一种飞机整机的综合故障诊断方法技术

本发明专利技术公开了一种飞机整机的综合故障诊断方法，针对信息化程度较高的大型飞机整机设备，形成一种结合大数据、深度学习和考虑特征时变的方法，主要涉及：首先进行飞机整机设备的不确定问题下的状态参数关联性分析，然后通过多尺度混合模型和深度学习对整机进行健康预估和寿命预测，最后通过深度学习与在线自校正机制进行机电类故障预警，从而最终实现整机的综合故障诊断。

A comprehensive fault diagnosis method for aircraft

【技术实现步骤摘要】
一种飞机整机的综合故障诊断方法
本专利技术涉及一种飞机整机综合故障诊断方法。
技术介绍
与传统飞机相比，新一代飞机整机采用了大量的创新技术，以提升整机的飞行性能、智能程度、安全性能以及战斗能力。然而，飞机整机由众多精密零部件组成，机械结构复杂，耦合程度极高，在飞行过程中处于恶劣多变的环境中，常常随着机体承受着外界碰撞和强干扰，属于故障多发系统。明显的机械故障将导致飞机局部失灵失效，即便是轻微的震荡，也可能因传动系统而层层放大，进而导致明显故障，严重的甚至会酿成飞机失事等重大灾难。传统的机电类故障诊断与预测方法主要依赖故障无力模型、专家知识库所提取的故障特征，其依赖先验知识对系统内部逻辑关系进行人工提取和描述，已经无法应对飞行愈加复杂的系统问题。近年来，航空装备数据资源日益丰富，各类方法兴起，但是这些方法大多适用于中小规模的数据，对于海量数据容易出现模型单一、计算时间过长等缺点，且模型缺乏自适应性。
技术实现思路
为了解决上述技术问题，本专利技术的目的在于提供一种飞机整机综合故障诊断方法。本专利技术通过以下技术方案来实现：一种飞机整机的综合故障诊断方法，包括：S1：首先进行飞机整机设备的不确定问题下的状态参数关联性分析；S2：然后通过多尺度混合模型和深度学习对整机进行健康预估和寿命预测；S3：最后通过深度学习与在线自校正机制进行机电类故障预警。优选地，所述S1中的飞机整机设备的不确定问题下的状态参数关联性分析方法为：①对于不稳定信噪比问题，采用在线聚类的方法，实时检测数据噪声，再通过自适应广义形态滤波方法进行快速处理；②对于数据缺失问题，采用时间序列分析和滑动窗口结合的方式，使用迭代模型的拟合残差以实时检测缺失数据，选择成组删除的方式进行处理。优选地，在S1中的针对状态变量，使用核典型相关分析方法分析状态变量间与关键指标或敏感参数之间的相关性。优选地，在S2中还包括针对飞机整机建立全寿命任务剖面，同时将任务剖面细化为甲类使用剖面和乙类使用剖面；所述甲类使用剖面是指从开机开始一直到完成任务为止的时间内，对影响飞机寿命的各种条件、周围环境和影响参数的时序描述；所述乙类使用剖面是从装备验证交付开始直到待机值班为止的时间内，对影响飞机寿命的各种条件、周围环境和影响参数的时序描述。优选地，在所述甲类使用剖面下，采用深度置信网络建立健康评估模型。优选地，在S3中，通过深度置信网络结合决策融合算法，同时使用自适应算法进行在线的自校正，从而实现故障预警。本专利技术具有如下有益效果：1.能够用于多变量对多变量的问题，以及解决了整机数据噪声、数据缺失等不确定性数据问题；2.能够较准确的预测整机的实时健康状况；3.统一了状态数据预维修维护数据，建立了多尺度混合模型的寿命预测方法。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。图1是本专利技术的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参考说明书附图1，S1：进行飞机整机设备的不确定问题下的状态参数关联性分析；对于存在不稳定信噪比的数据，使用在线聚类的方法检测数据噪声，然后通过自适应广义形态滤波进行快速处理；对于数据缺失问题，将时间序列分析与滑动窗口相结合，使用迭代模型的拟合残差以实时检测缺失数据，然后根据数据缺失比例和分布特点，选择成组删除的方式进行处理；针对状态变量，使用核典型相关分析方法(KCCA)，分析状态变量间、与关键指标或敏感参数之间的相关性：①首先将机组所采集的多变量状态数据与关键的敏感的指标参数通过自定义的经过去中心化的核函数R映射至核空间，即把数据之间的非线性混合盲分离问题转换为线性混合盲分离问题，核函数R可以是高斯、多项式、线性的形式；②然后利用典型相关分析解决数据之间的相关源盲分离问题，具体步骤为：构造两个零均值的随机变量x,y，找到第一对投影方向α1,β1，使得x*＝α1Tx和y*＝β1Ty之间具有最大的线性自相关性；则该相关成为典型相关，α1,β1成为典型向量，进行寻找操作时需转换成优化问题，并用拉格朗日方法将约束优化问题转为无约束优化，进行搜索；接着继续寻求一对与α1,β1不相关的向量α2,β2，且具有次大相关性，即第二对典型向量α2,β2；如此执行下去，直至x,y的所有典型向量都提取出来；最后对所提取的典型向量{α1,β1},…,{αn,βn}进行线性组合，即可得到x,y之间的自相关系数；根据不同变量组自相关系数的比较，可获悉与关键指标、敏感参数相关度最大的状态变量组。S2：通过多尺度混合模型和深度学习对整机进行健康预估和寿命预测；建立全寿命任务剖面(简称任务剖面)，同时细化为甲类使用剖面和乙类使用剖面；甲类使用剖面是指从开机开始一直到完成任务为止的时间内，对影响飞机寿命的各种条件、周围环境和影响参数的时序描述；乙类使用剖面是从装备验证交付开始直到待机值班(仓库贮存、基地维护、野外贮存、空中运输、机场维护)为止的时间内，对影响飞机寿命的各种条件、周围环境和影响参数的时序描述。针对甲类使用剖面，可通过深度置信网络建立实时的健康评估模型：准备训练数据：首先将关键指标、敏感参数(排气温度EGT、排气温度裕量EGTM、燃油FF、燃油量WF、发动机压力比EPR、N1转速、N2转速、P2.5/P2等)，以及与经过相关性分析的与其相关度较大的环境变量和操作变量(如气压、飞行高度、载荷、油门杆角度等)，共同训练数据的输入X；接着选择常见的用于表征发动机健康状况情况的ΔEGT-TEC、ΔEGT-EGTM、ΔEGT-ΔWF、EGTDecay等曲线，作为训练数据的输出Y；单层RBM训练：将训练数据放至由多个限制玻尔兹曼机(RBM)堆叠构成的深度置信网络DBN中；RBM是一种两层网络结构，包括可见单元v、隐含层单元h，用来逐层训练DBN模型中隐含层的参数a,b,w；其中，从可见层到隐含层的映射为sigmoid函数；RBM通过对比散度算法(CD)实现参数a,b,w的训练，并通过重构学习的方式实现输入数据的重构；多层RBM前向-反向训练：在单层RBM训练完成后，将输出特征结果作为下一层RBM的输入，通过逐层学习系统堆叠构成DBN，通过该方式连续依次提取输入数据的特征规则，保存在每个隐含层的单元节点中；接着利用逐层学习模式进行反向训练，以获得DBN对输入数据的重构，训练算法采用BP算法，使得网络的重构输出与原始输入的损失最小；发动机健康值预测：实时采集机载的关键指标、敏感参数、环境变量和操作变量本文档来自技高网...

【技术保护点】
1.一种飞机整机的综合故障诊断方法，其特征在于，包括：/nS1：首先进行飞机整机设备的不确定问题下的状态参数关联性分析；/nS2：然后通过多尺度混合模型和深度学习对整机进行健康预估和寿命预测；/nS3：最后通过深度学习与在线自校正机制进行机电类故障预警。/n

【技术特征摘要】
1.一种飞机整机的综合故障诊断方法，其特征在于，包括：
S1：首先进行飞机整机设备的不确定问题下的状态参数关联性分析；
S2：然后通过多尺度混合模型和深度学习对整机进行健康预估和寿命预测；
S3：最后通过深度学习与在线自校正机制进行机电类故障预警。


2.根据权利要求1所述的一种飞机整机的综合故障诊断方法，其特征在于，所述S1中的飞机整机设备的不确定问题下的状态参数关联性分析方法为：①对于不稳定信噪比问题，采用在线聚类的方法，实时检测数据噪声，再通过自适应广义形态滤波方法进行快速处理；②对于数据缺失问题，采用时间序列分析和滑动窗口结合的方式，使用迭代模型的拟合残差以实时检测缺失数据，选择成组删除的方式进行处理。


3.根据权利要求1或2所述的一种飞机整机的综合故障诊断方法，其特征在于，在S1中的针对状态变量，使用核典型相关分析方法分析状态变量间与关...

【专利技术属性】
技术研发人员：陈豪，陈松航，刘哲夫，王耀宗，连明昌，王森林，张丹，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：福建;35