CN110262251A - 基于lstm神经网络的飞控系统数据预测及辅助诊断方法 - Google Patents
基于lstm神经网络的飞控系统数据预测及辅助诊断方法 Download PDFInfo
- Publication number
- CN110262251A CN110262251A CN201910624639.XA CN201910624639A CN110262251A CN 110262251 A CN110262251 A CN 110262251A CN 201910624639 A CN201910624639 A CN 201910624639A CN 110262251 A CN110262251 A CN 110262251A
- Authority
- CN
- China
- Prior art keywords
- data
- flight control
- neural network
- control system
- lstm neural
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明属于飞控数据处理技术领域,涉及一种基于LSTM神经网络的飞控系统数据预测及辅助诊断方法。本发明的方法主要包括:提取飞控系统多维关键数据;预设时间段为由若干时间步长相同的时间区间组成的时间序列;基于飞控在预设时间段内的数据,并进行标准化处理,生成对应于各时间区间内的飞控数据向量组;将生成的时序数据向量组输入至LSTM神经网络进行训练,使LSTM神经网络从数据中学习并获得对该类数据的分析与处理能力;最后向训练完成的LSTM神经网络输入新的预测数据向量组,对飞控数据进行分析与处理,以其预测飞控系统关键数据的未来值并辅助进行故障诊断。
Description
技术领域
本发明属于飞控数据处理技术领域,涉及一种基于LSTM神经网络的飞控系统数据预测及辅助诊断方法。
背景技术
飞机结构复杂,部件繁多,任何一个微小部件的故障都可能导致不可挽回的事故。因此飞控系统数据预测及故障诊断对于飞行安全至关重要。传统的飞控系统数据预测方法为人工分析法,即由维护人员对飞控系统进行健康评估与故障诊断。但是飞控系统接收和存储飞机各部件传感器数据,多种数据相互关联耦合,须由经验丰富的维护专家进行分析,且耗时较长,难以满足当下多架次、结构复杂飞机的维护需求。
发明内容
本发明的目的在于提供一种基于LSTM神经网络的飞控系统数据预测及辅助诊断方法,以解决上述背景技术中提及的现有方法处理飞控系统复杂耦合多维数据存在依赖专家经验、分析耗时较长、预测效果不理想等问题。
本发明的技术方案通过搭建深度学习环境,获取飞控系统所存储的大量多维数据,对其标准化后输入基于LSTM神经网络的深度学习模型,由模型提取数据关键特征,最后输出指定种类数据的预测结果,结合真实值以误差百分比作为评测指标,辅助进行飞控系统的故障诊断。该发明采用深度学习的方法,利用计算机强大的计算能力对飞控系统复杂耦合的多维数据进行分析,可以较好地解决传统方法依赖专家经验、分析耗时较长、预测效果不理想等问题。
具体如下:
一种基于LSTM神经网络的飞控系统数据预测及辅助诊断方法,其方法包括以下步骤:
步骤1,飞控数据采集和处理:
对飞控飞控系统中相互耦合的多种数据进行采集,各种类数据按时间排列构成序列向量组数据集;
步骤2,对数据进行预处理得到机器学习样本;
对数据集进行标准化处理,使向量组内数据值处于[-1,1]之间,以标准化处理后的数据集作为机器学习的样本;
步骤3,LSTM神经网络模型的建立与训练
基于深度学习理论构造多维LSTM神经网络模型,并输入样本数据训练该模型。
步骤4,根据飞控系统多维数据,利用训练完成的LSTM神经网络预测关键数据未来值,并据此辅助故障诊断。
优选的,所述步骤1中提取飞控系统多维关键数据为从飞控系统的多维历史数据中选取任意维相互耦合且包含特征信息的飞控传感器数据。
优选的,所述步骤2中使用Min-Max标准化,将数据值转化使其处于[-1,1]之间。
优选的,所述步骤3中多维数据指多种不同类别的时序数据,网络模型为多通道的多层LSTM网络,输入时每维数据对应一个通道。
优选的,所述步骤4中所述辅助故障诊断指以预测值与真实值的偏差程度为指导,偏差程度最大的数据类别所对应的飞控子系统即视为故障发生位置。
同时本发明的方法可以设计对应的系统,如包括数据提取与处理模块,用于提取飞控计算机中存储的各类传感器数据并将其处理为神经网络可以接受的训练样本;模型构建与训练模块,用于根据输入的训练样本,基于深度学习理论并利用多通道多层LSTM神经网络构建飞控系统数据预测与故障辅助模型;以及数据预测及辅助诊断模块,用于输出预测结果,并结合预测值与真实值偏差程度辅助进行故障诊断。
与现有技术相比,本发明的有益效果是:本发明的一种基于LSTM神经网络的飞控系统数据预测及辅助诊断方法,通过搭建深度学习环境,获取飞控系统所存储的大量多维数据,对其标准化后输入基于LSTM神经网络的深度学习模型,由模型提取数据关键特征,最后输出指定种类数据的预测结果,结合真实值以误差百分比作为评测指标,辅助进行飞控系统的故障诊断。利用计算机强大的计算能力对飞控系统复杂耦合的多维数据进行分析,可以较好地解决传统方法依赖专家经验、分析耗时较长、预测效果不理想等问题。
附图说明
图1为本发明基于LSTM神经网络的飞控系统数据预测及辅助诊断方法流程示意图;
