CN104635081A - 一种飞机发电机整流器的自适应故障诊断方法 - Google Patents

Abstract

本发明提出一种飞机发电机整流器的自适应故障诊断方法，实现飞机发电机整流器状态监控和故障检测，方法的实现内容包括：确定飞机发电机整流器二极管的工作模式，获取各种工作模式下的飞机发电机整流器二级管历史数据，利用这些历史数据进行训练，基于stumps的方法建立飞机发电机整流器二极管各种工作模式分类器，采用基于自适应的方法改变不同分类器的权重，产生整体二分类器，最后利用Generalized Bradley-Terry模型，引入主动学习机制，构成多分类器，此方法集成于飞机发动机的FADEC中，可以实现对发电机整流器故障监测，提高飞机发电机整流器故障诊断的准确率和效率，当整流器发生故障时系统可自动切断连接，防止对下级设备造成损害。

Description

一种飞机发电机整流器的自适应故障诊断方法

技术领域

本发明涉及故障诊断领域的故障诊断方法，具体为一种飞机发电机整流器的自适应故障诊断方法。

背景技术

飞机运行于复杂环境中，对系统可靠性有较高的要求。飞机系统的状态监控、诊断和预测是确保飞机安全的重要手段，例如飞机系统需要监控发动机性能(如专利：CN 1O3 370667 A)、起落架状态(如专利：CN 103963986)、升降舵操控性(如专利：CN 202987498)以及各种电子和机电设备(如专利：CN 102700718 A)是否正常工作等飞机各系统的状态。这些系统的整体状态受到下级子系统的影响，例如，防滑刹车控制盒(如专利：CN 104049630 A)、飞机线缆(如专利：103558513 A)和发动机反推(如专利：CN 103979114 A)的状态监控。这些状态信息输送到飞机的ACMS系统中，实现对各系统和子系统状态进行监控，在发生故障情况下采取相应的报警和隔离措施。飞机各系统的状态监控和故障诊断已经成为飞行安全和基于状态的维修必备的手段。

飞机发电机(IDG)电气部分主要由励磁电机和主电机两部分组成，励磁电机是发电机的前端，为主电机磁场线圈供电，主电机为飞机系统供电，整流器连接在励磁电机的电枢和主电机磁场线圈之间，将励磁电机输出电流经整流器调理供给主电机磁场线圈产生磁场发电，在工作过程中，励磁电机电枢、主电机磁场线圈和整流器随着发电机主轴高速旋转,飞机发电机整流器的核心器件整流二极管会承受很大的离心力,容易发生故障。飞机发电机整流器的故障主要是二极管发生故障，二极管反向击穿或绝缘层被破坏等原因，最终都会造成二极管发生开路。

发明内容

为解决现有技术存在的问题，本发明提出了一种飞机发电机整流器的自适应故障诊断方法，作为一种针对飞机发电系统状态监控的手段。相比于传统飞机发电机监控方式，它可以对飞机发电机系统容易发生故障的故障源进行监控、检测、诊断，该系统可以集成于发动机FADEC中，有效提高飞机发电系统的可靠性。

现有的监控和故障诊断方法，主要是基于小波包分析和支持向量机的方法、以及基于RBF神经网络、小波神经网络、人工神经网络的方法等，这些都是基于数据驱动思想的方法。相比于传统方法，例如基于直流注入法检测绝缘电阻等，基于数据驱动思想的方法对故障的判断要更准确和快速，能详细判断故障类别，可以做到最小限度的修理，使系统保持健康状态，本发明提出的自适应方法就是基于这种思想设计的。

本发明的技术方案为：

所述一种飞机发电机整流器的自适应故障诊断方法，其特征在于：采用以下步骤：

步骤1：获取飞机发电机整流器6个二极管在13种状态模式下的电压运行数据；所述13种状态模式分别为：

1、整流器二极管全无故障的状态模式M₀，对应的电压运行数据为S₀；

2、整流器6个二极管各自单独出现故障的状态模式M₁，M₂，M₃，M₄，M₅和M₆，依次对应的电压运行数据为S₁，S₂，S₃，S₄，S₅，S₆；

3、整流器6个二极管中有两个二极管同时出现故障的状态模式M₇，M₈，M₉，M₁₀，M₁₁和M₁₂，依次对应的电压运行数据为S₇，S₈，S₉，S₁₀，S₁₁和S₁₂；

