CN111815056A - 基于飞参数据的机务外场飞机燃油系统故障预测方法 - Google Patents
基于飞参数据的机务外场飞机燃油系统故障预测方法 Download PDFInfo
- Publication number
- CN111815056A CN111815056A CN202010666945.2A CN202010666945A CN111815056A CN 111815056 A CN111815056 A CN 111815056A CN 202010666945 A CN202010666945 A CN 202010666945A CN 111815056 A CN111815056 A CN 111815056A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- data set
- probability density
- fuel system
- 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.)
- Withdrawn
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 230000036541 health Effects 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims description 80
- 230000000875 corresponding effect Effects 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 65
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000005315 distribution function Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 239000002828 fuel tank Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 230000001737 promoting effect Effects 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于飞参数据的飞机燃油系统故障预测的方法;包括以下的步骤:获取飞机燃油系统中对故障敏感的N种飞机参数所组成的时序数据集;根据时序数据集构建长短期神经网络模型,并根据长短期神经网络模型得到时序数据集的实际预测结果;根据时序数据集确定故障判别模型f(x);获取部分已知飞机燃油系统的故障情况的真实数据集,根据故障判别模型f(x)及真实数据集确定故障阈值;根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况。本发明采用长短期神经网络模型和故障判别模型f(x)相结合的方式对飞机燃油系统进行故障预测,可有效预测飞机燃油系统的健康状况。
Description
技术领域
本发明属于计算机技术领域,尤其涉及飞行大数据机务外场自主保障信息支持系统的基于飞参数据的机务外场飞机燃油系统故障预测方法。
背景技术
从上世纪90年代至今,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,而保障飞机燃油系统在其中是最为根本的因素之一。军事科技的飞速发展对飞行燃油系统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,飞机燃油系统的保障技术总是落后于其他航天装备的技术。原有的飞机燃油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。
飞机燃油系统的健康管理缺乏量化分析,且在实际使用及维护过程中积累的经验和数据不能与设计数据很好地结合分析,造成理论与实际的脱离。飞机燃油系统发生故障时没有预警机制,机务外场设备维护人员对配备的飞机燃油系统,难以做到心中有数,预见性不足,且过度检修和检修不足现象并存,导致飞机燃油系统的完好率不令人满意。
当飞机燃油系统发生故障后,现阶段的故障数据没有结构化,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,进行明确的故障诊断,从而很难找到最优的故障预测方法,进行飞机燃油系统更换。这使得飞机燃油系统维修成本增大,同时故障燃油系统也得不到良好的维护,导致资源的浪费;
飞行燃油系统的故障预测是飞机维修的基础,它时刻影响着飞机的工作效率和维修保障效率,因此其在整个飞行中的作用极为重要,所以,在大力发展航空装备的同时,为飞机燃油系统故障提供最准确的预测也是地面保障领域中必然的发展趋势。
发明内容
针对现有技术的不足,本发明提出一种应用于机务外场自主保障信息支持系统的基于飞参数据的机务外场飞机燃油系统故障预测方法,可有效对飞机燃油系统的故障进行预测,具体包括下列步骤:
步骤1,获取飞机燃油系统中对故障敏感的种飞机参数所组成的时序数据集
步骤2,对所采集的时序数据集进行预处理
先对所采集的时序数据集进行异常值剔除和缺失数据填补后,再进行归一化处理;
步骤3,根据时序数据集构建长短期神经网络模型,并根据长短期神经网络模型得到时序数据集的实际预测结果
根据时序数据集构建长短期神经网络模型的步骤包括:
STEP1:将时序数据集划分为训练集train和测试集val,据预设时间步长将训练集train和测试集val分别划分为输入train_x、val_x和输出train_y、val_y,train_x、train_y分别表示不同时间步长的训练集,val_x、val_y分别表示不同时间步长的测试集将train_x、val_x、train_y、val_y分别以样本数作为X轴,预设时间步长为Y轴,N种采集数据的数量作为Z轴,将上述X、Y、Z轴数据格式化为三维数组train_X,val_X,train_Y,val_Y;
根据长短期神经网络模型得到时序数据集的实际预测结果的步骤为:
Step1:通过长短期神经网络模型对时序数据集进行数据趋势预测,得到预测结果;
准备好数据并对数据进行平稳化和归一化处理;对该数据进行最小二乘拟合,将LSTM网络模型与训练数据相匹配,也就是令LSTM网络模型数据逐渐与训练数据相等;是利用拟合最小二乘法进行预测;使用合适的LSTM网络对训练数据进行单个预测;同样,必须将数据格式化为具有[示例、时间步骤、特性]格式的三维数组;将格式化三维数组封装到函数中;对格式化三维数组进行逆变换,获得格式化三维数组的数据特征;在做出预测之后,对转换进行反向操作,以便将值返回到原始的比例;
Step2:对预测结果进行反归一化处理,得到实际预测结果;
步骤4,根据时序数据集确定故障判别模型f(x)
故障判别模型f(x)的表达式为:
其中σ2为时序数据集的方差,μ为时序数据集的均值,x为时序数据集的相应数值;
步骤5,获取部分已知飞机燃油系统的故障情况的真实数据集,并根据故障判别模型f(x)及真实数据集确定故障阈值
根据故障判别模型f(x)及真实数据集确定故障阈值的步骤包括:
步骤51,通过故障判别模型f(x)计算真实数据集中每种采集数据所产生的数据的概率密度;
步骤52,从每种采集数据的概率密度中选出概率密度最大值和概率密度最小值,并定义概率密度最大值到概率密度最小值的总步长数,其中概率密度最小值每前进一个步长为一个概率阈值;
步骤53,计算每种采集数据所有概率阈值的F1分数,选择F1分数最高的概率阈值为相应采集数据的故障阈值;
F1分数的表达式为:
其中,precision为真实数据集中某种采集数据的准确率,recall为真实数据集中某种采集数据的召回率,FN表示某种采集数据的真实数据集中被判定为负样本,事实上是正样本的数据数量;FP表示某种采集数据的真实数据集中被判定为正样本,事实上是负样本的数据数量;TP表示某种采集数据的真实数据集中被判定为正样本,事实上也是正样本的数据数量;
步骤6,根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况
通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况的步骤包括:
步骤61,将每种采集数据的实际预测结果的概率密度与相应故障阈值进行相比;
步骤62,若其概率密度大于其相应故障阈值,则表示其相应采集数据存在异常;
步骤63,若其概率密度小于其相应故障阈值,则表示其相应采集数据不存在异常。
在本发明的一个具体实施例中,在步骤2中,采用平均方法进行异常值剔除,采用插值方法进行缺失数据填补。
在本发明的一个实施例中,STEP2的具体步骤如下:
(1)先在区间[a,b]上确定第一个试验点的位置x1=0.618X(b-a)+a,并记录第一个试验点的试验结果y1;
(2)确定第二个试验点位置,即x1的对称点处x2=0.382X(b-a)+a,并记录试验结果y2;
(3)比较两次试验结果,舍“劣”取“优”;如果x1试验结果y1为优,则去掉[a,x2),留下[x2,b];如果x2试验结果y2为优,就去掉(x1,b],留下[a,x1];如果x1、x2试验结果一样,就去掉[a,x2)和(x1,b],留下[x2,x1];
(4)在留下部分重复上述试验,直到满意的结果为止,也就是,直到[x2,x1]中出现最优节点,就能够满足长短期记忆神经网络预测模型的数;
在本发明的另一个具体实施例中,在Step1中:使用合适的LSTM网络对训练数据进行预测,通过调用python语言的model.predict()函数对训练数据进行单个预测实现。
在本发明的具体实施例中,还提供一种基于飞参数据的机务外场飞机燃油系统故障预测方法,具体包括下列步骤:
步骤101,获取燃油系统中对故障敏感的N种飞机参数所组成的时序数据集
各种飞机参数包括总剩油量、燃油温度、左供油箱油量、右供油箱油量、右机翼油箱油量、左机翼油箱油量、前机身油箱油量、机身副油箱油量、左机翼副油箱油量、右机翼副油箱油量;
步骤102,对所采集的数据集进行归一化处理
其目的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;
步骤103,根据时序数据集构建堆叠式长短期神经网络模型,使用堆叠的方式进一步促进特征在长短期神经网络模型层之间的传播,并根据长短期神经网络模型得到时序数据集的实际预测结果
长短期神经网络模型构建好后,对飞机燃油系统预测其故障情况;需要预测飞机燃油系统的故障情况时,具体可通过如下步骤:
Step1:采集对故障敏感的N种采集数据所组成的数据,
Step2:通过所建立的长短期神经网络模型对数据进行按照不同属性进行归类;
进行归类时通过选择长短期记忆神经元结构作为递归神经网络的隐层神经元结构,对长短期记忆神经元进行堆叠,堆叠就是合并,其分别对记忆神经元进行管理平面、控制平面和转发平面的全面合并,得出一种深层的递归神经网络分类框架,由此达到提高多变量时间序列数据分类准确率的目的;
Step3:对采集数据进行预测
为了更好地挖掘海量数据中蕴含的有效信息,提高预测精度,采用基于卷积神经网络CNN和长短期记忆神经网络算法LSTM的混合模型预测方法,将采集数据按时间滑动窗口构造连续特征图作为输入,先采用卷积神经网络CNN提取特征,也就是采用卷积核滤波器,将特征向量以时间序列方式按照顺序依次记录、并作为LSTM网络输入数据;再采用LSTM网络进行预测;此CNN-LSTM网络混合模型是以时序特征图作为网络的输入;各数据实际上都是相互独立的时间序列;为了耦合这些影响采集数据的特征信息,参考自然语言处理NLP中的词向量表示方法,将某一时刻的采集数据与和其相关的特征相串连;依次将前面某个采集数据与对应特征相串连得到的数据按时间顺序写成向量形式,由此产生一个全新的时间序列数据;每一时刻的采集数据均由与其相关的特征共同表示,即每一时刻的采集数据均由刚才产生的时间序列向量展示出来;然后使用滑动窗口方式依次将输入的时间序列数据生成采用python语言中plot()函数生成特征图;
Step4:根据所预测的结果进行故障判断
针对采集的对故障敏感的N种采集数据所组成的数据集,利用时间序列特性,把N种采集数据作为输入向量,通过线性变换以及激活函数,根据输入的采集数据以及线性变换过程搭建LSTM分类模型;利用网络中的反推控制backstepping对参数进行优化调整,也就是通过反推控制,对系统中每一个采集数据的状态进行预测,所有参数状态都可收敛到实际训练参数附近;之后进行估计值与真实值的交叉验证,交叉验证就是分别将采集数据和预测数据互换,通过step3进行双向验证,通过交叉验证,以估计值与真实值的最小方差为标准,确定最优LSTM模型参数,把最优LSTM模型参数通过python语言中的softmax函数转化为多分类问题,从而准确地对飞机燃油系统故障进行分类;此处softmax函数将最优LSTM模型参数映射到(0,1)之间,即每个最优LSTM模型参数都在区间(0,1)上对应一个值,将该值看成是一种概率,根据该概率能够对飞机燃油系统故障类型进行分类;
步骤104,根据时序数据集确定故障判别模型f(x)
故障判别模型f(x)为高斯分布函数:
其中,高斯分布函数f(x)的均值μ和方差σ2中,第一参数μ是服从正态分布的随机变量的均值,第二个参数σ2是此随机变量的方差;
原则上,由每种采集数据所组成的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i,i代表了不同种类的飞机燃油系统;若其中若干种采集数据相关联,则由这若干种采集数据所组成的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i,不同的i分别代表了不同种类的飞机燃油系统所确定的故障判别类型;
步骤105,获取部分已知飞机燃油系统的故障情况的真实数据集,并根据故障判别模型f(x)及真实数据集确定故障阈值
获取的真实数据集包括飞机燃油系统的故障数据和非故障数据;一台飞机燃油系统,其正常工作时N种采集数据所获取到的数据为非故障数据,其存在故障时N种采集数据所获取到的数据为故障数据;
通过故障判别模型f(x)及真实数据集确定故障阈值包括以下子步骤:
步骤1051,通过相应故障判别模型f(x)计算真实数据集中每种采集数据所组成的数据的概率密度;
步骤1052,从每种采集数据的概率密度中选出概率密度最大值和概率密度最小值,确定概率密度最大值到概率密度最小值的总步长数,概率密度最小值每前进一个步长为一个概率阈值;
总步长数根据实际需要进行设定,原则上总步长数越大,其精度越高,其计算也更复杂;
计算出所有采集数据的故障阈值;
步骤1053,计算每种采集数据所有概率阈值的F1分数,选择其中F1分数最高的概率阈值为相应采集数据的故障阈值;
F1分数的表达式为:
其中,precision为真实数据集中某种采集数据的准确率,也就是在检索后返回的结果中,真正正确的个数占整个结果的比例;recall为真实数据集中某种采集数据的召回率,也就是在检索结果中真正正确的个数占整个数据集中真正正确个数的比例;
步骤106,根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况;
通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况包括以下子步骤:
步骤1061,将每种采集数据的实际预测结果的概率密度与相应故障阈值进行相比;
步骤1062,若其概率密度大于其相应故障阈值,则表示其相应采集数据存在异常,
步骤1063,若其概率密度小于其相应故障阈值,则表示其相应采集数据正常;
若所有采集数据所采集的数据的概率密度均小于其相应故障阈值,则证明该飞机燃油系统不存在故障。
在本发明的另一个具体实施例中,再提供一种基于神经网络的机务外场飞机燃油系统故障预测方法,具体包括以下步骤:
步骤201,获取飞机燃油系统中对故障敏感的N种采集数据所组成的时序数据集
对故障敏感的N种采集数据包括总剩油量、燃油温度、左供油箱油量、右供油箱油量、右机翼油箱油量、左机翼油箱油量、前机身油箱油量、机身副油箱油量、左机翼副油箱油量、右机翼副油箱油量;
步骤202,利用平均方法和插值方法对获取的时序数据集分别进行异常值剔除和缺失数据填补,对处理后的时序数据集进行归一化,得到归一化后的时序数据集
步骤203,根据时序数据集构建长短期神经网络模型,根据长短期神经网络模型得到时序数据集的实际预测结果
具体包括以下步骤:
步骤2031,将时序数据集划分为训练集train和测试集val;
步骤2032,根据预设时间步长将训练集train和测试集val分别划分为输入训练集train_x、输入测试集val_x和输出训练集train_y、输出测试集val_y;
步骤2033,将输入训练集train_x、输入测试集val_x和输出训练集train_y、输出测试集val_y分别格式化为三维数组[样本数、时长、参数数量]:输入训练集数组train_X、输入测试集数组val_X、输出训练集数组train_Y、输出测试集数组val_Y;
步骤2034,通过三维数组:输入训练集数组train_X、输入测试集数组val_X、输出训练集数组train_Y、输出测试集数组val_Y,采用堆叠方法构建非线性的长短期记忆神经网络预测模型,采用黄金分割法确定隐含层最优节点数;采用基于卷积神经网络CNN和长短期记忆神经网络算法LSTM的混合模型预测方法确定神经网络最佳预测模型结构;
步骤2035,通过最佳预测模型进行运行数据趋势预测,得到预测结果;
步骤2036,对预测结果进行反归一化处理,得到实际预测结果;
步骤204,根据归一化后的时序数据集,采用基于卷积神经网络CNN和长短期记忆神经网络算法LSTM的混合模型预测方法确定故障判别模型f(x)
故障判别模型f(x)为高斯分布函数
其中,高斯分布函数f(x)的均值μ和方差σ2由所获取的时序数据集确定;
同样,由每种采集数据所采集的时序数据集确定一个故障判别模型f(x)i,也就是高斯分布函数f(x)i;若其中若干种采集数据相关联,则由这若干种采集数据所采集的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i;
步骤205,获取部分已知飞机燃油系统的故障情况的真实数据集,根据故障判别模型f(x)及真实数据集确定故障阈值
具体包括下列步骤:
步骤51,通过故障判别模型f(x)计算真实数据集中每种采集数据所产生的数据的概率密度;
步骤52,从每种采集数据的概率密度中选出概率密度最大值和概率密度最小值,并定义概率密度最大值到概率密度最小值的总步长数,其中概率密度最小值每前进一个步长为一个概率阈值;
步骤53,计算每种采集数据所有概率阈值的F1分数,选择F1分数最高的概率阈值为相应采集数据的故障阈值;
F1分数的表达式为:
其中,precision为真实数据集中某种采集数据的准确率,recall为真实数据集中某种采集数据的召回率,FN表示某种采集数据的真实数据集中被判定为负样本,事实上是正样本的数据数量;FP表示某种采集数据的真实数据集中被判定为正样本,事实上是负样本的数据数量;TP表示某种采集数据的真实数据集中被判定为正样本,事实上也是正样本的数据数量;
步骤206,根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况
通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况的步骤包括:
步骤1061,将每种采集数据的实际预测结果的概率密度与相应故障阈值进行相比;
步骤1062,若其概率密度大于其相应故障阈值,则表示其相应采集数据存在异常;
步骤1063,若其概率密度小于其相应故障阈值,则表示其相应采集数据不存在异常;
同样,若所有采集数据所组成的数据的概率密度均小于其相应故障阈值,则证明该飞机燃油系统不存在故障。
在本发明的一个具体实施例中,在步骤2031中,按8∶2的比例将时序数据集划分为训练集train和测试集val。
在本发明的另一个具体实施例中,在步骤2031中,当数据量比较小时,使用7∶3的比例将时序数据集划分为训练集train和测试集val。
本发明是一种应用于机务外场自主保障信息支持系统的基于飞参数据的飞机燃油系统故障预测的方法。通过获取飞机燃油系统中对故障敏感的N种飞机参数所组成的时序数据集,构建长短期神经网络模型,并根据长短期神经网络模型得到时序数据集的实际预测结果;根据时序数据集确定故障判别模型f(x);获取部分已知飞机燃油系统的故障情况的真实数据集,并根据故障判别模型f(x)及真实数据集确定故障阈值;根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况。本发明采用长短期神经网络模型和故障判别模型f(x)相结合的方式对飞机燃油系统进行故障预测,可有效预测飞机燃油系统的健康状况。
与现有技术相比,本发明具有以下优点:本发明采用长短期神经网络模型和故障判别模型f(x)相结合的方式对飞机燃油系统进行故障预测,可有效预测飞机燃油系统的健康状况,提高对飞机燃油系统的故障预测率。另外,由于本发明采用多种飞机燃油系统参数组成的时序数据集,并根据不同型号的飞机燃油系统数据分布不平衡的情况,使用长短期记忆神经网络算法(LSTM)对历史数据进行训练建模,使得故障预测模型具有动态自适应特点,能够适应各种环境变化,实现了非线性故障预测,提高了故障预测率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于飞参数据的机务外场飞机燃油系统故障预测方法实施例一的流程图;
图2为本发明基于飞参数据的机务外场飞机燃油系统故障预测方法实施例二的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明基于飞参数据的机务外场飞机燃油系统故障预测方法的流程图,具体包括以下步骤:
步骤1,获取飞机燃油系统中对故障敏感的各种飞机参数所组成的时序数据集;
该获取方法为本领域技术人员熟知,不再累述。
步骤2,对所采集的时序数据集进行预处理;
预处理包括异常值剔除、缺失数据填补和归一化处理。在本发明的一个实施例中,先对所采集的时序数据集进行异常值剔除和缺失数据填补后,再进行归一化处理。可采用平均方法进行异常值剔除,采用插值方法进行缺失数据填补。还可以采用本领域技术人员熟知的其他异常值剔除和缺失数据填补方法,这些方法为本领域技术人员熟知,不再累述。
步骤3,根据时序数据集构建长短期神经网络模型,并根据长短期神经网络模型得到时序数据集的实际预测结果;
根据时序数据集构建长短期神经网络模型的步骤包括:
STEP1:将时序数据集划分为训练集train和测试集val,根据预设时间步长将训练集train和测试集val分别划分为输入train_x、val_x和输出train_y、val_y,train_x、train_y分别表示不同时间步长的训练集,val_x、val_y分别表示不同时间步长的测试集,将train_x、val_x、train_y、val_y分别以样本数作为X轴,预设时间步长为Y轴,N种飞机燃油系统参数(即采集数据)的数量作为Z轴,后将上述X、Y、Z轴数据格式化为三维数组train_X,val_X,train_Y,val_Y。
STEP2:通过三维数组train_X、val_X、train_Y、val_Y构建非线性的长短期记忆神经网络预测模型,采用黄金分割法确定隐含层最优节点数,进而确定神经网络最佳预测模型结构。
具体步骤如下:
(1)先在区间[a,b]上确定第一个试验点的位置x1=0.618X(b-a)+a,并记录第一个试验点的试验结果y1。
(2)确定第二个试验点位置,即x1的对称点处x2=0.382X(b-a)+a,并记录试验结果y2。
(3)比较两次试验结果,舍“劣”取“优”。如果x1试验结果y1为优,则去掉[a,x2),留下[x2,b];如果x2试验结果y2为优,就去掉(x1,b],留下[a,x1];如果x1、x2试验结果一样,就去掉[a,x2)和(x1,b],留下[x2,x1]。
(4)在留下部分重复上述试验,直到满意的结果为止,即是,直到[x2,x1]中出现最优节点,即满足长短期记忆神经网络预测模型的数。
根据长短期神经网络模型得到时序数据集的实际预测结果的步骤为:
Step1:通过长短期神经网络模型对时序数据集进行数据趋势预测,得到预测结果;
首先准备好数据并对数据进行平稳化和归一化处理。平稳化和归一化为本领域常用数据处理方式,为技术人员所熟知,不再赘述。然后对该数据进行最小二乘拟合,将LSTM网络模型与训练数据相匹配,即令LSTM网络模型数据逐渐与训练数据相等。下一步是利用拟合最小二乘法(fit LSTM)进行预测,预测方法为本领域技术人员熟知,不再累述。使用合适的LSTM网络,可以通过调用python语言的model.predict()函数对训练数据进行单个预测。同样,必须将数据格式化为具有[示例、时间步骤、特性]格式的三维数组,格式化为本领域技术人员熟知,不再累述。然后可以将格式化三维数组封装到一个名为forecast_lstm()的函数中,封装即为将所有数据统计导入某文件或函数,生成数据包,此方法为本领域技术人员熟知,不再累述。最后对格式化三维数组进行逆变换,获得格式化三维数组的数据特征,逆变换是基于函数映射原理的一种处理数据的常用方法,为本领域技术人员熟知,不再累述。在做出预测之后,我们需要对转换进行反向操作,以便将值返回到原始的比例。
Step2:对预测结果进行反归一化处理,得到实际预测结果。反归一化处理方法为本领域技术人员熟知,不再累述。
步骤4,根据时序数据集确定故障判别模型f(x);
故障判别模型f(x)的表达式为:
其中σ2为时序数据集的方差,μ为时序数据集的均值,x为时序数据集的相应数值。
步骤5,获取部分已知飞机燃油系统的故障情况的真实数据集,并根据故障判别模型f(x)及真实数据集确定故障阈值;
根据故障判别模型f(x)及真实数据集确定故障阈值的步骤包括:
步骤51,通过故障判别模型f(x)计算真实数据集中每种采集数据所产生的数据的概率密度,将采集数据代入模型函数f(x)即可;
步骤52,从每种采集数据的概率密度中选出概率密度最大值和概率密度最小值,并定义概率密度最大值到概率密度最小值的总步长数,其中概率密度最小值每前进一个步长为一个概率阈值;
步骤53,计算每种采集数据所有概率阈值的F1分数,选择F1分数最高的概率阈值为相应采集数据的故障阈值。
F1分数的表达式为:
其中,precision为真实数据集中某种采集数据的准确率,recall为真实数据集中某种采集数据的召回率,FN表示某种采集数据的真实数据集中被判定为负样本,但事实上是正样本的数据数量;FP表示某种采集数据的真实数据集中被判定为正样本,但事实上是负样本的数据数量;TP表示某种采集数据的真实数据集中被判定为正样本,事实上也是正样本的数据数量。
步骤6,根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况。
通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况的步骤包括:
步骤61,将每种采集数据的实际预测结果的概率密度与相应故障阈值进行相比;
步骤62,若其概率密度大于其相应故障阈值,则表示其相应采集数据存在异常;
步骤63,若其概率密度小于其相应故障阈值,则表示其相应采集数据不存在异常。
在本发明的具体实施例一中,基于飞参数据的机务外场飞机燃油系统故障预测方法具体包括下列步骤:
步骤101,获取燃油系统中对故障敏感的N种飞机参数所组成的时序数据集;
各种飞机参数包括总剩油量、燃油温度、左供油箱油量、右供油箱油量、右机翼油箱油量、左机翼油箱油量、前机身油箱油量、机身副油箱油量、左机翼副油箱油量、右机翼副油箱油量。
步骤102,对所采集的数据集进行归一化处理
其目的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。
步骤103,根据时序数据集构建堆叠式长短期神经网络模型,这里使用堆叠的方式来进一步促进特征在长短期神经网络模型层之间的传播,并根据长短期神经网络模型得到时序数据集的实际预测结果;(预测原理和方法在上述Step1:“通过长短期神经网络模型对时序数据集进行数据趋势预测,得到预测结果”中已经介绍过,在此不再赘述)
长短期神经网络模型构建好后,可对飞机燃油系统预测其故障情况。需要预测飞机燃油系统的故障情况时,此部分可根据上述“根据长短期神经网络模型得到时序数据集的实际预测结果”的步骤进行,具体可通过如下步骤:
Step1:采集对故障敏感的N种采集数据所组成的数据,
Step2:通过所建立的长短期神经网络模型对数据按照不同属性进行归类;
进行归类时通过选择长短期记忆神经元结构作为递归神经网络的隐层神经元结构(长短期记忆神经元结构为本领域技术人员熟知,不再累述),对长短期记忆神经元进行堆叠,所谓堆叠就是合并,可分别对记忆神经元进行管理平面、控制平面和转发平面的全面合并,得出一种深层的递归神经网络分类框架,合并方法为本领域技术人员熟知,不再赘述,这样可以达到提高多变量时间序列数据分类准确率的目的。
Step3:对采集数据进行预测
为了更好地挖掘海量数据中蕴含的有效信息,提高预测精度,可以采用基于卷积神经网络(CNN)和长短期记忆神经网络算法(LSTM)的混合模型预测方法(黄友文,万超伦,冯恒.基于卷积神经网络与长短期记忆神经网络的多特征融合人体行为识别算法[J].激光与光电子学进展,2019(07)),将采集数据按时间滑动窗口构造连续特征图作为输入,先采用卷积神经网络(CNN)提取特征,即可采用卷积核滤波器,将特征向量以时间序列方式按照顺序依次记录、并作为LSTM网络输入数据,上述方法为本领域技术人员熟知,不再赘述;再采用LSTM网络进行预测,“采用LSTM网络进行预测”已在上述“Step1:通过长短期神经网络模型对时序数据集进行数据趋势预测,得到预测结果”进行过说明,不再赘述。此CNN-LSTM网络混合模型是以时序特征图作为网络的输入。各数据实际上都是相互独立的时间序列。为了耦合这些影响采集数据的特征信息,可参考自然语言处理(NLP)中的词向量表示方法,将某一时刻的采集数据与和其相关的特征相串连,串连方法为本领域技术人员熟知,不再赘述。依次将前面某个采集数据与对应特征相串连得到的数据按时间顺序写成向量形式,由此产生一个全新的时间序列数据。每一时刻的采集数据均由与其相关的特征共同表示,即每一时刻的采集数据均由刚才产生的时间序列向量展示出来。然后再使用滑动窗口方式依次将输入的时间序列数据生成采用python语言中plot()函数生成特征图。滑动窗口方法网络通信中常用的发送数据方法,为本领域技术人员熟知,不再赘述。
Step4:根据所预测的结果进行故障判断
针对采集的对故障敏感的N种采集数据所组成的数据集,利用时间序列特性,把N种采集数据作为输入向量,通过线性变换(线性变换方法例如常规的拟合方法)以及激活函数(例如python语言中的sigmod()函数),根据输入的采集数据以及线性变换过程搭建LSTM分类模型,该搭建方法为本领域技术人员熟知,不再赘述;利用网络中的反推控制(backstepping)对参数进行优化调整,即通过反推控制,对系统中每一个采集数据的状态进行预测,所有参数状态都可收敛到实际训练参数附近,该方法能够解决全局收敛问题,利用反推控制对参数进行优化调整为本领域技术人员熟知,不再赘述。之后进行估计值与真实值的交叉验证,交叉验证即是分别将采集数据和预测数据互换,通过step3进行双向验证,通过交叉验证,以估计值与真实值的最小方差为标准,确定最优LSTM模型参数,把最优LSTM模型参数通过python语言中的softmax函数转化为多分类问题,从而准确地对飞机燃油系统故障进行分类。此处softmax函数将最优LSTM模型参数映射到(0,1)之间,即每个最优LSTM模型参数都在区间(0,1)上对应一个值,这个值可以看成是一种概率,根据该概率即可对飞机燃油系统故障类型进行分类。
本发明通过采用长短期神经网络模型,可以在飞机燃油系统发生故障之前对飞机燃油系统运行状态进行预测,以提前对飞机燃油系统进行维修或更换,减少损失。
步骤104,根据时序数据集确定故障判别模型f(x);
本发明实施例中,故障判别模型f(x)为高斯分布函数:
其中,高斯分布函数f(x)的均值μ和方差σ2中,第一参数μ是服从正态分布的随机变量的均值,第二个参数σ2是此随机变量的方差,参考概率论与数理统计书中所提公式对步骤101中所采集的时序数据集进行均值和方差的确定。
原则上,由每种采集数据所组成的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i,i代表了不同种类的飞机燃油系统;若其中若干种采集数据相关联,则由这若干种采集数据所组成的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i,不同的i分别代表了不同种类的飞机燃油系统所确定的故障判别类型。
步骤105,获取部分已知飞机燃油系统的故障情况的真实数据集,并根据故障判别模型f(x)及真实数据集确定故障阈值;
本发明实施例中,所获取的真实数据集包括飞机燃油系统的故障数据和非故障数据。例如,一台飞机燃油系统,其正常工作时N种采集数据所获取到的数据为非故障数据,其存在故障时N种采集数据所获取到的数据为故障数据。
具体地,通过故障判别模型f(x)及真实数据集确定故障阈值包括以下子步骤:
步骤1051,通过相应故障判别模型f(x)计算真实数据集中每种采集数据所组成的数据的概率密度,根据高斯分布确定概率密度为本领域技术人员所熟知,在此不再赘述;
步骤1052,从每种采集数据的概率密度中选出概率密度最大值和概率密度最小值,确定概率密度最大值到概率密度最小值的总步长数,概率密度最小值每前进一个步长为一个概率阈值;
例如,定义其中某种采集数据的概率密度最大值和概率密度最小值之间的总步长为1000时,将概率密度最大值减去概率密度最小值之后再除以总步长,可得到阈值步长。将概率密度最小值按阈值步长前进,其中每次前进一个步长可得到一个概率阈值,由于总步长数为1000,此时可得到1000个概率阈值。
总步长数可根据实际需要进行设定,原则上总步长数越大,其精度越高,其计算也更复杂。
计算出所有采集数据的故障阈值。
步骤1053,计算每种采集数据所有概率阈值的F1分数,选择其中F1分数最高的概率阈值为相应采集数据的故障阈值。
F1分数的表达式为:
其中,precision为真实数据集中某种采集数据的准确率,即在检索后返回的结果中,真正正确的个数占整个结果的比例;recall为真实数据集中某种采集数据的召回率,即在检索结果中真正正确的个数占整个数据集(检索到的和未检索到的)中真正正确个数的比例;FN(False Negative)表示某种采集数据的真实数据集中被判定为负样本,但事实上是正样本的数据数量;FP(False Positive)表示某种采集数据的真实数据集中被判定为正样本,但事实上是负样本的数据数量;TP(True Positive)表示某种采集数据的真实数据集中被判定为正样本,事实上也是正样本的数据数量。
步骤106,根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况。
具体地,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况包括以下子步骤:
步骤1061,将每种采集数据的实际预测结果的概率密度与相应故障阈值进行相比;
步骤1062,若其概率密度大于其相应故障阈值,则表示其相应采集数据存在异常,
步骤1063,若其概率密度小于其相应故障阈值,则表示其相应采集数据正常。
若所有采集数据所采集的数据的概率密度均小于其相应故障阈值,则证明该飞机燃油系统不存在故障。
本发明通过长短期神经网络模型和故障判别模型f(x)相结合的方式对飞机燃油系统进行故障预测,可有效预测飞机燃油系统的健康状况,提高对飞机燃油系统的故障预测率。
本发明通过构建长短期神经网络模型对N种采集数据所组成的数据进行预测,得到其实际预测结果;然后又通过构建故障判别模型得到其故障阈值,最后通过将这N种采集数据的实际预测结果的概率密度分别与相应的故障阈值进行对比来判断飞机燃油系统的健康情况,而且若飞机燃油系统存在故障,根据判断结果还可知道是飞机燃油系统的哪个采集数据存在异常,以便快速进行维修,避免了损失。
图2与图1分别代表了本发明的不同实施例,图2为本发明基于神经网络的机务外场飞机燃油系统故障预测方法实施例二的流程图,该实施例具体包括以下步骤:
步骤201,获取飞机燃油系统中对故障敏感的N种采集数据所组成的时序数据集;
与上述实施例一样,对故障敏感的N种采集数据包括总剩油量、燃油温度、左供油箱油量、右供油箱油量、右机翼油箱油量、左机翼油箱油量、前机身油箱油量、机身副油箱油量、左机翼副油箱油量、右机翼副油箱油量。
步骤202,利用平均方法和插值方法对获取的时序数据集分别进行异常值剔除和缺失数据填补,然后对处理后的时序数据集进行归一化,然后得到归一化后的时序数据集。
本发明实施例中,对所采集的数据集进行归一化处理,是为了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。
步骤203,根据时序数据集构建长短期神经网络模型,并根据长短期神经网络模型得到时序数据集的实际预测结果;
具体的,包括以下子步骤:
步骤2031,将时序数据集划分为训练集train和测试集val;
例如,按8∶2的比例将时序数据集划分为训练集train和测试集val,当数据量比较小时,也可以使用7∶3的比例进行划分。
步骤2032,根据预设时间步长将训练集train和测试集val分别划分为输入训练集train_x、输入测试集val_x和输出训练集train_y、输出测试集val_y;
例如,训练集train和验证集val每一条记录的时间步长是10分钟,那么就按时间步长10/2分别平分训练集train和验证集val,可得输入输入训练集train_x、输入测试集val_x和输出训练集train_y、输出测试集val_y,其中输入训练集train_x为前5分钟的数据,输出训练集train_y为后5分钟的数,输入测试集val_x为前5分钟的数据,输出测试集val_y为后5分钟的数。
步骤2033,将输入训练集train_x、输入测试集val_x和输出训练集train_y、输出测试集val_y分别格式化为三维数组输入训练集数组train_X、输入测试集数组val_X、输出训练集数组train_Y、输出测试集数组val_Y;
例如,输入训练集train_x有100个样本,每个样本5分钟数据,每一分钟的数据由4个参数组成(x1,x2,x3,x4),那么就以100个样本作为x轴,5分钟作为y轴,4个参数作为z轴,构成了三维数组[样本数、时长、参数数量],其他同理。
步骤2034,通过三维数组:输入训练集数组train_X、输入测试集数组val_X、输出训练集数组train_Y、输出测试集数组val_Y采用堆叠方法构建非线性的长短期记忆神经网络预测模型,并采用黄金分割法确定隐含层最优节点数,该方法为本领域技术人员所熟知,不再赘述。进而采用基于卷积神经网络(CNN)和长短期记忆神经网络算法(LSTM)的混合模型预测方法确定神经网络最佳预测模型结构,该步骤为本领域技术人员所熟知,不再赘述;
步骤2035,通过最佳预测模型进行运行数据趋势预测,得到预测结果。该步骤为本领域技术人员所熟知,故不再赘述;
步骤2036,对预测结果进行反归一化处理,从而得到实际预测结果。反归一化处理方法为本领域技术人员熟知,不再累述,
本发明实施例中,通过构建本质为非线性拓扑结构的长短期记忆神经网络预测模型,使得预测模型具有动态自适应特点,能够应对各种环境变化,实现了非线性故障预测。
实际上,实施例一也可以采用本方法构建长短期记忆神经网络预测模型,并进行预测其实际预测结果。
步骤204,根据归一化后的时序数据集采用基于卷积神经网络(CNN)和长短期记忆神经网络算法(LSTM)的混合模型预测方法确定故障判别模型f(x);该步骤为本领域技术人员熟知,故不再赘述。
本发明实施例中,故障判别模型f(x)为高斯分布函数
其中,高斯分布函数f(x)的均值μ和方差σ2由所获取的时序数据集确定,确定均值和方差的方法为本领域技术人员熟知,不再累述。
同样,由每种采集数据所采集的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i;若其中若干种采集数据相关联,则由这若干种采集数据所采集的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i。
步骤205,获取部分已知飞机燃油系统的故障情况的真实数据集,并根据故障判别模型f(x)及真实数据集确定故障阈值;
故障阈值的确定方法可与实施例一相一致,需要计算出所有采集数据的故障阈值。
步骤206,根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况。
具体地,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况的步骤包括:
步骤1061,将每种采集数据的实际预测结果的概率密度与相应故障阈值进行相比;
步骤1062,若其概率密度大于其相应故障阈值,则表示其相应采集数据存在异常;
步骤1063,若其概率密度小于其相应故障阈值,则表示其相应采集数据不存在异常。
同样,若所有采集数据所组成的数据的概率密度均小于其相应故障阈值,则证明该飞机燃油系统不存在故障。
本发明将大数据分析的方法应用在飞机燃油系统的故障预测方面,能够有效提高飞机燃油系统的故障预测率;而且,本发明构建的长短期神经网络模型为预测模型,具有动态自适应特点,能够适应各种环境变化,能够实现非线性故障预测。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于飞参数据的机务外场飞机燃油系统故障预测方法,其特征在于,具体包括下列步骤:
步骤1,获取飞机燃油系统中对故障敏感的种飞机参数所组成的时序数据集
步骤2,对所采集的时序数据集进行预处理
先对所采集的时序数据集进行异常值剔除和缺失数据填补后,再进行归一化处理;
步骤3,根据时序数据集构建长短期神经网络模型,并根据长短期神经网络模型得到时序数据集的实际预测结果
根据时序数据集构建长短期神经网络模型的步骤包括:
STEP1:将时序数据集划分为训练集train和测试集val,据预设时间步长将训练集train和测试集val分别划分为输入train_x、val_x和输出train_y、val_y,train_x、train_y分别表示不同时间步长的训练集,val_x、val_y分别表示不同时间步长的测试集将train_x、val_x、train_y、val_y分别以样本数作为X轴,预设时间步长为Y轴,N种采集数据的数量作为Z轴,将上述X、Y、Z轴数据格式化为三维数组train_X,val_X,train_Y,val_Y;
根据长短期神经网络模型得到时序数据集的实际预测结果的步骤为:
Step1:通过长短期神经网络模型对时序数据集进行数据趋势预测,得到预测结果;
准备好数据并对数据进行平稳化和归一化处理;对该数据进行最小二乘拟合,将LSTM网络模型与训练数据相匹配,也就是令LSTM网络模型数据逐渐与训练数据相等;是利用拟合最小二乘法进行预测;使用合适的LSTM网络对训练数据进行单个预测;同样,必须将数据格式化为具有[示例、时间步骤、特性]格式的三维数组;将格式化三维数组封装到函数中;对格式化三维数组进行逆变换,获得格式化三维数组的数据特征;在做出预测之后,对转换进行反向操作,以便将值返回到原始的比例;
Step2:对预测结果进行反归一化处理,得到实际预测结果;
步骤4,根据时序数据集确定故障判别模型f(x)
故障判别模型f(x)的表达式为:
其中σ2为时序数据集的方差,μ为时序数据集的均值,x为时序数据集的相应数值;
步骤5,获取部分已知飞机燃油系统的故障情况的真实数据集,并根据故障判别模型f(x)及真实数据集确定故障阈值
根据故障判别模型f(x)及真实数据集确定故障阈值的步骤包括:
步骤51,通过故障判别模型f(x)计算真实数据集中每种采集数据所产生的数据的概率密度;
步骤52,从每种采集数据的概率密度中选出概率密度最大值和概率密度最小值,并定义概率密度最大值到概率密度最小值的总步长数,其中概率密度最小值每前进一个步长为一个概率阈值;
步骤53,计算每种采集数据所有概率阈值的F1分数,选择F1分数最高的概率阈值为相应采集数据的故障阈值;
F1分数的表达式为:
其中,precision为真实数据集中某种采集数据的准确率,recall为真实数据集中某种采集数据的召回率,FN表示某种采集数据的真实数据集中被判定为负样本,事实上是正样本的数据数量;FP表示某种采集数据的真实数据集中被判定为正样本,事实上是负样本的数据数量;TP表示某种采集数据的真实数据集中被判定为正样本,事实上也是正样本的数据数量;
步骤6,根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况
通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况的步骤包括:
步骤61,将每种采集数据的实际预测结果的概率密度与相应故障阈值进行相比;
步骤62,若其概率密度大于其相应故障阈值,则表示其相应采集数据存在异常;
步骤63,若其概率密度小于其相应故障阈值,则表示其相应采集数据不存在异常。
2.如权利要求1所述的机务外场飞机燃油系统故障预测方法,其特征在于,在步骤2中,采用平均方法进行异常值剔除,采用插值方法进行缺失数据填补。
3.如权利要求1所述的机务外场飞机燃油系统故障预测方法,其特征在于,STEP2的具体步骤如下:
(1)先在区间[a,b]上确定第一个试验点的位置x1=0.618X(b-a)+a,并记录第一个试验点的试验结果y1;
(2)确定第二个试验点位置,即x1的对称点处x2=0.382X(b-a)+a,并记录试验结果y2;
(3)比较两次试验结果,舍“劣”取“优”;如果x1试验结果y1为优,则去掉[a,x2),留下[x2,b];如果x2试验结果y2为优,就去掉(x1,b],留下[a,x1];如果x1、x2试验结果一样,就去掉[a,x2)和(x1,b],留下[x2,x1];
(4)在留下部分重复上述试验,直到满意的结果为止,也就是,直到[x2,x1]中出现最优节点,就能够满足长短期记忆神经网络预测模型的数;
4.如权利要求1所述的机务外场飞机燃油系统故障预测方法,其特征在于,Step1:使用合适的LSTM网络对训练数据进行预测,通过调用python语言的model.predict()函数对训练数据进行单个预测实现。
5.基于飞参数据的机务外场飞机燃油系统故障预测方法,其特征在于,具体包括下列步骤:
步骤101,获取燃油系统中对故障敏感的N种飞机参数所组成的时序数据集
各种飞机参数包括总剩油量、燃油温度、左供油箱油量、右供油箱油量、右机翼油箱油量、左机翼油箱油量、前机身油箱油量、机身副油箱油量、左机翼副油箱油量、右机翼副油箱油量;
步骤102,对所采集的数据集进行归一化处理
其目的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;
步骤103,根据时序数据集构建堆叠式长短期神经网络模型,使用堆叠的方式进一步促进特征在长短期神经网络模型层之间的传播,并根据长短期神经网络模型得到时序数据集的实际预测结果
长短期神经网络模型构建好后,对飞机燃油系统预测其故障情况;需要预测飞机燃油系统的故障情况时,具体可通过如下步骤:
Step1:采集对故障敏感的N种采集数据所组成的数据,
Step2:通过所建立的长短期神经网络模型对数据进行按照不同属性进行归类;
进行归类时通过选择长短期记忆神经元结构作为递归神经网络的隐层神经元结构,对长短期记忆神经元进行堆叠,堆叠就是合并,其分别对记忆神经元进行管理平面、控制平面和转发平面的全面合并,得出一种深层的递归神经网络分类框架,由此达到提高多变量时间序列数据分类准确率的目的;
Step3:对采集数据进行预测
为了更好地挖掘海量数据中蕴含的有效信息,提高预测精度,采用基于卷积神经网络CNN和长短期记忆神经网络算法LSTM的混合模型预测方法,将采集数据按时间滑动窗口构造连续特征图作为输入,先采用卷积神经网络CNN提取特征,也就是采用卷积核滤波器,将特征向量以时间序列方式按照顺序依次记录、并作为LSTM网络输入数据;再采用LSTM网络进行预测;此CNN-LSTM 网络混合模型是以时序特征图作为网络的输入;各数据实际上都是相互独立的时间序列;为了耦合这些影响采集数据的特征信息,参考自然语言处理NLP中的词向量表示方法,将某一时刻的采集数据与和其相关的特征相串连;依次将前面某个采集数据与对应特征相串连得到的数据按时间顺序写成向量形式,由此产生一个全新的时间序列数据;每一时刻的采集数据均由与其相关的特征共同表示,即每一时刻的采集数据均由刚才产生的时间序列向量展示出来;然后使用滑动窗口方式依次将输入的时间序列数据生成采用python语言中plot()函数生成特征图;
Step4:根据所预测的结果进行故障判断
针对采集的对故障敏感的N种采集数据所组成的数据集,利用时间序列特性,把N种采集数据作为输入向量,通过线性变换以及激活函数,根据输入的采集数据以及线性变换过程搭建LSTM分类模型;利用网络中的反推控制backstepping对参数进行优化调整,也就是通过反推控制,对系统中每一个采集数据的状态进行预测,所有参数状态都可收敛到实际训练参数附近;之后进行估计值与真实值的交叉验证,交叉验证就是分别将采集数据和预测数据互换,通过step3进行双向验证,通过交叉验证,以估计值与真实值的最小方差为标准,确定最优LSTM模型参数,把最优LSTM模型参数通过python语言中的softmax函数转化为多分类问题,从而准确地对飞机燃油系统故障进行分类;此处softmax函数将最优LSTM模型参数映射到(0,1)之间,即每个最优LSTM模型参数都在区间(0,1)上对应一个值,将该值看成是一种概率,根据该概率能够对飞机燃油系统故障类型进行分类;
步骤104,根据时序数据集确定故障判别模型f(x)
故障判别模型f(x)为高斯分布函数:
其中,高斯分布函数f(x)的均值μ和方差σ2中,第一参数μ是服从正态分布的随机变量的均值,第二个参数σ2是此随机变量的方差;
原则上,由每种采集数据所组成的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i,i代表了不同种类的飞机燃油系统;若其中若干种采集数据相关联,则由这若干种采集数据所组成的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i,不同的i分别代表了不同种类的飞机燃油系统所确定的故障判别类型;
步骤105,获取部分已知飞机燃油系统的故障情况的真实数据集,并根据故障判别模型f(x)及真实数据集确定故障阈值
获取的真实数据集包括飞机燃油系统的故障数据和非故障数据;一台飞机燃油系统,其正常工作时N种采集数据所获取到的数据为非故障数据,其存在故障时N种采集数据所获取到的数据为故障数据;
通过故障判别模型f(x)及真实数据集确定故障阈值包括以下子步骤:
步骤1051,通过相应故障判别模型f(x)计算真实数据集中每种采集数据所组成的数据的概率密度;
步骤1052,从每种采集数据的概率密度中选出概率密度最大值和概率密度最小值,确定概率密度最大值到概率密度最小值的总步长数,概率密度最小值每前进一个步长为一个概率阈值;
总步长数根据实际需要进行设定,原则上总步长数越大,其精度越高,其计算也更复杂;
计算出所有采集数据的故障阈值;
步骤1053,计算每种采集数据所有概率阈值的F1分数,选择其中F1分数最高的概率阈值为相应采集数据的故障阈值;
F1分数的表达式为:
其中,precision为真实数据集中某种采集数据的准确率,也就是在检索后返回的结果中,真正正确的个数占整个结果的比例;recall为真实数据集中某种采集数据的召回率,也就是在检索结果中真正正确的个数占整个数据集中真正正确个数的比例;
步骤106,根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况;
通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况包括以下子步骤:
步骤1061,将每种采集数据的实际预测结果的概率密度与相应故障阈值进行相比;
步骤1062,若其概率密度大于其相应故障阈值,则表示其相应采集数据存在异常,
步骤1063,若其概率密度小于其相应故障阈值,则表示其相应采集数据正常;
若所有采集数据所采集的数据的概率密度均小于其相应故障阈值,则证明该飞机燃油系统不存在故障。
6.基于神经网络的机务外场飞机燃油系统故障预测方法,其特征在于,具体包括以下步骤:
步骤201,获取飞机燃油系统中对故障敏感的N种采集数据所组成的时序数据集
对故障敏感的N种采集数据包括总剩油量、燃油温度、左供油箱油量、右供油箱油量、右机翼油箱油量、左机翼油箱油量、前机身油箱油量、机身副油箱油量、左机翼副油箱油量、右机翼副油箱油量;
步骤202,利用平均方法和插值方法对获取的时序数据集分别进行异常值剔除和缺失数据填补,对处理后的时序数据集进行归一化,得到归一化后的时序数据集
步骤203,根据时序数据集构建长短期神经网络模型,根据长短期神经网络模型得到时序数据集的实际预测结果
具体包括以下步骤:
步骤2031,将时序数据集划分为训练集train和测试集val;
步骤2032,根据预设时间步长将训练集train和测试集val分别划分为输入训练集train_x、输入测试集val_x和输出训练集train_y、输出测试集val_y;
步骤2033,将输入训练集train_x、输入测试集val_x和输出训练集train_y、输出测试集val_y分别格式化为三维数组[样本数、时长、参数数量]:输入训练集数组train_X、输入测试集数组val_X、输出训练集数组train_Y、输出测试集数组val_Y;
步骤2034,通过三维数组:输入训练集数组train_X、输入测试集数组val_X、输出训练集数组train_Y、输出测试集数组val_Y,采用堆叠方法构建非线性的长短期记忆神经网络预测模型,采用黄金分割法确定隐含层最优节点数;采用基于卷积神经网络CNN和长短期记忆神经网络算法LSTM的混合模型预测方法确定神经网络最佳预测模型结构;
步骤2035,通过最佳预测模型进行运行数据趋势预测,得到预测结果;
步骤2036,对预测结果进行反归一化处理,得到实际预测结果;
步骤204,根据归一化后的时序数据集,采用基于卷积神经网络CNN和长短期记忆神经网络算法LSTM的混合模型预测方法确定故障判别模型f(x)
故障判别模型f(x)为高斯分布函数
其中,高斯分布函数f(x)的均值μ和方差σ2由所获取的时序数据集确定;
同样,由每种采集数据所采集的时序数据集确定一个故障判别模型f(x)i,也就是高斯分布函数f(x)i;若其中若干种采集数据相关联,则由这若干种采集数据所采集的时序数据集确定一个故障判别模型f(x)i,即高斯分布函数f(x)i;
步骤205,获取部分已知飞机燃油系统的故障情况的真实数据集,根据故障判别模型f(x)及真实数据集确定故障阈值
具体包括下列步骤:
步骤51,通过故障判别模型f(x)计算真实数据集中每种采集数据所产生的数据的概率密度;
步骤52,从每种采集数据的概率密度中选出概率密度最大值和概率密度最小值,并定义概率密度最大值到概率密度最小值的总步长数,其中概率密度最小值每前进一个步长为一个概率阈值;
步骤53,计算每种采集数据所有概率阈值的F1分数,选择F1分数最高的概率阈值为相应采集数据的故障阈值;
F1分数的表达式为:
其中,precision为真实数据集中某种采集数据的准确率,recall为真实数据集中某种采集数据的召回率,FN表示某种采集数据的真实数据集中被判定为负样本,事实上是正样本的数据数量;FP表示某种采集数据的真实数据集中被判定为正样本,事实上是负样本的数据数量;TP表示某种采集数据的真实数据集中被判定为正样本,事实上也是正样本的数据数量;
步骤206,根据故障判别模型确定实际预测结果的概率密度,通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况
通过实际预测结果的概率密度与故障阈值进行对比来判断飞机燃油系统的健康情况的步骤包括:
步骤1061,将每种采集数据的实际预测结果的概率密度与相应故障阈值进行相比;
步骤1062,若其概率密度大于其相应故障阈值,则表示其相应采集数据存在异常;
步骤1063,若其概率密度小于其相应故障阈值,则表示其相应采集数据不存在异常;
同样,若所有采集数据所组成的数据的概率密度均小于其相应故障阈值,则证明该飞机燃油系统不存在故障。
7.如权利要求6所述的机务外场飞机燃油系统故障预测方法,其特征在于,在步骤2031中,按8∶2的比例将时序数据集划分为训练集train和测试集val。
8.如权利要求6所述的机务外场飞机燃油系统故障预测方法,其特征在于,在步骤2031中,当数据量比较小时,使用7∶3的比例将时序数据集划分为训练集train和测试集val。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010666945.2A CN111815056A (zh) | 2020-07-10 | 2020-07-10 | 基于飞参数据的机务外场飞机燃油系统故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010666945.2A CN111815056A (zh) | 2020-07-10 | 2020-07-10 | 基于飞参数据的机务外场飞机燃油系统故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815056A true CN111815056A (zh) | 2020-10-23 |