图2为本发明基于LSTM神经网络的飞控系统数据预测及辅助诊断方法模型训练与使用说明图。
具体实施方式
下面结合附图对本发明方法作进一步的详细说明。
本发明基于LSTM神经网络的飞控系统数据预测及辅助诊断方法,如图1所示,其包括以下步骤:
步骤1,飞控数据采集和处理;
以飞控系统存储的各部件或子系统传感器类别为分类依据,对其按时间进行排列得到序列数据集。
步骤2,对数据进行预处理得到机器学习样本;
对数据集进行标准化处理,使向量组内数据值处于[-1,1]之间,以标准化处理后的数据集作为机器学习的样本。
由于提取到的飞控系统数据由多种传感器数据组成,各种类传感器数据的值域不同,有的数据值是十万级的,而有的数据最大值在10以内,量纲相差过大无法直接比较。且本LSTM模型所用的激活函数为tanh函数,要求输入数据值域为[-1,1]。故使用MinMaxScaler将数据标准化处理,使各种类数据值处于[-1,1]之间,归一化各种类数据量纲尺度。
步骤3,LSTM神经网络模型的建立与训练
基于深度学习理论构造多维LSTM神经网络模型,并输入样本数据训练该模型。
LSTM,即长短期记忆网络模型,是递归神经网络的一种改进形式,具有提取数据长时间段特征的优势,适合用于处理时间跨度大、特征信息分散的时间序列。
使用TensorFlow作为建模环境,搭建一个通道维数为k,层数为2的LSTM网络模型,并以双曲正切函数(tanh)作为LSTM神经网络的激活函数。上述k的具体取值视输入数据的维数而定,因为飞控系统中有多种数据,不同数据的耦合数据数目不同,故需要灵活设定LSTM网络的通道维数。
输入样本数据,对LSTM神经网络模型进行训练,过程主要运用随机梯度下降算法寻找LSTM神经网络模型的最优参数。
步骤4,根据飞控系统多维数据,利用训练完成的LSTM神经网络预测关键数据未来值,并据此辅助故障诊断。
训练完成的LSTM神经网络模型具有提取多维时序数据历史特征信息并用以拟合预测的能力。如图2所示,向训练完成的LSTM神经网络模型输入数据,即可得到输出,即目标数据预测值。且在之后对应时间点真实值已获取的情况下,以误差百分比作为评测指标,辅助进行故障诊断。具体为,在确知某部件或子系统(设其为A)发生故障时,寻找对应故障时间点与该部件或子系统相耦合的其它部件或自系统,对比其历史数据预测值与真实值之误差,误差百分比最大项数据对应的部件或子系统即视为引起A故障的原因。
Claims (5)
1.基于LSTM神经网络的飞控系统数据预测及辅助诊断方法,其特征在于,包括以下步骤:
步骤1,飞控数据采集和处理:
对飞控系统中相互耦合的飞控数据进行采集,各种类数据按时间排列构成序列向量组数据集;
步骤2,对数据集进行预处理得到机器学习样本;
对数据集进行标准化处理,使向量组内数据值处于[-1,1]之间,以标准化处理后的数据集作为机器学习的样本;
步骤3,LSTM神经网络模型的建立与训练
基于深度学习理论构造多维LSTM神经网络模型,并输入样本数据训练该模型;
步骤4,根据飞控系统多维数据,利用训练完成的LSTM神经网络预测数据未来值,并据此辅助故障诊断。
2.根据权利要求1所述的基于LSTM神经网络的飞控系统数据预测及辅助诊断方法,其特征在于,所述步骤1中提取的飞控数据为从飞控系统的多维历史数据中选取任意维相互耦合且包含特征信息的飞控传感器数据。
3.根据权利要求2所述的基于LSTM神经网络的飞控系统数据预测及辅助诊断方法,其特征在于,所述步骤2中使用Min-Max标准化,将数据值转化使其处于[-1,1]之间。
4.根据权利要求3所述的基于LSTM神经网络的飞控系统数据预测及辅助诊断方法,其特征在于,所述步骤3中多维数据指多种不同类别的时序数据,网络模型为多通道的多层LSTM网络,输入时每维数据对应一个通道。
5.根据权利要求1~4任意一项所述的基于LSTM神经网络的飞控系统数据预测及辅助诊断方法,其特征在于,所述步骤4中所述辅助故障诊断是指以预测值与真实值的偏差程度为指导,偏差程度最大的数据类别所对应的飞控子系统即视为故障发生位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624639.XA CN110262251A (zh) | 2019-07-11 | 2019-07-11 | 基于lstm神经网络的飞控系统数据预测及辅助诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624639.XA CN110262251A (zh) | 2019-07-11 | 2019-07-11 | 基于lstm神经网络的飞控系统数据预测及辅助诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110262251A true CN110262251A (zh) | 2019-09-20 |
Family
ID=67925703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910624639.XA Pending CN110262251A (zh) | 2019-07-11 | 2019-07-11 | 基于lstm神经网络的飞控系统数据预测及辅助诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262251A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658818A (zh) * | 2019-09-29 | 2020-01-07 | 浙江大学 | 面向新型供电列车的多目标优化智能运行控制预测方法 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN111239672A (zh) * | 2020-03-19 | 2020-06-05 | 东南大学 | 基于机器学习算法的光纤电流互感器渐变性故障预测方法 |
