Resumen

El diagnóstico oportuno y eficaz de los fallos de los sensores es crucial para mejorar la eficiencia y la fiabilidad del motor aéreo. En este trabajo se propone un nuevo esquema de diagnóstico inteligente de fallos que combina la entropía espectral de gradiente de patrón mejorada (IPGSE) y la red neuronal convolucional (CNN), con el objetivo de resolver el problema del escaso efecto del diagnóstico de fallos y el rendimiento en tiempo real cuando la CNN procesa directamente las señales de series temporales unidimensionales del motor aéreo. En primer lugar, las señales de fallo sin procesar se convierten en imágenes de entropía espectral introduciendo la entropía espectral de gradiente modal (IPGSE), que se utiliza como entrada de la CNN, debido a la gran ventaja de la CNN en el procesamiento de imágenes y al cálculo sencillo y rápido de la entropía espectral de gradiente modal. Los resultados de la simulación demuestran que el IPGSE tiene características distintivas más estables. A continuación, mejoramos el PGSE para utilizar el algoritmo de optimización de enjambre de partículas para optimizar de forma adaptativa los parámetros de influencia (factor de escala λ), de modo que el gráfico de entropía espectral obtenido puede coincidir mejor con la CNN. Finalmente, se propone el modo CNN para clasificar el diagrama de entropía espectral. El método se valida con conjuntos de datos que contienen diferentes tipos de fallos. Los resultados experimentales muestran que este método puede aplicarse fácilmente al diagnóstico automático de fallos en línea de los sensores del sistema de control de motores aéreos.

• Materias:Automatización Aerodinámica Motores (Mecánica) Cinemática Ingeniería Aeronáutica
• Subjects:Automation Aerodynamics Engines Kinematics Aeronautical Engineering
• Palabras claves:señal de motor aeronáutico, diagnóstico automático de fallos, ventaja de cnn, red neuronal convolucional, patrón de gradiente espectral, diagnóstico de motor aeronáutico, señal de fallo en bruto, entrada de cnn, diagrama de entropía espectral, diferentes tipos de fallo
• Keywords:signal of aeroengine, automatic fault diagnosis, advantage of cnn, convolutional neural network, pattern gradient spectral, diagnosis of aeroengine, raw fault signal, input of cnn, spectral entropy diagram, different fault type