CN110427988B - 一种基于深度学习的机载飞参数据健康诊断方法 - Google Patents

一种基于深度学习的机载飞参数据健康诊断方法 Download PDF

Info

Publication number
CN110427988B
CN110427988B CN201910647276.1A CN201910647276A CN110427988B CN 110427988 B CN110427988 B CN 110427988B CN 201910647276 A CN201910647276 A CN 201910647276A CN 110427988 B CN110427988 B CN 110427988B
Authority
CN
China
Prior art keywords
data
flight
deep learning
aircraft
soc
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.)
Active
Application number
CN201910647276.1A
Other languages
English (en)
Other versions
CN110427988A (zh
Inventor
张柯
程金
贾宁
杨斌斌
栾璟明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Qianshan Avionics Co Ltd
Original Assignee
Shaanxi Qianshan Avionics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi Qianshan Avionics Co Ltd filed Critical Shaanxi Qianshan Avionics Co Ltd
Priority to CN201910647276.1A priority Critical patent/CN110427988B/zh
Publication of CN110427988A publication Critical patent/CN110427988A/zh
Application granted granted Critical
Publication of CN110427988B publication Critical patent/CN110427988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of networks

Abstract

本发明提供了一种基于深度学习的机载飞参数据健康诊断方法，该方法基于深度学习算法，能实时分析航空机载飞参设备采集到的数据，得出飞机飞行过程中的健康状况并提前预知飞机发生故障的风险，给出避免故障的决策供飞行员采纳。该方法需要具体采集到的数据进行训练，特别是飞机出现故障时前各种特征参数关联性的分析学习，是有效预知并避免故障发生的关键。有效的解决了航空机载飞参设备领域数据实时分析，故障诊断和风险决策的问题。

Description

一种基于深度学习的机载飞参数据健康诊断方法
技术领域
本发明属于航空电子技术领域，具体涉及一种机载飞参数据健康诊断方法。
背景技术
近年来，由于人工智能的高速发展，深度学习已经快速蔓延到各行各业，例如人脸识别，语音识别和汽车无人驾驶等，但在航空航天领域的应用还比较稀少。传统飞参数据识别过程中，为了识别飞机在飞行过程中的特征参数，这些特征参数在提取的过程中需要多层维度，此时在建模的过程中会发现模型难以训练，大规模的特征参数提取会降低系统的实时性，而飞机在飞行过程中需要实时的提取多种数据的特征参数，并及时进行特征参数的反馈，这样传统的数据识别模型已经不能及时反映飞机上各个参数的特性。
飞机在飞行过程中会通过传感器采集飞机各个部分采集到的参数，如振动参数、气压参数、惯性导航参数和温度参数等各种参数。那么如何在飞机行过程中及时的处理分析这些参数，并形成一定的结果供飞行员作参考，这就需要引入深度学习方法对飞机飞行过程中的各项参数实时、快速的识别并给出判据。
深度学习作为数据识别领域较为有效的方法之一，在多种数据的分类、识别和处理中有着广泛的应用，利用深度学习网络对飞参采集的多种数据类型进行特征提取和特征训练，通过多次训练确定网络结构层数和权值的最佳值，实现快速评断飞机飞行过程中的的健康状况，并及时做出相应的提示和处理，从而更合配合飞行员完成飞机的飞行和后期对飞机飞行过程中健康状况的评估。
发明内容
发明目的：本发明的目的是提供一种基于深度学习的机载飞参数据健康诊断方法，解决航空机载飞参设备领域数据实时分析，故障诊断和风险决策的问题。
技术方案：本发明提供了一种飞参数据健康诊断方法，该方法包括如下步骤：
S1：将飞行参数采集器传送的一系列参数导入至电脑中进行数据分类、解析、初始化和预处理，将各自数据类型分别导入PC机上对应的一个缓存空间，搭建网络训练模型；
S2：将网络训练模型的阈值导入SOC平台中，基于该SOC平台搭建健康诊断系统，选用ARM_A9核进行多任务和多进程的管理和仲裁，平台自带大量的逻辑资源用来实现基于卷积神经网络的深度学习算法模型；所述深度学习算法模型中包括安全飞行库和故障库；
S3：启动SOC平台后，进行飞机接口功能监测和飞行数据预处理；
S4：进入飞行状态后，将飞参数据实时传输至SOC平台进行数据处理；并将处理后的数据与安全飞行库和故障库中的相应数据进行比对，并将实时诊断的结果反馈给飞行员。
基于SOC嵌入深度学习功能IP具有很好的实时性，飞参在采集数据的过程中，大规模的特征参数提取会降低系统的实时性，而飞机在飞行过程中需要实时的提取多种数据的特征参数，并及时进行特征参数的反馈，所以基于嵌入式架构实现深度学习算法能很好解决机载飞参系统实时性的问题。
优选的，所述步骤步骤S1包括：
S1.1：采用高斯分布初始化的方法或随机初始化的方法对各类型的数据进行初始化；
S1.2：对初始化后的数据进行归化处理，将处理后的数据导入到网络训练模型中。
优选的，所述步骤S2中：PC机训练好环境模型后将各类数据在协议层分通道导入PCIE物理层，通过PC端的PCIE主端将数据搬移至SOC平台的PCIE从端。
优选的，所述接口功能监测包括：
S3.1：在SOC应用层完成上电自检，通过上电后检测各个寄存器的状态来确定整个健康诊断系统基本功能模块是否正常，若正常工作则继续进行周期自检工作，若上电自检异常，则将异常信息导入至深度学习算法模型中进行异常识别和风险评估；
S3.2：若SOC上电自检完成并无异常，则开始进行固定周期自检，评估SOC平台在整个飞行过程中的运行状态，若周期自检异常，则将异常信息导入至深度学习算法模型中进行进一步的异常识别和风险评估；
S3.3：当SOC完成自检后，开始对飞机各个传感器对应的寄存器进行检查，完成飞机在起飞时刻的基本功能传感器监测；
S3.4：飞机基本功能传感器监测完成后，将飞机此时的状态信息打包发送至深度学习算法模型进行存储；
S3.5：若异常飞行状态的阈值输入阈值库，系统会用过阈值自动识别该种数据类型的阈值所对应功能模块的故障情况，然后输入相应的故障字。
优选的，所述步骤S4中处理后的数据导入SOC平台，对安全飞行库和故障库中的相应数据进行更新迭代。
不需要人为提取每一次的飞行参数特征，可以基于模型自动学习，降低了传统模型对特征的依赖。
有益效果：
本发明将深度学习理论方法引入至飞参系统，可以完成多种类型特征参数实时提取反馈，使得大规模特征数据处理成为可能，而且深度学习可以实现特征的自学习、自提取，并从数据维验证特征提取有效模型，从而提升整个飞参的目标识别功效。
本发明提供一种基于深度学习的机载飞参数据健康诊断方法，解决了航空机载飞参设备领域数据实时分析，故障诊断和风险决策的问题，能实时故障诊断，提前预知故障，实现飞机飞行过程的健康管理。
本发明提供的飞参数据健康诊断方法，能够实时处理飞机上采集到的多种数据类型，将数据导入至训练好的深度学习模型中提前预估出飞机将要发生的异常现象，能及时诊断并做出决策，给出飞行员规避风险的建议。
附图说明
图1飞参数据健康诊断示意图
具体实施方式
下面结合附图对本发明做进一步详细描述
步骤1：将飞行参数采集器传送过来的航电系统参数、滑油系统参数、灭火系统参数，液压系统参数、传动系统参数、旋翼参数、燃油参数、振动参数、惯性导航参数、电器参数、及机舱的温度、高度和发动机参数等一系列参数导入至电脑中进行数据分类、解析、初始化和预处理，将各种数据类型分别导入PC机上对应的一个缓存空间，搭建网络训练模型。
步骤1.1：飞行数据在进行训练之前需要进行参数初始化，通常采用高斯分布初始化的方法或随机初始化的方法分别对各种类型的数据进行初始化。
步骤1.2：飞参数据再进行初始化完成之后还需要进行归一化处理，处理之后再将数据导入到模型中进行训练。
步骤2：整个健康诊断系统架构基于Xilinx SOC硬件平台进行搭建，可选用ARM_A9核进行多任务和多进程的管理和仲裁，平台自带大量的逻辑资源可用来实现基于卷积神经网络的深度学习算法模型。 PC机训练好环境模型后将各类数据在协议层分通道导入PCIE物理层，通过PC端的PCIE主端将数据搬移至Xilinx SOC硬件平台的PCIE 从端。
步骤3：Xilinx SOC硬件平台在启动完成后开始进行飞机接口功能监测和飞行数据预处理，其中接口功能监测包括：
步骤3.1：在SOC应用层完成上电自检，通过上电后检查各个寄存器的状态来确定整个健康诊断系统基本功能模块是否正常工作，若正常工作则继续进行周期自检工作，若上电自检异常，则将异常信息导入至深度学习算法模型中进行异常识别和风险评估。
步骤3.2：若SOC上电自检完成并无异常，则开始进行固定周期自检，评估XilinxSOC硬件平台在整个飞行过程中的运行状态，若周期自检异常，则将异常信息导入至深度学习算法模型中进行进一步的异常识别和风险评估。
步骤3.3：当SOC完成自检后，开始对飞机各个传感器对应的寄存器进行检查，完成飞机在起飞时刻的基本功能传感器监测。
步骤3.4：飞机基本功能传感器监测完成后，将飞机此时的状态信息打包发送至深度学习算法模型进行训练。
步骤3.4：完成训练之后，深度学习算法模型又将训练得出的结果反馈给飞参数据阈值库进行阈值的判定和迭代。
步骤3.5：若异常飞行状态的阈值输入阈值库，系统会通过阈值自动识别该种数据类型的阈值所对应功能模块的故障情况，然后输出相应的故障字。
步骤4：将故障字导入至飞机隐患评估模块，对飞机状态开展健康诊断，健康诊断库是根据深度学习网络模型得出的阈值和权重进行风险评估的。
步骤5：深度学习算法模型同安全飞行库和故障库共享权重和阈值，当飞机正常飞行时，将其具体场景的数据通过案例检索导入到具体飞行状态场景进行数据分析，通过分析得出飞行过程中无异常状态，可将此时得出各种数据类型的阈值和权重共享给安全飞行库，进行安全飞行库阈值和权重的更新和迭代；当飞行过程中出现异常现象，且这种异常现象已经达到飞机所能承受的临界风险值时，将此时的异常数据通过卷积神经网络进行样本分析，然后将分析得出的异常数据阈值和权重导入至故障库进行故障值的更新和迭代，方便下次遇到类似异常故障时及时给出飞行员建议和决策。
步骤6：图1架构是针对网络模型进行训练，在该结构中，可将预先准备好的各种飞行数据导入至网络模型，然后数据通过PCIE接口进行训练，当训练规模和训练的数据量达到一定程度后，阈值和权重在故障库和安全飞行库都能达到收敛，这样深度学习算法模型已经训练完成，可将该基于深度学习的健康诊断系统直接嵌入到飞机的飞参采集系统中，这样，训练好的深度学习算法模型便可以实时的对飞机的健康状况进行诊断，识别异常状况，提前预知飞行风险。

Claims (5)

1.一种基于深度学习的机载飞参数据健康诊断方法，其特征在于，所述方法包括如下步骤：
S1：将飞行参数采集器传送的一系列参数导入至电脑中进行数据分类、解析、初始化和预处理，将各自数据类型分别导入PC机上对应的一个缓存空间，搭建网络训练模型；
S2：将网络训练模型的阈值导入SOC平台中，基于该SOC平台搭建健康诊断系统，选用ARM_A9核进行多任务和多进程的管理和仲裁，平台自带大量的逻辑资源用来实现基于卷积神经网络的深度学习算法模型；所述深度学习算法模型中包括安全飞行库和故障库；
S3：启动SOC平台后，进行飞机接口功能监测和飞行数据预处理；
S4：进入飞行状态后，将飞参数据实时传输至SOC平台进行数据处理；并将处理后的数据与安全飞行库和故障库中的相应数据进行比对，并将实时诊断的结果反馈给飞行员。
2.根据权利要求1所述的飞参数据健康诊断方法，其特征在于，所述步骤步骤S1包括：
S1.1：采用高斯分布初始化的方法或随机初始化的方法对各类型的数据进行初始化；
S1.2：对初始化后的数据进行归化处理，将处理后的数据导入到网络训练模型中。
3.根据权利要求1所述的飞参数据健康诊断方法，其特征在于，所述步骤S2中：PC机训练好环境模型后将各类数据在协议层分通道导入PCIE物理层，通过PC端的PCIE主端将数据搬移至SOC平台的PCIE从端。
4.根据权利要求1所述的飞参数据健康诊断方法，其特征在于，所述接口功能监测包括：
S3.1：在SOC应用层完成上电自检，通过上电后检测各个寄存器的状态来确定整个健康诊断系统基本功能模块是否正常，若正常工作则继续进行周期自检工作，若上电自检异常，则将异常信息导入至深度学习算法模型中进行异常识别和风险评估；
S3.2：若SOC上电自检完成并无异常，则开始进行固定周期自检，评估SOC平台在整个飞行过程中的运行状态，若周期自检异常，则将异常信息导入至深度学习算法模型中进行进一步的异常识别和风险评估；
S3.3：当SOC完成自检后，开始对飞机各个传感器对应的寄存器进行检查，完成飞机在起飞时刻的基本功能传感器监测；
S3.4：飞机基本功能传感器监测完成后，将飞机此时的状态信息打包发送至深度学习算法模型进行存储；
S3.5：若异常飞行状态的阈值输入阈值库，系统会用过阈值自动识别该种数据类型的阈值所对应功能模块的故障情况，然后输入相应的故障字。
5.根据权利要求1所述的飞参数据健康诊断方法，其特征在于，所述步骤S4中处理后的数据导入SOC平台，对安全飞行库和故障库中的相应数据进行更新迭代。
CN201910647276.1A 2019-07-17 2019-07-17 一种基于深度学习的机载飞参数据健康诊断方法 Active CN110427988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910647276.1A CN110427988B (zh) 2019-07-17 2019-07-17 一种基于深度学习的机载飞参数据健康诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910647276.1A CN110427988B (zh) 2019-07-17 2019-07-17 一种基于深度学习的机载飞参数据健康诊断方法

Publications (2)

Publication Number Publication Date
CN110427988A CN110427988A (zh) 2019-11-08
CN110427988B true CN110427988B (zh) 2023-06-16

Family

ID=68410888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910647276.1A Active CN110427988B (zh) 2019-07-17 2019-07-17 一种基于深度学习的机载飞参数据健康诊断方法

Country Status (1)

Country Link
CN (1) CN110427988B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110979728A (zh) * 2019-11-14 2020-04-10 深圳市瑞达飞行科技有限公司 飞行数据的处理方法、读取方法、装置、电子设备和储存介质
CN111192379A (zh) * 2019-12-24 2020-05-22 泉州装备制造研究所 一种飞机整机的综合故障诊断方法
CN111241694B (zh) * 2020-01-16 2023-07-14 超越科技股份有限公司 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
CN112231332A (zh) * 2020-11-05 2021-01-15 中国航空工业集团公司西安航空计算技术研究所 一种分布式民机地面故障诊断方法及平台
CN112711679B (zh) * 2020-12-24 2023-09-05 中航贵州飞机有限责任公司 一种基于信息化平台的飞机接装故障管理系统及管理方法
CN114348291B (zh) * 2021-12-17 2023-10-24 国营芜湖机械厂 一种基于飞参数据和仿真的飞行故障诊断方法
CN115203145B (zh) * 2022-09-19 2022-12-27 山东盖特航空科技有限公司 一种机载智能预警系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101063643A (zh) * 2007-02-02 2007-10-31 北京航空航天大学 飞机故障智能诊断方法及系统
CN109141847A (zh) * 2018-07-20 2019-01-04 上海工程技术大学 一种基于mscnn深度学习的飞机系统故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9818242B2 (en) * 2014-12-16 2017-11-14 University Of Southern California Gas turbine engine anomaly detections and fault identifications

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101063643A (zh) * 2007-02-02 2007-10-31 北京航空航天大学 飞机故障智能诊断方法及系统
CN109141847A (zh) * 2018-07-20 2019-01-04 上海工程技术大学 一种基于mscnn深度学习的飞机系统故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余汇 ; .基于OSA-CBM的飞机状态监控技术研究.电子世界.2016,(16),全文. *

Also Published As

Publication number Publication date
CN110427988A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110427988B (zh) 一种基于深度学习的机载飞参数据健康诊断方法
CN109581871B (zh) 免疫对抗样本的工业控制系统入侵检测方法
Esperon-Miguez et al. A review of Integrated Vehicle Health Management tools for legacy platforms: Challenges and opportunities
US8914149B2 (en) Platform health monitoring system
CN113469060A (zh) 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN110807257A (zh) 航空发动机剩余寿命预测方法
CN109981559A (zh) 交通工具网络攻击检测系统及其方法
CN113221338A (zh) 一种基于数字孪生的复杂装备系统模型验证方法及系统
US20060235707A1 (en) Decision support method and system
US20200175779A1 (en) Apparatus and method for vehicle maintenance scheduling and fault monitoring
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
Xu et al. Reliability analysis of an autonomous underwater vehicle using fault tree
CN116610092A (zh) 用于车辆分析的方法和系统
RU2670907C2 (ru) Система мониторинга работоспособности платформы
CN113886951A (zh) 一种飞行器健康管理系统及方法
Li et al. Civil aircraft health management research based on big data and deep learning technologies
Galvan et al. Sensor data-driven uav anomaly detection using deep learning approach
CN114692786B (zh) 一种基于多源数据融合的民机故障诊断方法
US20220068042A1 (en) Automated prediction of repair based on sensor data
CN113850138B (zh) 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置
CN112182743B (zh) 一种基于故障传递特征匹配的飞机系统故障诊断方法
CN111191770B (zh) 一种基于模糊神经网络的火箭系统健康状态评估方法
Jing et al. System health management for unmanned aerial vehicle: conception, state-of-art, framework and challenge
El Mir et al. Certification of machine learning algorithms for safe-life assessment of landing gear
Ortiz et al. Multi source data integration for aircraft health management

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB03 Change of inventor or designer information

Inventor after: Zhang Ke

Inventor after: Cheng Jin

Inventor after: Jia Ning

Inventor after: Yang Binbin

Inventor after: Luan Jingming

Inventor before: Zhang Ke

Inventor before: Cheng Jin

Inventor before: Jia Ning

Inventor before: Yang Binbin

CB03 Change of inventor or designer information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant