CN110570544A - 飞机燃油系统故障识别方法、装置、设备和存储介质 - Google Patents
飞机燃油系统故障识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110570544A CN110570544A CN201910888428.7A CN201910888428A CN110570544A CN 110570544 A CN110570544 A CN 110570544A CN 201910888428 A CN201910888428 A CN 201910888428A CN 110570544 A CN110570544 A CN 110570544A
- Authority
- CN
- China
- Prior art keywords
- component
- fault
- monitoring data
- fuel system
- determining
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Abstract
本发明实施例公开了一种飞机燃油系统故障识别方法、装置、设备和存储介质,该方法包括:获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数;基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准;获取各所述部件的当前监测数据,并结合各所述故障判断标准对各所述部件进行故障判断。本发明实施例基于民用飞机燃油系统组件的历史监测数据,在考虑组件中所有部件均可能存在性能退化的情况下对各个部件进行故障识别,提高了对民用飞机燃油系统故障识别的准确性,尤其提高了对严重程度较小的故障的识别准确性。
Description
技术领域
本发明实施例涉及故障检测与诊断技术领域,尤其涉及一种飞机燃油系统故障识别方法、装置、设备和存储介质。
背景技术
民用飞机燃油系统的可靠性是保证民航飞行安全,以及发挥好民用飞机本身性能的重要因素,而先进的故障识别技术则是检验和保证民用飞机燃油系统可靠性的有效手段。
现有的针对民用飞机的故障识别方法主要有三类:基于模型的故障识别方法,基于数据的故障识别方法以及基于知识和定性模型的故障识别方法。其中,基于模型的故障识别方法主要是基于民用飞机燃油系统的物理或化学机理来得到系统的解析模型,在解析模型的基础上,通过与系统实际运行状态的比较来进行故障识别;基于数据的故障识别方法主要是基于统计学理论和数据挖掘技术,利用民用飞机燃油系统的历史运行数据来进行故障识别;基于知识和定性模型的故障识别方法主要是基于民用飞机燃油系统的一些定性信息和模糊规律,通过图论以及模糊数学等方法来进行故障识别。
现有的故障识别方法在进行故障识别时,通常假定除故障部件外,系统内的其余部件均处于健康状态,即没有发生性能退化。而实际上,系统中所有部件从投入运营的第一天开始就在发生不同程度的性能退化。这些退化会影响传感器的测量数据,进而使得故障识别的准确性降低。
发明内容
本发明实施例提供一种飞机燃油系统故障识别方法、装置、设备和存储介质,以实现基于燃油系统组件的历史监测数据,在考虑组件中所有部件均可能存在性能退化的情况下对各个部件进行故障识别。
第一方面,本发明实施例提供了一种飞机燃油系统故障识别方法,该方法包括:
获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数,所述燃油系统组件至少包括:单向阀门、齿轮泵、过滤器、喷油嘴和输油管;
基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准;
获取各所述部件的当前监测数据,并结合各所述故障判断标准对各所述部件进行故障判断。
第二方面,本发明实施例还提供了一种飞机燃油系统故障识别装置,该装置包括:
历史获取模块,用于获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数,所述燃油系统组件至少包括:单向阀门、齿轮泵、过滤器、喷油嘴和输油管;
标准确定模块,用于基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准;
故障判断模块,用于获取各所述部件的当前监测数据,并结合各所述故障判断标准对各所述部件进行故障判断。
第三方面,本发明实施例还提供了一种飞机燃油系统故障识别设备,该设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例第一方面所述的飞机燃油系统故障识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明实施例第一方面所述的飞机燃油系统故障识别方法。
本发明实施例基于民用飞机燃油系统组件的历史监测数据,在考虑组件中所有部件均可能存在性能退化的情况下对各个部件进行故障识别,提高了对民用飞机燃油系统故障识别的准确性,尤其提高了对严重程度较小的故障的识别准确性。
附图说明
图1是本发明实施例一提供的一种飞机燃油系统故障识别方法的流程示意图;
图2是本发明实施例二提供的一种飞机燃油系统故障识别方法的流程示意图;
图3是本发明实施例二提供的一种飞机燃油系统故障识别方法的流程示例图;
