System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及故障预测与健康管理(prognostics and health management,phm)领域,特别涉及一种基于符号化关联规则挖掘的飞机液压系统参数时序行为健康基线构建方法。
技术介绍
1、飞机液压系统作为飞机的关键组成系统,一旦其发生故障,轻则影响飞行任务的完成,导致财产损失,重则导致重大事故的发生,造成人员伤亡。因此,有必要对飞机液压系统开展异常检测,监测其运行状态,及时发现故障发生早期阶段的系统状态征兆,从而减少或避免故障发生造成的严重后果。
2、在当前飞机液压系统运行状态异常检测的研究中,通常需要依托于各个故障模式下的大量历史故障数据,结合信号分析、机器学习等方法提取故障特征,实现故障模式的辨识。然而,在新机型运行的早期阶段,往往缺乏具有明确故障模式标签的各故障模式下的故障数据,难以实现有效的系统状态异常检测。因此,如何在缺乏历史故障数据的条件下实现飞机液压系统运行状态的异常检测,是当前实际工程中迫切需要解决的关键问题。
技术实现思路
1、针对上述如何在缺乏历史故障数据的条件下实现飞机液压系统运行状态的异常检测的问题,本专利技术提出了一种基于符号化关联规则挖掘的飞机液压系统参数时序行为健康基线构建方法。
2、本专利技术实施例提供了一种基于符号化关联规则挖掘的飞机液压系统参数时序行为健康基线构建方法,包括:
3、从飞机液压系统正常数据的多个监测参数中优选出在正常状态下和故障状态下具有不同关联关系的监测参数对;
5、通过对所述每个监测参数的每段时序信号分别进行趋势定性符号化表征和趋势程度定量符号化表征处理,得到符号化后的监测参数时序信号;
6、基于关联规则挖掘算法对所述符号化后的监测参数时序信号进行关联分析,得到监测参数时序行为趋势关联规则;
7、利用所述监测参数时序行为趋势关联规则,构建健康基线,以便利用所述健康基线,对所述飞机液压系统进行异常检测。
8、优选地,所述从飞机液压系统正常数据的多个监测参数中优选出在正常状态下和故障状态下具有不同关联关系的监测参数对包括:
9、获取飞机液压系统正常数据的多个监测参数;
10、利用pearson相关系数算法,分别计算两两监测参数之间的相关系数,并将相关系数大于相关性阈值的两两监测参数作为具有强相关性的监测参数对;
11、利用飞机液压系统的故障相关知识,从所述具有强相关性的监测参数对中优选出在正常状态下和故障状态下具有不同关联关系的监测参数对。
12、优选地,所述通过对所述具有不同关联关系的监测参数对中每个监测参数的时序信号进行分割处理,得到每个监测参数的多段时序信号包括:
13、通过对所述监测参数对中每个监测参数的时序信号进行等长度切分,得到每个监测参数的多段初始时序信号;
14、通过对所述每个监测参数的多段初始时序信号进行自适应分割,得到每个监测参数的多段时序信号。
15、优选地,所述通过对所述每个监测参数的多段初始时序信号进行自适应分割,得到每个监测参数的多段时序信号包括:
16、根据每个监测参数的每段初始时序信号设置的窗口大小,计算滑窗滑动前和滑窗滑动后的拟合参数斜率变化程度;
17、若所述拟合参数斜率变化程度大于预设斜率变化容忍阈值,则将所述滑窗滑动前的窗口终止位置的采样点作为趋势变化点;
18、若所述拟合参数斜率变化程度不大于预设斜率变化容忍阈值且当前滑窗位置距离所记录的上一个趋势变化点的长度超过预设分割极限长度阈值时,则将所述当前滑窗位置的采样点作为趋势变化点;
19、重复上述步骤,直至获取所述每段初始时序信号的所有趋势变化点,并根据所述所有趋势变化点对每段初始时序信号进行自适应分割,得到每个监测参数的多段时序信号。
20、优选地,所述计算滑窗滑动前和滑窗滑动后的拟合参数斜率变化程度包括:
21、基于线性拟合方法分别计算滑窗滑动前的滑窗中时序信号斜率和滑窗滑动后的滑窗中时序信号斜率;
22、根据所述滑窗滑动前的滑窗中时序信号斜率和所述滑窗滑动后的滑窗中时序信号斜率,计算滑窗滑动前和滑窗滑动后的拟合参数斜率变化程度。
23、优选地,所述通过对所述每个监测参数的每段时序信号分别进行趋势定性符号化表征和趋势程度定量符号化表征处理,得到符号化后的监测参数时序信号包括:
24、通过将每段时序信号的拟合斜率与预设的趋势判断阈值进行比较,确定所述每段时序信号的定性趋势;
25、根据所述每个监测参数的每段时序信号的斜率范围,选取合适的主要斜率绝对值区间范围,并通过对所述主要斜率绝对值区间范围取对数,得到对数区间;
26、根据设置的划分区间数量对所述对数区间进行等分处理,得到等分后的对数区间;
27、利用所述每段时序信号的定性趋势和所述等分后的对数区间,得到符号化后的监测参数时序信号。
28、优选地,所述通过将每段时序信号的拟合斜率与预设的趋势判断阈值进行比较,确定所述每段时序信号的定性趋势包括:
29、若则该段时序信号的趋势定性符号化表征为上升趋势;
30、若,则此段信号的趋势定性符号化表征为持平趋势;
31、若,则此段信号的趋势定性符号化表征为下降趋势。
32、优选地,所述基于关联规则挖掘算法对所述符号化后的监测参数时序信号进行关联分析,得到监测参数时序行为趋势关联规则包括:
33、根据所述符号化后的监测参数时序信号,得到事务数据库;
34、基于关联规则挖掘算法挖掘出所述事务数据库中的频繁2项集,并计算各个频繁2项集的置信度;
35、从所述事务数据库中获取所有满足最小支持度的频繁2项集找出置信度超过预设最小置信度阈值的频繁2项集作为监测参数时序行为趋势关联规则。
36、本专利技术的有益效果具有以下几点:
37、(1)可以在不丢失原始特征信息的情况下,实现序列关键点的高效检索,在保留原始参数时序信号大部分趋势特征的情况下实现参数时序行为符号化。
38、(2)可以基于关联规则挖掘算法实现基线关联规则的自动获取,弥补人工获取相关关联知识的不足,在方法原理及关联规则的可解释性上具有先进性。
39、(3)能够在历史故障数据缺失的情况下,基于飞机液压系统正常运行状态下的参数时序信号,实现参数时序行为的符号化表征和关联规则挖掘,实现参数时序行为健康基线的构建,进而有力支撑飞机液压系统状态的异常检测。
本文档来自技高网...【技术保护点】
1.一种基于符号化关联规则挖掘的飞机液压系统参数时序行为健康基线构建方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述从飞机液压系统正常数据的多个监测参数中优选出在正常状态下和故障状态下具有不同关联关系的监测参数对包括:
3.根据权利要求2所述的方法,其特征在于,所述通过对所述具有不同关联关系的监测参数对中每个监测参数的时序信号进行分割处理,得到每个监测参数的多段时序信号包括:
4.根据权利要求3所述的方法,其特征在于,所述通过对所述每个监测参数的多段初始时序信号进行自适应分割,得到每个监测参数的多段时序信号包括:
5.根据权利要求4所述的方法,其特征在于,所述计算滑窗滑动前和滑窗滑动后的拟合参数斜率变化程度包括:
6.根据权利要求4所述的方法,其特征在于,所述通过对所述每个监测参数的每段时序信号分别进行趋势定性符号化表征和趋势程度定量符号化表征处理,得到符号化后的监测参数时序信号包括:
7.根据权利要求6所述的方法,其特征在于,所述通过将每段时序信号的拟合斜率与预设的趋势判断阈值进行比
8.根据权利要求6所述的方法,其特征在于,所述基于关联规则挖掘算法对所述符号化后的监测参数时序信号进行关联分析,得到监测参数时序行为趋势关联规则包括:
...【技术特征摘要】
1.一种基于符号化关联规则挖掘的飞机液压系统参数时序行为健康基线构建方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述从飞机液压系统正常数据的多个监测参数中优选出在正常状态下和故障状态下具有不同关联关系的监测参数对包括:
3.根据权利要求2所述的方法,其特征在于,所述通过对所述具有不同关联关系的监测参数对中每个监测参数的时序信号进行分割处理,得到每个监测参数的多段时序信号包括:
4.根据权利要求3所述的方法,其特征在于,所述通过对所述每个监测参数的多段初始时序信号进行自适应分割,得到每个监测参数的多段时序信号包括:
5.根据...
【专利技术属性】
技术研发人员:程玉杰,曾继炎,顾昊鑫,陶来发,吕琛,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:
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。