一种基于多源数据融合的民机故障诊断方法技术

本发明专利技术提供一种基于多源数据融合的民机故障诊断方法，其包括以下步骤：步骤1，多源数据收集，形成故障数据库；步骤2，多源数据融合；步骤3，基于多源数据的模型建立；步骤4，故障辨识模型的部属，将构建好的故障辨识模型部属在机载通用计算单元模块，显示模块，机载维护终端；将飞机的实时数据输入故障辨识模型中，故障辨识模型将飞机的实时数据与表征故障的故障特征向量值进行计算比对，将飞机的故障信息实时在飞机的维护终端显示。本发明专利技术通过采集不同来源的数据，提取表征故障的特征值，建立基于故障特征值的故障辨识模型，最后通过对模型的训练和矫正，提高模型的精准度，进而快速诊断出民机对应的故障。断出民机对应的故障。断出民机对应的故障。

【技术实现步骤摘要】
一种基于多源数据融合的民机故障诊断方法


[0001]本专利技术涉及民用航空
，尤其是涉及一种基于多源数据融合的民机故障诊断方法。

技术介绍

[0002]航空安全（aviation safety）是为保证不发生与航空器运行有关的人员伤亡和航空器损坏等事故。航空安全主要包括飞行安全、航空地面安全和空防安全。飞行安全是指在航空器运行期间不发生由于飞行或其他原因造成的人员伤亡、航空器损坏等事故。航空地面安全是指围绕航空器运行而在停机坪和飞行区范围内开展生产活动的安全；防止发生航空器损坏、旅客和地面人员伤亡及各种地面设施损坏事件，同时还包括飞机维护、装卸货物及服务用品、航空器加油等活动的安全。安防安全是指防止发生影响航空器正常运行和直接危及飞行安全的非法干扰活动等。
[0003]安全是民用航空的永恒主题，随着民用航空现代化程度越来越高，生产规模越来越大，分工越来越细，生产协作越来越广泛。民航空安全生产涉及航空公司、空管、机场、油料等众多互相协作的系统。
[0004]近年来，随着国际社会对航空安全性的要求不断提高的同时，航空公司为了追求盈利，对飞机运营效率的要求也越来越高，这就对飞机的保障性要求越来越高。
[0005]然而长期以来对飞机的维护工作大部分还是依靠人工定期检查、依据工人积累的经验人工对飞机排故。这就导致效率低、成本高、同时容易受不同检查人员的熟练程度影响，进而可能易导致因机械故障造成的航班延误，给航空公司带来巨大损失。
[0006]随着航空技术和计算机技术的快速发展给飞机故障诊断带来了新的方式。现代飞机都装有大量的传感器，时刻采集飞机绝大部分的状态参数，并记录下来供事后的飞行员操纵性分析和事故调查取证使用。飞机当前也都加装了机载维护系统，可以记录飞机的故障信息，然而由于飞机系统太过复杂、故障多以交联形式存在，所以监控的状态参数难以与故障现象一一匹配，导致依靠单一的数据状态去评判飞机系统的状态，存在诊断不准确、虚警率过高等问题，最终大多数情况还是依靠维护人员经验或者飞机驾驶人员的经验去排故。
[0007]随着人工智能技术的发展，基于对航空安全，以及航空公司运行效率的考虑，市场急需一种可以基于深度学习或者大数据的航空民机故障诊断方法，尤其需要一种基于多源数据融合的民机故障诊断方法。

技术实现思路

[0008]为解决现有技术中的问题，本专利技术提供一种基于多源数据融合的民机故障诊断方法。该基于多源数据融合的民机故障诊断方法通过采集不同来源的数据，提取表征故障的特征值，建立基于故障特征值的故障辨识模型，最后通过对模型的训练和矫正，提高模型的精准度，进而快速诊断出民机对应的故障。
[0009]为实现上述目的，本专利技术提供如下技术方案：一种基于多源数据融合的民机故障诊断方法，包括以下步骤：步骤1，多源数据收集，形成故障数据库；步骤2，多源数据融合，将故障数据库中的每一个故障数据转化为某一故障对应的不正常参数指标，并提取特征值，重构数据，得到多源数据融合后的特征向量值，即得到表征故障的故障特征向量值；步骤3，基于多源数据的模型建立，利用表征故障的故障特征向量值，训练模型参数因子，构建故障辨识模型；步骤4，故障辨识模型的布署，将构建好的故障辨识模型布署在机载通用计算单元模块、显示模块、机载维护终端；将飞机的实时数据输入故障辨识模型中，故障辨识模型将飞机的实时数据与表征故障的故障特征向量值进行计算比对，将飞机的故障信息实时在飞机的维护终端显示。
[0010]优选的技术方案，所述步骤1中收集的相关数据包括飞机计划性的维护故障记录、发动机的状态参数、记录飞机系统的状态参数、飞机厂商提供的飞机性能和超限数据、飞机的偶发故障数据、飞机机载维护系统的故障数据、飞机维修人员关于飞机故障的经验数据。
[0011]优选的技术方案，所述步骤2多源数据融合中为采用基于核函数的主成分分析法，通过对数据在维度空间重新映射，降维提取特征值，重构数据。
[0012]优选的技术方案，所述步骤2中降维提取特征值，重构数据的过程为：设多源数据的样本分别为，代表核函数的输入，通过核函数将映射到高维空间，在高维空间里进行PCA运算；将映射到高维空间的映射为Φ，其中， R代表多维数据组，d代表R的维度，n代表样本数量，F代表映射后的数据组，代表样本，为经过核函数映射后的样本，为协方差矩阵的特征向量；通过核函数的映射Φ实现到F的映射，即求得特征空间中的协方差矩阵为：其中， T代表矩阵的转置；求得协方差矩阵的特征值和特征向量：
其中， C为特征空间中的协方差矩阵， 为协方差矩阵的特征值，为协方差矩阵的特征向量；V为特征向量矩阵，由所有的组成；将的线性组合表示为全部的特征向量，则：其中，；为系数，为故障特征向量值，分别为不同来源的故障样本；定义维矩阵K,则，其中，为系数；求解得到多源数据的样本在特征空间上的投影为：将其用核函数替换转化为下式：求得表征故障的故障特征向量值：其中，为常数，n为样本数，为多源数据的样本在特征空间上的投影向量。
[0013]优选的技术方案，所述步骤3中利用表征故障的故障特征向量值构建故障辨识模
型为利用差分进化算法和极限学习机算法进行故障辨识模型的构建。
[0014]优选的技术方案，所述步骤3中利用表征故障的故障特征向量值构建故障辨识模型的具体过程如下：（1）将步骤2中所有获得的表征故障的故障特征向量值统称为故障样本初始种群；并将分别代入差分进化算法，并进行初始化；即有：其中，代表样本种群大小，代表初始种群中第个个体，表示第个个体的第个分量，代表第个个体的分量个数；（2）对初始化后的每个个体求均方根误差；（3）变异，将每个个体的均方根误差作为对应个体的适应度值，依据RMSE公式选取出对应变异代数中的最优个体，其中，代表对应的变异代数，变异算法采用DE/rand算法；（4）交叉，将第代种群和其对应变异后的种群进行交叉，即有：其中， ，为交叉概率；为第代种群的个体；代表对应第代种群变异后的个体；代表对应交叉后的个体；（5）选择，采用贪婪算法准则，依据新生交叉向量的均方根误差选取新的最优秀个体作为下一代个体；（6）将上述最优秀个体代入极限学习机算法公式中即可求得最佳的随机变量和最佳的随机变量；求得的所有和分别组成采用极限学习机算法进行故障辨识模型的构建用到的最优的输入权值矩阵和隐含层偏置矩阵；（7）故障诊断模型建立，设存在n个不同的故障样本，隐含层节点数目为L,则有：
其中，为第个个体的权值，为故障特征向量值，为输入权值矩阵，为隐含层偏置矩阵，即对应为第i个隐含层节点的阈值的集合，代表核函数；将上述公式合并整理变形后，以矩阵形式呈现，即为：其中，Z为故障诊断模型，代表故障诊断模型输出结果；为故障诊断模型的隐含层偏置，代表输出权值矩阵；为故障诊断模型的隐含层输出矩阵；为常数系数，为矩阵的转置；为对应的第n个故障特征向量值，和分别为求得的对应第L层的输入权值矩阵和隐含层偏置矩阵。
[0015]优选的技术方案，在故障辨识模型的布署前，还包括对故障辨识模型的准确性验证；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据融合的民机故障诊断方法，其特征在于：其包括以下步骤：步骤1，多源数据收集，形成故障数据库；步骤2，多源数据融合，将故障数据库中的每一个故障数据转化为某一故障对应的不正常参数指标，并提取特征值，重构数据，得到多源数据融合后的特征向量值，即得到表征故障的故障特征向量值；步骤3，基于多源数据的模型建立，利用表征故障的故障特征向量值，训练模型参数因子，构建故障辨识模型；步骤4，故障辨识模型的布署，将构建好的故障辨识模型布署在机载通用计算单元模块、显示模块、机载维护终端；将飞机的实时数据输入故障辨识模型中，故障辨识模型将飞机的实时数据与表征故障的故障特征向量值进行计算比对，将飞机的故障信息实时在飞机的维护终端显示。2.根据权利要求1所述的一种基于多源数据融合的民机故障诊断方法，其特征在于：所述步骤1中收集的相关数据包括飞机计划性的维护故障记录、发动机的状态参数、记录飞机系统的状态参数、飞机厂商提供的飞机性能和超限数据、飞机的偶发故障数据、飞机机载维护系统的故障数据、飞机维修人员关于飞机故障的经验数据。3.根据权利要求2所述的一种基于多源数据融合的民机故障诊断方法，其特征在于：所述步骤2多源数据融合中为采用基于核函数的主成分分析法，通过对数据在维度空间重新映射，降维提取特征值，重构数据。4.根据权利要求3所述的一种基于多源数据融合的民机故障诊断方法，其特征在于：所述步骤2中降维提取特征值，重构数据的过程为：设多源数据的样本分别为，代表核函数的输入，通过核函数将映射到高维空间，在高维空间里进行PCA运算；将映射到高维空间的映射为Φ，其中， R代表多维数据组，d代表R的维度，n代表样本数量，F代表映射后的数据组，代表样本，为经过核函数映射后的样本，为协方差矩阵的特征向量；通过核函数的映射Φ实现到F的映射，即求得特征空间中的协方差矩阵为：其中， T代表矩阵的转置；
求得协方差矩阵的特征值和特征向量：其中， C为特征空间中的协方差矩阵， 为协方差矩阵的特征值，为协方差矩阵的特征向量；V为特征向量矩阵，由所有的组成；将的线性组合表示为全部的特征向量，则：其中，；为系数，为故障特征向量值，分别为不同来源的故障样本；定义维矩阵K,则，其中，为系数；求解得到多源数据的样本在特征空间上的投影为：将其用核函数替换转化为下式：求得表征故障的故障特征向量值：其中，为常数，n为样本数，为多源数据的样本在特征空间上的投影向量。
5.根据权利要求4所述的一种基于多源数据融合的民...

【专利技术属性】
技术研发人员：张迪，袁宵，汪坤，侯静，王晨，
申请(专利权)人：商飞软件有限公司，
类型：发明
国别省市：