一种飞机燃油泵故障智能诊断方法、装置和存储介质制造方法及图纸

本发明专利技术提供了一种飞机燃油泵故障智能诊断方法、装置和存储介质，所述方法使用小波阈值去噪对原始数据集进行处理以消除数据中过多的噪声，让模型更好的学习到有用的特征，在一定程度上抑制了卷积神经网络的过拟合现象；在利用卷积神经网络进行故障诊断模型训练的过程中引入了灰狼优化算法，该算法通过模拟灰狼群体的等级与狩猎机制寻找适应度最高的灰狼位置来确定最优的超参数组合，免去了人工调参的烦恼，一定程度上加快了而训练速度且提高了网络的训练精度；本发明专利技术通过将飞机试飞过程采集到的试飞数据输入模型，可以实现对飞机燃油泵的精确的故障诊断。油泵的精确的故障诊断。油泵的精确的故障诊断。

【技术实现步骤摘要】
一种飞机燃油泵故障智能诊断方法、装置和存储介质


[0001]本专利技术属于飞机燃油系统的故障诊断
，尤其涉及一种飞机燃油泵故障智能诊断方法、装置和存储介质。

技术介绍

[0002]随着民用飞机普及，其安全性一直是被重点关注的因素。由于飞机结构复杂，故障具有隐蔽性，人为检修并不是一个高效可靠的方法，故各种各样的故障检测方法被提出。飞机燃油泵为飞机提供动力需求，其是否正常工作是飞机能否安全飞行的关键。因此，燃油泵的故障识别是确保飞机安全运行的关键方法之一。
[0003]故障诊断主要是对系统部件进行状态分析。如果系统中的某个参数脱离了所设置的正常范围，就认为系统出现了故障，故障可能会影响飞机性能，对飞机的安全性造成威胁。故障诊断就是通过对系统的重要参数进行实时监测，对系统出现的故障进行定位并在此基础上分析故障出现的原因。
[0004]传统的故障诊断技术依赖于解析模型或通过分析系统所采集信号对故障进行识别。基于模型的故障诊断方法作为最早出现的故障诊断方法，通过深入了解系统结构细节实现实时故障诊断，然而系统模型难以获得，建模误差较大等问题限制了其发展。基于信号的故障诊断方法基于对信号的处理分析，因其实现简单、表现直观等特点得到了广泛应用，但存在对潜在故障诊断效果不理想的缺点。
[0005]智能诊断技术是在计算机和人工智能的基础上发展起来的，是一门集数学、物理、通讯技术、信息处理、模式识别和人工智能等多学科于一体的综合性技术，他的出现为提高现代复杂工程技术系统的可靠性开辟了一条新的途径。智能诊断技术主要有专家系统、神经网络、支持向量机、深度学习等方法。
[0006]飞行过程中分布在飞机中的传感器产生的飞行数据包含有大量有用的信息，这些数据信息可以被收集起来进行分析，挖掘出内部隐含的信息，以此来监测系统的运行状况。目前对泵的故障诊断数据多采用泵收集的振动信号，选用实际飞行数据进行燃油泵故障诊断的研究较少，有待进一步开展研究。

