CN108957173A - 一种用于航空电子系统状态的检测方法 - Google Patents

Abstract

本发明提供一种用于航空电子系统状态的检测方法，属于航电系统的状态检测及应用领域，本发明通过记录飞机飞行过程中航电系统产生的飞行参数数据和故障记录，统计得到飞机在正常状态和故障状态下航电系统飞参数据的状态变化规律，从而实现对航电系统的状态进行检测，分辨出飞机航电系统处于健康状态或者是故障状态。以期实现对飞机航电系统和各子系统子部件的健康状况作出预测性判定。可快速准确的完成飞机的检修维护工作，为空军和海航部队的地面保障业务提供理论支撑和数据依据。

Description

一种用于航空电子系统状态的检测方法

技术领域

本发明涉及航电系统的状态检测及应用技术，尤其涉及一种用于航空电子系统状态的检测方法。

背景技术

近年来，我国空军和海军航空兵的战机装备迎来一个快速发展的时期。从歼10、歼10B到歼15、歼20，再到正在研制即将装备的歼31，这些新型战机在提高我空军和海航部队现代化数字化水平和战斗力的同时，其先进、复杂的航空电子系统也对后勤的检测、维修以及可靠性保障提出了更高的要求。在这种情况下，对航电系统状态的识别、检测，进而对飞机各子系统、子部件的预测性维护的需求逐渐凸显。

由于历史原因，我空军和海航部队的地面保障工作多是基于过往经验形成的规章制度进行的，大多数装备都采用定期检修的思路。这种一刀切的方式在对人力财力物力造成一定浪费的同时，也可能会忽视一些个别亟待检修的装备。另一方面，技术的发展，原理的改变使得传统的经验和制度无法再通过对新型航电系统进行分析来指导飞机各部件的检修工作。

因此，寻找一种新的航电系统状态检测的方法势在必行，航电系统的检测本质上是对航电系统的变化规律进行建模，基于该模型对使用中的航电系统状态进行识别，分辨飞机航电系统本身是否处于正常状态，为判定各子系统、子部件是否处于正常的状态，或是系统、哪些部件处于故障乃至何种故障的状态提供数据支撑，进而针对出现的故障进行维修，以应对新型复杂航电系统带来的维护压力，提升整个地面保障业务的效率和可靠性。

航电系统在运行时产生大量的飞行参数数据，这些数据反映了飞机航电系统本身和子系统、子部件的工作状态和工作特性，经过地面译码处理，分析这些飞参数据，可以对航电系统或飞机各子系统、子部件的健康状况、故障原因、故障程度和趋势等作出判定，从而为视情维修提供可靠的依据。而要在维修保障工作中发挥出这些飞参数据的作用，必须综合设备和专业知识，对记录的飞参数据进行分析建模，提取出蕴含飞机各设备的状态信息和故障信息。因此，迫切需要研究一种基于航电系统产生的飞参数据和飞机的故障维修记录对飞机航电系统状态进行检测的方法。

发明内容

本发明为了有效提升航空装备保障业务的科学性和有效性，提出一种航空电子系统的状态检测方法。充分利用飞机故障记录和航电系统飞参数据，深入挖掘飞参数据价值，贴合飞机装备实际使用情况，实现对飞机航电系统健康状况快速、精准识别。

本发明通过记录飞机飞行过程中航电系统产生的飞行参数数据和故障记录，统计得到飞机在正常状态和故障状态下航电系统飞参数据的状态变化规律，从而实现对航电系统的状态进行检测，分辨出飞机航电系统处于健康状态或者是故障状态。以期实现对飞机航电系统和各子系统子部件的健康状况作出预测性判定。

本发明的技术方案如下：

一种航空电子系统的状态检测方法，具体包括如下步骤

步骤一：收集航电系统产生的飞行参数数据和飞机的维修故障记录。

步骤二：以一个架次中航电系统所产生的飞参数据作为一个样本单元，根据设备维修故障记录，对飞参数据样本进行标签标定，并将样本分为训练样本和测试样本。

步骤三：针对构建的样本进行特征提取。

步骤四：根据数据提取的特征，训练支持向量机(Support Vector Machine，SVM)模型，并通过测试样本来进行模型择优。

步骤五：使用航电系统检测模型来对正在使用的航电系统状态进行检测，并依此实现预测性维修。

其中：

步骤二所述飞参数据样本构建的方法为：

a)以一个架次中航电系统所产生的飞参数据作为一个样本单元，根据设备维修故障记录，对飞参数据样本进行标签标定，发生故障对应架次的飞参数据标定为负样本，未发生故障所对应的飞参数据标定为正样本。将带有标签的飞参数据样本划分为训练样本集和测试样本集。

b)为方便程序读取数据文件，将所有的正样本数据合并到一个文件，所有的负样本合并到一个文件。在读取使用这些数据时，每3600行对应一个类别标签。

步骤三所述针对样本进行特征提取的方法为多种特征提取方法加权的融合特征提取方法，具体为：

a)采用基于基本统计特征提取方法，选取每个样本的每个参数的均值、方差作为特征向量；

b)采用基于变换的特征提取方法，选取Harr小波变换得到的特征向量；

c)将这两种方法得到的特征向量通过加权融合，形成新的特征向量，作为SVM模型训练特征。

步骤四所描述的训练SVM模型并通过测试样本进行模型择优的具体方法为：

a)根据步骤三中提取的融合特征，输入支持向量机模型进行训练，在训练时采用多种核函数(线性核、多项式核、径向基、sigmoid四种核函数)得到航电系统状态检测模型；

b)利用的测试样本集来测试训练好的模型，分析采用不同核函数得到的检测模型的测试正确率，择优选用。

步骤五中描述的对航电系统状态进行检测，其具体步骤为：

a)收集检测当前架次产生的航电系统飞参数据；

b)将数据送入步骤四中得到的最优模型，判定航电系统当前状态是否正常。

本发明的有益效果：

基于飞机故障记录和航电系统飞参数据，对航电系统状态规律进行分析建模，进而实现对航电系统当前状态的检测，为装备的健康状况评估、日常检修以及装备备件工作提供数据支撑，从而有效突破现有规章制度和历史经验无法利用新型航电系统来指导飞机维修保养工作的困境，满足新形势下先进战机的机务保障数组化和智能化需求，符合军队信息化建设趋势。

附图说明

图1为航电系统状态检测建模的流程图；

图2为航电系统状态检测建模的工程架构图。

具体实施方式

下面对本发明的内容进行更加详细的阐述：

本发明的一种航电系统状态的检测方法，其流程框图如图1所示，具体步骤如下：

步骤一：收集航电系统产生的飞参数据。

主要包括校正空速(Vc)、气压高度(Hp)、大气总温(Tt)、升降速度(Vhl)、马赫数(M)、时间基准(Time)、无线电高度(Hw)、真航向(Heading)、俯仰角(Pitch)、横滚角(Roll)等10个参数。数据来源于2010-2016年xx飞机在所有飞行架次获取的实际数据，每年均匀获取150架次，共1050架次，即1050组数据。每组数据取其中飞行的1个小时，由于飞机在飞行时，设备每秒采取10个数据，为防止数据重复使用，仅使用每秒一个数据进行实验测试，即每组数据具有3600*10个数据，共1050组。其中每组数据行代表时间，列代表同一时间不同参数的数值。

步骤二：构建样本。

在1050组数据中，其中750组数据用于训练，300组数据用于测试。而750组数据中，有正样本400组，负样本350组，正样本类别标签为1，负样本类别标签为0，每个样本大小为3600*10。在样本构建过程中，为方便SVM训练，实际数据保留三位有效小数。

为方便程序读取，将所有正样本数据合并到一个文件，即400组正样本合并为一个正样本，此时，正样本大小为1440000*10；同理，将负样本也整理为一个文件，大小为1260000*10。在数据读取时，每3600行对应一个类别标签，所以正样本的类别标签大小为400*1，数值均为1，负样本类别标签大小为350*1，数值均为0。表1-1展示了2010年7月21日飞行架次的参数列表(部分)。

表1 2010年7月21日飞行架次参数列表

步骤三，特征提取。

经过多方面分析，特征提取采用多种方法加权的融合特征。其一采用基于基本统计方法的特征，选取每个样本每个参数的均值、方差作为特征向量；其二采用基于变换的特征提取方法，选取Harr小波变换得到的特征矢量。小波变换是将信号分解到不同尺度的线性变换，应用较为广泛，适合飞参数据的变化，且其特征矢量与SVM模型结合，可得到较好的分类结果。将多个特征矢量通过加权融合，形成新的特征向量，作为SVM模型训练特征。

采用参数均值、方差构建样本的特征向量，每个样本返回1*12维的均值和方差；Harr小波变换将此数据序列分为尺度部分与细节部分，尺度部分通过待分析序列卷积低通滤波器得到，反映了原序列的大致趋势和走向，而细节部分通过待分析序列卷积高通滤波器得到，表示信号在细节上的差异。由于小波特征的多尺度分解性质，对尺度部分进一步分解可得到更加详细的尺度部分和细节部分。表2展示了实际数据采取的具体特征向量的大小。

表2 时序数据的训练特征提取

特征	均值	方差	小波变换	融合特征
					维度	1*10	1*10	113*10	1*1150

步骤四：训练模型，择优选用。

svm是在统计学习理论基础上发展起来的一种新的机器学习方法，是基于结构风险最小化的原则，具有很强的泛化能力。对于给定样本{x_i，y_i}，x_i∈R^m，y_i＝{0，1}，i＝1，2，...，n，n为样本数，m为输入维数。对于这样的两类样本分类问题，寻找其最优分类面的过程可以归结为求解如下约束优化方程:

约束条件为：

y_i[ω^Tφ(x_i)+b]≥1-ζ_i,i＝1,2,…,n (4-2)

ζ_i≥0 i＝1,2,…,n (4-3)

其中：C为惩罚因子，通过改变惩罚因子可以在分类器的泛化能力和误分类率之间进行折衷；ω为权向量，ζ_i为松弛变量，b为分类阈值。非线性变换φ(·)将给定模式样本映射到高维特征空间，使得原空间非线性可分的两类样本在特征空间中变得线性可分。引入拉格朗日函数L，得到优化问题(4-1)的对偶形式，即最大化函数：

约束条件为：

0≤a_i≤C,i＝1,2,…,n (4-5)

解优化问题(4-4)，就能得到分类决策函数：

f(x)＝sgn(∑a_iy_iK(x_i,x_j)+b) (4-7)

式(4-7)就被称为支持向量机，其中a_i为拉格朗日算子，为核函数。常用的核函数类型有线性核函数K(x_i，x_j)＝x_ix_j，多项式核函数K(x_i，x_j)＝(x_ix_j+1)^d，d＝1，2，...，径向基核函数sigmoid核函数K(x_i，x_j)＝tanh[b(x_i，x_j)-c]等。

根据数据提取的融合特征，用以训练SVM模型。训练集由750组样本，分别得到其特征矢量；将样本输入到SVM进行训练，利用训练好的分类器对其余300组数据进行测试，得到每组数据是否为故障数据，并在SVM训练时采用多种核函数(线性核函数、多项式核函数、径向基核函数、sigmoid核函数)，计算其测试样本的正确率。表4-1为相同条件下，采用不同核函数的SVM模型测试结果。

表3 不同核函数下的SVM测试结果

注：所有核函数的参数均设为单位数值或单位向量。

选择其中正确率最高的模型即采用径向基核函数的模型作为航电系统状态检测模型。

步骤五：对使用中的航电系统进行检测。

针对某正在使用中的航电系统，收集其飞参数据，送入步骤四中建立的最优模型。得到该航电系统的系统状态，进而根据系统状态判定系统或飞机各部件是否存在故障。

Claims (6)

1.一种用于航空电子系统状态的检测方法，其特征在于，

具体步骤如下：

步骤一：收集航电系统产生的飞行参数数据，飞机的维修故障记录；

步骤二：以一个架次中航电系统所产生的飞参数据作为一个样本单元，根据设备维修故障记录，对飞参数据样本进行标签标定；

步骤三：针对构建的样本进行特征提取；

步骤四：根据数据提取的特征，训练支持向量机模型，并通过测试样本来进行模型择优；

步骤五：使用航电系统检测模型来对正在使用的航电系统状态进行检测，并依此实现预测性维修。

2.根据权利要求1所述的检测方法，其特征在于，

步骤二中，飞参数据样本构建的方法为：

a)以一个架次中航电系统所产生的飞参数据作为一个样本单元，根据设备维修故障记录，对飞参数据样本进行标签标定，发生故障架次对应的飞参数据标定为负样本，未发生故障所对应的飞参数据标定为正样本；将带有标签的飞参数据样本划分为训练样本集和测试样本集；

b)为方便程序读取数据文件，将所有的正样本数据合并到一个文件，所有的负样本合并到一个文件；在读取使用这些数据时，每3600行对应一个类别标签。

3.如权利要求1所述方法，其特征在于，

步骤三中，针对样本进行特征提取的方法为多种特征提取方法加权的融合特征提取方法，具体为：

a)采用基于基本统计特征提取方法，选取每个样本的每个参数的均值、方差作为特征向量；

b)采用基于变换的特征提取方法，选取Harr小波变换得到的特征向量；

c)将这两种方法得到的特征向量通过加权融合，形成新的特征向量，作为SVM模型训练特征。

4.如权利要求1所述方法，其特征在于，

步骤四中，训练SVM模型并通过测试样本进行模型择优的具体方法为：

a)根据步骤三中提取的融合特征，输入支持向量机模型进行训练，在训练时采用一种以上的核函数(线性核、多项式核、径向基、sigmoid四种核函数)得到航电系统状态检测模型；

b)利用测试样本集来测试训练好的模型，分析采用不同核函数得到的检测模型的测试正确率，择优选用。

5.如权利要求4所述方法，其特征在于，

核函数包括：线性核、多项式核、径向基、sigmoid四种核函数。

6.如权利要求1所述方法，其特征在于，

步骤五中，对航电系统状态进行检测，其具体步骤为：

a)收集检测当前架次产生的航电系统飞参数据；

b)将数据送入步骤四中得到的最优模型，判定航电系统当前状态是否正常。