CN101063643A - 飞机故障智能诊断方法及系统 - Google Patents

Abstract

本发明涉及一种飞机故障智能诊断方法及系统。方法包括：采集数值表达型飞参数据并进行基于神经网络的初级故障诊断；采集初级故障诊断的结果、故障报文及规则表达型飞参数据并进行基于模糊专家系统的二次诊断，输出该二次诊断的结果。系统包括：基于神经网络的诊断模块，用于采集数值表达型飞参数据并进行基于神经网络的初级故障诊断；基于模糊专家系统的诊断模块，用于采集故障报文、规则表达型飞参数据及初级诊断结果并进行基于模糊专家系统的二次诊断，并输出该二次诊断结果。通过本发明可以降低故障诊断系统设计的复杂程度，提高数据利用的有效性和故障诊断的准确率。

Description

飞机故障智能诊断方法及系统

技术领域

本发明涉及一种飞机故障智能诊断方法及系统，特别是针对飞机上实时下传的飞行参数和故障报文进行故障诊断的方法及系统。

背景技术

目前，在飞机故障智能诊断领域，普遍采用专家系统或者神经网络等单一的诊断技术。这种方式存在着一些弊端，如专家系统存在的弊端主要有诊断精度差、难以克服知识获取的“瓶颈”问题，而神经网络在某种意义上仅是一个数据计算的过程，我们无法准确了解神经网络究竟学习了什么，由于缺乏专家经验，无法对计算结果进行正确的解释，而且需要对长时间，大量数据的神经网络反复训练，才可以具备诊断功能。

特别是，如果故障涉及到飞机子系统如发动机系统，由于其自身结构复杂，采用单一的诊断技术，将会使诊断系统难以构建。例如，只采用神经网络进行诊断，由故障征兆直接定位至最底层故障部件，则需要大量的数据对神经网络进行训练；只采用专家系统，会增加系统知识库构造和推理的层数，这将会带来无穷递归、组合爆炸等问题。

另外，目前在飞机故障智能诊断领域也只采用单一的飞参数据或故障报文作为诊断系统的输入数据源。而单一数据源的缺陷是：飞参数据有限，不全面；故障报文会产生虚警。因此，采用单一数据源的诊断系统的准确率较低。

发明内容

本发明的目的是针对现有技术中的缺陷，提供一种飞机故障智能诊断方法及系统。利用本发明，可以降低故障诊断系统设计的复杂程度，提高数据利用的有效性和故障诊断的准确率，实现深入的故障诊断和定位。

为了实现上述目的，本发明提供了一种飞机故障智能诊断方法，具体包括如下步骤：

采集数值表达型飞参数据并进行基于神经网络的初级故障诊断；

采集初级故障诊断的结果、故障报文及规则表达型飞参数据并进行基于模糊专家系统的二次诊断，输出该二次诊断的结果。

该飞机故障智能诊断方法通过神经网络初级故障诊断，可以确定故障发生的范围，凭借神经网络较强的特征提取和模式识别的能力，保证初级诊断的有效性和准确性。通过模糊专家系统进行系统二级诊断，可以快速、准确进行故障推理，实现元件级故障诊断，保证诊断结果的准确性和易读性。另外，由于该方法采集的数据源是由飞行参数和故障报文组成，采用神经网络和专家系统将数据分开进行相应地处理，可以提高数据的有效性和诊断的准确性。

基于上述飞机故障智能诊断方法，本发明还提出了一种飞机故障智能诊断系统，具体包括：

基于神经网络的初级诊断模块，用于采集数值表达型飞参数据并进行基于神经网络的初级故障诊断；

基于模糊专家系统的二级诊断模块，用于采集故障报文、规则表达型飞参数据及该初级诊断结果并进行基于模糊专家系统的二次诊断，并输出该二次诊断结果。

该飞机故障智能诊断系统通过基于神经网络的初级诊断模块进行初级故障诊断，确定故障发生的范围，通过神经网络较强的特征提取和模式识别的能力，可以保证初级诊断的有效性和准确性。通过基于模糊专家系统的二级诊断模块进行系统二级诊断，快速、准确进行故障推理，实现元件级故障诊断，保证诊断结果的准确性和易读性。由于系统采集的数据源是由飞行参数和故障报文组成，采用基于神经网络的初级诊断模块和基于模糊专家系统的二级诊断模块将数据分开进行相应地处理，可以提高数据的有效性和诊断的准确性。

附图说明

图1为本发明飞机故障智能诊断方法实施例1的流程图；

图2为本发明飞机故障智能诊断方法中基于模糊专家系统的二次诊断的具体流程图；

图3为本发明飞机故障智能诊断系统实施例1的结构图；

图4为本发明飞机故障智能诊断系统实施例2的结构图；

图5为整个飞机故障智能诊断的结构示意图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

飞参数据的格式、类型多样，有些连续性参数难以通过逻辑规则来体现，比如振动信号、温度信号、压力信号等，但是这些参数对故障的准确定位至关重要。由于这些参数可以用数值表达来体现，而神经网络是基于数值计算，因此可以利用神经网络来解决这个问题。

除了一部分适合神经网络处理的飞参数据外，还有大量的飞参数据适合用模糊规则来体现，比如故障字信息、飞行高度、剩余油量等。此外，故障报文中的故障征兆、初步故障检测结果等信息也都适合模糊规则的表示。

基于上述原因，本发明提供了一种飞机故障智能诊断方法。图1所示为该方法实施例1的流程图，主要流程为：

采集数值表达型飞参数据并进行基于神经网络的初级故障诊断，得到初级故障诊断的结果；

采集初级故障诊断的结果、故障报文及规则表达型飞行参数并进行基于模糊专家系统的二次诊断，输出二次诊断的结果。

其中，可以采用三层BP神经网络设计初级故障诊断模型。为了提高学习效率，在采集数值表达型飞行参数并进行基于神经网络的初级故障诊断之前可以采用遗传算法和BP算法相结合的改进算法来训练网络。采用遗传算法和BP算法相结合的改进算法训练神经网络的具体步骤如下：(1)根据经验确定神经网络各连接权的颁布范围，然后根据问题所要求的精度确定各权值的编码长度，为对网络权值进行编码作好准备；(2)随机产生一组分布，采用某种编码方案对该组的每一个权值、阈值进行编码，进而构造出一个个码链，在网络结构和学习规则已定的前提下，该码链就对应一个权值和阈值取得定值的一个神经网络；(3)对所产生的神经网络计算它的误差函数，从而确定其适应度函数值。；(4)根据个体的适应度函数值，淘汰适应度差的个体，保留部分适应度高的个体，并在这部分个体中进行交叉、变异等遗传操作；(5)保留下来的部分最优个体和交叉变异后产生的个体成为新一代的群体；(6)反复进行(3)、(4)、(5)项操作，使初始确定的一组权值分布得到不断的进化，每进行一次谓之群体进化了一代，直到达到最大周期；(7)从进化后的群体中选择n个可能具有全局性的进化解，选择时要注意避免相似个体；(8)分别以这些进化解为初始解，用BP神经网络求解；(9)比较n个BP神经网络求得的最优解，从而获得整个的最优解。BP神经网络凭借自身简单、可塑的优点，成为目前神经网络故障诊断领域使用最广泛的方法，但由于BP算法是采用基于梯度的方法，收敛速度慢，常受局部极小点的困扰。前人的实践结果表明这个问题给故障的准确定位带来一定的影响，为了解决这一问题，引入遗传算法，将遗传算法和BP算法相结合，取长补短，相互补充，用于神经网络模型的训练学习。遗传算法对全局的搜索具有较强的鲁棒性和较高的效率，但不适合候选解的精调，难以确定他们的准确位置。因此，采用遗传算法和BP算法相结合的改进算法，通过利用遗传算法的全局收敛性和BP算法的局部快速搜索性，先使用遗传算法不断优化神经网络的权值，直到平均值不再有意义的增加为止，此时解码得到的参数组合已经充分接近最佳参数组合，在此基础上再利用BP算法进行细调。

如图2所示，其中，采集初级故障诊断的结果、故障报文及规则表达型飞行参数并进行基于模糊专家系统的二次诊断具体可包括如下步骤：

采集初级故障诊断的结果、故障报文、规则表达型飞行参数并进行模糊化处理，原来的数据被映射到空间的模糊集合；

调用模糊知识库中的规则对模糊化处理的结果进行模糊推理；

对模糊推理的结果进行反模糊化处理，将模糊集合映射为确定的点；

利用模糊知识库中的规则对反模糊化处理的结果及模糊推理流程进行解释。

另外，为了使诊断结果更加准确，知识库中的规则可以由用户进行修改、增加、删除等对规则进行更新的操作。

在实施例1中，在训练神经网络之前还可以包括对数值表达型飞行参数进行基于模糊聚类分析方法的预处理，从而构成了本发明飞机故障智能诊断方法的实施例2。由于采用神经网络和模糊专家系统进行联合分级故障诊断，而神经网络模型需要通过学习训练才能用于诊断。如果供学习训练的样本太多，不加以处理就直接用于训练，就会大大增加训练的时间，降低网络收敛的速度。针对神经网络训练样本很多、训练时间长的问题引入模糊聚类分析方法。通过聚类并选择后，科学的选取少量的学习样本，同时又保证了学习样本的代表性。在包含全部样本特性的前提下，减少网络的输入样本个数，可大大提高神经网络模型训练速度。

在上述实施例中，基于神经网络的初级故障诊断主要是确定故障发生的范围，凭借神经网络较强的特征提取和模式识别的能力，可以保证初级诊断的有效性和准确性。此外，神经网络具有较强的自学习功能，能一定程度地弥补专家系统知识获取瓶颈的不足。而且，通过长期积累下来的发动机故障样本数据可以不用转换成规则知识而直接用于神经网络的学习训练，对提高故障诊断的效率和准确性有很大的好处。模糊专家系统模拟人脑的逻辑思维，具有知识表示直观、模块性强、逻辑推理清晰，具有灵活性和透明性的特点，能够很好的表示专家的经验和知识，长期积累下来的发动机维修专家知识和经验是发动机故障诊断的基本依据，构成模糊专家系统的知识库。模糊专家系统还具有清晰的解释能力，能弥补神经网络诊断难于解释的不足。另外，系统数据源是由飞行参数和故障报文组成，采用神经网络和专家系统将数据分开进行相应地处理，可以提高数据的有效性和诊断的准确性。

基于上述飞机故障智能诊断方法，本发明还提供了一种飞机故障智能诊断系统，如图3所示为该系统实施例1的结构图，主要包括：

基于神经网络的初级诊断模块1，用于采集数值表达型飞参数据并进行基于神经网络的初级故障诊断；

基于模糊专家系统的二级诊断模块2，用于采集故障报文、规则表达型飞参数据及该初级诊断结果并进行基于模糊专家系统的二次诊断，并输出该二次诊断结果。

其中，基于神经网络的初级诊断模块可以具体包括：

输入接口11，用于采集数值表达型飞参数据；

初级诊断模块12，用于调用该诊断模型库中的该神经网络故障诊断模型对所述数值表达型飞参数据进行基于神经网络的初级故障诊断；

神经网络训练模块14，用于利用训练神经网络的数值表达型飞参数据训练神经网络；

诊断模型库管理模块15，用于维护、更新诊断模型库，对模型库进行添加、删除、更新等操作，保证模型库的稳定性、准确性和及时性；

诊断模型库16，用于存储该训练好的该神经网络故障诊断模型，与该神经网络训练模块连接；

输出接口13，用于将初级故障诊断结果发送给基于模糊专家系统的二级诊断模块。

其中，可以采用三层BP神经网络设计初级故障诊断模型。为了提高学习效率，可以采用遗传算法和BP算法相结合的改进算法来训练网络。

其中，基于模糊专家系统的二级诊断模块可以具体包括：

输入输出接口21，主要用于输入故障报文、规则表达型飞参数据及初级诊断结果，输出二次诊断结果，以及显示系统推理的解释过程和系统运行过程中的人-机对话，输入建库及修改信息等；

模糊产生器26，用于对输入的故障报文、规则表达型飞参数据及初级诊断结果进行模糊化处理，即将一个个确定的点映射为输入空间的一个个模糊集合，系统的输入变量根据其相应的隶属度函数来确定这些输入分别归属于恰当的模糊集合；

模糊推理机25，用于把输入空间上的模糊集合通过模糊规则映射到输出空间的模糊集合，它包括连接词的计算、“if-then”规则的表示、直觉推理判断和一些相关的运算性质；

模糊消除器24，用于将输出空间的一个个模糊集合映射为一个个确定的点，以达到实际应用的目的，又称解模糊化或清晰化，并将该解模糊化处理结果发送至输入输出接口；

解释模块23，用于根据模糊规则对解模糊化处理的结果进行解释，并将解释结果发送至输入输出接口，并负责回答用户可能提出的各种问题，包括与系统运行有关的问题和与运行无关的关于系统自身的问题，是实现系统透明性的主要部件，它通过记录系统推理过程中的规则及其产生的中间结果，来实现解释功能，解释方法可采用预置文本法；

模糊知识库22，用于存储模糊规则，与该输入输出接口、该模糊推理机及该解释模块分别连接，它是由具有若干模糊″if-then”规则的总和组成，它是模糊推理系统的核心部分。这些规则通常来源于专家知识，其获得需要一些相关的专业和实践知识，一般可以通过请教专家或采用基于测量数据的学习算法来得到。

模糊专家系统的重点集中在模糊知识库和模糊推理机的设计实现上。模糊知识库是模糊专家系统的基础，它为模糊推理机提供依据，因此模糊知识库设计的好坏直接影响到推理机的推理效率和诊断结果的准确性。可以采用基于故障树的分析方法构造知识库，采用“故障分层、规则分级”的设计原则，将故障逐层划分，提高故障的可推理性。而模糊规则的典型表示方式则为“IF<条件>THEN<结论>WITH CF”，CF为此规则结论的可信度。模糊推理机是模糊专家系统的核心，完成诊断推理的搜索、匹配、推理过程。模糊推理机设计的优劣直接影响故障诊断的效率和结果的准确性。结合模糊知识库的故障树表示结构，可以采用分层诊断的推理思想，使用深度优先搜索的正向推理策略。同时，使用最大值原则进行模糊蕴涵的计算，对于不确定性的传播计算，则采用由规则前提的不确定性结合规则强度计算出规则结论的不确定性。

在飞机故障智能诊断系统实施例1的基础上，本发明飞机故障智能诊断系统还可以包括基于模糊聚类的预处理模块3，如图4所示，从而构成了飞机故障智能诊断系统的实施例2。基于模糊聚类的预处理模块用于对用于训练神经网络的数值表达型飞参数据进行基于模糊聚类分析方法的预处理，并将预处理后的用于训练神经网络的数值表达型飞参数据发送给输入接口。由于采用基于神经网络的初级诊断模块和基于模糊专家系统的二级诊断模块进行联合分级故障诊断，而基于神经网络的初级诊断模块需要通过学习训练才能用于诊断。如果供学习训练的样本太多，不加以处理就直接用于训练，就会大大增加训练的时间，降低网络收敛的速度。针对基于神经网络的初级诊断模块训练样本很多、训练时间长的问题引入模糊聚类分析方法。通过聚类并选择后，科学的选取少量的学习样本，同时又保证了学习样本的代表性。在包含全部样本特性的前提下，减少网络的输入样本个数，可大大提高基于神经网络的初级诊断模块训练速度。

图5为整个系统的模块结构示意图。在飞机故障智能诊断系统的各个实施例中，基于神经网络的初级诊断模块主要是确定故障发生的范围，凭借神经网络较强的特征提取和模式识别的能力，可以保证初级诊断的有效性和准确性。此外，基于神经网络的初级诊断模块具有较强的自学习功能，能一定程度地弥补专家系统知识获取瓶颈的不足。而且，通过长期积累下来的发动机故障样本数据可以不用转换成规则知识而直接用于基于神经网络的初级诊断模块的学习训练，对提高故障诊断的效率和准确性有很大的好处。基于模糊专家系统的二级诊断模块主要完成系统二级诊断，快速、准确进行故障推理，实现元件级故障诊断，具有较强的人机对话和解释能力，保证诊断结果的准确性和易读性。基于模糊专家系统的二级诊断模块能够模拟人脑的逻辑思维，知识表示直观、模块性强、逻辑推理清晰，具有灵活性和透明性的特点，能够很好的表示专家的经验和知识，长期积累下来的发动机维修专家知识和经验是发动机故障诊断的基本依据，构成模糊专家系统的知识库。基于模糊专家系统的二级诊断模块还具有清晰的解释能力，能弥补基于神经网络的初级诊断模块难于解释的不足。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种飞机故障智能诊断方法，其中包括以下步骤：

采集数值表达型飞行参数进行基于神经网络的初级故障诊断；

采集初级故障诊断的结果、故障报文及规则表达型飞行参数并进行基于模糊专家系统的二次诊断，输出该二次诊断的结果。

2.根据权利要求1所述的飞机故障智能诊断方法，其中所述采集数值表达型飞行参数进行基于神经网络的初级故障诊断之前还包括采集用于训练神经网络的数值表达型飞行参数并训练神经网络的步骤。

3.根据权利要求2所述的飞机故障智能诊断方法，其中所述采集用于训练神经网络的数值表达型飞行参数之前还包括对所述用于训练神经网络的数值表达型飞行参数进行基于模糊聚类分析方法的预处理的步骤。

4.根据权利要求1或2或3所述的飞机故障智能诊断方法，其中所述采集初级故障诊断的结果、故障报文及规则表达型飞行参数并进行基于模糊专家系统的二次诊断具体包括以下步骤：

采集所述初级故障诊断的结果、所述故障报文、所述规则表达型飞行参数并进行模糊化处理；

对该模糊化处理的结果进行模糊推理；

对该模糊推理的结果进行反模糊化处理；

利用模糊知识库中的模糊规则对该反模糊化处理的结果及该模糊推理流程进行解释。

5.根据权利要求4所述的飞机故障智能诊断方法，其中还包括对所述模糊知识库中的模糊规则进行更新的步骤。

6.一种飞机故障智能诊断系统，其中包括

基于神经网络的初级诊断模块，用于采集数值表达型飞行参数并进行基于神经网络的初级故障诊断；

基于模糊专家系统的二级诊断模块，用于采集故障报文、规则表达型飞行参数及该初级诊断结果并进行基于模糊专家系统的二次诊断，并输出该二次诊断结果。

7.根据权利要求6所述的飞机故障智能诊断系统，其中所述基于神经网络的初级诊断模块具体包括：

输入接口，用于采集所述数值表达型飞行参数；

神经网络训练模块，用于利用训练神经网络的数值表达型飞行参数训练神经网络；

诊断模型库管理模块，用于维护、更新诊断模型库，分别与诊断模型库和神经网络训练模块连接；

诊断模型库，用于存储该训练好的该神经网络故障诊断模型，与该神经网络训练模块连接；

初级诊断模块，用于调用该诊断模型库中的该神经网络故障诊断模型对所述数值表达型飞行参数进行基于神经网络的初级故障诊断，得到初级故障诊断结果；

输出接口，用于将该初级故障诊断结果发送给所述基于模糊专家系统的二级诊断模块。

8.根据权利要求7所述的飞机故障智能诊断系统，其中还包括基于模糊聚类的预处理模块，与所述基于神经网络的初级诊断模块连接，用于对所述训练神经网络的数值表达型飞行参数进行基于模糊聚类分析方法的预处理，并将预处理后的数值表达型飞行参数发送给所述神经网络训练模块。

9.根据权利要求6或7或8所述的飞机故障智能诊断系统，其中所述基于模糊专家系统的二级诊断模块具体包括：

输入输出接口，用于输入所述故障报文、所述规则表达型飞行参数及所述初级诊断结果以及输出所述二次诊断结果；

模糊产生器，用于对输入的所述故障报文、所述规则表达型飞行参数及所述初级诊断结果进行模糊化处理，得到模糊集合；

模糊推理机，用于通过模糊规则将该模糊集合映射到输出空间的模糊集合。

模糊消除器，用于将该输出空间的模糊集合进行解模糊化处理，并将该解模糊化处理结果发送至输入输出接口；

解释模块，用于根据该模糊规则对该解模糊化处理的结果进行解释，并将解释结果发送至输入输出接口；

模糊知识库，用于存储该模糊规则，与该输入输出接口、该模糊推理机及该解释模块分别连接。

Images