基于LSTM-AE深度学习框架的民机系统故障监测与识别方法技术方案

本发明专利技术公开了基于LSTM‑AE深度学习框架的民机系统故障监测与识别方法，涉及民机复杂系统状态监控与故障诊断技术领域，能够充实现飞行故障的监测和识别。本发明专利技术包括：选取飞机飞行中某稳定工况下系统多状态参数时间序列数据，并根据监测对象的特点，选取合适的工况下的状态参数时间序列数据用于系统重构模型的训练，然后充分利用LSTM模型所具有长时间序列依赖的记忆能力，对民机系统无故障状态进行建模与重构，通过进一步分析其状态参数重构误差实现故障的监测和识别。本发明专利技术解决了民机系统故障监测手段不足的问题，利用深度学习在大数据分析方面的优势，挖掘民机海量运营和维修数据，为民机系统故障监测与航线故障隔离提供了重要支持。

【技术实现步骤摘要】
基于LSTM-AE深度学习框架的民机系统故障监测与识别方法
本专利技术涉及民机复杂系统状态监控与故障诊断
，尤其涉及了基于LSTM-AE深度学习框架的民机系统故障监测与识别方法。
技术介绍
现代工程系统复杂性和集成化程度日益升高，同时面临着任务和运行环境动态多样性的挑战，由此带来的可靠性、安全性问题也日趋突出。此外，对其“经济可承受性”也提出了较高要求。与此同时，随着低成本传感与通信技术的发展，现代工程系统通常安装有各种监测系统，在线监测记录系统的状态、性能、运行环境及载荷等参数，这些海量数据具有“工业大数据”的动态、连续采样、多源性、非结构化、大体量等特点，为研究复杂系统的动态行为、安全运行与监控等多个方面带来了新的机遇。在民用航空领域，随着系统健康监测技术的发展，民机越来越多的系统采用了健康监测技术，可实现故障监测、定位以及故障预测，使飞机的维修具备了实施更加精准的基于状态的维修的条件。特别是现代民机通常配置有飞机状态监测系统，通过机载数据总线收集各个子系统和部件的工作参数，并根据需要传输到地面进行实时分析或存储到机载设备上(如QAR，QuickAccessRecorder本文档来自技高网...

【技术保护点】
1.基于LSTM‑AE深度学习框架的民机系统故障监测识别方法，其特征在于，包括：S1、在飞机飞行时某一稳定工况下，提取飞机机载系统中多个状态参数的时间序列数据；S2、对时间序列数据利用等时间间隔方法提取，得到模型训练数据样本，模型训练数据样本的集合即为飞机机载系统无故障状态的训练数据集；S3、利用LSTM深度模型所具有的长时间序列建模能力，并依据自编码器原理建立LSTM‑AE模型，利用训练数据集训练LSTM‑AE模型并优化LSTM‑AE模型的参数，得到训练好的LSTM‑AE模型；S4、利用训练好的LSTM‑AE模型，重构飞机机载系统的状态参数，计算重构误差矩阵，并在误差矩阵的基础上计算飞机机载...

【技术特征摘要】
1.基于LSTM-AE深度学习框架的民机系统故障监测识别方法，其特征在于，包括：S1、在飞机飞行时某一稳定工况下，提取飞机机载系统中多个状态参数的时间序列数据；S2、对时间序列数据利用等时间间隔方法提取，得到模型训练数据样本，模型训练数据样本的集合即为飞机机载系统无故障状态的训练数据集；S3、利用LSTM深度模型所具有的长时间序列建模能力，并依据自编码器原理建立LSTM-AE模型，利用训练数据集训练LSTM-AE模型并优化LSTM-AE模型的参数，得到训练好的LSTM-AE模型；S4、利用训练好的LSTM-AE模型，重构飞机机载系统的状态参数，计算重构误差矩阵，并在误差矩阵的基础上计算飞机机载系统健康指数和故障特征向量，健康指数用于故障预警，故障特征向量用于故障识别。2.根据权利要求1所述的方法，其特征在于，根据监测对象的特点，选取合适的工况下的状态参数时间序列数据用于系统重构模型的训练。3.根据权利要求1所述的方法，其特征在于，所述S2包括：设定I为采样间隔，L为采样样本长度，N表示提取的多元状态时间序列数据的长度，则所述时间序列数据X＝(X1，X2，…，XN)(N＝L*1)，表达为以下格式：X＝(X1，X2，…，XN)＝(X1，...

【专利技术属性】
技术研发人员：孙见忠，刘翠，王芳圆，宁顺刚，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32