Family
ID=72842773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010666945.2A Withdrawn CN111815056A (zh) | 2020-07-10 | 2020-07-10 | 基于飞参数据的机务外场飞机燃油系统故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815056A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947374A (zh) * | 2021-02-09 | 2021-06-11 | 上海海事大学 | 一种区域配电船舶电力推进智能自愈控制方法 |
CN113341919A (zh) * | 2021-05-31 | 2021-09-03 | 中国科学院重庆绿色智能技术研究院 | 一种基于时序数据长度优化的计算系统故障预测方法 |
CN113607205A (zh) * | 2021-08-02 | 2021-11-05 | 中国民航大学 | 一种航空发动机传感器故障检测方法及装置 |
CN115186935A (zh) * | 2022-09-08 | 2022-10-14 | 山东交通职业学院 | 一种机电设备非线性故障预测方法及系统 |
CN116644673A (zh) * | 2023-07-27 | 2023-08-25 | 北京航空航天大学 | 一种飞机热管理系统的状态数据时序变化预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180348250A1 (en) * | 2014-08-14 | 2018-12-06 | University Of North Dakota | Flight parameter prediction using neural networks |
CN109308519A (zh) * | 2018-09-29 | 2019-02-05 | 广州博通信息技术有限公司 | 一种基于神经网络的制冷设备故障预测方法 |
CN109992915A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于深度学习的机务外场飞机燃油系统故障预测方法,终端机及可读存储介质 |
CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 |
-
2020
- 2020-07-10 CN CN202010666945.2A patent/CN111815056A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180348250A1 (en) * | 2014-08-14 | 2018-12-06 | University Of North Dakota | Flight parameter prediction using neural networks |
CN109308519A (zh) * | 2018-09-29 | 2019-02-05 | 广州博通信息技术有限公司 | 一种基于神经网络的制冷设备故障预测方法 |
CN109992915A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于深度学习的机务外场飞机燃油系统故障预测方法,终端机及可读存储介质 |
CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法,终端及可读存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947374A (zh) * | 2021-02-09 | 2021-06-11 | 上海海事大学 | 一种区域配电船舶电力推进智能自愈控制方法 |
CN113341919A (zh) * | 2021-05-31 | 2021-09-03 | 中国科学院重庆绿色智能技术研究院 | 一种基于时序数据长度优化的计算系统故障预测方法 |
CN113607205A (zh) * | 2021-08-02 | 2021-11-05 | 中国民航大学 | 一种航空发动机传感器故障检测方法及装置 |
CN113607205B (zh) * | 2021-08-02 | 2023-09-19 | 中国民航大学 | 一种航空发动机传感器故障检测方法及装置 |
CN115186935A (zh) * | 2022-09-08 | 2022-10-14 | 山东交通职业学院 | 一种机电设备非线性故障预测方法及系统 |
CN115186935B (zh) * | 2022-09-08 | 2023-04-07 | 山东交通职业学院 | 一种机电设备非线性故障预测方法及系统 |
CN116644673A (zh) * | 2023-07-27 | 2023-08-25 | 北京航空航天大学 | 一种飞机热管理系统的状态数据时序变化预测方法 |
CN116644673B (zh) * | 2023-07-27 | 2023-10-20 | 北京航空航天大学 | 一种飞机热管理系统的状态数据时序变化预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815056A (zh) | 基于飞参数据的机务外场飞机燃油系统故障预测方法 | |
CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断系统 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
US20210041862A1 (en) | Malfunction early-warning method for production logistics delivery equipment | |
CN110968069B (zh) | 风力发电机组的故障预测方法、相应的装置及电子设备 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN108427720A (zh) | 系统日志分类方法 | |
CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
CN104986347A (zh) | 一种民机航线飞行员操作差错的实时检测方法 | |
CN112597702B (zh) | 基于径向基函数的气动建模生成式对抗网络模型训练方法 | |
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 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
CN104218571A (zh) | 一种风力发电设备的运行状态评估方法 | |
CN113780432B (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
Wang et al. | Changing lane probability estimating model based on neural network | |
CN110705693A (zh) | 一种无人机异常行为识别模块及其识别方法 | |
CN104537383A (zh) | 一种基于粒子群的海量组织机构数据分类方法及系统 | |
CN112396105B (zh) | 一种基于贝叶斯网络的飞行训练科目智能生成方法 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
Dui et al. | Reliability Evaluation and Prediction Method with Small Samples. | |
CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201023 |