技术实现思路

[0007]专利技术目的：飞机燃油泵为飞机提供动力需求，其是否正常工作是飞机能否安全飞行的关键，燃油泵的故障识别是确保飞机安全运行的关键方法之一；针对这一问题，本专利技术设计了一种可以对飞机燃油泵进行故障定位与诊断的方法；本方法通过利用采集到的飞机燃油系统关键部位的压力信号结合深度学习算法中常用的卷积神经网络对飞机燃油泵进行故障识别和定位，在检测到燃油泵出现故障时应及时进行维修更换，以免造成更大的损失。
[0008]本专利技术具体提供一种飞机燃油泵故障智能诊断方法，包括以下步骤：
[0009]步骤1，进行故障数据的采集；
[0010]步骤2，对采集到的故障数据进行预处理，将预处理后的故障数据划分为训练集和测试集；
[0011]步骤3，构建基于卷积神经网络(Convolutional Neural Network，CNN)的故障诊断模型；
[0012]步骤4，将训练集输入故障诊断模型中进行训练，训练过程中引入灰狼优化算法(Grey Wolf Optimizer,GWO)进行超参数寻优；
[0013]步骤5，将测试集输入至训练好的故障诊断模型中，测试实际对燃油泵的故障诊断效果。
[0014]步骤1中，通过采集飞机燃油泵及发动机周围传感器数据获取故障数据，通过分析燃油泵故障现象与机理，确定故障数据的组成为七维特征，七维特征分别是四个交流泵出口压力故障数据、直流燃油泵出口压力故障数据、两个发动机进口油压故障数据；数据定义的故障类型有7种，分别是左一燃油泵失效、左二燃油泵失效、左一左二燃油泵均失效、右一燃油泵失效、右二燃油泵失效、右一右二燃油泵均失效、燃油泵均正常，分别采集每种故障类型的样本7164个。运用本专利技术方法生成的模型具有数据针对性，针对相似或相同机理的故障类型所采集的数据该方法仍适用，只是生成的模型参数不同，但对于机理不同的故障，适用性不能保证；目前在飞的飞机最多仅两边分别有两个发动机，因此无法对更多燃油泵进行验证，但本方法仍对更多的燃油泵的情况具有参考意义。
[0015]步骤2包括：
[0016]步骤2
‑
1，采用最大值最小值归一化方法对故障数据进行归一化处理，转化公式如下：
[0017][0018]式中，x
normalization
是归一化后的输出值，x是指构成故障数据的七维特征中任一的一维特征，Max(x)和Min(x)分别是特征x在所有故障数据上的最大值和最小值，；
[0019]步骤2
‑
2，采用滑动窗口方法将故障数据切分为等长度的二维数据；
[0020]步骤2
‑
3，对故障数据进行小波阈值去噪；
[0021]步骤2
‑
4，对经过步骤2
‑
1～步骤2
‑
3处理后的故障数据划分为训练集和测试集，具体划分方法为将每种故障类型的数据样本进行打乱，并按3：1比例划分，3/4数据为训练集，1/4数据为测试集，以保证训练集与测试集中均包含有7种故障类型。
[0022]步骤2
‑
3包括：
[0023]步骤2
‑3‑
1，根据信号的特征和光滑程度确定小波基函数和分解层数，利用Mallat算法对含噪信号进行小波分解，得到小波系数：
[0024]步骤2
‑3‑
2，确定阈值和阈值函数，利用阈值去除小波高频系数中低于阈值的部分，阈值的选取通常有无偏风险估计阈值(rigrsure规则)、通用阈值(sqtwolog原则)、启发式阈值(heursure原则)和极大极小阈值(minimaxi)四种。本专利技术选用极大极小阈值，该方法是一种较为保守的方法，能够从构成复杂的信号中提取微弱的信号，常用的阈值函数有硬阈值和软阈值两种；
[0025]步骤2
‑3‑
3，对处理过后的高频系数和未经处理的低频系数进行小波逆变换，是小波分解的逆过程，即利用Mallat算法对信号进行重构，得到去除噪声后的信号。
[0026]步骤2
‑3‑
1包括：对于任意函数，按空间组合展开得到：
[0027][0028][0029]其中，f(t)为按空间组合展开后的函数形式，t为时间函数的采集时间，为展开后得到的尺度空间时间函数，ψ
j,k
(t)为展开后得到的小波空间时间函数，j为设定的分解尺度，i表示当前分解尺度所对应的小波空间，k表示当前分解尺度所对应的尺度空间，c
j,k
为尺度系数，d
j,k
为小波系数，利用Mallat算法计算c
j,k
，d
j,k
：
[0030][0031][0032]其中，m＝2k+n，n为傅里叶变化点数；c
j
‑
1,m
为j
‑
1小波空间、m尺度空间所对应的尺度系数；在已知滤波器系数h0、h1和初始序列c
...

【技术保护点】

【技术特征摘要】
1.一种飞机燃油泵故障智能诊断方法，其特征在于，包括以下步骤：步骤1，进行故障数据的采集；步骤2，对采集到的故障数据进行预处理，将预处理后的故障数据划分为训练集和测试集；步骤3，构建基于卷积神经网络的故障诊断模型；步骤4，将训练集输入故障诊断模型中进行训练，训练过程中引入灰狼优化算法进行超参数寻优；步骤5，将测试集输入至训练好的故障诊断模型中，测试实际对燃油泵的故障诊断效果。2.根据权利要求1所述的方法，其特征在于，步骤1中，通过采集飞机燃油泵及发动机周围传感器数据获取故障数据，确定故障数据的组成为七维特征，七维特征分别是四个交流泵出口压力故障数据、直流燃油泵出口压力故障数据、两个发动机进口油压故障数据；数据定义的故障类型有7种，分别是左一燃油泵失效、左二燃油泵失效、左一左二燃油泵均失效、右一燃油泵失效、右二燃油泵失效、右一右二燃油泵均失效、燃油泵均正常，分别采集每种故障类型的样本。3.根据权利要求2所述的方法，其特征在于，步骤2包括：步骤2
‑
1，采用最大值最小值归一化方法对故障数据进行归一化处理，转化公式如下：式中，x
normalization
是归一化后的输出值，x是指构成故障数据的七维特征中任一的一维特征，Max(x)和Min(x)分别是特征x在所有故障数据上的最大值和最小值，；步骤2
‑
2，采用滑动窗口方法将故障数据切分为等长度的二维数据；步骤2
‑
3，对故障数据进行小波阈值去噪；步骤2
‑
4，对经过步骤2
‑
1～步骤2
‑
3处理后的故障数据划分为训练集和测试集。4.根据权利要求3所述的方法，其特征在于，步骤2
‑
3包括：步骤2
‑3‑
1，根据信号的特征和光滑程度确定小波基函数和分解层数，利用Mallat算法对含噪信号进行小波分解，得到小波系数：步骤2
‑3‑
2，确定阈值和阈值函数，利用阈值去除小波高频系数中低于阈值的部分；步骤2
‑3‑
3，对处理过后的高频系数和未经处理的低频系数进行小波逆变换，利用Mallat算法对信号进行重构，得到去除噪声后的信号。5.根据权利要求4所述的方法，其特征在于，步骤2
‑3‑
1包括：对于任意函数，按空间组合展开得到：合展开得到：其中，f(t)为按空间组合展开后的函数形式，t为时间函数的采集时间，为展开后
得到的尺度空间时间函数，ψ
j,k
(t)为展开后得到的小波空间时间函数，j为设定的分解尺度，i表示当前分解尺度所对应的小波空间，k表示当前分解尺度所对应的尺度空间，c
j,k
为尺度系数，d
j,k
为小波系数，利用Mallat算法计算c
j,k
，d
j,k
：：其中，m＝2k+n，n为傅里叶变化点数；c
j
‑
1,m
为j
‑
1小波空间、m尺度空间所对应的尺度系数；在已知滤波器系数h0、h1和初始序列c
0,m
，能够得到所有的小波系数和尺度系数。6.根据权利要求5所述的方法，其特征在于，步骤2
‑3‑
2中，所述阈值函数采用如下软阈值函数：其中为经过阈值函数处理过后得到的小波系数，ω
j,k
为小波系数，sgn(ω
j,k
)为经过阶跃函数处理后的小波系数，阶跃函数返回原小波系数的正负号，μ为设定阈值。7.根据权利要求6所述的方法，其特征在于，步骤3包括：步骤3
‑
1，确定基于卷积神经网络的故障诊断模型的输入输出：对...

【专利技术属性】
技术研发人员：陈欣，郭宇俤，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：