【技术实现步骤摘要】
飞机环控系统故障识别模型构建方法、模型及识别方法
本专利技术涉及故障识别领域，具体地说是一种飞机环控系统故障识别模型构建方法、模型及识别方法。
技术介绍
从上世纪90年代至今，航空装备技术飞速发展，尤其是在军事战略的调整以及航空装备作战使用样式发生变化的大环境下，飞机地面保障的要求越来越高，而保障飞机环控系统在其中是最为根本的因素。军事科技的飞速发展对航空发动机的保障以及故障预测提出了更高的要求。但是在长期的发展中，飞机环控系统的保障技术总是落后于其他航天装备的技术。原有的飞机环控系统保障体系在新装备条件下面临巨大的挑战，而对其保障的不到位，会大大降低军用飞机的战备完好率。飞机环控系统的故障识别缺乏量化分析，而且在实际使用及维护过程中积累的经验和数据没能与设计数据很好地结合分析，造成理论与实际的脱离。飞机环控系统的故障状态没有自动识别机制，机务外场设备维护人员在检测飞机环控系统的故障状态时，难以做到心中有数，预见性不足，导致难以准确地对飞机环控系统进行故障预测。当飞机环控系统在发生故障后，机务外场维护人员也很...
【技术保护点】
1.飞机环控系统故障识别模型构建方法，其特征在于基于卷积神经网络和集成学习生成用于检测飞机环控系统故障的故障识别模型，所述构建方法包括如下步骤：/n获取飞机多个架次的N种环控系统参数，并构建时序数据集，所述环控系统参数为对环控系统故障敏感的飞机参数，所述时序数据集S表示为：/nS＝{s
【技术特征摘要】
1.飞机环控系统故障识别模型构建方法，其特征在于基于卷积神经网络和集成学习生成用于检测飞机环控系统故障的故障识别模型，所述构建方法包括如下步骤：
获取飞机多个架次的N种环控系统参数，并构建时序数据集，所述环控系统参数为对环控系统故障敏感的飞机参数，所述时序数据集S表示为：
S＝{s(i)|i＝1,2,K,N}；
对于上述时序数据集进行预处理；
对于上述时序数据集进行人工标记，标记故障状态；
对于上述N种环控系统参数，提取时域信号和频域信号；
基于上述时域信号构建时域弱分类器，基于上述频域信号构建频域弱分类器，所述时域弱分类器和频域弱分类器均为CNN神经网络模型；
通过adaboost集成学习算法将时域弱分类器和建频域弱分类器进行集成，得到基于CNN神经网络和集成学习的故障识别模型。
2.根据权利要求1所述的环控系统故障识别模型构建方法，其特征在于所述环控系统参数包括但不限于交流电源电压、交流电压频率、第一低液压开关表决信号、第二低液压开关表决信号、左轮载开关表决信号、右轮载开关表决信号、电子设备温度、探头加温状态；
所述时序数据集的采样频率为f，上述时序数据集划分为f组数据集。
3.根据权利要求1所述的飞机环控系统故障识别模型构建方法，其特征在于对上述对于上述时序数据集进行预处理，包括：
对时序数据集进行异常值剔除；
对时序数据集进行缺失数据填补；
对时序数据集进行去噪滤波；
对时序数据集进行归一化处理。
4.根据权利要求1所述的飞机环控系统故障识别模型构建方法，其特征在于所述故障状态包括正常状态、电子设备热、探头加温异常、环控系统异常关闭，分别标记为0、1、2和3。
5.根据权利要求1所述的飞机环控系统故障识别模型构建方法，其特征在于对于上述N种环控系统参数，提取时域信号和频域信号，包括如下步骤：
对时序数据集进行EMD经验模态分解，将s(i)划分为m个分解信号，依次为λ1(i)、λ2(i)、……，λm(i)，对于s(i)第j个分解信号为：
其中，β为惩罚项系数，为常数项，w(i)为s(i)的中心频率，为第j个分解信号的中心频率：
对于上述m个分解信号进行高斯滤波处理后后进行叠加，形成中间过程信号P(i)，并基于小波变换将分解为中间过程信号P(i)分解为频域信号V(i)；
以最小周期为断点，将一维时域信号V(i)重构为二维时域信号T(i)。
6.根据权利要求5所述的飞机环控系统故障识别模型构建方法，其特征在于基于上述时域信号构建时域弱分类器，包括如下步骤：
基于CNN卷积神经网络构建时域神经网络模型，所述时域神经网络模型包括输入层、卷积层、池化层、全连接层和输出层；
基于每一组时域信号T(i)训练所述时域神经网络模型，得到对应的时域弱分类器，时域弱分类器为{Tm1,...
【专利技术属性】
技术研发人员：黄刚，许政，毕茂华，封桂荣，
申请(专利权)人：山东超越数控电子股份有限公司，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。