基于运行和维护数据联合驱动的电气附件性能预测方法技术

本发明专利技术提供了基于运行和维护数据联合驱动的电气附件性能预测方法，属于航空航天领域，包括步骤有：确定某机载电气附件的动态以及静态影响因素；收集此电气附件运行数据中其硬件对应的动态影响因素数据，再收集此附件经过测量得到的维护数据中硬件在维护时对应的静态影响因素数据，将数据结合并按时序排列，进而建立时序矩阵；将导入数据的矩阵进行归一化处理，并将数据集分为训练集和测试集；构建神经网络预测模型并初始化，将训练集中的数据传输至模型中对模型进行培训；能够实现对可能出现的机载电气附件的硬件性能变化进行实时预测的功能，提高对飞机电气附件硬件性能实时监控以及对其潜在故障的预警能力。监控以及对其潜在故障的预警能力。监控以及对其潜在故障的预警能力。

【技术实现步骤摘要】
基于运行和维护数据联合驱动的电气附件性能预测方法


[0001]本专利技术涉及一种基于运行和维护数据联合驱动的飞机电气附件硬件性能预测的方法，属于航空航天领域。

技术介绍

[0002]随着航空领域的飞速发展，飞机的性能不断增强，功能也不断完善，为了保证各种功能的正常运行，许多电气系统都需要大量的机械零件和线缆等硬件来支持，也使得飞机电气系统的结构相当复杂。而随着飞机的正常运行，机载电气系统中的硬件也会出现不同程度上的损耗，如果不能及时发现这些损耗并进行修复或是更换对应零件，飞机则会极有可能在运行过程中出现故障，不仅会对其安全性产生影响，更有甚者会导致极为严重的灾难性事故。而仅通过人为的经验来计算飞机上电气系统硬件的工作周期以及检测故障显然是不现实的，又不可能每次都对离开工作状态的飞机进行全方位的检修，所以我们需要一种能够实时预知飞机电气系统硬件状态的方法，能够及时的了解硬件的静态特性，从而对可能出现的故障进行预警，进一步减少飞机因硬件损耗而出现运行故障的可能性。
[0003]人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。经过几十年的发展，神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功。/>
技术实现思路

[0004]本专利技术的目的是通过使用神经网络模型构建对电气系统附件的硬件性能进行预测的神经网络，能够较为准确地对电气系统中的硬件状态进行预测。
[0005]本专利技术采用的技术方案为：基于运行和维护数据联合驱动的电气附件性能预测方法，该方法基于大数据技术以及神经网络模型，具体步骤如下：
[0006]步骤1、确定某机载电气附件的影响因素，应用大数据技术分别从数据库中收集与此电气附件性能有关的对应影响因素数据并建立矩阵；
[0007]步骤2、将数据按照时序顺序导入矩阵进行归一化处理，并将数据集分为训练集和测试集；
[0008]步骤3、构建神经网络预测模型并初始化，将训练集数据传输至模型中对模型进行训练；
[0009]步骤4、将测试集中的数据导入经过训练的模型中，对模型进行性能检测。
[0010]步骤1所述的数据库数据包括运行数据中与此电气附件某特性相关的数据以及维护数据中与此电气附件某特性相关的数据。
[0011]步骤1中所述的根据数据建立的矩阵，因变量为电气附件的某一静态特性，即相应的电气系统中被监测对象为电气附件的某一硬件性能。
[0012]步骤3中所述的对模型进行训练，其完成与否判断方法为：在模型训练的过程中，需要同步计算其损失函数，损失函数的计算公式为：
[0013][0014]其中y为真实数值，为预测数值，损失函数的值越小，证明模型的精度就越高，y
i
与分别为训练集中第i个数据向量对应的真实值和预测数值，n为训练集所选取的数据向量的数量，当损失函数不再变化时，则可以判定模型已经训练完成，若损失函数值较大，则需要重新确定影响因素，建立新的参数矩阵并重新训练模型。
[0015]步骤4中所述的对模型进行性能检测的具体过程为：将测试集数据导入到经过训练的模型中，得到一系列关于电气附件待测硬件特性的预测数据，将预测数据与实际数据按照时序绘制在同一张折线图内，观察其趋势变化，若二者趋势基本一致且预测数值与实际数值差距在对应的硬件性能测量的误差允许范围之内，则证明经过训练的预测模型精度较高。
附图说明
[0016]图1是本专利技术基于运行和维护数据联合驱动的电气附件性能预测方法的流程图；
[0017]图2是本专利技术中选用的神经网络模型LSTM(Long Short Term Mermory network，长短期记忆网络)的结构单元示意图；
[0018]图3是本专利技术中神经网络模型的训练流程图；
[0019]图4是本专利技术所示的运行数据预测结果与实际结果趋势对比。
[0020]图5是本专利技术所示的维护数据预测结果与实际结果趋势对比。
[0021]图6是本专利技术中提到的神经网络的基本模型；
具体实施方式
[0022]下面结合附图和实施例对本专利技术基于运行和维护数据联合驱动的电气附件性能预测方法进行详细描述。
[0023]如图1所示，本专利技术的基于运行和维护数据联合驱动的电气附件性能预测方法，其具体过程为：确定某机载电气附件的动态以及静态影响因素；从运行数据库中收集与此电气附件的硬件数据对应的动态影响因素数据，再从维护数据库中收集与此附件的硬件数据对应的静态影响因素数据，分别建立矩阵并将矩阵中数据按时序排列；将导入数据的矩阵进行归一化处理，并将数据集分为训练集和测试集；构建神经网络预测模型并初始化，将训练集中的数据传输至模型中对模型进行培训；将测试集中的数据导入经过训练的模型中，对模型进行性能检测。本专利技术的效果是：能够实现对可能出现的机载电气附件的硬件性能变化进行实时预测的功能，提高对飞机电气附件硬件性能实时监控以及对其潜在故障的预警能力。
[0024]基于运行数据的性能预测方法以可变引气活门VBV为例，根据对其相关度的研究，确定以下因素作为关于VBV的动态影响因素：海拔A、大气总温TAT、低压涡轮转速N1、高压涡
轮转速N2、油门杆解算角度TRA、风扇进口中心压力PT2、高压压气机进口温度T25、可变定子叶片VSV位置VSVPOS和VBV活门开度VBVPOS。VBV执行器测试阻值RT作为因变量，即被监测数据。从运行数据中收集上述数据并建立矩阵，经过导入后的矩阵如表1所示。
[0025]表1
[0026][0027]将表1中数据进行归一化处理，采用[0，1]归一化，其映射表达式为如下：
[0028][0029]其中x表示指定数据，xmin与xmax分别表示同一列数据中的最小值与最大值。经过对上式进行变形，将归一化区间变成[0，1]以便使用。
[0030]归一化后得到的矩阵由表2所示，在归一化之后需要再将归一化完成所得自变量因变量矩阵转置，使矩阵恢复原状以供性能预测使用。
[0031]表2
[0032][0033]根据影响因素的数量确定神经网络模型的结构构建。本案例中使用的是LSTM模型作为神经网络模型，LSTM模型单元示意图如图2所示，LSTM模型包括三个门控，即遗忘门f(t)，输入门i(t)和输出门o(t)。把这三个逻辑门分别接在三个乘法单元上，分别控制神经元的遗忘和读写操作。在t时刻时，记忆元的状态如下：
[0034]1)遗忘门f(t)：f(t)＝δ[W
f
h(t
‑
1)+U
f
x(t)+b
f
][0035]其中，h(t
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于运行和维护数据联合驱动的电气附件性能预测方法，该方法基于大数据技术以及神经网络模型，具体步骤如下：步骤1、确定某机载电气附件的影响因素，应用大数据技术分别从数据库中收集与此电气附件性能有关的对应影响因素数据并建立矩阵；步骤2、将数据按照时序顺序导入矩阵进行归一化处理，并将数据集分为训练集和测试集；步骤3、构建神经网络预测模型并初始化，将训练集数据传输至模型中对模型进行训练；步骤4、将测试集中的数据导入经过训练的模型中，对模型进行性能检测。2.根据权利要求1所述的基于运行和维护数据联合驱动的电气附件性能预测方法，其特征在于：步骤1所述的数据库数据包括运行数据中与此电气附件某特性相关的数据以及维护数据中与此电气附件某特性相关的数据。3.根据权利要求1所述的基于运行和维护数据联合驱动的电气附件性能预测方法，其特征在于：步骤1中所述的根据数据建立的矩阵，因变量为电气附件的某一静态特性，即相应的电气系统中被监测对象为电气附件的某一硬件性能。4.根据权利要求1所述的基于运行和维护数据联合驱动的电气附件性能预测方法，...

【专利技术属性】
技术研发人员：石旭东，刘大宇，赵宏旭，孙兆荣，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：