CN111209955A - 基于深度神经网络和随机森林的飞机电源系统故障识别方法 - Google Patents
基于深度神经网络和随机森林的飞机电源系统故障识别方法 Download PDFInfo
- Publication number
- CN111209955A CN111209955A CN202010004752.0A CN202010004752A CN111209955A CN 111209955 A CN111209955 A CN 111209955A CN 202010004752 A CN202010004752 A CN 202010004752A CN 111209955 A CN111209955 A CN 111209955A
- Authority
- CN
- China
- Prior art keywords
- random forest
- neural network
- time sequence
- data set
- method based
- 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
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度神经网络和随机森林的飞机电源系统故障识别方法，属于计算机技术领域。本发明的基于深度神经网络和随机森林的飞机电源系统故障识别方法，包括以下步骤：S101、获取飞机多个架次的N种电源系统的飞参数据，构建时序数据集；S102、对构建的时序数据集标记故障状态；S103、利用构建好的时序数据集构建卷积神经网络模型；S104、利用随机森林算法，将获得的高层特征作为随机森林算法的输入，构建随机森林分类器模型；S105、确定飞机电源系统的故障状态。该发明的基于深度神经网络和随机森林的飞机电源系统故障识别方法能够应用于机务外场自主保障信息支持系统，具有很好的推广应用价值。
Description
技术领域
本发明涉及计算机技术领域，具体提供一种基于深度神经网络和随机森林的飞机电源系统故障识别方法。
背景技术
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，而保障飞机电源系统在其中是最为根本的因素。军事科技的飞速发展对飞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，飞机电源系统的保障技术总是落后于其他航天装备的技术。原有的飞机电源系统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。
飞机电源系统的故障识别缺乏量化分析，而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。飞机电源系统的故障状态没有自动识别机制，机务外场设备维护人员在检测飞机电源系统的故障状态时，难以做到心中有数，预见性不足，导致难以准确地对飞机电源系统进行故障预测。
当飞机电源系统在发生故障后，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，进行明确的异常检测，从而很难找到最优的异常检测方法。这使得飞机电源系统维修成本增大，同时电源系统也得不到良好的维护，导致资源的浪费。
飞行电源系统的故障识别是预测飞机电源系统健康状态的基础，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，如何为飞机电源系统提供准确的故障识别也是地面保障领域中亟待解决的技术问题。
发明内容
本发明的技术任务是针对上述存在的问题，提供一种应用于机务外场自主保障信息支持系统的基于深度神经网络和随机森林的飞机电源系统故障识别方法。
为实现上述目的，本发明提供了如下技术方案：
基于深度神经网络和随机森林的飞机电源系统故障识别方法，包括以下步骤：
S101、获取飞机多个架次的N种电源系统的飞参数据，构建时序数据集，并对构建的时序数据集进行数据预处理，其中N不小于5；
S102、对构建的时序数据集标记故障状态；
S103、利用构建好的时序数据集构建卷积神经网络模型，并获得时序数据集的高层特征；
S104、利用随机森林算法，将获得的高层特征作为随机森林算法的输入，并使用基尼系数作为准则，构建随机森林分类器模型；
S105、根据卷积神经网络模型、随机森林分类器模型和真实数据，确定飞机电源系统的故障状态。
作为优选，所述飞参数据包括交流电源电压、直流信号有效字、直流电压和交流电压频率。
其中飞参数据具体包括交流电源电压(NO:11A)、交流电源电压(NO:23B)、交流电源电压(NO:22C)、直流信号有效字、直流电压21、直流电压31、直流电压14、交流电源电压(NO:24A)、交流电压频率(NO:11A)、交流电压频率(NO:23B)。
作为优选，对所述构建的时序数据集进行数据预处理包括异常值剔除、缺失数据填补、去噪滤波和归一化处理。
作为优选，对构建的时序数据集标记故障状态时采用人工进行手动标记，故障状态分为正常状态和故障状态，分别标记为0和1。
进行人工标记故障状态，可以由具有5年以上电源系统故障判别经验的专家进行手动标记。
作为优选，利用构建好的时序数据集构建卷积神经网络模型，并获取卷积神经网络最后一个连接层的输出作为时序数据集的高层特征。
作为优选，所述卷积神经网络采用Resnet卷积神经网络架构，并使用softmaxloss函数作为损失函数。
作为优选，所述随机森林算法，采用基尼系数作为分裂树的准则，使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阀值，建立若干分类树，构成随机森林分类器模型。
作为优选，所述的随机森林模型的输入，将从卷积神经网络获得的高层特征作为随机森林分类器模型的输入，训练该随机森林分类器模型。
与现有技术相比，本发明的基于深度神经网络和随机森林的飞机电源系统故障识别方法具有以下突出的有益效果：所述基于深度神经网络和随机森林的飞机电源系统故障识别方法应用于机务外场自主保障信息支持系统，，可有效识别飞机电源系统的故障情况，具有良好的推广应用价值。
附图说明
图1是本发明所述基于深度神经网络和随机森林的飞机电源系统故障识别方法的流程图。
具体实施方式
下面将结合附图和实施例，对本发明的基于深度神经网络和随机森林的飞机电源系统故障识别方法作进一步详细说明。
实施例
如图1所示，本发明的基于深度神经网络和随机森林的飞机电源系统故障识别方法，包括以下步骤：
S101、获取飞机多个架次的N种电源系统的飞参数据，构建时序数据集，并对构建的时序数据集进行数据预处理。
首先获取飞机电源系统中N种种电源系统的飞参数据所构建的时序数据集：