CN111258302A (zh) * | 2020-01-23 | 2020-06-09 | 北京航天自动控制研究所 | 一种基于lstm神经网络的飞行器推力故障在线辨识方法 |
CN112257935A (zh) * | 2020-10-26 | 2021-01-22 | 中国人民解放军空军工程大学 | 一种基于lstm—rbf神经网络模型的航空安全预测方法 |
CN112633361A (zh) * | 2020-12-20 | 2021-04-09 | 中国人民解放军空军预警学院 | 一种基于lstm神经网络的飞行紧急事件预测方法及装置 |
CN112668651A (zh) * | 2020-12-30 | 2021-04-16 | 中国人民解放军空军预警学院 | 一种基于飞行数据与生成式对抗神经网络的飞行故障预测方法及装置 |
CN113269368A (zh) * | 2021-06-07 | 2021-08-17 | 上海航空工业(集团) 有限公司 | 一种基于数据驱动的民机安全趋势预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390776A (zh) * | 2014-12-10 | 2015-03-04 | 北京航空航天大学 | 一种多余度副翼作动器故障检测、诊断与性能评估方法 |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
CN108594793A (zh) * | 2018-04-17 | 2018-09-28 | 电子科技大学 | 一种改进的rbf飞控系统故障诊断网络训练方法 |
GB2567850A (en) * | 2017-10-26 | 2019-05-01 | Gb Gas Holdings Ltd | Determining operating state from complex sensor data |
CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
-
2019
- 2019-07-11 CN CN201910624639.XA patent/CN110262251A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104390776A (zh) * | 2014-12-10 | 2015-03-04 | 北京航空航天大学 | 一种多余度副翼作动器故障检测、诊断与性能评估方法 |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
GB2567850A (en) * | 2017-10-26 | 2019-05-01 | Gb Gas Holdings Ltd | Determining operating state from complex sensor data |
CN108594793A (zh) * | 2018-04-17 | 2018-09-28 | 电子科技大学 | 一种改进的rbf飞控系统故障诊断网络训练方法 |
CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
JING YANG, YINGQING GUO , WANLI ZHAO: "Long short-term memory neural network based fault detection and isolation for electro-mechanical actuators", 《NEUROCOMPUTING》 * |
应海松: "《小波神经网络在铁矿石检验中的应用》", 31 March 2010 * |
王路瑶; 吴斌; 杜志敏; 晋欣桥: "基于长短期记忆神经网络的数据中心空调系统传感器故障诊断", 《化工学报》 * |
陈伟,陈锦雄,江永全,宋冬利,张闻东: "基于RS-LSTM的滚动轴承故障识别", 《中国科技论文》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658818B (zh) * | 2019-09-29 | 2020-08-21 | 浙江大学 | 面向新型供电列车的多目标优化智能运行控制预测方法 |
CN110658818A (zh) * | 2019-09-29 | 2020-01-07 | 浙江大学 | 面向新型供电列车的多目标优化智能运行控制预测方法 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
CN111258302B (zh) * | 2020-01-23 | 2021-10-01 | 北京航天自动控制研究所 | 一种基于lstm神经网络的飞行器推力故障在线辨识方法 |
