【技术实现步骤摘要】
本专利技术涉及故障诊断，特别涉及一种基于数据融合与k均值的关键设备健康状态判别方法。
技术介绍
1、健康状态判别是故障诊断的重要环节，尤其在航空装备中，对各设备的健康状态准确判别能够保障系统的稳定运行。随着数据采集技术和处理技术的快速发展，基于数据融合和机器学习的健康状态判别方法受到了广泛的关注。
2、现有的健康状态判别方法多数依赖于人工设定的特征，以及对数据标签的大量需求，这在大量无标签样本和极少量有标签样本，即弱监督条件下的实际运行场景中，面临着严峻的挑战。一方面，对于高维度的飞行参数，如何有效地挖掘出有价值的、强线性相关的参数序列，以及如何处理和融合这些参数，是一项复杂的任务。另一方面，建立有效的健康状态判别模型需要大量的有标签样本进行训练，然而在实际中获取足够的标签样本却是一项困难的工作。
技术实现思路
1、本专利技术提供一种基于数据融合与k均值的关键设备健康状态判别方法，以便解决设备的健康状态判别难以准确和及时的问题，若仅仅依赖单一或少数参数进行判断，无法全面准确地评估设备的健康状态，也就无法保证设备的安全和可靠性的技术问题。
2、本专利技术实施例提供的一种基于数据融合与k均值的关键设备健康状态判别方法，包括：
3、获取无人机系统的多个飞行参数，并从所述多个飞行参数中筛选出具有强相关性的飞行参数对；
4、利用主成分分析法对所述具有强相关性的飞行参数对进行信息提取，得到健康状态融合特征数据；
5、基于k-均值算法构
6、利用所述训练好的健康状态判别模型对所述待测无人机系统进行健康状态判别。
7、优选地，所述无人机系统包含刹车分系统关键设备、液压分系统关键设备。
8、优选地，所述获取无人机系统的多个飞行参数，并从所述多个飞行参数中筛选出具有强相关性的飞行参数对包括：
9、分别获取刹车分系统关键设备的状态敏感参数集和液压分系统关键设备的状态敏感参数集；
10、开展刹车分系统关键设备敏感参数相关性分析，基于刹车分系统关键备敏感参数集，计算两两飞行参数之间的pearson相关系数，并筛选相关系数大于相关性阈值的敏感参数，作为具有强相关性的刹车分系统关键设备关联参数对；
11、开展液压分系统关键设备敏感参数相关性分析，基于液压分系统关键备敏感参数集，计算两两飞行参数之间的pearson相关系数，并筛选相关系数大于相关性阈值的敏感参数，作为具有强相关性的液压分系统关键设备关联参数对。
12、优选地，所述利用主成分分析法对所述具有强相关性的飞行参数对进行信息提取，得到健康状态融合特征数据包括：
13、基于主成分分析法对所述的具有强相关性的刹车分系统关键设备关联参数对进行分析处理，得到用于表征刹车分系统关键设备健康状态的融合特征数据；
14、基于主成分分析法对所述的具有强相关性的液压分系统关键设备关联参数对进行分析处理，得到用于表征液压分系统关键设备健康状态的融合特征数据。
15、优选地，所述基于k-均值算法构建健康状态判别模型，并利用所述健康状态融合特征数据对所述健康状态判别模型进行训练，得到训练好的健康状态判别模型包括：
16、基于k-均值算法构建健康状态判别模型，并利用所述刹车分系统关键设备健康状态的融合特征数据对所述健康状态判别模型进行训练，得到训练好的刹车分系统关键设备健康状态判别模型；
17、基于k-均值算法构建健康状态判别模型，并利用所述液压分系统关键设备健康状态的融合特征数据对所述健康状态判别模型进行训练，得到训练好的液压分系统关键设备健康状态判别模型；
18、优选地，所述利用所述训练好的健康状态判别模型对所述待测无人机系统进行健康状态判别包括：
19、获取待测无人机系统中刹车分系统的多个飞行参数，并从所述刹车分系统的多个飞行参数中筛选出具有强相关性的飞行参数对，利用主成分分析法对所述具有强相关性的飞行参数测试数据对进行信息提取，得到刹车分系统关键设备的健康状态融合特征数据；
20、通过将所述刹车分系统的健康状态融合特征数据输入至所述训练好的刹车分系统关键设备健康状态判别模型中，得到所述待测无人机系统中刹车分系统关键设备的健康状态判别结果。
21、优选地，所述利用所述训练好的健康状态判别模型对所述待测无人机系统进行健康状态判别包括：
22、获取待测无人机系统中液压分系统的多个飞行参数，并从所述液压分系统的多个飞行参数中筛选出具有强相关性的飞行参数对，利用主成分分析法对所述具有强相关性的飞行参数测试数据对进行信息提取，得到液压分系统关键设备的健康状态融合特征数据；
23、通过将所述液压分系统的健康状态融合特征数据输入至所述训练好的液压分系统关键设备健康状态判别模型中，得到所述待测无人机系统中液压分系统关键设备的健康状态判别结果。
24、本专利技术具有以下效果：
25、（1）通过获取设备的多维度参数，并挖掘这些参数之间的关联关系，从而筛选出强线性相关参数序列，提供了更为精准和全面的设备健康状态评估指标，增强了健康状态判别模型的鲁棒性；
26、（2）采用基于pearson相关系数的参数关联性分析方法，有效地实现了多维度参数间的关系表征，提高了参数利用效率，为后续主成分分析法和k-均值算法的应用提供了数据支持；
27、（3）结合主成分分析法和k-均值算法，实现了参数的信息提取和融合，以及健康状态的0-1分类，有效地建立了健康状态判别模型，从而实现了对关键设备健康状态的准确判别，提高了设备的可靠性和安全性；
28、（4）经过无人机仿真数据验证，与传统的单一或少数飞行参数进行判别的方法相比，该方法能够有效地提升无人机关键设备健康状态判别的准确性，从而为无人机系统的健康管理提供了新的解决思路。
本文档来自技高网...【技术保护点】
1.一种基于数据融合与K均值的关键设备健康状态判别方法，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，所述无人机系统包含刹车分系统关键设备、液压分系统关键设备。
3.根据权利要求2所述的方法，其特征在于，所述获取无人机系统的多个飞行参数，并从所述多个飞行参数中筛选出具有强相关性的飞行参数对包括：
4.根据权利要求3所述的方法，其特征在于，所述利用主成分分析法对所述具有强相关性的飞行参数对进行信息提取，得到健康状态融合特征数据包括：
5.根据权利要求4所述的方法，其特征在于，所述基于K-均值算法构建健康状态判别模型，并利用所述健康状态融合特征数据对所述健康状态判别模型进行训练，得到训练好的健康状态判别模型包括：
6.根据权利要求5所述的方法，其特征在于，所述利用所述训练好的健康状态判别模型对所述待测无人机系统进行健康状态判别包括：
7.根据权利要求5所述的方法，其特征在于，所述利用所述训练好的健康状态判别模型对所述待测无人机系统进行健康状态判别包括：
【技术特征摘要】
1.一种基于数据融合与k均值的关键设备健康状态判别方法，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，所述无人机系统包含刹车分系统关键设备、液压分系统关键设备。
3.根据权利要求2所述的方法，其特征在于，所述获取无人机系统的多个飞行参数，并从所述多个飞行参数中筛选出具有强相关性的飞行参数对包括：
4.根据权利要求3所述的方法，其特征在于，所述利用主成分分析法对所述具有强相关性的飞行参数对进行信息提取，得到健康状态融合特...
【专利技术属性】
技术研发人员：程玉杰，周安，武锐鹏，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。