本发明实施例中，所述的N种对电源系统故障敏感的飞机参数包括交流电源电压(NO:11A)、交流电源电压(NO:23B)、交流电源电压(NO:22C)、直流信号有效字、直流电压21、直流电压31、直流电压14、交流电源电压(NO:24A)、交流电压频率(NO:11A)、交流电压频率(NO:23B)。
对所构建的时序数据集进行数据预处理：
本发明实施例中，所述预处理包括异常值剔除、缺失数据填补、去噪滤波和归一化处理；先对所采集的时序数据集进行数据去噪和缺失数据填补后，再进行归一后处理。其中，可采用中值滤波的方法进行数据去噪，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。
S102、对构建的时序数据集标记故障状态。
对构建的时序数据集标记故障状态时，本发明实施例中，由具有5年以上电源系统故障状态判别经验的专家进行手动标记，电源系统的故障状态分为正常状态和故障状态，分别标记为0和1。
S103、利用构建好的时序数据集构建卷积神经网络模型，并获得时序数据集的高层特征。使用获得的N种电源系统参数所构建的时序数据集训练卷积神经网络，卷积神经网络架构使用Resnet，最后一个全连接层记为fc1，设置该层隐藏单元数为512，在fc1层后面再加一个全连接层fc2，其隐藏单元数为2，使用softmaxloss作为损失函数、Adam优化器，并将学习率调至0.001，迭代训练100轮，直到准确率高于97％。
利用构建好的时序数据集构建卷积神经网络模型，并获取卷积神经网络最后一个连接层的输出作为时序数据集的高层特征。本发明实施例中，将训练的卷积神经网络的最后一个全连接层的输出作为时序数据集的高层特征，得到fc1层输出的512维特征向量。其中，每输入新的一组时序数据集均得到一个高层特征。
S104、利用随机森林算法，将获得的高层特征作为随机森林算法的输入，并使用基尼系数作为准则，构建随机森林分类器模型。
采用基尼系数作为分裂树的准则，使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阀值，建立若干分类树，构成随机森林分类器模型。
本发明实施例中，训练随机森林分类，在时序数据集训练集中，样本共有2类，即正常和故障。将样本属于第k类的概率设为pk，则概率分布的基尼指数为
如果样本集合D根据某个特征A被分割成D1和D2两个部分，那么在特征A的条件下，集合D的基尼指数为：
通过这种方式计算基尼指数，并将基尼指数作为准则构建128个分类树，每个分类树构建时都要从原始训练样本集中有放回的抽取10000个样本作为训练集，在树的每个节点处，从这512个特征中随机抽取10个特征作为候选特征，然后从这10个特征中选取基尼指数最小的特征来分裂该节点，重复这个过程，直到基尼指数小于某一阈值，最终建立128棵分类树，构成随机森林分类器模型。本发明实施例中，将从卷积神经网络Resnet获得的高层特征作为随机森林分类器模型的输入，喂入随机森林分类器，训练该模型并调参优化。
S105、根据卷积神经网络模型、随机森林分类器模型和真实数据，确定飞机电源系统的故障状态。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (8)
1.基于深度神经网络和随机森林的飞机电源系统故障识别方法，其特征在于：包括以下步骤：
S101、获取飞机多个架次的N种电源系统的飞参数据，构建时序数据集，并对构建的时序数据集进行数据预处理，其中N不小于5；
S102、对构建的时序数据集标记故障状态；
S103、利用构建好的时序数据集构建卷积神经网络模型，并获得时序数据集的高层特征；
S104、利用随机森林算法，将获得的高层特征作为随机森林算法的输入，并使用基尼系数作为准则，构建随机森林分类器模型；
S105、根据卷积神经网络模型、随机森林分类器模型和真实数据，确定飞机电源系统的故障状态。
2.根据权利要求1所述的基于深度神经网络和随机森林的飞机电源系统故障识别方法，其特征在于：所述的飞参数据包括交流电源电压、直流信号有效字、直流电压和交流电压频率。
3.根据权利要求2所述的基于深度神经网络和随机森林的飞机电源系统故障识别方法，其特征在于：对所述构建的时序数据集进行数据预处理包括异常值剔除、缺失数据填补、去噪滤波和归一化处理。
4.根据权利要求3所述的基于深度神经网络和随机森林的飞机电源系统故障识别方法，其特征在于：对构建的时序数据集标记故障状态时采用人工进行手动标记，故障状态分为正常状态和故障状态，分别标记为0和1。
5.根据权利要求4所述的基于深度神经网络和随机森林的飞机电源系统故障识别方法，其特征在于：利用构建好的时序数据集构建卷积神经网络模型，并获取卷积神经网络最后一个连接层的输出作为时序数据集的高层特征。
6.根据权利要求5所述的基于深度神经网络和随机森林的飞机电源系统故障识别方法，其特征在于：所述卷积神经网络采用Resnet卷积神经网络架构。
7.根据权利要求6所述的基于深度神经网络和随机森林的飞机电源系统故障识别方法，其特征在于：所述随机森林算法，采用基尼系数作为分裂树的准则，使用基尼指数最小的特征对分类树进行分裂，直到基尼指数小于阀值，建立若干分类树，构成随机森林分类器模型。
8.根据权利要求7所述的基于深度神经网络和随机森林的飞机电源系统故障识别方法，其特征在于：所述的随机森林模型的输入，将从卷积神经网络获得的高层特征作为随机森林分类器模型的输入，训练该随机森林分类器模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010004752.0A CN111209955A (zh) | 2020-01-03 | 2020-01-03 | 基于深度神经网络和随机森林的飞机电源系统故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010004752.0A CN111209955A (zh) | 2020-01-03 | 2020-01-03 | 基于深度神经网络和随机森林的飞机电源系统故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111209955A true CN111209955A (zh) | 2020-05-29 |
Family
ID=70785541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010004752.0A Pending CN111209955A (zh) | 2020-01-03 | 2020-01-03 | 基于深度神经网络和随机森林的飞机电源系统故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111209955A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115619271A (zh) * | 2022-10-20 | 2023-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于cnn和随机森林的充电桩状态评估方法及装置 |
| CN117892744A (zh) * | 2023-12-27 | 2024-04-16 | 广州市弘宇科技有限公司 | 一种民航物流领域rfid识别设备的运维方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3076267A1 (fr) * | 2018-01-04 | 2019-07-05 | Safran Electronics & Defense | Procede pour diagnostiquer un etat d'usure d'un frein de parking d'aeronef |
| CN110414483A (zh) * | 2019-08-13 | 2019-11-05 | 山东浪潮人工智能研究院有限公司 | 一种基于深度神经网络和随机森林的人脸识别方法及系统 |
| CN110489254A (zh) * | 2019-07-13 | 2019-11-22 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 |
| US20190386611A1 (en) * | 2018-08-10 | 2019-12-19 | Jiangnan University | Photovoltaic Array Fault Diagnosis Method Based on Random Forest Algorithm |
-
2020
- 2020-01-03 CN CN202010004752.0A patent/CN111209955A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3076267A1 (fr) * | 2018-01-04 | 2019-07-05 | Safran Electronics & Defense | Procede pour diagnostiquer un etat d'usure d'un frein de parking d'aeronef |
| US20190386611A1 (en) * | 2018-08-10 | 2019-12-19 | Jiangnan University | Photovoltaic Array Fault Diagnosis Method Based on Random Forest Algorithm |
| CN110489254A (zh) * | 2019-07-13 | 2019-11-22 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 |
| CN110414483A (zh) * | 2019-08-13 | 2019-11-05 | 山东浪潮人工智能研究院有限公司 | 一种基于深度神经网络和随机森林的人脸识别方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115619271A (zh) * | 2022-10-20 | 2023-01-17 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于cnn和随机森林的充电桩状态评估方法及装置 |
| CN117892744A (zh) * | 2023-12-27 | 2024-04-16 | 广州市弘宇科技有限公司 | 一种民航物流领域rfid识别设备的运维方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN113657545B (zh) | 用户业务数据的处理方法、装置、设备及存储介质 | |
| CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
| CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
| CN111882446A (zh) | 一种基于图卷积网络的异常账户检测方法 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN111126820A (zh) | 反窃电方法及系统 | |
| CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
| CN110633371A (zh) | 一种日志分类方法及系统 | |
| CN111209955A (zh) | 基于深度神经网络和随机森林的飞机电源系统故障识别方法 | |
| CN111275101A (zh) | 一种飞机液压系统故障识别方法，设备及可读存储介质 | |
| CN116541782A (zh) | 一种电力营销数据异常识别方法 | |
| CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
| CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
| CN114169998A (zh) | 一种金融大数据分析与挖掘算法 | |
| CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
| CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
| CN103136440A (zh) | 数据处理方法和装置 | |
| CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
| CN109165854B (zh) | 空管运行效率等级评估方法及其装置 | |
| CN115734274A (zh) | 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法 | |
| CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
| CN112434955B (zh) | 一种基于多数据融合的配网线路运行风险感知方法 | |
| CN114708117A (zh) | 融合先验知识的用电安全检查评级方法、装置及设备 |
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: 20200529 |