CN110262465A - 一种基于故障码分类的飞控故障诊断方法 - Google Patents

Abstract

本发明属于飞控故障诊断技术领域，涉及一种基于故障码分类的飞控故障诊断方法。本发明方法为基于机器学习的飞控系统故障诊断算法采用提升决策树算法，实现故障码特征的提取与泛化，实现故障成品的定位与快速飞控故障诊断。本发明通过从飞控系统运行产生的故障码大数据中挖掘出真实、可靠的故障信息，应用提升迭代决策树分类算法，完成飞控故障码与故障成品之间的映射学习，实现飞控故障的快速诊断。

Description

一种基于故障码分类的飞控故障诊断方法

技术领域

本发明属于飞控故障诊断技术领域，涉及一种基于故障码分类的飞控故障诊断方法。

背景技术

随着战场时空的急剧压缩，装备先进性、复杂性大大提高，故障诊断技术已成为支撑装备实现高效保障、自主健康管理的关键技术。

故障诊断技术是保证复杂装备安全、稳定运行的重要技术之一。故障诊断技术通过对装备运行状态的监测及其相应数据的分析处理，实现对装备运行故障的诊断，判断装备的状态是否处于异常状态，或故障状态、劣化状态发生的部位或零部件，预测状态劣化的发展趋势等，已广泛应用于大型空分装备、汽轮机组、航空发动机等复杂装备的运行监测控制，被列为中国智能装备产业重点发展的基础技术之一。

发明内容

本发明提供了一种飞控故障码特征提取与飞控故障诊断的方法。本发明方法为基于机器学习的飞控系统故障诊断算法采用提升决策树算法，实现故障码特征的提取与泛化，实现故障成品的定位与快速飞控故障诊断。

具体如下：

一种基于故障码分类的飞控故障诊断方法，其特征在于，包括以下步骤：

S1、飞控故障码的特征提取，将飞控故障码按字段划分进行特征提取，获得特征包括系统号、子系统号、成品号、故障类型、顺序号；

S2、建立样本化的规则树，根据已知的故障诊断诊断经验知识和故障诊断事实性知识，令规则树的顶层节点为故障成品，规则树的底层节点为故障码，通过规则逻辑建立故障成品与故障码之间的逻辑关系，即使一个故障成品对应多个具有逻辑关系的故障码，规则树由此转化出若干条样本，作为训练样本；

S3、使用步骤S1的方法对步骤S2中的故障码进行特征提取，获得信息量较小，但数据量较大的样本数据，将该步骤生成的样本数据作为预训练样本；

S4、基于XGBoost算法进行故障诊断，以故障与成品的关联性因子，建立XGBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数之间的关系，根据损失函数选取最优参数，根据预训练样本训练获得预训练模型，预训练模型构建了飞控系统成品与故障码之间的关系，可进行低准确率从的故障诊断；在预训练模型的基础上，通过训练样本，重复以上XGBoost训练流程，得到具有高准确率的最终故障诊断模型，采用最终故障诊断模型对飞控故障进行诊断。

本发明的有益效果为，本发明通过从飞控系统运行产生的故障码大数据中挖掘出真实、可靠的故障信息，应用提升迭代决策树分类算法，完成飞控故障码与故障成品之间的映射学习，实现飞控故障的快速诊断。

附图说明

图1为规则树结构图；

图2为模型训练与故障诊断流程图。

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。

一、基于诊断飞控故障码的特征提取与样本化处理

本步骤包括两个方面，即飞控故障码特征提取及规则树样本化处理。

一)飞控故障码的特征提取

一条飞控故障码包含多层级的飞控系统信息，可按字段划分为系统号、子系统号、成品号、故障类型、顺序号。通过将故障码拆分处理，实现特征的多样化，有助于对于故障征兆的学习。

二)规则树的样本化处理

将机器学习算法应用于飞控故障诊断还面临着训练数据不足的问题，为解决该问题，引入规则树的特征提取与样本转换。规则树是故障诊断专家经验固化的一种具体实现形式，同时也是一类在故障诊断中应用得十分广泛得故障诊断方法，其通过将专家的故障诊断经验知识以及许多的故障诊断事实性知识以产生式规则的形式存储在知识库中，模仿专家的思维对飞控系统的故障进行诊断知识的表示、获取以及运用。通过在树随机或遍历规则树，实现故障码的组合和故障样本的建立。随机或遍历树的每个最底层节点，对应各个故障码，设定该节点(故障码)的状态(发生或不发生)，实现树最顶层节点(故障成品)与最底层节点间逻辑关系的样本化，如图1所示。一棵规则树由此转化出若干条样本，扩充后续算法训练所需训练样本库。

三)故障码与成品关联性因子样本化

飞控各故障码与故障成品之间存在着一定的关联性，由于规则树的建立是有限的，因此通过成品与故障码的相关性表，构建最终分类模型的预训练样本，可有效弥补样本数量较小的问题，扩大故障诊断模型的适用范围，提高故障诊断分类准确度。通过将各个成品与各个故障码逐一对应的方法，并应用故障码按字段拆分的特征提取方法，由此获取信息量较小，但数据量较大的样本数据。并将该部分生成的训练样本作为预训练样本。

二、基于XGBoost算法故障诊断训练方法

首先，以故障与成品的关联性因子，建立XGBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数之间的关系，根据损失函数选取最优参数。该部分训练获得预训练模型，该模型构建了飞控系统成品与故障码之间的关系，可进行低准确率从的故障诊断。然后，在该预训练模型的基础上，通过规则树转义的样本，重复以上XGBoost训练流程，得到具有高准确率的故障诊断模型，如图2所示。

根据最终训练模型，实现训练模型的可视化和故障诊断结果的可视化。基于故障成品的模型输出分类概率，以条形图的形式展示故障诊断结果中各成品故障的概率值。同时输出结果与输入报故清单作为新增样本进行保存，由地勤人员确认故障后，反馈实际故障结果，在报故成品的基础上进行标注。记录该反馈，将其作为新增样本，加入模型下一阶段升级训练中。实现故障诊断模型的持续升级和优化，保证故障诊断精度高准确率，故障诊断结果的高可靠性。

Claims (1)

1.一种基于故障码分类的飞控故障诊断方法，其特征在于，包括以下步骤：

S1、飞控故障码的特征提取，将飞控故障码按字段划分进行特征提取，获得特征包括系统号、子系统号、成品号、故障类型、顺序号；

S2、建立样本化的规则树，根据已知的故障诊断诊断经验知识和故障诊断事实性知识，令规则树的顶层节点为故障成品，规则树的底层节点为故障码，通过规则逻辑建立故障成品与故障码之间的逻辑关系，即使一个故障成品对应多个具有逻辑关系的故障码，规则树由此转化出若干条样本，作为训练样本；

S3、使用步骤S1的方法对步骤S2中的故障码进行特征提取，获得信息量较小，但数据量较大的样本数据，将该步骤生成的样本数据作为预训练样本；

S4、基于XGBoost算法进行故障诊断，以故障与成品的关联性因子，建立XGBoost算法的参数列表，通过迭代函数逐步添加参数调试，并通过建立迭代函数与损失函数之间的关系，根据损失函数选取最优参数，根据预训练样本训练获得预训练模型，预训练模型构建了飞控系统成品与故障码之间的关系，可进行低准确率从的故障诊断；在预训练模型的基础上，通过训练样本，重复以上XGBoost训练流程，得到具有高准确率的最终故障诊断模型，采用最终故障诊断模型对飞控故障进行诊断。