CN109408552B - 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 - Google Patents

Abstract

本发明公开了基于LSTM‑AE深度学习框架的民机系统故障监测与识别方法，涉及民机复杂系统状态监控与故障诊断技术领域，能够充实现飞行故障的监测和识别。本发明包括：选取飞机飞行中某稳定工况下系统多状态参数时间序列数据，并根据监测对象的特点，选取合适的工况下的状态参数时间序列数据用于系统重构模型的训练，然后充分利用LSTM模型所具有长时间序列依赖的记忆能力，对民机系统无故障状态进行建模与重构，通过进一步分析其状态参数重构误差实现故障的监测和识别。本发明解决了民机系统故障监测手段不足的问题，利用深度学习在大数据分析方面的优势，挖掘民机海量运营和维修数据，为民机系统故障监测与航线故障隔离提供了重要支持。

Description

基于LSTM-AE深度学习框架的民机系统故障监测与识别方法

技术领域

本发明涉及民机复杂系统状态监控与故障诊断技术领域，尤其涉及了基于LSTM-AE深度学习框架的民机系统故障监测与识别方法。

背景技术

现代工程系统复杂性和集成化程度日益升高，同时面临着任务和运行环境动态多样性的挑战，由此带来的可靠性、安全性问题也日趋突出。此外，对其“经济可承受性”也提出了较高要求。与此同时，随着低成本传感与通信技术的发展，现代工程系统通常安装有各种监测系统，在线监测记录系统的状态、性能、运行环境及载荷等参数，这些海量数据具有“工业大数据”的动态、连续采样、多源性、非结构化、大体量等特点，为研究复杂系统的动态行为、安全运行与监控等多个方面带来了新的机遇。

在民用航空领域，随着系统健康监测技术的发展，民机越来越多的系统采用了健康监测技术，可实现故障监测、定位以及故障预测，使飞机的维修具备了实施更加精准的基于状态的维修的条件。特别是现代民机通常配置有飞机状态监测系统，通过机载数据总线收集各个子系统和部件的工作参数，并根据需要传输到地面进行实时分析或存储到机载设备上(如QAR，Quick Access Recorder，快速存取记录器) 供航后离线分析。随着成本不断降低及应用需求的持续增长，现代民机采集的状态参数日益增多，这些数据为航空安全风险监控、飞机故障监测与航线故障隔离支持提供了丰富的数据源。自上世纪九十年代国际领先的民用飞机制造商引入PHM(Prognostic and Health Management故障预测与健康管理)的概念和技术，经过了20多年的发展，建立起了基于空地双向数据通信系统的实时监控与健康管理系统，此类系统的典型代表是波音AHM系统、空客AiRTHM系统，此类系统对于OEM的运营支持和产品技术支援具有重要意义。在民用航空维修领域中，越来越多的数据收集和智能分析工具正在被开发和运用，但人工智能技术在航空维修业的应用仍处于初始阶段，新一代飞机上产生的运营和维修数据呈现数量级增长，但数据利用远远不够，无法充分释放飞机运行海量数据、信息与知识在机务维修领域中的价值。

综上，现有技术中缺乏一种系统健康监测方法，能挖掘民机海量运营和维修数据，为民机系统故障监测与航线故障隔离提供支持。

发明内容

本发明提供了基于LSTM-AE(Long ShortTerm Memory-Auto Encoder基于长短期记忆网络的自编码器)深度学习框架的民机系统故障监测与识别方法，能够充分利用LSTM(Long Short-Term Memory长短期记忆网络)模型所具有长时间序列依赖的记忆能力，对民机系统无故障状态进行建模与重构，通过进一步分析其状态参数重构误差实现故障的监测和识别。

为达到上述目的，本发明采用如下技术方案：

基于LSTM-AE深度学习框架的民机系统故障监测与识别方法，包括：

S1、在飞机飞行时某一稳定工况下，提取飞机机载系统中多个状态参数的时间序列数据。本发明对民机的典型机电系统都适用，比如空调系统、动力系统，不同的系统需要利用不同的状态参数。常用的状态参数包括但不限于引气系统的引气压力、温度参数，空调系统的压缩机出口温度、组件出口温度、混合室温度等。S2、对时间序列数据利用等时间间隔方法提取，得到模型训练数据样本，模型训练数据样本的集合即为飞机机载系统无故障状态的训练数据集。

S3、利用LSTM深度模型所具有的长时间序列建模能力，并依据自编码器原理建立LSTM-AE模型，利用训练数据集训练LSTM-AE模型，并重构LSTM-AE模型的参数，得到训练好的LSTM-AE模型。

S4、利用训练好的LSTM-AE模型的状态参数，重构飞机机载系统的状态参数，计算重构误差矩阵，并在误差矩阵的基础上计算飞机机载系统健康指数和故障特征向量，健康指数用于故障预警，故障特征向量用于故障识别。

进一步的，根据监测对象的特点，选取合适的工况下的状态参数时间序列数据用于系统重构模型的训练。

进一步的，根据监测对象的特点，如监测对象的工作原理、飞行不同阶段系统构型特点等，选取合适的工况(如起飞阶段、爬升阶段、巡航阶段等)下的状态参数时间序列数据用于系统重构模型的训练，具体的选择取决于飞机机载系统的类型。

进一步的，S2包括：

设定I为采样间隔，L为采样样本长度，N表示提取的多元状态时间序列数据的长度，则时间序列数据X＝(X₁，X₂，…，X_N)(N＝L*I)，表达为以下格式：

X＝(X₁，X₂，…，X_N)＝(X₁，X₂，…，X_I，X_I+1，…，X_2I，X_2I+1，…，X_(L-1)I，X_(L-1)I+1，…，X_LI)

通过等时间间隔采样得到的模型训练数据样本构成了训练数据集S＝(s₁，s₂，…，s_I)：

训练数据样本分别为：

s₁＝(X₁，X_I+1，X_2I+1，…，X_(L-1)I+1)

s₂＝(X₂，X_I+2，X_2I+2，…，X_(L-1)I+2)

………

s_I＝(X_I，X_2I，X_3I，…，X_LI)。

进一步的，计算重构误差矩阵的方法为：

用多元时序数据X描述飞行系统的状态，利用训练好的LSTM-AE 模型得到飞行系统的状态估计为

则重构误差矩阵E为：

其中，

表示第j个参数t时刻的重构误差，j、t均为正整数。

进一步的，健康指数为HI：

其中，E为重构误差矩阵，

表示第j个参数t时刻的重构误差， I为采样间隔，L为采样样本长度，j、t均为正整数。

进一步的，计算故障特征向量为V：

V＝(v¹ ... v^N)

其中，v^j表示第j个参数的平均重构误差，E为重构误差矩阵，

表示第j个参数t时刻的重构误差，I为采样间隔，L为采样样本长度，j、 t均为正整数。

本发明的有益效果是：

本发明利用LSTM模型所具有的长时间序列依赖的记忆能力以及AE模型在无监督学习与特征抽取方面的优势，提出LSTM-AE深度学习模型用于民机系统多元时序数据的分析，实现故障的监测与识别，首先利用训练数据集训练模型并优化模型参数，融合LSTM模型处理长时间序列以及AE模型在无监督特征学习方面的优势，提出LSTM-AE模型，利用民机系统无故障状态下获取的数据样本来训练系统状态重构模型；

本发明提出的是一种数据驱动的方法，不需要建立复杂的系统物理模型，仅根据系统的多元时序状态数据训练系统重构模型，适应于挖掘现代民机系统采集的丰富的状态监测数据；

并且LSTM模型所具有的长时间序列依赖的记忆能力，使其在飞机系统多元时序状态数据分析中表现出更强的适应性，能够通过隐藏层捕获时间序列的信息，进而更加准确地重构实现系统的状态参数；

同时AE模型具有无监督学习与特征抽取的能力，对故障样本数据依赖性较小，因此仅借助系统比较容易获取的无故障状态下的数据样本即可实现特征值的抽取；

综上，本发明解决了民机系统故障监测手段不足的问题，利用深度学习在大数据分析方面的优势，挖掘民机海量运营和维修数据，为民机系统故障监测与航线故障隔离提供了重要支持。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明的流程图；

图2为本发明实施例中的重构LSTM-AE模型；

图3为本发明实施例中无故障状态下的引气系统压力和温度参数随飞行阶段变化情况；

图4为本发明实施例中基于某飞机引气系统一年的飞行数据计算得到的健康指数示意图；

图5为本发明实施例中两种典型常见故障的故障特征向量。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合具体实施方式对本发明作进一步详细描述。

本发明实施例提供了基于LSTM-AE深度学习框架的民机系统故障监测与识别方法，流程图如图1所示，包括：

S1、在飞机飞行时某一稳定工况下，提取系统中多个状态参数的时间序列数据。民机的整个航班可分为不同阶段，主要包括地面滑出、起飞、爬升、巡航、下降、着陆以及地面滑入等，在不同阶段飞机各系统和设备工作状态不同，根据监测对象的特点，选取合适的工况下的状态参数时间序列数据用于系统重构模型的训练。

S2、对时间序列数据利用等时间间隔方法提取，得到模型训练数据样本，模型训练数据样本的集合即为飞机机载系统无故障状态的训练数据集。

设定I为采样间隔，L为采样样本长度，N表示提取的多元状态时间序列数据的长度，则时间序列数据X＝(X₁，X₂，…，X_N)(N＝L*I)，表达为以下格式：

X＝(X₁，X₂，…，X_N)＝(X₁，X₂，…，X_I，X_I+1，…，X_2I，X_2I+1，…，X_(L-1)I，X_(L-1)I+1，…，X_LI)

通过等时间间隔采样得到的模型训练数据样本构成了训练数据集S＝(s₁，s₂，…，s_I)：

训练数据样本分别为：

s₁＝(X₁，X_I+1，X_2I+1，…，X_(L-1)I+1)

s₂＝(X₂，X_I+2，X_2I+2，…，X_(L-1)I+2)

………

s_I＝(X_I，X_2I，X_3I，…，X_LI)。

S3、利用LSTM深度模型所具有的长时间序列建模能力，并依据自编码器原理建立LSTM-AE模型，利用训练数据集训练LSTM-AE模型，并重构LSTM-AE LSTM-AE模型的参数，得到训练好的LSTM-AE模型。

LSTM模型是一种特定形式的RNN网络，通过增加输入门限、遗忘门限和输出门限，解决了RNN的梯度弥散、长期记忆能力不足导致无法解决序列长期依赖等问题使得循环神经网络模型在不同领域的时序数据研究中获得广泛应用。根据LSTM网络的结构，每个LSTM单元的计算公式如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

o_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中f_t表示遗忘门限，i_t表示输入门限，

表示前一时刻LSTM 单元状态、C_t表示LSTM单元当前状态，o_t表示输出门限，h_t表示当前单元的输出，t表示当前时刻。

自编码器是神经网络的一种，经过训练后能尝试将重构输入。自编码器看作由两部分组成，一个由函数

表示的编码器和一个

表示的解码器。编码器和解码器一般都是参数化的方程，搭建好编码器和解码器，并设定一个损失函数后，参数θ＝[w，b，w′，b′]可以通过最小化损失函数而优化。自编码器利用无标记数据推断出数据内部隐藏的结构特征，可用于降维或者提取特征。

融合LSTM模型处理长时间序列以及AE模型在无监督特征学习方面的优势，提出图2所示的LSTM-AE模型，利用民机系统无故障状态下获取的数据样本来训练系统状态重构模型。

S4、利用训练好的LSTM-AE模型的状态参数，重构飞机机载系统的状态参数，计算重构误差矩阵，并在误差矩阵的基础上计算飞机机载系统健康指数和故障特征向量，健康指数用于故障预警，故障特征向量用于故障识别。

计算重构误差矩阵的方法为：

用多元时序数据X描述飞行系统的状态，利用训练好的LSTM-AE 模型得到飞行系统的状态估计为

则重构误差矩阵E为：

其中，

表示第j个参数t时刻的重构误差，j、t均为正整数。

根据重构误差矩阵E，进一步计算系统健康指数HI：

其中，E为重构误差矩阵，

表示第j个参数t时刻的重构误差， I为采样间隔，L为采样样本长度，j、t均为正整数。

依据计算得到健康指数HI可实现对系统健康状态的定量评估与监控，进一步根据历史数据或工程经验设定不同的警戒值实现系统故障早期预警。依据计算得到的系统故障特征向量V，结合模式分类方法，如支持向量机、神经网络等模型，可实现系统多种故障模式的识别与分类，辅助航线工程师开展航线飞机系统排故，提高排故效率。

根据重构误差矩阵E，进一步计算故障特征向量为V：

V＝(v¹ ... v^N)

其中，v^j表示第j个参数的平均重构误差，E为重构误差矩阵，

表示第j个参数t时刻的重构误差，I为采样间隔，L为采样样本长度，j、 t均为正整数。

依据计算得到健康指数HI可实现对系统健康状态的定量评估与监控，进一步根据历史数据或工程经验设定不同的警戒值实现系统故障早期预警。依据计算得到的系统故障特征向量V，结合模式分类方法，如支持向量机、神经网络等模型，可实现系统多种故障模式的识别与分类，辅助航线工程师开展航线飞机系统排故，提高排故效率。

本实施例以民用飞机引起系统为对象进行测试。引气系统是将发动机压气机的高温高压引气供给空调、防冰等其他用户系统使用。某型民机发动机引气系统故障率较高，而且很难根据故障现象精确隔离具体故障部件，造成航班延误多、重复性故障多、误换件多，维修成本居高不下。引起系统常见故障有活门失效、管路泄露、传感器失效等，轻则引起压力过低或温度过高，严重将导致引气系统关闭，不能正常给用户系统提供稳定气源。

图3所示为从某民用飞机QAR数据中提取出的引气压力与温度数据在一个航班中随飞行阶段变化的情况，随着飞行高度、速度以及外界大气条件的变化，引气系统工况也在不断变化，本实施例中提取飞行阶段为巡航阶段且飞行高度为20000英尺以上工况下的引气系统相关参数，包括飞行高度、马赫数、外界大气静文、发动机转子转速以及引气温度与压力等参数。查看机队维修记录，选择机队中引气系统无故障航班的飞行数据，从选出的大概600个航班中按照等间隔法抽取训练样本集，共获得大概40000个训练样本集，用于引气系统LSTM-AE重构模型的训练。

获得引气系统的重构模型后，对每个航班的飞行数据，均按照上述方法抽取同等条件下的测试数据样本，计算引气系统状态参数重构误差，进而可计算得到引气系统的健康指数和故障特征向量。图4所示为本实施例中基于某飞机引气系统一年的QAR数据计算得到的健康指数，准确的表征了引气系统的健康状态，所监测到的故障也从这架飞机的维修记录中得到了确认。图5展示了本实施例中基于故障引气系统QAR数据计算得到两种典型常见故障的故障特征向量，其中图 5中左边所示为引气系统预冷器活门故障，图5右侧所示为450F传感器故障，故障特征向量能够有效的区分两种不同类型故障，可为航线故障隔离提供支持，提高航线故障隔离的效率。