图4是本发明实施例三提供的一种飞机燃油系统故障识别装置的结构示意图;
图5是本发明实施例五提供的一种飞机燃油系统故障识别设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种飞机燃油系统故障识别方法的流程示意图,本实施例可适用于基于燃油系统组件的历史监测数据,在考虑组件中所有部件均可能存在性能退化的情况下对各个部件进行故障识别的情况,具体可由飞机燃油系统故障识别装置来执行,该装置可以由硬件和/或软件实现,并一般集成在飞机燃油系统故障识别设备上。
需要说明的是,本发明实施例所述的飞机燃油系统故障识别方法适应用于民用飞机燃油系统,但不限于此。此外,所述方法关键在于以考虑飞机的燃油系统组件中所有部件均可能存在性能退化为出发点,基于所述燃油系统组件中多个主要组成部件的历史监测数据和当前监测数据,对各所述主要组成部件进行故障识别。
如图1所示,本实施例提供的飞机燃油系统故障识别方法,具体包括如下步骤:
S101、获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数。
其中,所述燃油系统组件是指由民用飞机的燃油系统的各主要组成部件组成的系统组件,可选地,所述燃油系统组件至少包括:单向阀门、齿轮泵、过滤器、喷油嘴和输油管。
所述历史监测数据是指对所述燃油系统组件内各部件进行功能和运行状态监测所得的历史时间段内的数据,根据所需数据量的大小可以对所述历史时间段的长度进行设定。
所述分布参数可以理解为对所述历史检测数据采用现有的数学运算法则进行统计分析所得的统计学分布参数。
可以理解的是,所述历史监测数据涵盖了所述燃油系统组件中所有部件可能存在性能退化的情况,通过获取所述历史监测数据,即实现了对所述燃油系统组件中各部件均可能存在性能退化情况的考虑;而通过确定所述历史监测数据的分布参数,为后续对各所述部件进行故障识别奠定了前提,以及提供了相关依据。
可选地,所述获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数,可优化为以下步骤:
S11、获取所述燃油系统组件中各部件对应的传感器的历史采集数据,将各所述历史采集数据确定为所述燃油系统组件的历史监测数据。
S12、基于期望最大化EM算法确定所述历史监测数据的分布参数,所述分布参数包括均值和协方差。
其中,所述期望最大化算法(Expectation-Maximization algorithm,EM),又称最大期望算法,或Dempster-Laird-Rubin算法,是一类通过迭代进行极大似然估计(MaximumLikelihood Estimation,MLE)的优化算法,属于成熟的统计估计算法,此处不再赘述。
S102、基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准。
其中,所述故障判断标准可以理解为用于判断所述燃油系统中各部件是否发生故障的依据和准绳。
可以理解的是,不同部件具体产生的故障是不同的,因此,不同部件对应的故障判断标准也不同,需要针对每个部件建立对应的故障判断标准。所述历史监测数据不仅包含了所述燃油系统组件中所有部件可能存在性能退化的情况,同时也包含了各所述部件既往的所有故障数据,因此,在保证所述历史数据的数据量足够多的情况下,基于所述历史监测数据和分布参数所确定的各所述部件对应的故障判断标准可以更科学地、更准确地作为判断各所述部件是否发生故障的依据和准绳。尤其是在发生故障严重程度较小时,现有的在假定除故障部件外,系统内的其余部件均处于健康状态(即没有发生性能退化)的情况下对各部件进行故障识别的方案很可能出现漏判的情况;而本发明实施例基于所述历史监测数据和分布参数所确定的各所述部件对应的故障判断标准,由于考虑了各个部件均可能存在性能退化的情况,对导致各所述部件发生故障的因素考虑更加全面,因此,极大地提高了故障识别的准确性,尤其提高了发生故障严重程度较小的部件的故障识别准确性。
S103、获取各所述部件的当前监测数据,并结合各所述故障判断标准对各所述部件进行故障判断。
其中,所述当前监测数据是指对所述燃油系统组件内各部件进行功能和运行状态监测所得的当前时刻的数据。可选地,通过获取各所述部件对应的传感器的当前采集数据,将各所述当前采集数据对应确定为各所述部件的当前监测数据。
可以理解的是,通过获取各所述部件的当前监测数据,将各所述数据与各所述部件对应的故障判断标准进行比较,即可判断出各所述部件当前时刻是否发生故障。
本发明实施例基于民用飞机燃油系统组件的历史监测数据,在考虑组件中所有部件均可能存在性能退化的情况下对各个部件进行故障识别,提高了对民用飞机燃油系统故障识别的准确性,尤其提高了对严重程度较小的故障的识别准确性。
实施例二
图2是本发明实施例二提供的一种飞机燃油系统故障识别方法的流程示意图,本实施例在实施例一的基础上进一步优化。本实施例将所述获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数,具体化为:获取各所述部件对应的传感器的历史采集数据,将各所述历史采集数据确定为所述燃油系统组件的历史监测数据;基于期望最大化EM算法确定所述历史监测数据的分布参数,所述分布参数包括均值和协方差。
本实施例还将所述基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准,具体化为:对所述历史监测数据以设定规则进行聚类处理,获得所述燃油系统组件中各部件对应的第一故障边界;基于所述分布参数中的均值和协方差,确定各所述第一故障边界对应的故障边界点到所述历史监测数据的均值点的第一最小马氏距离;将各所述第一最小马氏距离确定为各所述部件对应的第一故障判断标准。
本实施例还将所述基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准,具体化为:对所述历史监测数据以设定规则进行聚类处理,获得所述燃油系统组件中各部件对应的第二故障边界;对各所述第二故障边界上的点进行中心化处理,得到各所述第二故障边界对应的中心化矩阵;根据主成分分析法对各所述中心化矩阵进行分解,得到各所述中心化矩阵对应的主元向量并获得各所述中心化矩阵的主元向量个数;基于各所述主元向量个数及预设概率阈值,确定各所述第二故障边界对应的故障边界点到所述历史监测数据的均值点的第二最小马氏距离;将各所述第二最小马氏距离确定为各所述部件对应的第二故障判断标准。
本实施例还将所述获取各所述部件的当前监测数据,并结合各所述故障判断标准对各所述部件进行故障判断,具体化为:获取各所述部件对应的传感器的当前采集数据,将各所述当前采集数据对应确定为各所述部件的当前监测数据;基于各所述当前监测数据和所述历史监测数据的分布参数,确定各所述部件对应的当前监测数据点到所述历史监测数据的均值点的马氏距离;针对每一个部件,如果所述部件对应的所述马氏距离大于或等于相应的第一最小马氏距离或第二最小马氏距离,则确定所述部件为故障部件。
本实施例在所述确定所述部件为故障部件之后,还优化增加了:基于最大后验概率MAP准则确定所述故障部件的故障等级。
如图2所示,本实施例提供的飞机燃油系统故障识别方法,具体包括如下步骤:
S201、获取所述燃油系统组件中各部件对应的传感器的历史采集数据,将各所述历史采集数据确定为所述燃油系统组件的历史监测数据。
S202、基于期望最大化EM算法确定所述历史监测数据的分布参数,所述分布参数包括均值和协方差。
S203、对所述历史监测数据以设定规则进行聚类处理,获得各所述部件对应的第一故障边界。
可以理解的是,所述历史监测数据包含了各所述部件的既往故障数据,通过对所述历史监测数据进行数据分析,可以确定各所述部件发生故障的边界条件,可选地,可通过设定规则对所述历史监测数据进行聚类处理,从而获得各所述部件发生故障的边界条件(或临界条件)。所述第一故障边界可以理解为所述边界条件对应的数据点集合,可选地,根据历史监测数据所包含数据的维度,所述第一故障边界可以为点、线或者面。可选地,将位于所述第一故障边界以内的数据点确定为正常数据点,表示对应的部件未发生故障;将位于所述第一故障边界以外或位于所述第一故障边界上的数据点确定为异常数据点,表示对应的部件发生故障。
S204、基于所述分布参数中的均值和协方差,确定各所述第一故障边界对应的第一最小马氏距离。
其中,马氏距离表示点与一个分布之间的距离,是一种有效的计算两个未知样本集的相似度的方法,对于一个均值为μ,协方差矩阵为Σ的多变量向量,所述多变量向量对应的马氏距离为sqrt((x-μ)'Σ-1(x-μ)),其中,为所述多变量向量中的变量元素;马氏距离也可以定义为两个服从同一分布并且其协方差矩阵为Σ的随机变量之间的差异程度。针对每一个部件,所述第一最小马氏距离可以理解为所述部件对应的第一故障边界上各故障边界点到所述历史监测数据的均值点的马氏距离中的最小值。
示例性的,针对每一个部件,基于所述历史监测数据的高斯分布参数,根据最小卷集(Minimum Volume Sets)估计方法构建故障边界上的点到均值点的马氏距离;对于某个部件,令g(x)表示所述部件对应的第一故障边界,基于所述第一故障边界g(x)上的点x求解下列非线性优化问题:
min[(x-μ)TΣ-1(x-μ)] (1)
得到上述非线性优化问题的解x*,则所述部件对应的第一最小马氏距离δ为:
其中,μ表示所述历史监测数据的均值点,Σ-1表示所述历史监测数据的协方差矩阵Σ的逆矩阵。
S205、将各所述第一最小马氏距离确定为各所述部件对应的第一故障判断标准。
可选地,可按照公式(1)和(2)对应的方法求出每个部件的对应的第一最小马氏距离,将各所述第一最小马氏距离作为各所述部件对应的第一故障判断标准。
S206、对所述历史监测数据以设定规则进行聚类处理,获得各所述部件对应的第二故障边界。
可以理解的是,所述第二故障边界与所述第一故障边界类似,此处不再另行解释。
S207、对各所述第二故障边界上的点进行中心化处理,得到各所述第二故障边界对应的中心化矩阵。
其中,中心化又称零均值化,即变量减去变量的均值,常用于在回归分析中取消由于量纲不同、自身变异或者数值相差较大所引起的误差。
所述中心化矩阵可以理解为对所述第二故障边界上的点对应的原矩阵元素进行做中心化处理后的到的新的矩阵。
S208、根据主成分分析法对各所述中心化矩阵进行分解,得到各所述中心化矩阵对应的主元向量并获得各所述中心化矩阵的主元向量个数。
其中,主成分分析(Principal Component Analysis,PCA),是一种统计学方法,主要通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的得到的这组变量叫主成分,所述主成分组成的向量即所述主元向量。
S209、基于各所述主元向量个数及预设概率阈值,确定各所述第二故障边界对应的第二最小马氏距离。
可选地,基于各所述主元向量个数及预设概率阈值,根据卡方分布规律查表确定各所述第二故障边界对应的第二最小马氏距离。
其中,针对每一个部件,所述第二最小马氏距离可以理解为所述部件对应的第二故障边界上各故障边界点到所述历史监测数据的均值点的马氏距离中的最小值。
所述预设概率阈值用于缩小所述根据卡方分布规律查表的查表范围,减小查表工作量。
可以理解的是的,针对每个部件,基于对应的主元向量和主元向量的协方差矩阵构建一向量u:
u=Λ-0.5t (3)
其中,u表示主元向量,Λ表示主元向量u的协方差矩阵。
所构建的向量的u的各个变量相互独立且服从标准正态分布,使得所述第二故障边界上的点到所述历史监测数据的均值点的马氏距离的平方可表示为向量u的各个变量的平方和,由于u的各个变量的平方服从卡方分布,因此,可以预先通过大量实验建立与所述第二故障边界上的故障边界点到所述历史监测数据的均值点的马氏距离对应的卡方分布规律表,由此,以各所述主元向量个数和预设概率阈值为查找条件,即可从所述卡方分布规律表中确定各所述部件对应的第二最小马氏距离。
S210、将各所述第二最小马氏距离确定为各所述部件对应的第二故障判断标准。
需要说明的是,步骤S203~S205,步骤S206~S210分别可看作本发明实施例中所述基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准的两个优选方案,但不限于上述两种方案。
S211、获取各所述部件对应的传感器的当前采集数据,将各所述当前采集数据对应确定为各所述部件的当前监测数据。
S212、基于各所述当前监测数据和所述历史监测数据的分布参数,确定各所述部件对应的第三马氏距离。
其中,针对每一个部件,所述第三马氏距离可以理解为所述部件对应的当前监测数据点到所述历史监测数据的均值点的马氏距离。
可以理解的是,本实施例中将所述第一最小马氏距离确定为所述第一故障判断标准,将所述第二最小马氏距离确定为所述第二故障判断标准,因此,在通过获取各所述部件的当前监测数据,并将各所述数据与各所述部件对应的故障判断标准进行比较,从而判断出各所述部件当前时刻是否发生故障时,需要先确定各所述部件对应的当前监测数据点到所述历史监测数据的均值点的马氏距离,即保证用于进行比较的双方具有相同的量纲属性(例如都是马氏距离)。
S213、针对每一个部件,如果所述部件对应的第三马氏距离大于或等于相应的第一最小马氏距离或第二最小马氏距离,则确定所述部件为故障部件。
可以理解的是,根据马氏距离的定义,针对每一部件,当所述部件对应的第三马氏距离大于或等于相应的第一最小马氏距离或第二最小马氏距离时,表明所述部件的当前监测数据点位于所述部件对应的第一故障边界或第二故障边界之外或位于所述部件对应的第一故障边界或第二故障边界之上,即所述部件对应的当前监测数据点为异常数据点,由此,可判定所述部件发生故障,即确定所述部件为故障部件;反之,则判定所述部件未发生故障。
S214、基于最大后验概率MAP准则确定所述故障部件的故障等级。
其中,所述故障等级用于量化所述故障部件发生故障的严重程度。
可选地,针对每个故障部件,基于所述故障部件的当前监测数据S(向量),通过贝叶斯公式,计算所述故障部件当前发生故障的故障等级为L的后验概率:
p(L|S)=a×p(S|L) (4)
其中,a为比例系数,p(S|L)为已知故障大小为L时,所述故障部件的当前监测数据为S的条件概率(基于所述历史监测数据获得,所述历史监测数据涵盖了所述故障部件所有的既往故障数据);
根据全概率公式:
其中,n为部件个数,p(Si|L)为已知故障大小为L时第i个部件的监测数据为Si的条件概率(基于所述历史监测数据获得,所述历史监测数据涵盖了系统中所有部件可能存在的性能退化情况);
计算所述故障部件所有故障等级对应的后验概率,将所有故障等级对应的后验概率值进行比较,根据最大后验概率(MAP)准则,将各所述后验概率值中的最大值所对应的故障等级作为所述故障部件当前发生故障的故障等级。
示例性的,对用于针对民用飞机燃油系统进行物理仿真的实验平台进行部件故障识别并确定故障部件的故障等级。实验平台的主要组成部件包括单向阀门、齿轮泵、过滤器、喷油嘴和输油管。为了简化测试过程,只选取平台中部分传感器的测量数据。传感器的采样频率为1kHz,针对每一个故障模式均采集有3000个测量数据,其中2700个测量数据作为历史监测数据,300个测量数据作为当前监测数据。图3是本发明实施例二提供的一种飞机燃油系统故障识别方法的流程示例图。
本发明的目的是在考虑飞机燃油系统组件的所有部件均可能存在性能退化的情况下对民用飞机燃油系统进行更加准确的故障识别,因此,本示例测试了本发明实施例提供的飞机燃油系统故障识别方法在不同的故障严重程度(即故障等级)下的识别准确性,并与现有故障识别方法(即未考虑系统中所有部件均可能存在性能退化的方法)进行了比较,其结果如表1所示。
如表1所示,利用本发明实施例提供的故障识别方法,故障的识别准确性较现有方法有较大提高。特别是在故障严重程度较小的情况下,本发明实施例提供的故障识别方法能够极大地提高故障识别的准确性。
表1 不同故障严重程度下的识别准确性
本发明实施例基于民用飞机燃油系统组件的历史监测数据,在考虑组件中所有部件均可能存在性能退化的情况下对各个部件进行故障识别,提高了对民用飞机燃油系统故障识别的准确性,尤其提高了对严重程度较小的故障的识别准确性。
实施例三
图4是本发明实施例三提供的一种飞机燃油系统故障识别装置的结构示意图,本实施例可适用于基于燃油系统组件的历史监测数据,在考虑组件中所有部件均可能存在性能退化的情况下对各个部件进行故障识别的情况,该飞机燃油系统故障识别装置可以由软件和/或硬件实现,具体包括:历史获取模块301、标准确定模块302、故障判断模块303。其中,
历史获取模块301,用于获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数,所述燃油系统组件至少包括:单向阀门、齿轮泵、过滤器、喷油嘴和输油管;
标准确定模块302,用于基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准;
故障判断模块303,用于获取各所述部件的当前监测数据,并结合各所述故障判断标准对各所述部件进行故障判断。
在上述各实施例的基础上,所述历史获取模块301,包括:
历史获取单元,用于获取所述燃油系统组件中各部件对应的传感器的历史采集数据,将各所述历史采集数据确定为所述燃油系统组件的历史监测数据;
参数确定单元,用于基于期望最大化EM算法确定所述历史监测数据的分布参数,所述分布参数包括均值和协方差。
在上述各实施例的基础上,所述标准确定模块302,包括:
第一边界获取单元,用于对所述历史监测数据以设定规则进行聚类处理,获得各所述部件对应的第一故障边界;
第一距离确定单元,用于基于所述分布参数中的均值和协方差,确定各所述第一故障边界对应的第一最小马氏距离;
第一标准确定单元,用于将各所述第一最小马氏距离确定为各所述部件对应的第一故障判断标准。
在上述各实施例的基础上,所述标准确定模块302,包括:
第二边界获取单元,用于对所述历史监测数据以设定规则进行聚类处理,获得各所述部件对应的第二故障边界;
矩阵获取单元,用于对各所述第二故障边界上的点进行中心化处理,得到各所述第二故障边界对应的中心化矩阵;
向量获取单元,用于根据主成分分析法对各所述中心化矩阵进行分解,得到各所述中心化矩阵对应的主元向量并获得各所述中心化矩阵的主元向量个数;
第二距离确定单元,用于基于各所述主元向量个数及预设概率阈值,确定各所述第二故障边界对应的第二最小马氏距离;
第二标准确定单元,用于将各所述第二最小马氏距离确定为各所述部件对应的第二故障判断标准。
在上述各实施例的基础上,所述故障判断模块303,包括:
当前获取单元,用于获取各所述部件对应的传感器的当前采集数据,将各所述当前采集数据对应确定为各所述部件的当前监测数据;
第三距离确定单元,用于基于各所述当前监测数据和所述历史监测数据的分布参数,确定各所述部件对应的第三马氏距离;
故障确定单元,用于针对每一个部件,如果所述部件对应的第三马氏距离大于或等于相应的第一最小马氏距离或第二最小马氏距离,则确定所述部件为故障部件。
在上述各实施例的基础上,所述飞机燃油系统故障识别装置,还包括:
等级确定模块,用于基于最大后验概率MAP准则确定所述故障部件的故障等级。
本发明实施例所提供的飞机燃油系统故障识别装置可执行本发明任一实施例所提供的飞机燃油系统故障识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种飞机燃油系统故障识别设备的结构示意图,如图5所示,该设备包括处理器40、存储器41、输入装置42和输出装置43;设备中处理器40的数量可以是一个或多个,图5中以一个处理器40为例;设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的飞机燃油系统故障识别方法对应的程序指令/模块(例如,飞机燃油系统故障识别装置中的历史获取模块301、标准确定模块302、故障判断模块303)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行该设备的各种功能应用以及数据处理,即实现上述的飞机燃油系统故障识别方法。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息,以及产生与设备/终端/服务器的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种飞机燃油系统故障识别方法,该方法包括:
获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数,所述燃油系统组件至少包括:单向阀门、齿轮泵、过滤器、喷油嘴和输油管;
基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准;
获取各所述部件的当前监测数据,并结合各所述故障判断标准对各所述部件进行故障判断。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任一实施例所提供的飞机燃油系统故障识别方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述飞机燃油系统故障识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种飞机燃油系统故障识别方法,其特征在于,包括:
获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数,所述燃油系统组件至少包括:单向阀门、齿轮泵、过滤器、喷油嘴和输油管;
基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准;
获取各所述部件的当前监测数据,并结合各所述故障判断标准对各所述部件进行故障判断。
2.根据权利要求1所述的方法,其特征在于,所述获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数,包括:
获取所述燃油系统组件中各部件对应的传感器的历史采集数据,将各所述历史采集数据确定为所述燃油系统组件的历史监测数据;
基于期望最大化EM算法确定所述历史监测数据的分布参数,所述分布参数包括均值和协方差。
3.根据权利要求2所述的方法,其特征在于,所述基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准,包括:
对所述历史监测数据以设定规则进行聚类处理,获得各所述部件对应的第一故障边界;
基于所述分布参数中的均值和协方差,确定各所述第一故障边界对应的第一最小马氏距离;
将各所述第一最小马氏距离确定为各所述部件对应的第一故障判断标准。
4.根据权利要求2所述的方法,其特征在于,所述基于所述历史监测数据和分布参数确定所述燃油系统组件的各部件对应的故障判断标准,包括:
对所述历史监测数据以设定规则进行聚类处理,获得各所述部件对应的第二故障边界;
对各所述第二故障边界上的点进行中心化处理,得到各所述第二故障边界对应的中心化矩阵;
根据主成分分析法对各所述中心化矩阵进行分解,得到各所述中心化矩阵对应的主元向量并获得各所述中心化矩阵的主元向量个数;
基于各所述主元向量个数及预设概率阈值,确定各所述第二故障边界对应的第二最小马氏距离;
将各所述第二最小马氏距离确定为各所述部件对应的第二故障判断标准。
5.根据权利要求3或4所述的方法,其特征在于,所述获取各所述部件的当前监测数据,并结合各所述故障判断标准对各所述部件进行故障判断,包括:
获取各所述部件对应的传感器的当前采集数据,将各所述当前采集数据对应确定为各所述部件的当前监测数据;
基于各所述当前监测数据和所述历史监测数据的分布参数,确定各所述部件对应的第三马氏距离;
针对每一个部件,如果所述部件对应的第三马氏距离大于或等于相应的第一最小马氏距离或第二最小马氏距离,则确定所述部件为故障部件。
6.根据权利要求5所述的方法,其特征在于,在所述确定所述部件为故障部件之后,还包括:
基于最大后验概率MAP准则确定所述故障部件的故障等级。
7.一种飞机燃油系统故障识别装置,其特征在于,包括:
历史获取模块,用于获取燃油系统组件的历史监测数据,并确定所述历史监测数据的分布参数,所述燃油系统组件至少包括:单向阀门、齿轮泵、过滤器、喷油嘴和输油管;
标准确定模块,用于基于所述历史监测数据和分布参数确定所述燃油系统组件中各部件对应的故障判断标准;
故障判断模块,用于获取各所述部件的当前监测数据,并结合各所述故障判断标准对各所述部件进行故障判断。
8.根据权利要求7所述的装置,其特征在于,所述历史获取模块,包括:
历史获取单元,用于获取所述燃油系统组件中各部件对应的传感器的历史采集数据,将各所述历史采集数据确定为所述燃油系统组件的历史监测数据;
参数确定单元,用于基于期望最大化EM算法确定所述历史监测数据的分布参数,所述分布参数包括均值和协方差。
9.一种飞机燃油系统故障识别设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的飞机燃油系统故障识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的飞机燃油系统故障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888428.7A CN110570544A (zh) | 2019-09-19 | 2019-09-19 | 飞机燃油系统故障识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910888428.7A CN110570544A (zh) | 2019-09-19 | 2019-09-19 | 飞机燃油系统故障识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110570544A true CN110570544A (zh) | 2019-12-13 |
Family
ID=68781216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910888428.7A Pending CN110570544A (zh) | 2019-09-19 | 2019-09-19 | 飞机燃油系统故障识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570544A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460392A (zh) * | 2020-06-11 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 |
CN111722577A (zh) * | 2020-06-29 | 2020-09-29 | 三一重机有限公司 | 一种报警控制系统及报警控制方法 |
CN111982522A (zh) * | 2020-09-08 | 2020-11-24 | 潍坊潍柴动力科技有限责任公司 | 发动机性能监测方法、装置、系统及存储介质 |
CN114987773A (zh) * | 2022-05-20 | 2022-09-02 | 成都飞机工业(集团)有限责任公司 | 飞机液压系统性能异常识别方法、装置、设备及介质 |
CN115186735A (zh) * | 2022-06-20 | 2022-10-14 | 成都飞机工业(集团)有限责任公司 | 一种数据阈值挖掘方法、装置、设备及介质 |
CN115583350A (zh) * | 2022-09-19 | 2023-01-10 | 成都飞机工业(集团)有限责任公司 | 一种飞机液压系统性能异常识别方法、装置、设备及介质 |
CN116176860A (zh) * | 2023-03-15 | 2023-05-30 | 北京科荣达航空科技股份有限公司 | 一种燃油系统测试方法、系统、设备及可读存储介质 |
CN115583350B (zh) * | 2022-09-19 | 2024-05-14 | 成都飞机工业(集团)有限责任公司 | 一种飞机液压系统性能异常识别方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050195545A1 (en) * | 2003-06-13 | 2005-09-08 | Mladenik John E. | Method of detecting run-dry conditions in fuel systems |
CN103678936A (zh) * | 2013-12-26 | 2014-03-26 | 清华大学 | 一种多部件工程系统中异常部件定位方法 |
CN106203637A (zh) * | 2016-06-27 | 2016-12-07 | 西北工业大学 | 一种基于马氏距离和健康指数的机载系统健康评估方法 |
CN106959400A (zh) * | 2017-02-28 | 2017-07-18 | 中国南方电网有限责任公司 | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 |
CN209008888U (zh) * | 2018-07-30 | 2019-06-21 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种模拟燃油系统中部件性能退化和故障的物理仿真平台 |
-
2019
- 2019-09-19 CN CN201910888428.7A patent/CN110570544A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050195545A1 (en) * | 2003-06-13 | 2005-09-08 | Mladenik John E. | Method of detecting run-dry conditions in fuel systems |
CN103678936A (zh) * | 2013-12-26 | 2014-03-26 | 清华大学 | 一种多部件工程系统中异常部件定位方法 |
CN106203637A (zh) * | 2016-06-27 | 2016-12-07 | 西北工业大学 | 一种基于马氏距离和健康指数的机载系统健康评估方法 |
CN106959400A (zh) * | 2017-02-28 | 2017-07-18 | 中国南方电网有限责任公司 | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 |
CN209008888U (zh) * | 2018-07-30 | 2019-06-21 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种模拟燃油系统中部件性能退化和故障的物理仿真平台 |
Non-Patent Citations (5)
Title |
---|
YUFEI LIN: ""SYSTEM DIAGNOSIS USING A BAYESIAN METHOD"", 《PHD THESIS, CRANFIELD UNIVERSITY》 * |
YUFEI LIN等: ""A Bayesian Approach to Fault Identification in the Presence of Multi-component Degradation"", 《INTERNATIONAL JOURNAL OF PROGNOSTICS AND HEALTH MANAGEMENT》 * |
李娟,周东华等: ""微小故障诊断方法综述"", 《控制理论与应用》 * |
瓦克塞万诺斯等著: "《工程系统中的智能故障诊断与预测》", 31 January 2013, 国防工业出版社 * |
赵鲁宁等: ""飞机燃油智能诊断系统的开发与研究"", 《飞机设计》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460392A (zh) * | 2020-06-11 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 |
CN111460392B (zh) * | 2020-06-11 | 2020-09-15 | 中国人民解放军国防科技大学 | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 |
CN111722577A (zh) * | 2020-06-29 | 2020-09-29 | 三一重机有限公司 | 一种报警控制系统及报警控制方法 |
CN111982522A (zh) * | 2020-09-08 | 2020-11-24 | 潍坊潍柴动力科技有限责任公司 | 发动机性能监测方法、装置、系统及存储介质 |
CN114987773A (zh) * | 2022-05-20 | 2022-09-02 | 成都飞机工业(集团)有限责任公司 | 飞机液压系统性能异常识别方法、装置、设备及介质 |
CN115186735A (zh) * | 2022-06-20 | 2022-10-14 | 成都飞机工业(集团)有限责任公司 | 一种数据阈值挖掘方法、装置、设备及介质 |
CN115186735B (zh) * | 2022-06-20 | 2024-02-23 | 成都飞机工业(集团)有限责任公司 | 一种数据阈值挖掘方法、装置、设备及介质 |
CN115583350A (zh) * | 2022-09-19 | 2023-01-10 | 成都飞机工业(集团)有限责任公司 | 一种飞机液压系统性能异常识别方法、装置、设备及介质 |
CN115583350B (zh) * | 2022-09-19 | 2024-05-14 | 成都飞机工业(集团)有限责任公司 | 一种飞机液压系统性能异常识别方法、装置、设备及介质 |
CN116176860A (zh) * | 2023-03-15 | 2023-05-30 | 北京科荣达航空科技股份有限公司 | 一种燃油系统测试方法、系统、设备及可读存储介质 |
CN116176860B (zh) * | 2023-03-15 | 2023-11-07 | 北京科荣达航空科技股份有限公司 | 一种燃油系统测试方法、系统、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570544A (zh) | 飞机燃油系统故障识别方法、装置、设备和存储介质 | |
Long et al. | Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance | |
CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
Coble et al. | Applying the general path model to estimation of remaining useful life | |
CN112162878A (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
KR102440335B1 (ko) | 이상 감지 관리 방법 및 그 장치 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和系统 | |
Wang et al. | A hybrid fault diagnosis strategy for chemical process startups | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN109409411B (zh) | 基于运维管理的问题定位方法、装置及存储介质 | |
CN116414608A (zh) | 异常检测方法、装置、设备及存储介质 | |
CN113570070B (zh) | 流式数据采样与模型更新方法、装置、系统与存储介质 | |
CN114003466A (zh) | 一种用于微服务应用程序的故障根因定位方法 | |
Solomentsev et al. | A Procedure for Failures Diagnostics of Aviation Radio Equipment | |
CN112651019A (zh) | 基于无监督学习的异常行为检测方法、装置及计算终端 | |
CN116149971B (zh) | 设备故障预测方法、装置、电子设备及存储介质 | |
CN115906170B (zh) | 应用于存储集群的安全防护方法及ai系统 | |
CN117520040B (zh) | 一种微服务故障根因确定方法、电子设备及存储介质 | |
CN116882632A (zh) | 一种车辆安全评估方法、系统、装置、设备以及存储介质 | |
CN117573412A (zh) | 系统故障预警方法、装置、电子设备及存储介质 | |
CN117707899A (zh) | 一种微服务异常检测方法、装置、设备及存储介质 | |
CN117434403A (zh) | 电器的局部放电检测方法及装置 | |
CN114692743A (zh) | 故障预测方法、装置以及存储介质 |
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: 20191213 |