中的任务，本发明设计了一个CNN卷积神经网络 进行学习，该CNN网络由2个卷积层和一个池化层，以及3个全连层组成。对于目标域中的任 务，我们希望一个能输出目标类别的网络，SVM是一个较好的选择，因为与BP、NN、RBF等传统 机器学习分类算法相比，SVM在样本较少的情况下具有更好的分类能力。卷积层C1、C2和池 化层S3的参数首先源任务中进行预训练，然后它们会被迁移到目标任务中并且保持不变， 仅分类器SVM会在目标任务中的训练集上进行训练。 如图5所示的系统，整个训练过程如下： 步骤1根据上述的样本设置方法将发动机原始气路监控数据构造如表2所示的状 态矩阵； 步骤2构造训练样本集T和标记样本集V，其中训练样本集T全部由发动机正常状态 数据矩阵组成；标记集V由发动机故障征候数据矩阵及正常数据矩阵组成，并对不同的类型 的样本进行相应的标签； 步骤3通过训练样本集T对CNN的内层进行预训练，待网络训练完成后，将CNN的内 层迁移到标记样本集V中并保持不变，建立发动机状态特征映射模型； 步骤4利用建立的特征映射模型将标记集V中的所有样本映射到新的特征空间Q 中，并按照一定的比例分别构造训练SVM的训练集和测试集；由于正常样本比较多，本发明 按照3：1的比例划分训练样本和测试样本，每个故障类别的样本较少，按照大约1：1  样本划 分训练样本和测试样本； 步骤5使用步骤4中的训练集训练SVM，待SVM训练完成后，使用步骤4中的测试集对 SVM进行测试。本文采用精度值prec作为指标评估分类的效果好坏，其具体的计算公式如式 (4)所示： 式中，tp为准确识别出的故障数量(该验证样本是ai类故障，算法正确地将其归类 于ai类故障)，fp为假异常点的数量(该验证样本不是ai类故障，算法错误地将其归类于ai类 故障)。 三、系统模型的优化 1、发动机性能参数的最优排列顺序 本发明选取了4个发动机气路监控性能参数：DEGT、EGTM、DFF和DN2，为了验证燃气 轮机性能参数布置顺序对所提出的故障模型的影响，采用枚举法寻找最优的排列方式。将4 个性能参数进行全排列，共得到24种排列方式并分别进行实验，寻找最优的排列方式。在实 验过程中，其余的参数设置如下：迭代次数设为10，批量大小设为10，第一层卷积核大小为2 ×2、个数设为12，第二层卷积核大小为3×3、个数设为18，其他参数保持默认设置。为了消 除实验结果的随机性，每次实验重复5次，取实验结果的平均值，实验结果如图6所示。 图6中1-X、2-X、3-X和4-X分别代表以DEGT、DN2、DFF和EGTM为开始全排列的顺序， 如：1-2-3-4表示的排列顺序为DEGT-DN2-DFF-EGTM。 结果表明，将性能参数DFF放置在起始位置(此处为3-X)的分类效果明显优于将其 他三个性能参数放置在起始位置的分类效果。当把性能参数DFF放置在起始位置DFF，分类 准确率超过88％。为了更好的比较将DFF放在起始位置时各种排序的分类精度，表3给出了 9 CN 111598161 A 说　明　书 7/10 页 各种排序的5次实验结果的平均值和均方误差。特别是当顺序为  3-2-4-1(DFF-DN2-EGTM- DEGT)时，TAT指示故障和HPT_blade烧伤故障的分类正确率均达到96％，EGT指示故障的分 类正确率为92％。综上分析，排列顺序为DFF-DN2-EGTM-DEGT 时，诊断效果要优于其他排列 顺序的诊断效果。因此，本发明选择性能参数最优的排列顺序为：DFF-DN2-EGTM-DEGT。 表3当其实位置为DFF时各种排序的分类精度比较 2、CNN批量batch尺寸大小 在训练卷积神经网络时，每次更新网络参数所需要的损失函数并不是从全样本集 训练获得，而是从全样本集中随机选取一组样本进行训练获得，这样一组样本所包含样本 的个数就是一个批量大小(batch  size)。Batch  size过大，训练完一次全样本集所需的迭 代次数减小，但会使网络的收敛精度陷入不同的局部极值；Batch  size过小，会使算法存在 不收敛的风险，并且训练完一次全样本集所需的时间更长。而在合理的范围内增大  batch  size，不仅使训练一次全样本集所需的时间减小，对于相同数据量的处理速度加快，而且随 着batch  size的增大，其确定的网络收敛方向越准，引起训练振荡越小。 在验证batch  size对所创建的映射模型的映射效果的影响时，为保证在同一标准 下进行比较，除batch  size以外，其他参数保持默认不变。为了充分研究batch  size对  CNN 提取特征能力的影响，实验中将batch  size分别设为1、5、10、20、30、40、50、  60、70、80。为 了消除实验结果的随机性，每次实验重复5次，取实验结果的平均值，实验结果如图7所示。 从图7可以看出，当batch  size在10～25之间时，batch  size变化对分类的正确率 的影响并不大；当batch  size大于25时，随着batch  size的增大，分类正确率明显下降，其 中HPT叶片烧蚀故障表现最为显著。当batch  size等于10时，TAT指示故障识别率、HPT叶片 烧蚀故障识别率以及正常样本识别率和总体分类正确率均达到最优，同时  EGT指示故障识 别率也达到90％以上。 因此，综合故障分类正确率和训练时间成本，本发明将batch  size设为10。 3、CNN迭代次数 神经网络通过迭代不断的拟合和逼近样本，迭代次数过少，会导致拟合效果较差； 迭代次数过多，网络误差不再减小，而训练时间会继续增加。所以选择合适的迭代次数，在 满足诊断精度的同时，还需降低训练时间。 在验证论迭代次数对所创建的映射模型的映射效果的影响，为保证在同一标准下 进行比较，除迭代次数以外，批量大小根据上述结论设为10，其他参数保持默认不变。为了 充分研究迭代次数对模型的影响，实验中将迭代次数分别设为1～20。为了消除实验结果的 随机性，每次实验重复5次，取实验结果的平均值，实验结果如图8所示。 从图8中可以看出，随着迭代次数的增加，故障分类的正确率随之增加，尤其是HPT  叶片烧蚀故障识别率随着迭代次数的增加而显著增加。当迭代次数大于7时，随着迭代次数 10 CN 111598161 A 说　明　书 8/10 页 增加，故障识别率均超过90％；当迭代次数等于10时，故障识别率均超过94％，而且随着迭 代次数增加，分类准确率趋于稳定。 因此，综合考虑训练时间和故障识别率，本发明将迭代次数设定为10次。 4、卷积核尺寸 卷积核尺寸越大，能感受到输入矩阵的视野越大，学习能力越强，但需要训练的参 数越多，模型的复杂度大大增强；卷积核尺寸越小，可以很好降低训练参数的个数以及计算 复杂度，但感受视野变小，学习能力变差。 在验证不同卷积核尺寸对映射模型的映射效果的影响时，除两个卷积层卷积核尺 寸大小外，根据前述结论将Batch  size大小设置为10、迭代次数设为10次，其他参数保持默 认不变。一般情况下，卷积核尺寸比输入矩阵尺寸小，现将两个卷积层的卷积核尺寸大小分 别用k1×k1和k2×k2表示，由于本文输入矩阵尺寸大小为4×10，所以k1和k2均要小于4。因 此，(k1,k2)组合只能为(2，2)、(2，3)、(3，2)以及(3，3)。为了消除实验结果的随机性，每次实 验重复5次，取实验结果的平均值，实验结果如表4所示。 比较表4中的第3、4组和1、2组的故障分类结果，当第二个卷积层卷积核尺寸大小 为3×3时，分类效果明显优于当其尺寸为2×2时的效果，因此可以将第二个卷积层卷积核 尺寸为3×3。比较第4组和第3组的故障分类结果可以发现，当第一个卷积层卷积核尺寸为2 ×2时，故障分类效果要好于其尺寸为3×3时的效果，因此可以将第一个卷积层卷积核尺寸 设为2×2。 表4分类正确率与卷积核尺寸之间的关系 因此，本发明在上述优化实验数据的基础上，将第一个卷积层卷积核尺寸设为2× 2，第二个卷积层卷积核尺寸设为3×3。 四、本发明的诊断系统与已有系统的对比 为了验证本发明所提出的故障诊断系统具有更精准的发动机气路状态诊断能力， 进行了四组对比实验。 在第一组对比实验中，直接使用SVM对原始数据进行分类。 在第二组对比实验中，采用一种传统的无监督神经网络——去噪自编码器(DAE) 对原始数据进行特征提取，然后利用SVM对提取的特征进行分类。DAE模型的结构参数如表5  所示。 在第三组对比实验中，采用一种只接受输入为向量形式的深度学习模型——堆栈 去噪自编码(SDAE)对原始数据进行深度特征提取，然后利用SVM对提取的特征进行分类。 SDAE  模型由一个输入层、一个隐含层和一个输出层组成，其结构参数如表5所示。 第四组对比实验中，直接利用CNN对原始数据进行分类。CNN模型的结构参数如表6  所示。 第五组对比实验中，利用本发明所提出的故障诊断系统对原始数据进行诊断分 11 CN 111598161 A 说　明　书 9/10 页 类。 为了方便起见，第一组方法简称为SVM，第二组方法简称为DAE SVM，第三组方法简 称为SDAE SVM，第四组方法简称为CNN，第五组方法简称为CNN SVM。每次实验重复5  次，消 除算法的随机性，取平均值作为最终结果。各对比组和实验组的训练精度和测试分类精度 如表7所示。 从表7中可以看出上述五种方法在训练集上的训练精度都能达到100％，但是在测 试集上的测试精度存在着明显的差异。 CNN方法的测试精度最差，不能检测出三种故障类型，这是因为故障样本数量太 少，导致训练CNN时出现了过拟合问题，再次证明了样本数量对CNN模型的重要性。 其次，SVM方法的测试精度也非常差，尤其是对EGT指示故障和HPTB故障不能识别， 这是因为原始序列样本中参数属性之间存在冗余以及存在大量的噪声，导致SVM分类效果 较差。 相对于这两种方法，剩下的三种方法均是先利用神经网络将原始数据映射到不同 的映射空间中，然后再利用SVM对特征进行分类，其诊断效果明显要优于前面两种方法。 对比表7中第二、三、五种方法的故障识别率，第三种方法和第五种方法对故障的 识别能力明显要优于第二种方法。 第三种方法和第五种方法均是采用深度学习模型将原始数据映射到不同的映射 空间进行分类，而第三种方法则是利用传统的浅层神经网络将原始数据映射到映射空间中 进行分类。因此，利用深度学习模型学习得到的更高层更抽象的特征具有更好的辨识度。 第三种方法使用的是比较流行的一种无监督深度学习模型——堆叠去噪自动编 码器，但该模型只能接受向量形式的输入。 对比第三种方法和本发明中提出的方法，尽管本发明的方法对正常样本的识别率 略低于第三种方法，但是对三种故障的识别能力明显优于第三种方法。更重要的是，对民航 发动机气路进行故障诊断时，主要是对异常数据进行故障诊断。 因此，相比于第三种方法，本发明的方法具有优秀的故障诊断能力，更加适用于发 动机故障诊断的工程实践。 表5  SDAE及DAE的结构参数设置 表6  CNN及本文提出的模型结构参数设置 12 CN 111598161 A 说　明　书 10/10 页 表7五种不同诊断系统的故障识别率 需要说明的是：以上仅用以说明而非限制本发明的技术方案，尽管参照上述实施 例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修 改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，均应涵盖在本发 明的权利要求范围当中。 13 CN 111598161 A 说　明　书　附　图 1/5 页 图1 图2 14 CN 111598161 A 说　明　书　附　图 2/5 页 图3 15 CN 111598161 A 说　明　书　附　图 3/5 页 图4 图5 16 CN 111598161 A 说　明　书　附　图 4/5 页 图6 图7 17 CN 111598161 A 说　明　书　附　图 5/5 页 图8 18