CN109992916A - 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 - Google Patents
一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 Download PDFInfo
- Publication number
- CN109992916A CN109992916A CN201910280671.0A CN201910280671A CN109992916A CN 109992916 A CN109992916 A CN 109992916A CN 201910280671 A CN201910280671 A CN 201910280671A CN 109992916 A CN109992916 A CN 109992916A
- Authority
- CN
- China
- Prior art keywords
- aircraft engine
- fault
- engineering
- time series
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明提供一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质,方法包括:获取飞机发动机中对故障敏感的N种飞机参数所组成的时序数据集;根据时序数据集构建长短期神经网络模型,并根据长短期神经网络模型得到时序数据集的实际预测结果;根据时序数据集确定故障判别模型f(x);获取部分已知飞机发动机的故障情况的真实数据集,并根据故障判别模型f(x)及真实数据集确定故障阈值;根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机发动机的健康情况。本发明采用长短期神经网络模型和故障判别模型f(x)相结合的方式对飞机发动机进行故障预测,可有效预测飞机发动机的健康状况。
Description
技术领域
本发明涉及属于计算机技术领域,尤其涉及军用飞行大数据机务外场自主保障信息支持系统的一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质。
背景技术
从上世纪90年代至今,航空装备技术飞速发展,尤其是在军事战略的调整以及航空装备作战使用样式发生变化的大环境下,飞机地面保障的要求越来越高,而保障飞机发动机在其中是最为根本的因素。军事科技的飞速发展对飞行发动机的保障以及故障预测提出了更高的要求。但是在长期的发展中,飞机发动机的保障技术总是落后于其他航天装备的技术。原有的飞机发动机保障体系在新装备条件下面临巨大的挑战,而对其保障的不到位,会大大降低军用飞机的战备完好率。
飞机发动机的健康管理缺乏量化分析,且在实际使用及维护过程中积累的经验和数据没能与设计数据很好地结合分析,造成理论与实际的脱离。飞机发动机发生故障时没有预警机制,机务外场设备维护人员对配备的飞机发动机,难以做到心中有数,预见性不足,且过度检修和检修不足现象并存,导致飞机发动机的完好率下降。
当飞机发动机在发生故障后,现阶段的故障数据没有结构化,机务外场维护人员也很难针对故障现象及可靠性数据、指标数据等的综合分析,进行明确的故障诊断,从而很难找到最优的故障预测方法,进行飞机发动机更换。这使得飞机发动机维修成本增大,同时故障发动机也得不到良好的维护,导致资源的浪费。
飞行发动机的故障预测是军用飞机维修的基础,它时刻影响着军用飞机的作战效率和维修保障效率,因此其在整个部队中的作用极为重要,所以,在大力发展航空装备的同时,如何为飞机发动机故障提供准确的预测也是地面保障领域中亟待解决的技术问题。
发明内容
为了克服上述现有技术中的不足,本发明提供一种应用于机务外场自主保障信息支持系统的基于飞参数据的飞机发动机故障预测的方法,可有效对飞机发动机的故障进行预测。
为此本发明包括以下步骤:
步骤1,获取发动机中对故障敏感的N种飞机参数所组成的时序数据集;
步骤2,根据所述的时序数据集构建长短期神经网络模型,并根据所述长短期神经网络模型得到所述时序数据集的实际预测结果;
步骤3,根据所述的时序数据集确定故障判别模型f(x);
步骤4,获取部分已知飞机发动机的故障情况的真实数据集,并根据所述故障判别模型f(x)及所述真实数据集确定故障阈值;
步骤5,根据所述故障判别模型确定实际预测结果的概率密度,通过所述实际预测结果的概率密度与所述故障阈值进行对比来判断飞机发动机的健康情况。
进一步需要说明的是,步骤1还包括:
对所采集的时序数据集进行预处理,所述预处理包括异常值剔除、缺失数据填补和归一化处理;
所述的N种飞机参数包括:低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通。
进一步需要说明的是,步骤2还包括:
通过长短期神经网络模型对所述时序数据集进行数据趋势预测,得到预测结果;
对所述预测结果进行反归一化处理,得到实际预测结果。
进一步需要说明的是,步骤2中根据所述时序数据集构建长短期神经网络模型的步骤还包括:
将所述时序数据集划分为训练集train和测试集val,然后根据预设时间步长将所述训练集train和所述测试集val分别划分为输入train_x、val_x 和输出train_y、val_y,并分别格式化为三维数组train_X、val_X、train_Y、 val_Y;
通过所述三维数组train_X、val_X、train_Y、val_Y构建非线性的长短期记忆神经网络预测模型并采用黄金分割法确定隐含层最优节点数,进而确定神经网络最佳预测模型结构;
所述train_x、val_x、train_y、val_y分别以样本数作为X轴,预设时间步长为Y轴,N种飞机发动机参数数量作为Z轴,然后格式为三维数组 train_X,val_X,train_Y,val_Y。
进一步需要说明的是,步骤3还包括:
所述的故障判别模型f(x)的表达式为:
其中σ2为所述时序数据集的方差,μ为所述时序数据集的均值,x为所述时序数据集的相应数值。
进一步需要说明的是,步骤4中,根据所述故障判别模型f(x)及所述真实数据集确定故障阈值的步骤还包括:
步骤41,通过所述故障判别模型f(x)计算所述真实数据集中每种飞参数据的概率密度;
步骤42,从每种飞参数据的概率密度中选出概率密度最大值和概率密度最小值,并定义概率密度最大值到概率密度最小值的总步长数,其中概率密度最小值每前进一个步长为一个概率阈值;
步骤43,计算每种飞参数据所有概率阈值的F1分数,选择其中F1分数最高的概率阈值为相应飞参数据的故障阈值。
进一步需要说明的是,所述F1分数的表达式为:
其中precision为真实数据集中某种飞机发动机参数的准确率,recall 为所述真实数据集中某种飞机发动机参数的召回率,FN表示某种飞机发动机参数的真实数据集中被判定为负样本,但事实上是正样本的数据数量;FP表示某种飞机发动机参数的真实数据集中被判定为正样本,但事实上是负样本的数据数量;TP表示某种飞机发动机参数的真实数据集中被判定为正样本,事实上也是正样本的数据数量。
进一步需要说明的是,步骤5中,通过所述实际预测结果的概率密度与所述故障阈值进行对比来判断飞机发动机的健康情况的步骤包括:
步骤51,将每种飞机发动机参数的实际预测结果的概率密度与相应故障阈值进行相比;
步骤52,若其概率密度大于其相应故障阈值,则表示其相应飞机发动机参数存在异常;
步骤53,若其概率密度小于其相应故障阈值,则表示其相应飞机发动机参数不存在异常。
一种实现基于飞参数据的机务外场飞机发动机故障预测方法的终端,包括:
存储器,用于存储计算机程序及基于飞参数据的机务外场飞机发动机故障预测方法;
处理器,用于执行所述计算机程序及基于飞参数据的机务外场飞机发动机故障预测方法,以实现基于飞参数据的机务外场飞机发动机故障预测方法的步骤。
一种具有基于飞参数据的机务外场飞机发动机故障预测方法的计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现基于飞参数据的机务外场飞机发动机故障预测方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明应用于机务外场自主保障信息支持系统的基于飞参数据的飞机发动机故障预测的方法。通过获取飞机发动机中对故障敏感的N种飞机参数所组成的时序数据集,构建长短期神经网络模型,并根据长短期神经网络模型得到时序数据集的实际预测结果;根据时序数据集确定故障判别模型f(x);获取部分已知飞机发动机的故障情况的真实数据集,并根据故障判别模型 f(x)及真实数据集确定故障阈值;根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机发动机的健康情况。本发明采用长短期神经网络模型和故障判别模型f(x)相结合的方式对飞机发动机进行故障预测,可有效预测飞机发动机的健康状况。
本发明采用长短期神经网络模型和故障判别模型f(x)相结合的方式对飞机发动机进行故障预测,可有效预测飞机发动机的健康状况,提高对飞机发动机的故障预测率。另外,由于本发明采用多种飞机发动机参数组成的时序数据集,并根据不同型号的飞机发动机数据分布不平衡的情况,使用LSTM 长短期记忆神经网络算法对历史数据进行训练建模,使得故障预测模型具有动态自适应特点,能够适应各种环境变化,实现了非线性故障预测,提高了故障预测率。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述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他的附图。
图1为本发明基于飞参数据的机务外场飞机发动机故障预测方法实施例一的流程图;
