本发明涉及人工智能领域，尤其涉及一种变循环发动机气路故障诊断的硬件加速方法。
背景技术：
1、航空燃气涡轮发动机是在高温、高压、高速、高强度、变负荷等极端条件下工作的复杂大型装备，对飞机的安全性和可靠性有极为重要的影响，航空发动机能否健康、稳定的工作直接影响飞机的飞行安全。
2、航空发动机的工作环境复杂恶劣，容易导致故障发生，轻则引起发动机性能下降，致使飞机迫降停飞；重则会损坏发动机，诱发飞行事故、危及飞行安全。而且由于航空发动机的材料和制造、工艺水平，以及后期的使用、维护和管理水平的限制，设计制造和使用维修成本高昂，对其经济性也有较高的要求。在飞机的常规维修中，航空发动机的维修更换费用非常巨大，占到整个维修费用的60％以上。这使得频繁的检修维护的可行性降低，必须采用相关方法对航空发动机进行故障诊断，这样既可以节省检修维护费用，又能快速、准确地确定故障的部位，有利于合理安排维修计划，避免资源浪费，缩短停飞时间，提高出勤率，保障飞行安全。为了降低航空发动机的维修成本，使发动机平稳、可靠、高效运转，利用飞机飞行中航空发动机运行的状态数据进行航空发动机故障诊断研究越来越受到重视。
3、目前，针对航空发动机故障诊断的问题，主要的方法有循环神经网络rnn、lr-wavenet网络以及长短期记忆神经网络lstm等，但是rnn由于其处理长序列存在梯度消失的问题，难以处理时序数据的长期依赖关系，并且lr-wavenet网络目前仅在gpu端进行计算，难以部署到硬件上，lstm对复杂工况分类问题的效果不好，bilstm架构复杂，计算量大，难以在fpga开发板上进行部署，所以一个能够实现高效计算的变循环发动机气路故障诊断的硬件加速方法成为了一个需要探索的方向。
技术实现思路
1、本发明目的在于，提出一种复杂工况下变循环发动机气路故障诊断的硬件加速方法，提高航空发动机部件故障诊断的分类精度，解决航空发动机在复杂工况下发动机部件故障诊断的难题。
2、一种变循环发动机气路故障诊断的硬件加速方法，基于bilstm神经网络实现。在诊断算法部分，所述bilstm神经网络包括bilstm网络层和全连接层；在硬件加速部分，对bilstm神经网络使用delta方法进行稀疏处理，利用时序数据的时间相似性，降低神经网络正向推理过程神经元更新概率，从而减少正向推理时的计算量和内存访问。
3、具体包括以下步骤：
4、步骤1、采集航空发动机复杂工况下不同部位的截面压力和截面温度数据，对数据进行预处理，并划分为训练集和测试集；
5、步骤2、初始化bilstm神经网络的超参数和神经权重；将训练集数据分批次输入该网络进行训练，直到网络收敛；通过调节超参数，进行复训练，使其达到最优；将测试集数据输入训练完成的bilstm神经网络，对其进行测试验证。
6、bilstm神经网络由bilstm网络层和两层全连接层构成，其中第一层全连接层经过relu激活，第二层全连接层采用softmax处理，最终输出结果为概率向量形式。
7、步骤2.1、初始化bilstm神经网络的超参数和神经权重；
8、步骤2.2、将训练集数据分批次输入至bilstm神经网络，通过bilstm神经网络前向传播输出的概率向量与输入的标签对比，标签为经过预处理的训练集数据，获得多分类任务中的交叉熵损失函数，利用bilstm神经网络反向传播的求导结果更新网络层和全连接层的神经权重；
9、步骤2.2.1、训练集数据分批次输入至bilstm神经网络中进行计算；通过超参数确定隐藏层的大小；其最后一步的输出结果送入第一层全连接层计算并进行relu激活，将激活的结果输入第二层全连接层并通过softmax函数处理，最终输出一组概率向量；
10、步骤2.2.2、通过bilstm神经网络前向传播的输出结果与输入的标签数据y的对比，计算数据损失函数的输出结果，计算方法如下：
11、
12、其中p＝[p0,...,pc-1]是一个概率分布，每个元素pi表示该故障本属于第i类故障的概率；y＝[y0,...,yc-1]是故障标签的独热编码表示，当样本属于类别i时，yi＝1，否则yi＝0；c是故障种类。
13、利用交叉熵损失函数的输出结果进行神经网络的反向传播，对bilstm神经网络的神经权重进行求导，并更新网络的神经权重；
14、步骤2.2.3、跳至步骤2.2.1直到bilstm神经网络收敛；
15、步骤2.3、调节超参数，并重复步骤2.2，使bilstm神经网络达到最优；
16、步骤2.4、针对完成优化的bilstm神经网络，输入测试集数据并输出概率向量，根据argmax函数选出概率向量中的最大概率值，最大概率值所对应的故障种类即为神经网络诊断出的故障类型。
17、步骤3、统计bilstm神经网络神经权重的数量，并计算其所占存储资源的大小；根据所占存储资源的大小选取大小合适的fpga开发板，并将bilstm神经网络神经权重存储到开发板片上存储器；将bilstm神经网络经过delta方法处理，并对全连接层的softmax函数进行简化；将处理后的bilstm神经网络结构烧录到开发板芯片上，作为故障诊断模块；在fpga开发板上另部署数据输入模块。
18、步骤4、adc模块对航空发动机不同部位的截面压力和截面温度数据进行采样，并输入至数据输入模块，数据输入模块对该数据进行预处理，并将预处理后的数据，以固定速率输出至故障诊断模块；经过bilstm神经网络的前向传播后，输出概率向量至数据输出模块；数据输出模块接收到概率向量，通过argmax函数选出最大的概率值，根据该值判断出故障种类，再将故障种类输出至上位机，上位机所显示的即为部件故障类型。
19、所述步骤1中，所述复杂工况具体包含整机设计点、地面起飞、亚声速巡航、超声速机动，故障部位具体包含高压涡轮、低压涡轮、前风扇、后风扇，预处理包括数据的归一化处理、滑窗处理和编码处理，其中，
20、归一化处理采取z-score标准化方法，计算方法如下：
21、
22、其中，为原始数据的标准差，为原始数据的均值，a为归一化后的数据，ai为原始数据；
23、滑窗处理采用固定窗口长度为t的长度进行处理，将待分类点bt前w个数据点组成输入序列bt＝[bt-w,bt-w+1,...,bt-1]，分类点bt作为输出序列zt＝[bt]；采用固定窗口处理方式将原始数据变换成序列b＝[...,bt-1,bt,bt+1,...]和序列z＝[...,zt-1,zt,zt+1,...]；
24、编码处理采用独热编码处理，将所有故障状态和健康状态均列举出来，若发动机无故障，则健康状态编码为1，其余故障状态编码为0；若发动机有故障，则对应发生的故障状态编码为1，其余故障状态和健康状态编码为0。
25、所述步骤2中，超参数包括学习率、网络层数、隐层神经元个数和迭代次数。
26、所述步骤3中包含以下具体步骤：
27、步骤3.1、统计bilstm神经网络神经权重的数量和所占资源大小；选取大小合适的fpga开发板，将神经网络权重存储到开发板片上存储器；
28、步骤3.2、将当前时间步的输入和上一时间步的输入值做差，如下公式：
29、δ＝xt-xt-1
30、步骤3.3、将差值δ与所设置的阈值θ进行比较，该阈值是通过多次实验得出的最优阈值α，神经元输出公式如下：
31、
32、其中，yt为当前神经元的输出，xt为当前时间步的输入，ht-1为当前时间步的隐藏状态，xt-1为上一时间步的输入，ht-2为上一时间步的隐藏状态，wx是输入的权重矩阵，wh是隐藏状态的权重矩阵，b是偏置参数。
33、经过一个周期的计算，得到神经元的输出yt。
34、选取大小合适的fpga开发板，再将bilstm神经网络的网络结构和神经权重分别烧录至开发板的芯片和存储资源上，作为故障诊断模块；
35、步骤3.4、对于bilstm神经网络中包含的e指数函数计算设计查找表功能模块；对除法计算，采用倒数相乘法，对可能用到的除数设计除数倒数查找表。softmax函数计算公式如下：
36、
37、其中，zi表示输入特征向量的元素，n为特征向量的维度。
38、由于softmax函数中的e指数计算需要用到大量资源，而该网络中使用softmax函数仅用来进行分类比较，所以在实际将网络部署在fpga开发板时，使用普通全连接层代替softmax函数，以节省fpga开发板上的硬件资源。
39、步骤3.5、在fpga开发板上另部署数据输入模块，数据输入模块包含经adc模块采样的数据接收，并对数据进行归一化计算，再将数据传入到故障诊断模块；
40、所述步骤4中包含以下具体步骤：
41、步骤4.1、将数据输入模块烧录至开发板上，并接收经adc模块采样的航空发动机不同部位的截面压力和截面温度数据；
42、步骤4.2、获取开发板片上的bilstm神经网络的神经权重，与接收到的数据共同输入至故障诊断模块进行矩阵输入向量乘积计算，计算公式如下：
43、it＝σ(wxixt+whih(t-1)+bi)
44、ft＝σ(wxfxt+bxf+whfh(t-1)+bf)
45、gt＝tanh(wxgxt+whgh(t-1)+bg)
46、ot＝σ(wxoxt+whoh(t-1)+bo)
47、ct＝ft*c(t-1)+it*gt
48、ht＝ot*tan(ct)
49、其中，ft是遗忘门的输出，it是输入门的输出；gt是新的候选细胞状态；ct是更新后的细胞状态；ot是输出门的输出；ht是当前时刻的隐藏状态；xt是当前时刻的输入数据；ht-1是上一时刻的隐藏状态；w和b分别是权重和偏置参数。
50、步骤4.4、完成输入门i、遗忘门f、候选值c、输出门o的计算，并激活，将数值存入门中，然后计算出ht；
51、步骤4.5、对计算出来的ht和输入的xt使用delta方法，通过当前时间步和上一时间步的差值与步骤3.3中的最优阈值α进行比较，判断是否跳过当前时间步的计算，由于经过处理的航空发动机不同部位的截面压力和截面温度数据为多特征数据，对不同特征的输入向量，选用相同的最优阈值α；
52、步骤4.6、若当前时刻t<固定窗口长度t时，重复步骤4.3至步骤4.5；否则将输出结果输入至全连接层，得到概率向量；
53、步骤4.7、将数据输出模块烧录至fpga开发板芯片上，并根据输入的概率向量，经过处理得到最大的概率值，再根据概率值诊断出出发动机的故障种类，并将故障种类发送至上位机，上位机所显示的即为发动机气路故障类型。
54、与现有技术相比，本发明的有益效果在于：
55、本发明基于变循环发动机在复杂工况下各个部件的压力与温度传感器数据，利用深度学习在大数据前提下对该数据进行分析学习，以便对变循环发动机气路故障进行诊断，可以为发动机故障诊断提供系统性方法。
56、对于发动机气路故障诊断采用delta方法的双向长短期记忆网络(bilstm)，它是一种常用的循环神经网络(rnn)变体。
57、bilstm同时考虑了输入序列的过去信息和未来信息，通过前向和后向两个方向的隐藏状态，能够更全面地捕捉序列中的上下文信息，有助于提高模型对序列的理解和表征能力；bilstm的双向结构能够更好地利用lstm的记忆单元这种长期依赖性，从而提高模型对序列中长距离依赖关系的建模能力；在序列标注方面，bilstm能够更准确地对序列中的关键信息进行建模，从而提高模型在这些任务上的性能；除此以外，bilstm具有更丰富的特征表示，使得每个时间步的输出不仅包含当前时刻的信息，还包含了整个序列的信息。这样可以产生更丰富、更全面的特征表示，有助于提升模型的泛化能力和性能。
58、设计了一种变循环发动机气路故障方法的硬件加速系统，与传统bilstm硬件加速相比，使用了delta方法，又叫差值更新门方法，跳过部分时间步的计算，在进行矩阵乘法的运算时，减少了一般的计算量，将部署应用于fpga的算法运行速度提高了一倍，从而有效提高了bilstm的网络推理速度。
1.一种变循环发动机气路故障诊断的硬件加速方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变循环发动机气路故障诊断的硬件加速方法，其特征在于，所述步骤1中，所述复杂工况具体包含整机设计点、地面起飞、亚声速巡航、超声速机动，故障部位具体包含高压涡轮、低压涡轮、前风扇、后风扇，预处理包括数据的归一化处理、滑窗处理和编码处理，其中，
3.根据权利要求1或2所述的一种变循环发动机气路故障诊断的硬件加速方法，其特征在于，所述步骤2中，超参数包括学习率、网络层数、隐层神经元个数和迭代次数。
4.根据权利要求1或2所述的一种变循环发动机气路故障诊断的硬件加速方法，其特征在于，所述步骤3中包含以下具体步骤：
5.根据权利要求4所述的一种变循环发动机气路故障诊断的硬件加速方法，其特征在于，所述步骤4中包含以下具体步骤：