本发明的有益效果是：

本发明利用LSTM模型所具有的长时间序列依赖的记忆能力以及AE模型在无监督学习与特征抽取方面的优势，提出LSTM-AE深度学习模型用于民机系统多元时序数据的分析，实现故障的监测与识别，首先利用训练数据集训练模型并优化模型参数，融合LSTM模型处理长时间序列以及AE模型在无监督特征学习方面的优势，提出LSTM-AE模型，利用民机系统无故障状态下获取的数据样本来训练系统状态重构模型；

本发明提出的是一种数据驱动的方法，不需要建立复杂的系统物理模型，仅根据系统的多元时序状态数据训练系统重构模型，适应于挖掘现代民机系统采集的丰富的状态监测数据；

并且LSTM模型所具有的长时间序列依赖的记忆能力，使其在飞机系统多元时序状态数据分析中表现出更强的适应性，能够通过隐藏层捕获时间序列的信息，进而更加准确地重构实现系统的状态参数；

同时AE模型具有无监督学习与特征抽取的能力，对故障样本数据依赖性较小，因此仅借助系统比较容易获取的无故障状态下的数据样本即可实现特征值的抽取；

综上，本发明解决了民机系统故障监测手段不足的问题，利用深度学习在大数据分析方面的优势，挖掘民机海量运营和维修数据，为民机系统故障监测与航线故障隔离提供了重要支持。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.基于LSTM-AE深度学习框架的民机系统故障监测识别方法，其特征在于,包括：

S1、在飞机飞行时某一稳定工况下，提取飞机机载系统中多个状态参数的时间序列数据；

S2、对时间序列数据利用等时间间隔方法提取，得到模型训练数据样本，模型训练数据样本的集合即为飞机机载系统无故障状态的训练数据集；

S3、利用LSTM深度模型所具有的长时间序列建模能力，并依据自编码器原理建立LSTM-AE模型，利用训练数据集训练LSTM-AE模型并优化LSTM-AE模型的参数，得到训练好的LSTM-AE模型；

S4、利用训练好的LSTM-AE模型，重构飞机机载系统的状态参数，计算重构误差矩阵，并在误差矩阵的基础上计算飞机机载系统健康指数和故障特征向量，健康指数用于故障预警，故障特征向量用于故障识别；

所述健康指数为HI：

其中，E为所述重构误差矩阵，

表示第j个参数t时刻的重构误差，I为采样间隔，L为采样样本长度，j、t均为正整数；

所述故障特征向量为V：

V＝(v¹...v^N)

其中，v^j表示第j个参数的平均重构误差，E为所述重构误差矩阵，

表示第j个参数t时刻的重构误差，I为采样间隔，L为采样样本长度，j、t均为正整数；

计算重构误差矩阵的方法包括：

用多元时间序列数据X描述所述飞机机载系统的状态，利用所述训练好的LSTM-AE模型得到所述飞机机载系统的状态估计为

则所述重构误差矩阵E为：

其中，

表示第j个参数t时刻的重构误差，j、t均为正整数，L为采样样本长度，N表示提取的多元时间序列数据的长度。

2.根据权利要求1所述的方法，其特征在于，根据监测对象的特点，选取合适的工况下的状态参数时间序列数据用于系统重构模型的训练。

3.根据权利要求1所述的方法，其特征在于，所述S2包括：

设定I为采样间隔，L为采样样本长度，N表示提取的多元时间序列数据的长度,则所述时间序列数据X＝X₁,X₂,…,X_N，N＝L*I，表达为以下格式：

X＝(X₁,X₂,…,X_N)＝(X₁,X₂,…,X_I,X_I+1,…,X_2I,X_2I+1,…,X_(L-1)I,X_(L-1)I+1,…,X_LI)

通过所述等时间间隔采样得到的所述模型训练数据样本构成了所述训练数据集S＝(s₁,s₂,…,s_I):

所述训练数据样本分别为：

s₁＝(X₁,X_I+1,X_2I+1,…,X_(L-1)I+1)

s₂＝(X₂,X_I+2,X_2I+2,…,X_(L-1)I+2)

………

s_I＝(X_I,X_2I,X_3I,…,X_LI)。

Images