图2为本发明基于飞参数据的机务外场飞机发动机故障预测方法实施例二的流程图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将运用具体的实施例及附图,对本发明保护的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本专利中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本专利保护的范围。
图1为本发明基于飞参数据的机务外场飞机发动机故障预测方法实施例一的流程图,该实施例具体包括以下步骤:
步骤101,获取发动机中对故障敏感的N种飞机参数所组成的时序数据集;
本发明实施例中,所述的种飞机参数包括低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通。
步骤102,对所采集的时序数据集进行预处理,所述预处理包括异常值剔除、缺失数据填补和归一化处理;
本发明实施例中,先对所采集的时序数据集进行异常值剔除和缺失数据填补后,再进行归一后处理。其中,可采用平均方法进行异常值剔除,采用插值方法进行缺失数据填补。对所采集的数据集进行归一化处理的目的主要是将所有需要计算的数据都缩小到0-1之间,有效地简化计算,节约计算资源。
步骤103,根据所述时序数据集构建长短期神经网络模型,并根据所述长短期神经网络模型得到所述时序数据集的实际预测结果;
其中,长短期神经网络模型构建好后,可对飞机发动机进行预测其故障情况。比如,需要预测飞机发动机的故障情况时,通过采集对故障敏感的N 种飞机发动机参数所组成的数据,然后通过所建立的长短期神经网络模型对数据进行归类,然后对采集回来的数据进行预测,最后将根据所预测的结果进行故障判断。
本发明通过采用长短期神经网络模型,可以在飞机发动机发生故障之前对飞机发动机运行状态进行预测,以提前对飞机发动机进行维修或更换,减少损失。
步骤104,根据所述时序数据集确定故障判别模型f(x);
本发明实施例中,故障判别模型f(x)为高斯分布函数:
其中,高斯分布函数f(x)的均值μ和方差σ2由步骤101中所采集的时序数据集确定。
其中,原则上,每种飞机发动机参数所组成的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i;若其中若干种飞机发动机参数相关联,则这若干种飞机发动机参数所组成的时序数据集确定一个故障判别模型 f(x)i,即高斯分布函数f(x)i。
步骤105,获取部分已知飞机发动机的故障情况的真实数据集,并根据所述故障判别模型f(x)及所述真实数据集确定故障阈值;
本发明实施例中,所获取的真实数据集包括飞机发动机的故障数据和非故障数据。例如,一台飞机发动机,其正常工作时N种飞机发动机参数所获取到的数据为非故障数据,其存在故障时N种飞机发动机参数所获取到的数据为故障数据。
具体的,通过所述故障判别模型f(x)及所述真实数据集确定故障阈值包括以下子步骤:
步骤1051,通过相应故障判别模型f(x)计算所述真实数据集中每种飞机发动机参数所组成的数据的概率密度;
步骤1052,从每种飞机发动机参数的概率密度中选出概率密度最大值和概率密度最小值,并定义概率密度最大值到概率密度最小值的总步长数,其中概率密度最小值每前进一个步长为一个概率阈值;
例如,定义其中某种飞机发动机参数的概率密度最大值和概率密度最小值之间的总步长为1000时,将概率密度最大值减去概率密度最小值之后再除以总步长,可得到阈值步长。将概率密度最小值按阈值步长前进,其中每次前进一个步长可得到一个概率阈值,由于总步长数为1000,此时可得到1000 个概率阈值。
其中,总步长数可根据实际需要进行设定,原则上总步长数越大,其精度越高,其计算也更复杂。
本发明实施例中,要计算出所有飞机发动机参数的故障阈值。
步骤1053,计算每种飞机发动机参数所有概率阈值的F1分数,选择其中 F1分数最高的概率阈值为相应飞机发动机参数的故障阈值。
其中,F1分数的表达式为:
其中,precision为真实数据集中某种飞机发动机参数的准确率,即在检索后返回的结果中,真正正确的个数占整个结果的比例;recall为所述真实数据集中某种飞机发动机参数的召回率,即在检索结果中真正正确的个数占整个数据集(检索到的和未检索到的)中真正正确个数的比例;FN(False Negative)表示某种飞机发动机参数的真实数据集中被判定为负样本,但事实上是正样本的数据数量;FP(False Positive)表示某种飞机发动机参数的真实数据集中被判定为正样本,但事实上是负样本的数据数量;TN(True Negative)表示某种飞机发动机参数的真实数据集中被判定为负样本,事实上也是负样本的数据数量;TP(True Positive)表示某种飞机发动机参数的真实数据集中被判定为正样本,事实上也是正样本的数据数量。
步骤106,根据所述故障判别模型确定所述实际预测结果的概率密度,通过所述实际预测结果的概率密度与所述故障阈值进行对比来判断飞机发动机的健康情况。
具体的,通过所述实际预测结果的概率密度与所述故障阈值进行对比来判断飞机发动机的健康情况包括以下子步骤:
步骤1061,将每种飞机发动机参数的实际预测结果的概率密度与相应故障阈值进行相比;
步骤1062,若其概率密度大于其相应故障阈值,则表示其相应飞机发动机参数存在异常,
步骤1063,若其概率密度小于其相应故障阈值,则表示其相应飞机发动机参数不存在异常。
若所有飞机发动机参数所采集的数据的概率密度均小于其相应故障阈值,则证明该飞机发动机不存在故障。
本发明通过长短期神经网络模型和故障判别模型f(x)相结合的方式对飞机发动机进行故障预测,可有效预测飞机发动机的健康状况,提高对飞机发动机的故障预测率。
本发明通过构建长短期神经网络模型对N种飞机发动机参数所组成的数据进行预测,得到其实际预测结果;然后又通过构建故障判别模型得到其故障阈值,最后通过将这N种飞机发动机参数的实际预测结果的概率密度分别与相应的故障阈值进行对比来判断飞机发动机的健康情况,而且若飞机发动机存在故障,根据判断结果还可知道是飞机发动机的哪个飞机发动机参数存在异常,以便快速进行维修,避免了损失。
图2为本发明基于神经网络的飞机发动机故障预测方法实施例二的流程图,该实施例具体包括以下步骤:
步骤201,获取飞机发动机中对故障敏感的N种飞机发动机参数所组成到的时序数据集
{x1(t-1),x2(t-1),x3(t-1),x4(t-1),...,x1(t),x2(t),x3(t),x4(t)};
与上述实施例一样,对故障敏感的N种飞机发动机参数包括低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通。
步骤202,利用平均方法和插值方法对获取的时序数据集分别进行异常值剔除和缺失数据填补,然后对处理后的时序数据集
{x1(t-1),x2(t-1),x3(t-1),x4(t-1),...,x1(t),x2(t),x3(t),x4(t)} 进行归一化,得到归一化后的时序数据集
{X1(t-1),X2(t-1),X3(t-1),X4(t-1),...,X1(t),X2(t),X3(t),X4(t)};
本发明实施例中,对所采集的数据集进行归一化处理,是为了将所有需要计算的数据都缩小到0-1之间,有效地简化计算,节约计算资源。
步骤203,根据所述时序数据集构建长短期神经网络模型,并根据所述长短期神经网络模型得到所述时序数据集的实际预测结果;
具体的,包括以下子步骤:
步骤2031,将所述时序数据集划分为训练集train和测试集val;
例如,按8∶2的比例将所述时序数据集划分为训练集train和测试集val,或者按其他比例进行划分。
步骤2032,根据预设时间步长将所述训练集train和所述测试集val分别划分为输入train_x、val_x和输出train_y、val_y;
例如,训练集train和验证集val每一条记录的时间步长是10分钟,那么就按时间步长10/2分别平分训练集train和验证集val,可得输入train_x、 val_x和输出train_y、val_y,其中train_x为前5分钟的数据,train_y为后5分钟的数,val_x为前5分钟的数据,val_y为后5分钟的数。
步骤2033,将train_x、val_x、train_y、val_y分别格式化为三维数组 train_X、val_X、train_Y、val_Y;
例如,train_x有100个样本,每个样本5分钟数据,每一分钟的数据由 4个参数组成(x1,x2,x3,x4),那么就以100个样本作为x轴,5分钟作为 y轴,4个参数作为z轴,构成了三维数组[样本数、时长、参数数量],其他同理。
步骤2034,通过所述三维数组train_X、val_X、train_Y、val_Y构建非线性的长短期记忆神经网络预测模型,并采用黄金分割法确定隐含层最优节点数,进而确定神经网络最佳预测模型结构;
步骤2035,通过所述最佳预测模型进行运行数据趋势预测,得到预测结果
{y1(t-1),y2(t-1),y3(t-1),y4(t-1),...,y1(t),y2(t),y3(t),y4(t)};
步骤2036,对所述预测结果进行反归一化处理,得到实际预测结果
{Y1(t-1),Y2(t-1),Y3(t-1),Y4(t-1),...,Y1(t),Y2(t),Y3(t),Y4(t)}。
本发明实施例中,通过构建本质为非线性拓扑结构的长短期记忆神经网络预测模型,使得预测模型具有动态自适应特点,能够应对各种环境变化,实现了非线性故障预测。
其中,上一实施例也可以采用本方法构建长短期记忆神经网络预测模型,并进行预测其实际预测结果。
步骤204,根据归一化后的时序数据集确定故障判别模型f(x);
本发明实施例中,故障判别模型f(x)为高斯分布函数
其中,高斯分布函数f(x)的均值μ和方差σ2由所获取的时序数据集确定。
同样的,每种飞机发动机参数所采集的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i;若其中若干种飞机发动机参数相关联,则这若干种飞机发动机参数所采集的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i。
步骤205,获取部分已知飞机发动机的故障情况的真实数据集,并根据所述故障判别模型f(x)及所述真实数据集确定故障阈值;
本发明实施例中,故障阈值的确定方法可与上一实施例一致,同样要计算出所有飞机发动机参数的故障阈值。
步骤206,根据所述故障判别模型确定所述实际预测结果的概率密度,通过所述实际预测结果的概率密度与所述故障阈值进行对比来判断飞机发动机的健康情况。
具体的,通过所述实际预测结果的概率密度与所述故障阈值进行对比来判断飞机发动机的健康情况的步骤包括:
步骤1061,将每种飞机发动机参数的实际预测结果的概率密度与相应故障阈值进行相比;
步骤1062,若其概率密度大于其相应故障阈值,则表示其相应飞机发动机参数存在异常;
步骤1063,若其概率密度小于其相应故障阈值,则表示其相应飞机发动机参数不存在异常。
同样的,若所有飞机发动机参数所组成的数据的概率密度均小于其相应故障阈值,则证明该飞机发动机不存在故障。
本发明将大数据分析的方法应用在飞机发动机的故障预测方面,有效地提高了飞机发动机的故障预测率;而且本发明构建的长短期神经网络模型为预测模型,具有动态自适应特点,能够适应各种环境变化,实现了非线性故障预测。
本发明还提供一种实现基于飞参数据的机务外场飞机发动机故障预测方法的终端,包括:存储器,用于存储计算机程序及基于飞参数据的机务外场飞机发动机故障预测方法;处理器,用于执行所述计算机程序及基于飞参数据的机务外场飞机发动机故障预测方法,以实现基于飞参数据的机务外场飞机发动机故障预测方法的步骤。
如果在硬件中实现,本发明涉及一种装置,例如可以作为处理器或者集成电路装置,诸如集成电路芯片或芯片组。可替换地或附加地,如果软件或固件中实现,所述技术可实现至少部分地由计算机可读的数据存储介质,包括指令,当执行时,使处理器执行一个或更多的上述方法。例如,计算机可读的数据存储介质可以存储诸如由处理器执行的指令。
所述代码或指令可以是软件和/或固件由处理电路包括一个或多个处理器执行,如一个或多个数字信号处理器(DSP),通用微处理器,特定应用集成电路(ASICs),现场可编程门阵列(FPGA),或者其它等价物把集成电路或离散逻辑电路。因此,术语“处理器,”由于在用于本文时可以指任何前述结构或任何其它的结构更适于实现的这里所描述的技术。另外,在一些方面,本公开中所描述的功能可以提供在软件模块和硬件模块。
可能以许多方式来实现本发明的方法以及装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法以及装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明还提供一种具有基于飞参数据的机务外场飞机发动机故障预测方法的计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实基于飞参数据的机务外场飞机发动机故障预测方法的步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于飞参数据的机务外场飞机发动机故障预测方法,其特征在于,包括以下步骤:
步骤1,获取发动机中对故障敏感的N种飞机参数所组成的时序数据集;
步骤2,根据所述的时序数据集构建长短期神经网络模型,并根据所述长短期神经网络模型得到所述时序数据集的实际预测结果;
步骤3,根据所述的时序数据集确定故障判别模型f(x);
步骤4,获取部分已知飞机发动机的故障情况的真实数据集,并根据所述故障判别模型f(x)及所述真实数据集确定故障阈值;
步骤5,根据所述故障判别模型确定实际预测结果的概率密度,通过所述实际预测结果的概率密度与所述故障阈值进行对比来判断飞机发动机的健康情况。
2.根据权利要求1所述的基于飞参数据的机务外场飞机发动机故障预测方法,其特征在于,步骤1还包括:
对所采集的时序数据集进行预处理,所述预处理包括异常值剔除、缺失数据填补和归一化处理;
所述的N种飞机参数包括:低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通。
3.根据权利要求1或2所述的基于飞参数据的机务外场飞机发动机故障预测方法,其特征在于
步骤2还包括:
通过长短期神经网络模型对所述时序数据集进行数据趋势预测,得到预测结果;
对所述预测结果进行反归一化处理,得到实际预测结果。
4.根据权利要求1或2所述的基于飞参数据的机务外场飞机发动机故障预测方法,其特征在于,步骤2中根据所述时序数据集构建长短期神经网络模型的步骤还包括:
将所述时序数据集划分为训练集train和测试集val,然后根据预设时间步长将所述训练集train和所述测试集val分别划分为输入train_x、val_x和输出train_y、val_y,并分别格式化为三维数组train_X、val_X、train_Y、val_Y;
通过所述三维数组train_X、val_X、train_Y、val_Y构建非线性的长短期记忆神经网络预测模型并采用黄金分割法确定隐含层最优节点数,进而确定神经网络最佳预测模型结构;
所述train_x、val_x、train_y、val_y分别以样本数作为X轴,预设时间步长为Y轴,N种飞机发动机参数数量作为Z轴,然后格式为三维数组train_X,val_X,train_Y,val_Y。
5.根据权利要求1或2所述的基于飞参数据的机务外场飞机发动机故障预测方法,其特征在于,步骤3还包括:
所述的故障判别模型f(x)的表达式为:
其中σ2为所述时序数据集的方差,为所述时序数据集的均值,x为所述时序数据集的相应数值。
6.根据权利要求1或2所述的基于飞参数据的机务外场飞机发动机故障预测方法,其特征在于,步骤4中,根据所述故障判别模型f(x)及所述真实数据集确定故障阈值的步骤还包括:
步骤41,通过所述故障判别模型f(x)计算所述真实数据集中每种飞参数据的概率密度;
步骤42,从每种飞参数据的概率密度中选出概率密度最大值和概率密度最小值,并定义概率密度最大值到概率密度最小值的总步长数,其中概率密度最小值每前进一个步长为一个概率阈值;
步骤43,计算每种飞参数据所有概率阈值的F1分数,选择其中F1分数最高的概率阈值为相应飞参数据的故障阈值。
7.根据权利要求6所述的基于飞参数据的机务外场飞机发动机故障预测方法,其特征在于,
所述F1分数的表达式为:
其中precision为真实数据集中某种飞机发动机参数的准确率,recall为所述真实数据集中某种飞机发动机参数的召回率,FN表示某种飞机发动机参数的真实数据集中被判定为负样本;FP表示某种飞机发动机参数的真实数据集中被判定为正样本;TP表示某种飞机发动机参数的真实数据集中被判定为正样本。
8.根据权利要求1或2所述的基于飞参数据的机务外场飞机发动机故障预测方法,其特征在于,
步骤5中,通过所述实际预测结果的概率密度与所述故障阈值进行对比来判断飞机发动机的健康情况的步骤包括:
步骤51,将每种飞机发动机参数的实际预测结果的概率密度与相应故障阈值进行相比;
步骤52,若其概率密度大于其相应故障阈值,则表示其相应飞机发动机参数存在异常;
步骤53,若其概率密度小于其相应故障阈值,则表示其相应飞机发动机参数不存在异常。
9.一种实现基于飞参数据的机务外场飞机发动机故障预测方法的终端,其特征在于,包括:
存储器,用于存储计算机程序及基于飞参数据的机务外场飞机发动机故障预测方法;
处理器,用于执行所述计算机程序及基于飞参数据的机务外场飞机发动机故障预测方法,以实现如权利要求1至8任意一项所述基于飞参数据的机务外场飞机发动机故障预测方法的步骤。
10.一种具有基于飞参数据的机务外场飞机发动机故障预测方法的计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1至8任意一项所述基于飞参数据的机务外场飞机发动机故障预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280671.0A CN109992916A (zh) | 2019-04-09 | 2019-04-09 | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910280671.0A CN109992916A (zh) | 2019-04-09 | 2019-04-09 | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109992916A true CN109992916A (zh) | 2019-07-09 |
Family
ID=67131137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910280671.0A Pending CN109992916A (zh) | 2019-04-09 | 2019-04-09 | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109992916A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516941A (zh) * | 2019-08-16 | 2019-11-29 | 北京慧辰资道资讯股份有限公司 | 一种基于大数据分析企业生产隐患方法及装置 |
CN110657031A (zh) * | 2019-09-30 | 2020-01-07 | 山东超越数控电子股份有限公司 | 飞机发动机喘振识别方法 |