步骤2：对步骤1得到的13种状态模式下的电压运行数据进行特征提取，建立故障检测训练集：

步骤2.1：将电压运行数据S₀～S₁₂分别分为t段；对于电压运行数据S_i，0≤i≤12，得到的分段数据为S_i,1，S_i,2，…，S_i,t；

步骤2.2：对于电压运行数据S_i，计算每段数据的峭度k_i，j，0≤i≤12,1≤j≤t：

$k_{i,j}=\frac{1}{{{\mathrm{\δ}}_{i,j}}^{4}N}{\mathrm{\Σ}}_{z=1}^N{(x_{i,j,z}-{\stackrel{-}{x}}_{i,j})}^4$

其中N为每段数据中的数据点数，x_i,j,z为数据点，为第i个电压运行数据的第j分段的数据均值，δ_i,j为第i个电压运行数据的第j分段的数据标准差；

步骤2.3：根据步骤2.2的结果构建故障检测训练集Tr：

步骤3：运用自适应方法对故障检测训练集Tr构建分类器：

步骤3.1：建立初始权重向量D¹ _i，j：

$\begin{array}{cc}{D^1}_{i,j}=({{\mathrm{\ω}}^1}_{i,1},\·\·\·,{{\mathrm{\ω}}^1}_{i,j},\·\·\·,{{\mathrm{\ω}}^1}_{i,t})& {{\mathrm{\ω}}^1}_{i,j}=\frac{1}{t},0\≤i\≤\mathrm{12,1}\≤j\≤t;\end{array}$

其中为对第i个电压运行数据的第j分段数据的峭度特征所赋予的初始权重；

步骤3.2：采用stumps方法建立分类模型G_m(k_i,j)：

$G_m\left(k_{i,j}\right)=\left\{\begin{array}{c}\begin{array}{cc}{M}_p,\mathrm{if}& k_{i,j}>\mathrm{\&theta;and}{y}_{i,j}\&Element;S\end{array}\\ \begin{array}{cc}{M}_p,\mathrm{if}& k_{i,j}<\mathrm{\&theta;and}{y}_{i,j}\&Element;S\end{array}\end{array}\right.$

其中θ代表采用峭度特征进行状态模式识别的阈值，y_i,j指第i个电压运行数据的第j分段数据的峭度特征所代表的状态模式；S＝{M_p,M_q}，M_p,M_q为13种状态模式的两种状态模式；取m＝1，2，3，…，Q，按照分类模型，并设置不同的θ，构建Q个分类器；

步骤3.3：根据下面公式迭代计算每个分类器的第β次迭代过程中的错误分类的误差e^β _i,m，e^β _i,m表示第β次迭代过程中第m个分类器在区分第i个电压运行数据时产生的误差：

${e^{\mathrm{\&beta;}}}_{i,m}=\underset{j=1}{\overset{t}{\mathrm{\&Sigma;}}}{{\mathrm{\&omega;}}^{\mathrm{\&beta;}}}_{i,j}I\left(G_m\left(k_{i,j}\right)\right)$

其中 $I\left(G_m\left(k_{i,j}\right)\right)=\left\{\begin{array}{c}\begin{array}{cc}1,& G_m\left(k_{i,j}\right)\&NotEqual;y_{i,j}\end{array}\\ \begin{array}{cc}0,& G_m\left(k_{i,j}\right)=y_{i,j}\end{array}\end{array}\right.,$ ω^β _i,j表示第i个电压运行数据的第j个分段数据在第β次迭代过程中的权值；

步骤3.4：根据下面公式计算分类器G_m(k_i,j)的系数α^β _m和新的权值ω^β+1 _i,j，其中α^β _m表示第m个分类器第β次迭代时的权值系数，ω^β+1 _i,j表示第i个电压运行数据的第j个分段数据在第β+1次迭代过程中的权值；

${{\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m=\frac{1}{2}\log \frac{1-{e^{\mathrm{\&beta;}}}_{i,m}}{{e^{\mathrm{\&beta;}}}_{i,m}}$