CN111258302A (zh) * | 2020-01-23 | 2020-06-09 | 北京航天自动控制研究所 | 一种基于lstm神经网络的飞行器推力故障在线辨识方法 |
CN111239672A (zh) * | 2020-03-19 | 2020-06-05 | 东南大学 | 基于机器学习算法的光纤电流互感器渐变性故障预测方法 |
CN111239672B (zh) * | 2020-03-19 | 2022-07-29 | 东南大学 | 基于机器学习算法的光纤电流互感器渐变性故障预测方法 |
CN112257935A (zh) * | 2020-10-26 | 2021-01-22 | 中国人民解放军空军工程大学 | 一种基于lstm—rbf神经网络模型的航空安全预测方法 |
CN112257935B (zh) * | 2020-10-26 | 2023-05-09 | 中国人民解放军空军工程大学 | 一种基于lstm—rbf神经网络模型的航空安全预测方法 |
CN112633361A (zh) * | 2020-12-20 | 2021-04-09 | 中国人民解放军空军预警学院 | 一种基于lstm神经网络的飞行紧急事件预测方法及装置 |
CN112668651A (zh) * | 2020-12-30 | 2021-04-16 | 中国人民解放军空军预警学院 | 一种基于飞行数据与生成式对抗神经网络的飞行故障预测方法及装置 |
CN113269368A (zh) * | 2021-06-07 | 2021-08-17 | 上海航空工业(集团) 有限公司 | 一种基于数据驱动的民机安全趋势预测方法 |
CN113269368B (zh) * | 2021-06-07 | 2023-06-30 | 上海航空工业(集团)有限公司 | 一种基于数据驱动的民机安全趋势预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262251A (zh) | 基于lstm神经网络的飞控系统数据预测及辅助诊断方法 | |
US10996664B2 (en) | Predictive classification of future operations | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN109934130A (zh) | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 | |
CN110991036B (zh) | 航天器姿轨控系统故障案例库构建系统及构建方法 | |
CN110427988B (zh) | 一种基于深度学习的机载飞参数据健康诊断方法 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN104134010B (zh) | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 | |
CN111639467A (zh) | 一种基于长短期记忆网络的航空发动机寿命预测方法 | |
CN107065834B (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
CN104986347B (zh) | 一种民机航线飞行员操作差错的实时检测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN104199441B (zh) | 基于稀疏贡献图的高炉多工况故障分离方法及系统 | |
CN111160393B (zh) | 基于数据驱动的运载火箭健康评估模型模块化建模方法 | |
CN111274543A (zh) | 一种基于高维空间映射的航天器系统异常检测方法 | |
CN115204302A (zh) | 一种无人机小样本故障诊断系统及方法 | |
CN111721450B (zh) | 一种冲击定位识别装置及方法 | |
CN105137354A (zh) | 一种基于神经网络电机故障检测方法 | |
CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
CN115587309A (zh) | 一种变压器抗短路能力关键特征提取方法、装置及设备 | |
Kuravsky et al. | New approaches for assessing the activities of operators of complex technical systems | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
Kuravsky et al. | A novel approach for recognizing abnormal activities of operators of complex technical systems: three non-standard metrics for comparing performance patterns | |
CN106168760B (zh) | 基于凸多面体故障模型的不确定时滞系统稳定性判定方法 | |
CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |