基于疲劳/蠕变交互作用的无人机用发动机自动限制方法与流程

1.本技术涉及智能控制领域，且更为具体地，涉及一种基于疲劳/蠕变交互作用的无人机用发动机自动限制方法。


背景技术：

2.无人机的疲劳/蠕变交互作用是指无人机在使用过程中，由于材料疲劳和蠕变等因素引起的结构损伤与形变，进而影响其性能、寿命以及安全性，作为无人机工作中的一种主要寿命消耗原因，如果不及时控制和管理，可能导致发动机甚至整架无人机的故障和失效。
3.因此，期待一种基于疲劳/蠕变交互作用的无人机用发动机自动限制方案。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其通过传感器实时监测发动机的温度、压力、振动参数，并基于深度学习和人工智能技术根据各参数的变化情况来判断出发动机的疲劳和蠕变状态。通过这样的方式，当检测到发动机受到较大的疲劳/蠕变交互作用，可以自动降低发动机的输出功率以降低损伤发动机的风险，从而有效避免过度磨损和损伤，提高发动机的使用寿命和稳定性，保证无人机用发动机的可靠性和安全性。
5.根据本技术的一个方面，提供了一种基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其包括：
6.获取预定时间段内多个预定时间点的被监测发动机的温度值和压力值，以及，所述预定时间段的振动信号；
7.将所述多个预定时间点的被监测发动机的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵；
8.将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温度-压力关联特征向量；
9.将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以得到振动波形特征向量；
10.融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量；
11.将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值；以及
12.基于所述分类结果，确定是否对所述无人机用发动机的输出功率进行限制。
13.在上述基于疲劳/蠕变交互作用的无人机用发动机自动限制方法中，将所述多个预定时间点的被监测发动机的温度值和压力值分别按照时间维度排列为温度输入向量和
压力输入向量后，对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵，包括：以如下公式对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵：
14.其中，所述公式为：
[0015][0016]
其中va表示所述温度输入向量，vb表示所述压力输入向量，m表示所述温度-压力关联矩阵，表示矩阵相乘。
[0017]
在上述基于疲劳/蠕变交互作用的无人机用发动机自动限制方法中，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温度-压力关联特征向量，进一步用于：使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理以生成第一特征图；以及，使用所述卷积神经网络模型的第二层对所述第一特征图进行基于第二卷积核的卷积处理以生成第二特征图，其中，所述第一卷积核与所述第二卷积核互为转置。
[0018]
在上述基于疲劳/蠕变交互作用的无人机用发动机自动限制方法中，将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以得到振动波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为振动波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述振动信号的波形图。
[0019]
在上述基于疲劳/蠕变交互作用的无人机用发动机自动限制方法中，融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量，包括：基于概率分布移位信息补偿损失函数计算所述温度-压力关联特征向量和所述振动波形特征向量的概率分布移位信息补偿损失值；基于所述概率分布移位信息补偿损失值对所述温度-压力关联特征向量和所述振动波形特征向量来进行信息补偿以得到校正后温度-压力关联特征向量和校正后振动波形特征向量；以及，融合所述校正后温度-压力关联特征向量和所述校正后振动波形特征向量以得到所述分类特征向量。
[0020]
在上述基于疲劳/蠕变交互作用的无人机用发动机自动限制方法中，基于概率分布移位信息补偿损失函数计算所述温度-压力关联特征向量和所述振动波形特征向量的概率分布移位信息补偿损失值，包括：以如下公式来计算所述温度-压力关联特征向量和所述振动波形特征向量的所述概率分布移位信息补偿损失值；
[0021]
其中，所述公式为：
[0022][0023][0024][0025][0026]
其中，为所述概率分布移位信息补偿损失值，v1为所述温度-压力关联特征
向量，v2为所述振动波形特征向量，softmax(v1)表示计算所述温度-压力关联特征向量的softmax函数值，softmax(v2)表示计算所述振动波形特征向量的softmax函数值，τ1和τ2为移位补偿超参数，且α为加权超参数。
[0027]
在上述基于疲劳/蠕变交互作用的无人机用发动机自动限制方法中，融合所述校正后温度-压力关联特征向量和所述校正后振动波形特征向量以得到所述分类特征向量，包括：以如下公式来融合所述校正后温度-压力关联特征向量和所述校正后振动波形特征向量以得到所述分类特征向量；
[0028]
其中，所述公式为：
[0029]vc
＝concat[v
1a
，v
2a
]
[0030]
其中v
1a
表示所述校正后温度-压力关联特征向量，v
2a
表示所述校正后振动波形特征向量，concat[
·
]表示级联函数，vc表示所述分类特征向量。
[0031]
在上述基于疲劳/蠕变交互作用的无人机用发动机自动限制方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值，包括：使用所述的分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述的编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
[0032]
根据本技术的另一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法。
[0033]
根据本技术的再一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法。
[0034]
与现有技术相比，本技术提供的一种基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其通过传感器实时监测发动机的温度、压力、振动参数，并基于深度学习和人工智能技术根据各参数的变化情况来判断出发动机的疲劳和蠕变状态。通过这样的方式，当检测到发动机受到较大的疲劳/蠕变交互作用，可以自动降低发动机的输出功率以降低损伤发动机的风险，从而有效避免过度磨损和损伤，提高发动机的使用寿命和稳定性，保证无人机用发动机的可靠性和安全性。
附图说明
[0035]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0036]
图1为根据本技术实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法的流程图。
[0037]
图2为根据本技术实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法的架构图。
[0038]
图3为根据本技术实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制
方法中融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量的流程图。
[0039]
图4为根据本技术实施例的电子设备的框图。
具体实施方式
[0040]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0041]
申请概述
[0042]
针对上述技术问题，本技术的技术构思为：通过传感器实时监测发动机的温度、压力、振动参数，并基于深度学习和人工智能技术根据各参数的变化情况来判断出发动机的疲劳和蠕变状态。通过这样的方式，当检测到发动机受到较大的疲劳/蠕变交互作用，可以自动降低发动机的输出功率以降低损伤发动机的风险，从而有效避免过度磨损和损伤，提高发动机的使用寿命和稳定性，保证无人机用发动机的可靠性和安全性。
[0043]
具体地，在本技术方案中，首先，获取预定时间段内多个预定时间点的被监测发动机的温度值和压力值，以及，所述预定时间段的振动信号。这里，为了能够对被监测发动机的工作状态进行监测和分析，需要获取发动机的实时运行数据。温度值和压力值可以反映出发动机内部的热量和功率变化情况，而振动信号则可以反映出发动机结构和零部件的形变和损伤情况，这些数据对于判断发动机是否出现疲劳/蠕变交互作用非常关键。
[0044]
接着，将所述多个预定时间点的被监测发动机的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵。这里，考虑到发动机在运行过程中温度和压力等参数都是随着时间不断变化的，如果将它们随意组合或打乱次序，会导致对数据的分析和处理产生误差，在本技术方案中，把所述多个预定时间点的被监测发动机的温度值和压力值按照时间顺序进行排序和编码，以确保数据的连贯性和可靠性。而对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵，则是为了将这两个参数之间的相互作用考虑进去。温度和压力不仅是单独的参数，它们之间还存在一定的关联性，在本技术方案中，通过将温度和压力进行关联编码，可以更准确地反映出它们之间的相互影响，从而更好地判断发动机疲劳/蠕变状态的风险程度。
[0045]
为了提取出能够反映发动机状态变化的重要特征，在本技术方案中，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温度-压力关联特征向量。通过使用互为转置的卷积核，可以将卷积操作反向应用于数据，实现数据的上采样和还原，这样可以将原始数据从低维空间提升到高维空间，更好地捕获数据中的局部特征，并提高模型的准确性和鲁棒性。最终得到的温度-压力关联特征向量，包含了数据中的关键特征信息，可以用于进一步分析和判断发动机的状态。
[0046]
在无人机运行中，振动信号常常被用作监测发动机的结构健康状况或响应特性。在本技术方案中，将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以对振动信号进行处理和分析，从而得到振动波形特征向量。这里，所述作为过滤器的卷积神经网络模型具有对数据自动提取特征的能力，能够从原始数据中学习和捕获高维的隐含特征信
息。
[0047]
然后，融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量。如前所述，本方案使用卷积神经网络(cnn)提取出了反映发动机状态变化的多个重要特征信息，将这些源于不同维度的特征信息进行融合可以提高对发动机疲劳/蠕变状态的判断准确性，使得所述分类特征向量具有更出色的信息表征能力。
[0048]
在得到所述分类特征向量后，将其通过分类器以得到分类结果，所述分类结果用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值。这里，将包含状态隐含特征信息的所述分类特征向量通过分类处理可以将其转化为可读性强的输出结果。所述分类器可以根据输入的分类特征向量对其进行分析和判断给出对应的分类结果，从而确定发动机是否存在疲劳/蠕变交互作用的风险。如果发动机所受到的疲劳/蠕变交互作用超过预定阈值，则意味着发动机处于危险状态，基于所述分类结果，需要及时采取措施，比如对无人机用发动机的输出功率进行限制，以降低损伤发动机的危险，从而有效避免过度磨损和损伤，提高发动机的使用寿命和稳定性，保证无人机用发动机的可靠性和安全性。
[0049]
这里，在融合所述温度-压力关联特征向量和所述振动波形特征向量得到所述分类特征向量时，实质上是将所述温度-压力关联特征向量表达的温度-压力高阶关联特征与所述振动波形特征向量表达的振动波形语义特征进行特征分布融合，由此，在所述温度-压力关联特征向量和所述振动波形特征向量的特征分布融合的情况下，其各自的特征分布在模型的参数空间内后向传播通过分类器时，会遇到各自的特征表达信息的退化问题。
[0050]
基于此，本技术的申请人引入针对所述温度-压力关联特征向量，例如记v1为和所述振动波形特征向量，例如v2记为的概率分布移位信息补偿损失函数，表示为：
[0051][0052][0053][0054][0055]
其中，τ1和τ2为移位补偿超参数，且α为加权超参数。
[0056]
这里，基于softmax函数从所述温度-压力关联特征向量v1和所述振动波形特征向量v2分别得到的类概率值本身会对于各自的特征分布遵循概率分布，使用所述概率分布移位信息补偿损失函数来对所述温度-压力关联特征向量v1和所述振动波形特征向量v2的特征表示的概率分布的移位来进行信息补偿，并通过bool函数来使得补偿带来的交叉信息熵最大化，这样，可以使得融合后的所述分类特征向量的特征分布能够最大程度地还原融合前的所述温度-压力关联特征向量和所述振动波形特征向量的特征表达信息，从而提升所述分类特征向量通过分类器得到的分类结果的准确性。
[0057]
基于此，本技术提供了一种基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其包括：获取预定时间段内多个预定时间点的被监测发动机的温度值和压力值，以及，所述预定时间段的振动信号；将所述多个预定时间点的被监测发动机的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵；将所述温度-压力关联矩阵通过相
邻层使用互为转置的卷积核的卷积神经网络模型以得到温度-压力关联特征向量；将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以得到振动波形特征向量；融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量；将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值；以及，基于所述分类结果，确定是否对所述无人机用发动机的输出功率进行限制。
[0058]
图1为根据本技术实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法的应用场景图。在该应用场景中，首先由温度传感器(例如，如图1中所示意的se1)和压力传感器(例如，如图1中所示意的se2)获取预定时间段内多个预定时间点的被监测发动机的温度值和压力值以及由振动传感器(例如，如图1中所示意的se3)采集所述预定时间段的振动信号。然后，将所述被监测发动机的温度值、压力值和所述振动信号输入至部署有基于疲劳/蠕变交互作用的无人机用发动机自动限制算法的服务器(例如，如图1中所示意的s),其中，所述服务器能够以所述基于疲劳/蠕变交互作用的无人机用发动机自动限制算法对上述输入的温度值和压力值以及振动信号进行处理以生成用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值的分类结果。
[0059]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0060]
示例性方法
[0061]
图1为根据本技术实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法的流程图。如图1所示，根据本技术实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，包括：s110，获取预定时间段内多个预定时间点的被监测发动机的温度值和压力值，以及，所述预定时间段的振动信号；s120，将所述多个预定时间点的被监测发动机的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵；s130，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温度-压力关联特征向量；s140，将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以得到振动波形特征向量；s150，融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量；s160，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值；以及，s170，基于所述分类结果，确定是否对所述无人机用发动机的输出功率进行限制。
[0062]
图2为根据本技术实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法的架构图。如图2所示，在该架构中，首先，获取预定时间段内多个预定时间点的被监测发动机的温度值和压力值，以及，所述预定时间段的振动信号。接着，将所述多个预定时间点的被监测发动机的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵。然后，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温度-压力关联特征向量。同时，将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以得到振动波形特征向量。接着，融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量。最后，将所述分类特征向量通过分类器以得到分类
结果，所述分类结果用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值，基于这个分类结果，确定是否对所述无人机用发动机的输出功率进行限制。
[0063]
在步骤s110中，获取预定时间段内多个预定时间点的被监测发动机的温度值和压力值，以及，所述预定时间段的振动信号。这里，为了能够对被监测发动机的工作状态进行监测和分析，需要获取发动机的实时运行数据。温度值和压力值可以反映出发动机内部的热量和功率变化情况，而振动信号则可以反映出发动机结构和零部件的形变和损伤情况，这些数据对于判断发动机是否出现疲劳/蠕变交互作用非常关键。通常，发动机的温度和压力值可以通过安装在发动机上的温度传感器和压力传感器等设备进行采集，获取预定时间段内的振动信号需要使用振动传感器进行实时监测，振动传感器可以记录发动机运转期间的振动信号，并输出电信号形式的振动波形图。
[0064]
在步骤s120中，将所述多个预定时间点的被监测发动机的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵。时间维度指的是在预定时间段内，以一定时间间隔采样得到的多个被监测发动机的温度值和压力值序列中的时间轴，用于表示不同时间点的温度和压力数据。关联编码指的是将温度输入向量和压力输入向量分别经过嵌入层处理后，将其矩阵转置相乘，得到温度-压力关联矩阵的过程。这种编码方式可以捕捉输入向量之间的关联性，并提取它们之间的特征信息，用于更好的进行模型训练和分类预测。
[0065]
这里，考虑到发动机在运行过程中温度和压力等参数都是随着时间不断变化的，如果将它们随意组合或打乱次序，会导致对数据的分析和处理产生误差，在本技术方案中，把所述多个预定时间点的被监测发动机的温度值和压力值按照时间顺序进行排序和编码，以确保数据的连贯性和可靠性。而对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵，则是为了将这两个参数之间的相互作用考虑进去。温度和压力不仅是单独的参数，它们之间还存在一定的关联性，在本技术方案中，通过将温度和压力进行关联编码，可以更准确地反映出它们之间的相互影响，从而更好地判断发动机疲劳/蠕变状态的风险程度。
[0066]
具体地，将所述多个预定时间点的被监测发动机的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵，包括：以如下公式对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵：
[0067]
其中，所述公式为
[0068][0069]
其中va表示所述温度输入向量，vb表示所述压力输入向量，m表示所述温度-压力关联矩阵，表示矩阵相乘。
[0070]
在步骤s130中，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温度-压力关联特征向量。相邻层使用互为转置的卷积核的卷积神经网络是一种反卷积神经网络，其工作原理简单概括为：输入特征图经过上采样操作得到更大的特征图；使用卷积核对上采样后的特征图进行卷积操作，得到新的特征图；重复上述两个步骤直到获得所需输出特征图的大小。相邻层使用互为转置的卷积核则是指在反卷积的过程中，使用了与前一层卷积核相同但是翻转180度的卷积核，这种卷积核能够将输入
特征图中的信息按照原来的形式还原回去，并捕获更细节的信息，从而提高了模型的性能。通过反卷积操作，可以将之前通过卷积操作压缩过的特征图重新还原成原始的尺寸，同时也能够补充原始图像中被丢失的信息，从而达到图像的重建目的。
[0071]
为了提取出能够反映发动机状态变化的重要特征，在本技术方案中，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温度-压力关联特征向量。通过使用互为转置的卷积核，可以将卷积操作反向应用于数据，实现数据的上采样和还原，这样可以将原始数据从低维空间提升到高维空间，更好地捕获数据中的局部特征，并提高模型的准确性和鲁棒性。最终得到的温度-压力关联特征向量，包含了数据中的关键特征信息，可以用于进一步分析和判断发动机的状态。
[0072]
具体地，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到所述温度-压力关联特征向量，进一步用于：使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理以生成第一特征图；以及，使用所述卷积神经网络模型的第二层对所述第一特征图进行基于第二卷积核的卷积处理以生成第二特征图，其中，所述第一卷积核与所述第二卷积核互为转置。更具体地，使用所述卷积神经网络模型的第一层的卷积层以第一卷积核对输入数据进行卷积处理以生成第一卷积特征图；使用所述卷积神经网络的第一层的池化层对所述第一卷积特征图进行沿通道维度的池化处理以生成第一池化特征矩阵；使用所述卷积神经网络的第一层的激活层对所述的第一池化特征矩阵进行激活处理以生成第一激活特征图；使用所述卷积神经网络模型的第二层的卷积层以第二卷积核对输入数据进行卷积处理以生成第二卷积特征图，所述第一卷积核和所述第二卷积核互为转置；使用所述卷积神经网络的第二层的池化层对所述第二卷积特征图进行沿通道维度的池化处理以生成第二池化特征矩阵；以及，使用所述卷积神经网络的第二层的激活层对所述的第二池化特征矩阵进行激活处理以生成第二激活特征图；其中，所述卷积神经网络模型的最后一层的输出为所述温度-压力关联特征向量，所述卷积神经网络模型的第一层的输入为所述温度-压力关联特征矩阵。
[0073]
在步骤s140中，将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以得到振动波形特征向量。在无人机运行中，振动信号常常被用作监测发动机的结构健康状况或响应特性。在本技术方案中，将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以对振动信号进行处理和分析，从而得到振动波形特征向量。这里，作为过滤器的卷积神经网络是指将振动信号的波形图作为输入，通过一系列卷积层、池化层和全连接层等组成的神经网络来提取其特征，从而得到所需的振动波形特征向量。在这个过程中，卷积层可以捕捉不同时间尺度上的局部信息，池化层可以压缩特征图的空间维度，而全连接层可以将这些特征整合起来，生成最终的特征向量。所述作为过滤器的卷积神经网络模型具有对数据自动提取特征的能力，能够从原始数据中学习和捕获高维的隐含特征信息。
[0074]
具体地，将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以得到振动波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为振动波形特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述振动信号的波形图。
[0075]
在步骤s150中，融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量。如前所述，本方案使用卷积神经网络(cnn)提取出了反映发动机状态变化的多个重要特征信息，将这些源于不同维度的特征信息进行融合可以提高对发动机疲劳/蠕变状态的判断准确性，使得所述分类特征向量具有更出色的信息表征能力。
[0076]
具体地，图3为根据本技术实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法中融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量的流程图。如图3所示，所述融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量，包括：s151，基于概率分布移位信息补偿损失函数计算所述温度-压力关联特征向量和所述振动波形特征向量的概率分布移位信息补偿损失值；s152，基于所述概率分布移位信息补偿损失值对所述温度-压力关联特征向量和所述振动波形特征向量来进行信息补偿以得到校正后温度-压力关联特征向量和校正后振动波形特征向量；以及，s153，融合所述校正后温度-压力关联特征向量和所述校正后振动波形特征向量以得到所述分类特征向量。
[0077]
更具体地，所述基于概率分布移位信息补偿损失函数计算所述温度-压力关联特征向量和所述振动波形特征向量的概率分布移位信息补偿损失值，包括：以如下公式来计算所述温度-压力关联特征向量和所述振动波形特征向量的所述概率分布移位信息补偿损失值；
[0078]
其中，所述公式为：
[0079][0080][0081][0082][0083]
其中，为所述概率分布移位信息补偿损失值，v1为所述温度-压力关联特征向量，v2为所述振动波形特征向量，softmax(v1)表示计算所述温度-压力关联特征向量的softmax函数值，softmax(v2)表示计算所述振动波形特征向量的softmax函数值，τ1和τ2为移位补偿超参数，且α为加权超参数。
[0084]
更具体地，所述融合所述校正后温度-压力关联特征向量和所述校正后振动波形特征向量以得到所述分类特征向量，包括：以如下公式来融合所述校正后温度-压力关联特征向量和所述校正后振动波形特征向量以得到所述分类特征向量；
[0085]
其中，所述公式为：
[0086]vc
＝concat[v
1a
，v
2a
]
[0087]
其中v
1a
表示所述校正后温度-压力关联特征向量,v
2a
表示所述校正后振动波形特征向量，concat[
·
]表示级联函数，vc表示所述分类特征向量。
[0088]
这里，在融合所述温度-压力关联特征向量和所述振动波形特征向量得到所述分类特征向量时，实质上是将所述温度-压力关联特征向量表达的温度-压力高阶关联特征与所述振动波形特征向量表达的振动波形语义特征进行特征分布融合，由此，在所述温度-压力关联特征向量和所述振动波形特征向量的特征分布融合的情况下，其各自的特征分布在
模型的参数空间内后向传播通过分类器时，会遇到各自的特征表达信息的退化问题。基于此，引入了上述针对所述温度-压力关联特征向量的所述概率分布移位信息补偿损失函数。这里，基于softmax函数从所述温度-压力关联特征向量v
1a
和所述振动波形特征向量v
2a
分别得到的类概率值本身会对于各自的特征分布遵循概率分布，使用所述概率分布移位信息补偿损失函数来对所述温度-压力关联特征向量v
1a
和所述振动波形特征向量v
2a
的特征表示的概率分布的移位来进行信息补偿，并通过bool函数来使得补偿带来的交叉信息熵最大化，这样，可以使得融合后的所述分类特征向量的特征分布能够最大程度地还原融合前的所述温度-压力关联特征向量和所述振动波形特征向量的特征表达信息，从而提升所述分类特征向量通过分类器得到的分类结果的准确性。
[0089]
在步骤s160中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值。这里，将包含状态隐含特征信息的所述分类特征向量通过分类处理可以将其转化为可读性强的输出结果。所述分类器可以根据输入的分类特征向量对其进行分析和判断，从而确定发动机是否存在疲劳/蠕变交互作用的风险。
[0090]
具体地，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值，其包括：使用所述的分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述的编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
[0091]
在步骤s170中，基于所述分类结果，确定是否对所述无人机用发动机的输出功率进行限制。如果发动机所受到的疲劳/蠕变交互作用超过预定阈值，则意味着发动机处于危险状态，基于所述分类结果，需要及时采取措施，比如对无人机用发动机的输出功率进行限制，以降低损伤发动机的危险，从而有效避免过度磨损和损伤，提高发动机的使用寿命和稳定性，保证无人机用发动机的可靠性和安全性。
[0092]
综上，根据本技术实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法被阐明，其通过传感器实时监测发动机的温度、压力、振动参数，并基于深度学习和人工智能技术根据各参数的变化情况来判断出发动机的疲劳和蠕变状态。通过这样的方式，当检测到发动机受到较大的疲劳/蠕变交互作用，可以自动降低发动机的输出功率以降低损伤发动机的风险，从而有效避免过度磨损和损伤，提高发动机的使用寿命和稳定性，保证无人机用发动机可靠性和安全性。
[0093]
示例性电子设备
[0094]
下面，参考图4来描述根据本技术实施例的电子设备。
[0095]
图4为根据本技术实施例的电子设备的框图。
[0096]
如图4所示，电子设备10包括一个或多个处理器11和存储器12。
[0097]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0098]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存
储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如发动机的温度值、压力值以及振动信号等各种内容。
[0099]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0100]
该输入装置13可以包括例如键盘、鼠标等等。
[0101]
该输出装置14可以向外部输出各种信息，包括用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0102]
当然，为了简化，图4中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0103]
示例性计算机程序产品和计算机可读存储介质
[0104]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法中的步骤。
[0105]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0106]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法中的步骤。
[0107]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0108]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0109]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图
要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0110]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0111]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0112]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其特征在于，包括：获取预定时间段内多个预定时间点的被监测发动机的温度值和压力值，以及，所述预定时间段的振动信号；将所述多个预定时间点的被监测发动机的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵；将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温度-压力关联特征向量；将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以得到振动波形特征向量；融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量；将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值；以及基于所述结果，确定是否对所述无人机用发动机的输出功率进行限制。2.根据权利要求1所述的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其特征在于，将所述多个预定时间点的被监测发动机的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，对所述温度输入向量和所述压力输入向量进行关联编码以得到温度-压力关联矩阵，包括：以如下公式对所述温度输入向量和所述压力输入向量进行关联编码以得到所述温度-压力关联矩阵：其中，所述公式为其中v
a
表示所述温度输入向量，v
b
表示所述压力输入向量，m表示所述温度-压力关联矩阵，表示矩阵相乘。3.根据权利要求2所述的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其特征在于，将所述温度-压力关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温度-压力关联特征向量，进一步用于：使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理以生成第一特征图；以及使用所述卷积神经网络模型的第二层对所述第一特征图进行基于第二卷积核的卷积处理以生成第二特征图，其中，所述第一卷积核和所述第二卷积核互为转置。4.根据权利要求3所述的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其特征在于，将所述振动信号的波形图通过作为过滤器的卷积神经网络模型以得到振动波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为振动波形特征向量，
所述作为过滤器的卷积神经网络模型的第一层的输入为所述振动信号的波形图。5.根据权利要求4所述的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其特征在于，融合所述温度-压力关联特征向量和所述振动波形特征向量以得到分类特征向量，包括：基于概率分布移位信息补偿损失函数计算所述温度-压力关联特征向量和所述振动波形特征向量的概率分布移位信息补偿损失值；基于所述概率分布移位信息补偿损失值对所述温度-压力关联特征向量和所述振动波形特征向量来进行信息补偿以得到校正后温度-压力关联特征向量和校正后振动波形特征向量；以及融合所述校正后温度-压力关联特征向量和所述校正后振动波形特征向量以得到所述分类特征向量。6.根据权利要求5所述的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其特征在于，基于概率分布移位信息补偿损失函数计算所述温度-压力关联特征向量和所述振动波形特征向量的概率分布移位信息补偿损失值，包括：以如下公式来计算所述温度-压力关联特征向量和所述振动波形特征向量的所述概率分布的移位信息补偿值；其中，所述公式为：其中，所述公式为：其中，所述公式为：其中，所述公式为：其中，为所述概率分布移位信息补偿损失值，v1为所述温度-压力关联特征向量，v2为所述振动波形特征向量，softmax(v1)表示计算所述温度-压力关联特征向量的softmax函数值，softmax(v2)表示计算所述振动波形特征向量的softmax函数值，τ1和τ2为移位补偿超参数，且α为加权超参数。7.根据权利要求6所述的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其特征在于，融合所述校正后温度-压力关联特征向量和所述校正后振动波形特征向量以得到所述分类特征向量，包括：以如下公式来融合所述校正后温度-压力关联特征向量和所述校正后振动波形特征向量以得到所述分类特征向量；其中，所述公式为：v
c
＝concat[v
1a
，v
2a
]其中v
1a
表示所述校正后温度-压力关联特征向量,v
2a
表示所述校正后振动波形特征向量，concat[
·
]表示级联函数，v
c
表示所述分类特征向量。8.根据权利要求7所述的基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发动机所受到的疲劳/蠕变交互作用超过预定阈值，包括：使用所述的分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述的编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

技术总结
公开了一种基于疲劳/蠕变交互作用的无人机用发动机自动限制方法，其通过传感器实时监测发动机的温度、压力、振动参数，并基于深度学习和人工智能技术根据各参数的变化情况来判断出发动机的疲劳和蠕变状态。通过这样的方式，当检测到发动机受到较大的疲劳/蠕变交互作用，可以自动降低发动机的输出功率以降低损伤发动机的风险，从而有效避免过度磨损和损伤，提高发动机的使用寿命和稳定性，保证无人机用发动机的可靠性和安全性。机用发动机的可靠性和安全性。机用发动机的可靠性和安全性。


技术研发人员：赵宇 刘臣 冀疆峰 黄瑞敏 饶向昌 樊夕夕
受保护的技术使用者：江西中发天信航空发动机科技有限公司
技术研发日：2023.04.04
技术公布日：2023/7/18