${{\mathrm{\&omega;}}^{\mathrm{\&beta;}+1}}_{i,j}=\left\{\begin{array}{cc}\frac{{{\mathrm{\&omega;}}^{\mathrm{\&beta;}}}_{i,j}}{Z_m}{e}^{{{-\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m},& G_m\left(k_{i,j}\right)\&NotEqual;y_{i,j}\\ \frac{{{\mathrm{\&omega;}}^{\mathrm{\&beta;}}}_{i,j}}{Z_m}{e}^{{{\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m},& G_m\left(k_{i,j}\right)=y_{i,j}\end{array}\right.$

其中Z_m为规范化因子，并得到新的权重向量D^β+1 _i,j

D^β+1 _i,j＝(ω^β+1 _i,1,…,ω^β+1 _i,j,…,ω^β+1 _i,t)；

步骤3.5：经过设定次数迭代后，得到分类器线性加权后的整体二分类器C_s：

$C_s=\mathrm{sign}\left({\mathrm{\&Sigma;}}_{m=1}^Q{{\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m{G}_m\left(k_{i,j}\right)\right);$

步骤3.6：根据步骤3.5得到的整体二分类器C_s，利用GeneralizedBradley-Terry模型，引入主动学习机制，构成多分类器C_f；

步骤4：获取新的待诊断的飞机整流器电压运行数据，并将新的待诊断的飞机整流器电压运行数据按照步骤1和步骤2的过程建立故障检测集，并将故障检测集输入到多分类器C_f中，得到状态识别结果。

有益效果

本发明的有益效果是：系统采用自适应的方法诊断飞机发电机整流器故障，这主要体现在两方面，一方面是在诊断方法的建立过程中系统会根据分类器对整流器二极管的工作模式识别准确度自适应的调整各分类器的权值，增加分类误差小的分类器的权值，减小分类误差大的分类器的权值，使效果明显的分类器在工作模式判断中起较大的作用；另一方面是在状态识别训练集识别过程中系统会自适应的改变数据的权值，对于被错分的特征在下一次的识别过程中系统的样本权值会增加，对于正确分类的特征在下一次判断过程中系统的样本权值将会减小，使被错分的特征具有更大的关注度；通过这两种方式系统可以确保在飞机发电机整流器工作模式识别过程中结果是完全正确的，可靠性符合航空系统对系统可靠性的要求。

附图说明

图1为飞机发电机整流器结构图；

图2为诊断过程流程图。

具体实施方式

下面结合具体实施例描述本发明：

本发明属于健康监控和预测的一种方法，方法的核心是实现离线和在线的健康监控，附图2中用实线和虚线进行了区分，实现代表离线过程，虚线代表在线监控过程。本发明通过调整训练样本的权重，学习多个分类器，并将这些分类器线性组合。相比其他机器学习方法，本发明可以对分类器结果调整权重，分类效果好的分类器赋以大的权值，分类效果差的分类器赋以小的权值，从而自适应的提高故障分类的精度。同时，该方法对故障特征进行自适应选择，特征明显的赋以大的权重，特征不明显的赋以小的权重，实现特征的优胜劣汰，进而提高故障特征的识别能力。

本实施例的具体步骤为：

步骤1：获取飞机发电机整流器6个二极管在13种状态模式下的电压运行数据；飞机发电机整流器结构如图1所示，6个二极管为D_aT，D_aB，D_bT，D_bB，D_cT和D_cB。

所述13种状态模式分别为：

1、整流器二极管全无故障的状态模式M₀，对应的电压运行数据为S₀；

2、整流器6个二极管各自单独出现故障的状态模式M₁，M₂，M₃，M₄，M₅和M₆，依次对应的电压运行数据为S₁，S₂，S₃，S₄，S₅，S₆；

3、整流器6个二极管中有两个二极管同时出现故障的状态模式M₇，M₈，M₉，M₁₀，M₁₁和M₁₂，依次对应的电压运行数据为S₇，S₈，S₉，S₁₀，S₁₁和S₁₂。根据飞机发电机励磁电机的工作模式，整流器中两个二极管同时出现故障的故障模式对应于如下6种情况：D_aT,D_bB同时故障、D_aT,D_cB同时故障、D_bT,D_aB同时故障、D_bT,D_cB同时故障、D_cT,D_aB同时故障、D_cT,D_bB同时故障。

步骤2：对步骤1得到的13种状态模式下的电压运行数据进行特征提取，建立故障检测训练集：

步骤2.1：将电压运行数据S₀～S₁₂分别分为t段，每段有N个数据点；对于电压运行数据S_i，0≤i≤12，得到的分段数据为S_i,1，S_i,2，…，S_i,t；

步骤2.2：对于电压运行数据S_i，计算每段数据的峭度k_i，j，0≤i≤12,1≤j≤t：

$k_{i,j}=\frac{1}{{{\mathrm{\&delta;}}_{i,j}}^{4}N}{\mathrm{\&Sigma;}}_{z=1}^N{(x_{i,j,z}-{\stackrel{-}{x}}_{i,j})}^4$

其中N为每段数据中的数据点数，x_i,j,z为数据点，为第i个电压运行数据的第j分段的数据均值，δ_i,j为第i个电压运行数据的第j分段的数据标准差；

步骤2.3：根据步骤2.2的结果构建故障检测训练集Tr：

步骤3：运用自适应方法对故障检测训练集Tr构建分类器：

步骤3.1：建立初始权重向量D¹ _i,j：

$\begin{array}{cc}{D^1}_{i,j}=({{\mathrm{\&omega;}}^1}_{i,1},\&CenterDot;\&CenterDot;\&CenterDot;,{{\mathrm{\&omega;}}^1}_{i,j},\&CenterDot;\&CenterDot;\&CenterDot;,{{\mathrm{\&omega;}}^1}_{i,t})& {{\mathrm{\&omega;}}^1}_{i,j}=\frac{1}{t},0\&le;i\&le;\mathrm{12,1}\&le;j\&le;t;\end{array}$

其中ω¹ _i,j为对第i个电压运行数据的第j分段数据的峭度特征所赋予的初始权重；

步骤3.2：采用stumps方法建立分类模型G_m(k_i,j)：

$G_m\left(k_{i,j}\right)=\left\{\begin{array}{c}\begin{array}{cc}{M}_p,\mathrm{if}& k_{i,j}>\mathrm{\&theta;and}{y}_{i,j}\&Element;S\end{array}\\ \begin{array}{cc}{M}_p,\mathrm{if}& k_{i,j}<\mathrm{\&theta;and}{y}_{i,j}\&Element;S\end{array}\end{array}\right.$

其中θ代表采用峭度特征进行状态模式识别的阈值，y_i,j指第i个电压运行数据的第j分段数据的峭度特征所代表的状态模式；S＝{M_p,M_q}，M_p,M_q为13种状态模式的两种状态模式；取m＝1，2，3，…,5，按照分类模型，并设置不同的θ，构建5个分类器；

步骤3.3：根据下面公式迭代计算每个分类器的第β次迭代过程中的错误分类的误差e^β _i,m，e^β _i,m表示第β次迭代过程中第m个分类器在区分第i个电压运行数据时产生的误差：

${e^{\mathrm{\&beta;}}}_{i,m}=\underset{j=1}{\overset{t}{\mathrm{\&Sigma;}}}{{\mathrm{\&omega;}}^{\mathrm{\&beta;}}}_{i,j}I\left(G_m\left(k_{i,j}\right)\right)$

其中 $I\left(G_m\left(k_{i,j}\right)\right)=\left\{\begin{array}{c}\begin{array}{cc}1,& G_m\left(k_{i,j}\right)\&NotEqual;y_{i,j}\end{array}\\ \begin{array}{cc}0,& G_m\left(k_{i,j}\right)=y_{i,j}\end{array}\end{array}\right.,$ ω^β _i,j表示第i个电压运行数据的第j个分段数据在第β次迭代过程中的权值；

步骤3.4：根据下面公式计算分类器G_m(k_i,j)的系数α^β _m和新的权值ω^β+1 _i,j，其中α^β _m表示第m个分类器第β次迭代时的权值系数，ω^β+1 _i,j表示第i个电压运行数据的第j个分段数据在第β+1次迭代过程中的权值；

${{\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m=\frac{1}{2}\log \frac{1-{e^{\mathrm{\&beta;}}}_{i,m}}{{e^{\mathrm{\&beta;}}}_{i,m}}$

${{\mathrm{\&omega;}}^{\mathrm{\&beta;}+1}}_{i,j}=\left\{\begin{array}{cc}\frac{{{\mathrm{\&omega;}}^{\mathrm{\&beta;}}}_{i,j}}{Z_m}{e}^{{{-\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m},& G_m\left(k_{i,j}\right)\&NotEqual;y_{i,j}\\ \frac{{{\mathrm{\&omega;}}^{\mathrm{\&beta;}}}_{i,j}}{Z_m}{e}^{{{\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m},& G_m\left(k_{i,j}\right)=y_{i,j}\end{array}\right.$

其中Z_m为规范化因子，并得到新的权重向量D^β+1 _i,j

D^β+1 _i,j＝(_ω ^β+1 _i,1,…,ω^β+1 _i,j,…,ω^β+1 _i,t)；

步骤3.5：经过4次迭代后，得到分类器线性加权后的整体二分类器C_s：

$C_s=\mathrm{sign}\left({\mathrm{\&Sigma;}}_{m=1}^5{{\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m{G}_m\left(k_{i,j}\right)\right);$

步骤3.6：根据步骤3.5得到的整体二分类器C_s，利用GeneralizedBradley-Terry模型，引入主动学习机制，构成多分类器C_f；这里具体的方法在张江红的“多分类主动学习方法在地表分类中的应用”这篇论文中有详细描述。

步骤4：获取新的待诊断的飞机整流器电压运行数据，并将新的待诊断的飞机整流器电压运行数据按照步骤1和步骤2的过程建立故障检测集，并将故障检测集输入到多分类器C_f中，得到状态识别结果。

本发明所提出的自适应的电机整流器故障诊断方法，属于应用数据驱动实现故障诊断的方法，系统采集飞机发电机整流器电压数据，提取特征，获得故障诊断分类器，监控系统状态，方法构建的过程中需要获取飞机发电机整流器工作模式的历史数据，针对性比较强。这种数据处理方法集成于飞机FADEC中保护系统运行，状态监控的结果可以通过飞机上的数据总线和通信系统报告给飞行员和地面监控人员，为操作提供指示，为工作人员维修提供依据。

本发明使用的自适应的方法具有应用广泛的特点，相比其他算法它具有可以使用各种分类方法构建分类器特点，且简单不用做特征筛选，也不用担心过拟合等问题。

本发明方案的关键在于如图1所示在飞机发电机基础上分析了飞机发电机整流器故障发生的诱因，根据诱因设计故障诊断的模式识别方案，基于飞机发电机的历史数据设计了识别流程，如图2所示，并且提出了实现离线和在线两种状态诊断方式。

Claims (1)

1.一种飞机发电机整流器的自适应故障诊断方法，其特征在于：采用以下步骤：

步骤1：获取飞机发电机整流器6个二极管在13种状态模式下的电压运行数据；所述13种状态模式分别为：

1、整流器二极管全无故障的状态模式M₀，对应的电压运行数据为S₀；

2、整流器6个二极管各自单独出现故障的状态模式M₁，M₂，M₃，M₄，M₅和M₆，依次对应的电压运行数据为S₁，S₂，S₃，S₄，S₅，S₆；

3、整流器6个二极管中有两个二极管同时出现故障的状态模式M₇，M₈，M₉，M₁₀，M₁₁和M₁₂，依次对应的电压运行数据为S₇，S₈，S₉，S₁₀，S₁₁和S₁₂；

步骤2：对步骤1得到的13种状态模式下的电压运行数据进行特征提取，建立故障检测训练集：

步骤2.1：将电压运行数据S₀～S₁₂分别分为t段；对于电压运行数据S_i，0≤i≤12，得到的分段数据为S_i,1，S_i,2，…，S_i,t；

步骤2.2：对于电压运行数据S_i，计算每段数据的峭度k_i，j，0≤i≤12,1≤j≤t：

$k_{i,j}=\frac{1}{{{\mathrm{\&delta;}}_{i,j}}^{4}N}{\mathrm{\&Sigma;}}_{z=1}^N{(x_{i,j,z}-{\stackrel{\&OverBar;}{x}}_{i,j})}^4$

其中N为每段数据中的数据点数，x_i,j,z为数据点，为第i个电压运行数据的第j分段的数据均值，δ_i,j为第i个电压运行数据的第j分段的数据标准差；

步骤2.3：根据步骤2.2的结果构建故障检测训练集Tr：

步骤3：运用自适应方法对故障检测训练集Tr构建分类器：

步骤3.1：建立初始权重向量D¹ _i,j：

D¹ _i,j＝(ω¹ _i,1,…,ω¹ _i,j,…,_ω ¹ _i,t)  ${{\mathrm{\&omega;}}^1}_{i,j}=\frac{1}{t},0\&le;i\&le;\mathrm{12,1}\&le;j\&le;t;$

其中ω¹ _i,j为对第i个电压运行数据的第j分段数据的峭度特征所赋予的初始权重；

步骤3.2：采用stumps方法建立分类模型G_m(k_i,j)： $G_m\left(k_{i,j}\right)=\left\{\begin{array}{cccc}{M}_p,\mathrm{if}& k_{i,j}>\mathrm{\&theta;}& \mathrm{and}& y_{i,j}\&Element;S\\ M_q,\mathrm{if}& k_{i,j}<\mathrm{\&theta;}& \mathrm{and}& y_{i,j}\&Element;S\end{array}\right.$

其中θ代表采用峭度特征进行状态模式识别的阈值，y_i,j指第i个电压运行数据的第j分段数据的峭度特征所代表的状态模式；S＝{M_p,M_q}，M_p,M_q为13种状态模式的两种状态模式；取m＝1，2，3，…，Q，按照分类模型，并设置不同的θ，构建Q个分类器；

步骤3.3：根据下面公式迭代计算每个分类器的第β次迭代过程中的错误分类的误差e^β _i,m，e^β _i,m表示第β次迭代过程中第m个分类器在区分第i个电压运行数据时产生的误差： ${e^{\mathrm{\&beta;}}}_{i,m}=\underset{j=1}{\overset{t}{\mathrm{\&Sigma;}}}{{\mathrm{\&omega;}}^{\mathrm{\&beta;}}}_{i,j}I\left(G_m\left(k_{i,j}\right)\right)$

其中 $I\left(G_m\left(k_{i,j}\right)\right)=\left\{\begin{array}{cc}1,& G_m\left(k_{i,j}\right)\&NotEqual;y_{i,j}\\ 0,& G_m\left(k_{i,j}\right)=y_{i,j}\end{array}\right.,$ 表示第i个电压运行数据的第j个分段数据在第β次迭代过程中的权值；

步骤3.4：根据下面公式计算分类器G_m(k_i,j)的系数α^β _m和新的权值ω^β+1 _i,j，其中α^β _m表示第m个分类器第β次迭代时的权值系数，ω^β+1 _i,j表示第i个电压运行数据的第j个分段数据在第β+1次迭代过程中的权值； ${{\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m=\frac{1}{2}\log \frac{1-{e^{\mathrm{\&beta;}}}_{i,m}}{{e^{\mathrm{\&beta;}}}_{i,m}}$ ${{\mathrm{\&omega;}}^{\mathrm{\&beta;}+1}}_{i,j}=\left\{\begin{array}{cc}\frac{{{\mathrm{\&omega;}}^{\mathrm{\&beta;}}}_{i,j}}{Z_m}{e}^{{{-\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m},& G_m\left(k_{i,j}\right)\&NotEqual;y_{i,j}\\ \frac{{{\mathrm{\&omega;}}^{\mathrm{\&beta;}}}_{i,j}}{Z_m}{e}^{{{\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m},& G_m\left(k_{i,j}\right)=y_{i,j}\end{array}\right.$

其中Z_m为规范化因子，并得到新的权重向量D^β+1 _i,jD^β+1 _i,j＝(ω^β+1 _i,1,…,ω^β+1 _i,j,…,ω^β+1 _i,t)；

步骤3.5：经过设定次数迭代后，得到分类器线性加权后的整体二分类器Cs： $C_s=\mathrm{sign}\left({\mathrm{\&Sigma;}}_{m=1}^Q{{\mathrm{\&alpha;}}^{\mathrm{\&beta;}}}_m{G}_m\left(k_{i,j}\right)\right);$

步骤3.6：根据步骤3.5得到的整体二分类器C_s，利用GeneralizedBradley-Terry模型，引入主动学习机制，构成多分类器C_f；

步骤4：获取新的待诊断的飞机整流器电压运行数据，并将新的待诊断的飞机整流器电压运行数据按照步骤1和步骤2的过程建立故障检测集，并将故障检测集输入到多分类器C_f中，得到状态识别结果。