CN111060323A (zh) * | 2019-12-05 | 2020-04-24 | 山东超越数控电子股份有限公司 | 一种基于rbf神经网络的航空发动机过振的自动识别方法 |
CN111143173A (zh) * | 2020-01-02 | 2020-05-12 | 山东超越数控电子股份有限公司 | 一种基于神经网络的服务器故障监测方法及系统 |
CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
CN111241694A (zh) * | 2020-01-16 | 2020-06-05 | 山东超越数控电子股份有限公司 | 一种基于大数据处理的飞机机群健康评估方法,设备及可读存储介质 |
CN111237062A (zh) * | 2020-01-16 | 2020-06-05 | 中国商用飞机有限责任公司 | 一种实现发动机自动起飞推力控制功能的系统及方法 |
CN111259959A (zh) * | 2020-01-16 | 2020-06-09 | 山东超越数控电子股份有限公司 | 一种航天飞行控制器故障状态识别方法,设备及可读存储介质 |
CN111275101A (zh) * | 2020-01-19 | 2020-06-12 | 山东超越数控电子股份有限公司 | 一种飞机液压系统故障识别方法,设备及可读存储介质 |
CN111766067A (zh) * | 2020-07-10 | 2020-10-13 | 中国人民解放军空军工程大学 | 基于深度学习的机务外场飞机发动机故障预测方法 |
CN111815056A (zh) * | 2020-07-10 | 2020-10-23 | 中国人民解放军空军工程大学 | 基于飞参数据的机务外场飞机燃油系统故障预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597938A (zh) * | 2016-12-14 | 2017-04-26 | 中国航空工业集团公司上海航空测控技术研究所 | 基于web的飞机发动机完好性与使用状态监测系统及方法 |
CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
CN108304886A (zh) * | 2018-02-27 | 2018-07-20 | 中国民用航空飞行学院 | 航空发动机性能监控方法 |
CN108957173A (zh) * | 2018-06-08 | 2018-12-07 | 山东超越数控电子股份有限公司 | 一种用于航空电子系统状态的检测方法 |
CN109308519A (zh) * | 2018-09-29 | 2019-02-05 | 广州博通信息技术有限公司 | 一种基于神经网络的制冷设备故障预测方法 |
-
2019
- 2019-04-09 CN CN201910280671.0A patent/CN109992916A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597938A (zh) * | 2016-12-14 | 2017-04-26 | 中国航空工业集团公司上海航空测控技术研究所 | 基于web的飞机发动机完好性与使用状态监测系统及方法 |
CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
CN108304886A (zh) * | 2018-02-27 | 2018-07-20 | 中国民用航空飞行学院 | 航空发动机性能监控方法 |
CN108957173A (zh) * | 2018-06-08 | 2018-12-07 | 山东超越数控电子股份有限公司 | 一种用于航空电子系统状态的检测方法 |
CN109308519A (zh) * | 2018-09-29 | 2019-02-05 | 广州博通信息技术有限公司 | 一种基于神经网络的制冷设备故障预测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516941A (zh) * | 2019-08-16 | 2019-11-29 | 北京慧辰资道资讯股份有限公司 | 一种基于大数据分析企业生产隐患方法及装置 |
CN110657031A (zh) * | 2019-09-30 | 2020-01-07 | 山东超越数控电子股份有限公司 | 飞机发动机喘振识别方法 |
CN111060323A (zh) * | 2019-12-05 | 2020-04-24 | 山东超越数控电子股份有限公司 | 一种基于rbf神经网络的航空发动机过振的自动识别方法 |
CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
CN111222549B (zh) * | 2019-12-30 | 2023-10-24 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
CN111143173A (zh) * | 2020-01-02 | 2020-05-12 | 山东超越数控电子股份有限公司 | 一种基于神经网络的服务器故障监测方法及系统 |
CN111241694A (zh) * | 2020-01-16 | 2020-06-05 | 山东超越数控电子股份有限公司 | 一种基于大数据处理的飞机机群健康评估方法,设备及可读存储介质 |
CN111237062A (zh) * | 2020-01-16 | 2020-06-05 | 中国商用飞机有限责任公司 | 一种实现发动机自动起飞推力控制功能的系统及方法 |
CN111259959A (zh) * | 2020-01-16 | 2020-06-09 | 山东超越数控电子股份有限公司 | 一种航天飞行控制器故障状态识别方法,设备及可读存储介质 |
CN111275101A (zh) * | 2020-01-19 | 2020-06-12 | 山东超越数控电子股份有限公司 | 一种飞机液压系统故障识别方法,设备及可读存储介质 |
CN111766067A (zh) * | 2020-07-10 | 2020-10-13 | 中国人民解放军空军工程大学 | 基于深度学习的机务外场飞机发动机故障预测方法 |
CN111815056A (zh) * | 2020-07-10 | 2020-10-23 | 中国人民解放军空军工程大学 | 基于飞参数据的机务外场飞机燃油系统故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109992916A (zh) | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
Ramasso | Investigating computational geometry for failure prognostics. | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN110377984A (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
CN108664010A (zh) | 发电机组故障数据预测方法、装置和计算机设备 | |
CN107831711B (zh) | 基于聚类的推土机动力总成故障诊断系统构建方法和装置 | |
CN107111309A (zh) | 利用监督式学习方法的燃气涡轮机故障预测 | |
CN110399302A (zh) | 软件测试项目的风险识别方法、装置、电子设备和介质 | |
CN106777814A (zh) | 基于多源层次信息更新与故障物理的可靠性预计方法 | |
CN110987439B (zh) | 一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN108090606A (zh) | 设备故障发现方法及系统 | |
CN110136294A (zh) | 一种航空发动机的维修决策方法、设备和介质 | |
CN110688617A (zh) | 风机振动异常检测方法及装置 | |
CN105930900A (zh) | 一种混合风力发电的预测方法及系统 | |
CN108153987A (zh) | 一种基于超限学习机的液压泵多故障诊断方法 | |
CN106339628A (zh) | 基于微体系结构级别的硬件反病毒装置 | |
Du et al. | Research on the application of artificial intelligence method in automobile engine fault diagnosis | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN113642123B (zh) | 作业机械散热系统的健康评估方法、装置及作业机械 | |
CN110657031B (zh) | 飞机发动机喘振识别方法 | |
CN113048012B (zh) | 基于混合高斯模型的风电机组偏航角度识别方法和装置 | |
Demirel et al. | Application of fuzzy analytic hierarchy proses for error detection of auxilary systems of ship main diesel engines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |