CN111829425A - 民机前缘位置传感器的健康监测方法及系统 - Google Patents
民机前缘位置传感器的健康监测方法及系统 Download PDFInfo
- Publication number
- CN111829425A CN111829425A CN202010784550.2A CN202010784550A CN111829425A CN 111829425 A CN111829425 A CN 111829425A CN 202010784550 A CN202010784550 A CN 202010784550A CN 111829425 A CN111829425 A CN 111829425A
- Authority
- CN
- China
- Prior art keywords
- edge position
- position sensor
- leading edge
- health
- health monitoring
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/003—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring position, not involving coordinate determination
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种民机前缘位置传感器的健康监测方法及系统,其中该方法包括:获取每个前缘位置传感器采集的历史参数;对每个前缘位置传感器采集的历史参数进行分析处理以提取能够反映每个前缘位置传感器健康状态所对应的最佳参数特征值;根据最佳参数特征值建立健康监测模型;获取传感器采集的新参数特征值,并将新参数特征值输入到健康监测模型,以便通过健康监测模型计算出对应的每个前缘位置传感器的健康指标;根据健康指标对每个前缘位置传感器的健康状态进行实时监测;由此,通过健康监控模型对每一次飞行时传感器采集的参数进行计算以实现对前缘位置传感器健康状态的持续监测与预防性维修,进而大大降低了维修成本及运行安全。
Description
技术领域
本发明涉及民机前缘位置传感器监测技术领域,特别涉及一种民机前缘位置传感器的健康监测方法、一种计算机可读存储介质、一种计算机设备和一种民机前缘位置传感器的健康监测系统。
背景技术
相关技术中,民机机翼前缘的装置包括两块克鲁格襟翼和四块缝翼,当飞机巡航时,前缘装置是完全收回的,当飞机起飞时前缘装置伸出以增加升力,并允许飞机以更低的速度进行滚转,当飞机着陆时,前缘缝翼完全伸出以增加升力并帮助飞机防止失速;其中,前缘襟翼和缝翼共有30个临近传感器进行测量,以控制驾驶舱前缘装置信号板和灯光的显示。
该前缘位置传感器作为前缘指示系统的重要组成部分,在现有的民机中并没有提供直接的可表征其健康状况的信号,只有该前缘位置传感器自身记录的阻抗数据,且由于传感器中有相当一部分故障都表现为突发故障,因此使得前缘位置传感器的健康监控异常困难,从而导致无法进行预防性维修,进而大大提高了维修成本,并且存在一定的安全隐患。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种民机前缘位置传感器的健康监测方法,通过对前缘位置传感器采集的参数进行分析以获取最佳参数特征值并建立健康监控模型,从而通过健康监控模型对每一次飞行时传感器采集的参数进行计算以实现对前缘位置传感器健康状态的持续监测与预防性维修,进而大大降低了维修成本及运行安全。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种道路网络提取系统。
为达到上述目的,本发明第一方面实施例提出了一种民机前缘位置传感器的健康监测方法,包括以下步骤:获取每个前缘位置传感器采集的历史参数;对所述每个前缘位置传感器采集的历史参数进行分析处理以提取能够反映所述每个前缘位置传感器健康状态所对应的最佳参数特征值;根据所述每个前缘位置传感器所对应的最佳参数特征值建立健康监测模型;获取每个前缘位置传感器采集的新参数特征值,并将所述每个前缘位置传感器采集的新参数特征值输入到所述健康监测模型,以便通过所述健康监测模型计算出对应的每个前缘位置传感器的健康指标;根据所述每个前缘位置传感器的健康指标对所述每个前缘位置传感器的健康状态进行实时监测。
根据本发明实施例的民机前缘位置传感器的健康监测方法,首先,获取每个前缘位置传感器采集的历史参数;接着,对每个前缘位置传感器采集的历史参数进行分析处理以提取能够反映每个前缘位置传感器健康状态所对应的最佳参数特征值;然后,根据每个前缘位置传感器所对应的最佳参数特征值建立健康监测模型;接着,获取每个前缘位置传感器采集的新参数特征值,并将每个前缘位置传感器采集的新参数特征值输入到健康监测模型,以便通过健康监测模型计算出对应的每个前缘位置传感器的健康指标;最后,根据每个前缘位置传感器的健康指标对每个前缘位置传感器的健康状态进行实时监测;由此,通过对前缘位置传感器采集的参数进行分析以获取最佳参数特征值并建立健康监控模型,从而通过健康监控模型对每一次飞行时传感器采集的参数进行计算以实现对前缘位置传感器健康状态的持续监测与预防性维修,进而大大降低了维修成本及运行安全。
另外,根据本发明上述实施例提出的民机前缘位置传感器的健康监测方法还可以具有如下附加的技术特征:
可选地,所述前缘位置传感器包括襟翼伸出传感器、襟翼收回传感器、缝翼外侧传感器、缝翼内侧传感器和缝翼收回传感器。
可选地,将所述每个前缘位置传感器采集的新参数特征值输入到所述健康监测模型,以便通过所述健康监测模型计算出对应的每个前缘位置传感器的健康指标,具体包括:采用类似主成分分析法对前缘位置传感器采集的新参数特征值进行降维处理;采用最小二乘法对降维处理后的数据进行滑动窗口处理以得到斜率,进而获取所述前缘位置传感器的健康指标。
可选地,采用类似主成分分析法对前缘位置传感器采集的新参数特征值进行降维处理,具体采用以下公式计算得出:
其中,X为输入的样本数据,其为n×m维的矩阵变量;为X的模型值,E为建立模型产生的误差;l<m代表主元的个数;T和P对应的是得分矩阵和负载矩阵, 是X的协方差矩阵,n为n×m维中的n;I表示单位矩阵;ξj表示ξ的各个故障维数,其中ξ∈Im×m;C=I-PPT。
为达到上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,计算机可读存储介质上存储有民机前缘位置传感器的健康监测程序,所述民机前缘位置传感器的健康监测程序在被执行时实现如上述的民机前缘位置传感器的健康监测方法中的步骤。
根据本发明实施例的计算机可读存储介质,通过存储民机前缘位置传感器的健康监测程序,以便处理器在执行该民机前缘位置传感器的健康监测程序时实现如上述的民机前缘位置传感器的健康监测方法,由此,通过对前缘位置传感器采集的参数进行分析以获取最佳参数特征值并建立健康监控模型,从而通过健康监控模型对每一次飞行时传感器采集的参数进行计算以实现对前缘位置传感器健康状态进行持续监测与预防性维修,进而大大降低了维修成本及运行安全。
为达到上述目的,本发明第三方面实施例提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如上述的民机前缘位置传感器的健康监测方法。
根据本发明实施例的计算机设备,通过存储器存储可在处理器上运行的计算机程序,以便处理器在执行该计算机程序时,实现如上述的民机前缘位置传感器的健康监测方法,由此,通过对前缘位置传感器采集的参数进行分析以获取最佳参数特征值并建立健康监控模型,从而通过健康监控模型对每一次飞行时传感器采集的参数进行计算以实现对前缘位置传感器健康状态进行持续监测与预防性维修,进而大大降低了维修成本及运行安全。
为达到上述目的,本发明第四方面实施例提出了一种民机前缘位置传感器的健康监测系统,包括:获取单元,用于获取每个前缘位置传感器采集的历史参数;样本预选单元,用于对所述每个前缘位置传感器采集的历史参数进行分析处理以提取能够反映所述每个前缘位置传感器健康状态所对应的最佳参数特征值;模型建立单元,用于根据所述每个前缘位置传感器所对应的最佳参数特征值建立健康监测模型;模型监测单元,用于获取每个前缘位置传感器采集的新参数特征值,并将所述每个前缘位置传感器采集的新参数特征值输入到所述健康监测模型,以便通过所述健康监测模型计算出对应的每个前缘位置传感器的健康指标,并根据所述每个前缘位置传感器的健康指标对所述每个前缘位置传感器的健康状态进行实时监测。
根据本发明实施例提出的民机前缘位置传感器的健康监测系统,包括:获取单元,用于获取每个前缘位置传感器采集的历史参数;样本预选单元,用于对每个前缘位置传感器采集的历史参数进行分析处理以提取能够反映所述每个前缘位置传感器健康状态所对应的最佳参数特征值;模型建立单元,用于根据每个前缘位置传感器所对应的最佳参数特征值建立健康监测模型;模型监测单元,用于获取每个前缘位置传感器采集的新参数特征值,并将每个前缘位置传感器采集的新参数特征值输入到健康监测模型,以便通过健康监测模型计算出对应的每个前缘位置传感器的健康指标,并根据每个前缘位置传感器的健康指标对每个前缘位置传感器的健康状态进行实时监测;由此,通过对前缘位置传感器采集的参数进行分析以获取最佳参数特征值并建立健康监控模型,从而通过健康监控模型对每一次飞行时传感器采集的参数进行计算以实现对前缘位置传感器健康状态进行持续监测与预防性维修,进而大大降低了维修成本及运行安全。
另外,根据本发明上述实施例提出的民机前缘位置传感器的健康监测系统还可以具有如下附加的技术特征:
可选地,所述前缘位置传感器包括襟翼伸出传感器、襟翼收回传感器、缝翼外侧传感器、缝翼内侧传感器和缝翼收回传感器。
可选地,所述每个前缘位置传感器采集的新参数特征值输入到所述健康监测模型,以便通过所述健康监测模型计算出对应的每个前缘位置传感器的健康指标,具体包括:采用类似主成分分析法对前缘位置传感器采集的新参数特征值进行降维处理;采用最小二乘法对降维处理后的数据进行滑动窗口处理以得到斜率,进而获取所述前缘位置传感器的健康指标。
可选地,采用类似主成分分析法对前缘位置传感器采集的新参数特征值进行降维处理,具体采用以下公式计算得出:
其中,X为输入的样本数据,其为n×m维的矩阵变量;为X的模型值,E为建立模型产生的误差;l<m代表主元的个数;T和P对应的是得分矩阵和负载矩阵, 是X的协方差矩阵,n为n×m维中的n;I表示单位矩阵;ξj表示ξ的各个故障维数,其中ξ∈Im×m;C=I-PPT。
附图说明
图1为根据本发明实施例的民机前缘位置传感器的健康监测方法的流程示意图;
图2为根据本发明一个实施例的飞机A的前缘位置传感器的参数计算结果;
图3为根据本发明一个实施例的飞机B的前缘位置传感器的参数计算结果;
图4为根据本发明实施例的民机前缘位置传感器的健康监测系统的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
现有的民机中并没有提供直接的可表征其健康状况的信号,只有该前缘位置传感器自身记录的阻抗数据,从而导致无法进行预防性维修,进而大大提高了维修成本,并且存在一定的安全隐患;根据本发明实施例的民机前缘位置传感器的健康监测方法,首先,获取每个前缘位置传感器采集的历史参数特征值;接着,对每个前缘位置传感器采集的历史参数特征值进行分析处理以提取能够反映每个前缘位置传感器健康状态所对应的最佳参数特征值;然后,根据每个前缘位置传感器所对应的最佳参数特征值建立健康监测模型;接着,获取每个前缘位置传感器采集的新参数特征值,并将每个前缘位置传感器采集的新参数特征值输入到健康监测模型,以便通过健康监测模型计算出对应的每个前缘位置传感器的健康指标;最后,根据每个前缘位置传感器的健康指标对每个前缘位置传感器的健康状态进行实时监测;由此,通过对前缘位置传感器采集的参数进行分析以获取最佳参数特征值并建立健康监控模型,从而通过健康监控模型对每一次飞行时传感器采集的参数进行计算以实现对前缘位置传感器健康状态进行持续监测与预防性维修,进而大大降低了维修成本及运行安全。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例提出的民机前缘位置传感器的健康监测方法的流程示意图,如图1所示,该民机前缘位置传感器的健康监测方法包括以下步骤:
S101,获取每个前缘位置传感器采集的历史参数特征值。
作为一个示例,如下表1所示,前缘位置传感器包括襟翼伸出传感器、襟翼收回传感器、缝翼外侧传感器、缝翼内侧传感器和缝翼收回传感器。
需要说明的是,历史参数特征值为每个前缘位置传感器采集基础监测参数,每个前缘位置传感器采集基础监测参数存储在QAR中,分析时可在QAR中获取。
作为一个具体实施例,如下表1所示,前缘位置传感器包括1#~4#个襟翼伸出传感器、1#~4#个襟翼收回传感器、1#~8#个缝翼外侧传感器、1#~8#个缝翼内侧传感器和2#~7#个缝翼收回传感器。
表1参数特征值选择
S102,对每个前缘位置传感器采集的历史参数特征值进行分析处理以提取能够反映每个前缘位置传感器健康状态所对应的最佳参数特征值。
需要说明的是,飞机在一次完整航段中有不同飞行阶段,而不同飞行阶段的前缘襟翼和缝翼的工作状态各不相同,因此需要根据襟翼和缝翼在不同状态下对应的传感器采集的参数变化确定参数采集逻辑。
作为一个示例,通过在历史参数中提取襟翼和缝翼分别在伸出、收回和稳定巡航阶段的参数作为最佳参数特征值。
作为一个具体实施例,如表1所示,襟翼伸出传感器采集的最佳参数特征值包括伸出最大值、最小值、平均值,巡航阶段稳定值、方差;襟翼收回传感器采集的最佳参数特征值包括收回最大值、最小值、平均值,巡航阶段稳定值、方差;缝翼外侧传感器采集的最佳参数特征值包括外侧正值均值、负值均值,远离正值均值、临近负值均值;缝翼内侧传感器采集的最佳参数特征值包括内侧正值均值、负值均值,远离正值均值、临近负值均值;缝翼收回传感器采集的最佳参数特征值包括收回最大值、最小值、平均值,巡航阶段稳定值、方差。
S103,根据每个前缘位置传感器所对应的最佳参数特征值建立健康监测模型。
需要说明的是,健康监测模型用于对输入的最佳参数特征值进行降维及滑动窗口处理,从而得到历史参数健康斜率值。
S104,获取每个前缘位置传感器采集的新参数特征值,并将每个前缘位置传感器采集的新参数特征值输入到健康监测模型,以便通过健康监测模型计算出对应的每个前缘位置传感器的健康指标。
也就是说,当飞机执行新航班任务时,通过该每个前缘位置传感器采集该飞机的新参数特征值,并将每个前缘位置传感器采集的对应的新参数特征值输入到健康监测模型,以便通过健康监测模型计算出对应的每个前缘位置传感器的健康指标。
作为一个具体实施例,采用类似主成分分析法对前缘位置传感器采集的新参数特征值进行降维处理;采用最小二乘法对降维处理后的数据进行滑动窗口处理以得到斜率,进而获取所述前缘位置传感器的健康指标。
步骤105,根据每个前缘位置传感器的健康指标对每个前缘位置传感器的健康状态进行实时监测。
需要说明的是,每当飞机执行新航班会采集新的参数,随后将新参数通过健康监测模型计算得到新参数斜率值即前缘位置传感器的健康指标,并与历史参数健康斜率值进行对比,从而判断对应传感器的健康状况。
作为一个具体实施例,如图2所示,假设飞机A在某期间共执行了230次航班任务;其中在某天执行过前缘位置传感器检查工卡,检查结果正常;根据上述建模流程,对飞机A在此期间的QAR数据进行了译码,按照表2分别得到了每个航段所采集的参数;随后计算得到了每个参数对应的最佳参数特征值,接着在得到每个参数特征值后,为了降低模型计算复杂程度和提监控精度,首先对每个前缘位置传感器的最佳参数特征值进行降维分析;其中降维过程如下:
假设,X作为一个n×m维的矩阵变量,因此X可以由以下公式表示:
在这两个公式当中,l<m代表主元的个数,T和P对应的是得分矩阵和负载矩阵,在matlab中自动计算得到;相应的有: 其中X矩阵的分解方式为确保和是正交矩阵;主元分析方法的降维把初始的m维变量降为l维主元,而P正好是X协方差矩阵的特征值。
其中主元l通过采取基于最小重构误差方差方法得到,设定uj是故障维度ξj上的不可重新构建方差,即判定故障重构好坏的一个重要尺度;uj数值越小,表明重构越优秀;uj与ξj之间的关系可以通过以下公式表示:
在公式当中,是X的协方差矩阵,n为n×m维中的n,I表示单位矩阵,C=I-PPT,ξj表示ξ的各个故障维数,其中ξ∈Im×m;由式(4)可知,uj和主元相关,所以通过选取主元数以获得最优的重构,通过对uj采取最小处理,从而实现所有维度上的最佳重构,选取符合下列公式的主元数,从而得到最佳的重构:
对应到本实施例中:输入样本集X行对应1#襟翼300个航段采集参数;列对应参数不同特征值,随后对输入样本进行中心化处理、协方差矩阵计算分解以及取出对应的最大的n'个特征值对应的特征向量(w1,w2,...,wn)后,再将特征向量进行转化后得到降维后的输出样本D;例如根据表1采集的数据特征值,1#襟翼输入特征值有5个,进行降维后输出特征值有1个。
进一步的,在对数据进行降维后,对降维后的数据按照滑动窗口求斜率,其中求斜率的方法采用最小二乘法。
也就是说,首先利用历史无故障状态前缘位置传感器采集的数据,根据上述降维和求斜率分别得到1#~8#缝翼降维后的特征值斜率变化范围;每当飞机执行新航班会采集新的参数,随后将新参数按照上述健康监测模型计算得到新参数斜率值,并与历史参数健康斜率值进行对比,从而判断传感器健康状况。
需要说明的是,飞机执行新航班采集的新参数由ACARS实时下发或航后译码得到,随后将参数传输到健康监测模型,通过健康监测模型对传输得到的参数进行计算得到相应的监控指标。
作为一个具体实施例,航空公司机务维修工程师根据健康监测模型计算的健康指标对前缘位置传感器健康状态进行评估,判断传感器是否存在故障,合理安排维修任务;随后进入下一周期的监控,从而实现机队前缘位置传感器的实时监控。
为了进一步说明本实施例,图2为飞机A共执行了230次航班;其中,2#缝翼传感器在健康状况下模型计算指标在0.315~0.335之间波动,且波动幅度较小;7#缝翼传感器健康状况下模型计算指标在0.31~0.34之间波动,且波动幅度较小。从图中可以看出,该飞机7#缝翼传感器指标在180次飞行循环左右开始出现较大波动,经工程师分析之后,决定继续进行监控并重点关注7#缝翼传感器指标是否会进一步恶化;在之后的连续监控中,发现7#缝翼传感器指标在逐步恶化,到第210次飞行循环后,可以观察到指标已明显偏移正常观测范围;同时与7#对称侧的2#缝翼指标处于正常变化范围内;随后机务工程师决定在航后对7#缝翼传感器进行维护。拆下后测量传感器红-地7.85MΩ;蓝-地阻值存在跳动,均在1MΩ以下;黄-地0.525MΩ。其中FIM手册给出线圈阻值的测量标准,其中红-黄线圈阻值要求在24-38欧姆,蓝-黄线圈阻值要求为338-361欧姆;可以看到传感器阻值已明显超标;随后进行了传感器更换,更换后指标趋于正常。
为了对比说明,如图3所示,飞机B共执行了280次航班任务。首先利用飞机B的历史QAR数据,译码得到建模所需参数,随后按照上述模型建立飞机B健康监测模型,通过模型计算1#缝翼和8#缝翼指标变化情况;其中,1#缝翼传感器在健康状况下模型计算指标在0.285~0.305之间波动,且波动幅度较小;8#缝翼传感器健康状况下模型计算指标在0.295~0.310之间波动,且波动幅度较小。从图中可以看出,该飞机1#缝翼传感器指标在205次飞行循环左右开始出现较大波动,且波动逐渐增大,指标已明显偏移正常观测范围,同时与1#对称侧的8#缝翼指标处于正常变化范围内,直接反应1#传感器故障严重程度在不断增加;随后在第240飞行循环中发生真实故障,出现驾驶舱效应;航后排故确定1号缝翼传感器故障,感器绝缘值仅为7MΩ;进行换件维修后,后续指标逐步趋于正常。
通过上述分析得到,如果飞机B部署监控的话,可以提前20-30飞行循环发现传感器出现性能下降,意味着可以通过提前安排传感器的维修计划,避免故障的发生,实现了前缘位置传感器的预防性维修。
综上,本发明前缘位置传感器建模数据取自于传感器自身采集的QAR数据,是一种数据驱动的建模方法,不需要掌握传感器自身复杂的结构及工作原理,相比建立传感器物理模型而言更加稳定和可靠;此外,国内众多航司由于地理位置不同,使得机队运营环境条件也大相径庭,这些外界因素的影响使得传感器健康衰退情况也截然不同;通过传感器自身采集的QAR数据建模的方法能够更为真实反映传感器自身健康状况,使得上述建模方法更加“个性化”。
采用数据挖掘的方法,通过对大量机队历史传感器故障QAR数据的分析,找出能够反映传感器故障的参数关键特征值;并采取单个传感器单独分析的建模方式使得传感器的健康监控更加准确及高效。
航空公司机务工程师可以直观了解到飞机前缘位置传感器健康状况;对于健康评估异常的传感器进行重点持续关注,并根据评估结果结合航司自身生产计划合理安排维修任务;实现了机队前缘位置传感器的实时健康监控及预防性维修;极大地降低了由前缘位置传感器引起的非计划维修导致的航班延误、换机以及停场维修,进一步降低了整个机队维修成本,提高了运行安全。
另外,本发明实施例还提出了一种计算机可读存储介质,计算机可读存储介质上存储有民机前缘位置传感器的健康监测程序,所述民机前缘位置传感器的健康监测程序在被执行时实现如上述的民机前缘位置传感器的健康监测方法中的步骤。
根据本发明实施例的计算机可读存储介质,通过存储民机前缘位置传感器的健康监测程序,以便处理器在执行该民机前缘位置传感器的健康监测程序时实现如上述的民机前缘位置传感器的健康监测方法,由此,通过对前缘位置传感器采集的参数进行分析以获取最佳参数特征值并建立健康监控模型,从而通过健康监控模型对每一次飞行时传感器采集的参数进行计算以实现对前缘位置传感器健康状态的持续监测与预防性维修,进而大大降低了维修成本及运行安全。
另外,本发明实施例还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如上述的民机前缘位置传感器的健康监测方法。
根据本发明实施例的计算机设备,通过存储器存储可在处理器上运行的计算机程序,以便处理器在执行该计算机程序时,实现如上述的民机前缘位置传感器的健康监测方法,由此,通过对前缘位置传感器采集的参数进行分析以获取最佳参数特征值并建立健康监控模型,从而通过健康监控模型对每一次飞行时传感器采集的参数进行计算以实现对前缘位置传感器健康状态的持续监测与预防性维修,进而大大降低了维修成本及运行安全。
图4为根据本发明实施例的民机前缘位置传感器的健康监测系统的方框示意图,如图4所示,本实施例的民机前缘位置传感器的健康监测系统包括:获取单元201、样本预选单元202、模型建立单元203和模型监测单元204。
其中,获取单元201,用于获取每个前缘位置传感器采集的历史参数。
样本预选单元202,用于对每个前缘位置传感器采集的历史参数进行分析处理以提取能够反映每个前缘位置传感器健康状态所对应的最佳参数特征值。
模型建立单元203,用于根据每个前缘位置传感器所对应的最佳参数特征值建立健康监测模型;
模型监测单元204,用于获取每个前缘位置传感器采集的新参数特征值,并将每个前缘位置传感器采集的新参数特征值输入到健康监测模型,以便通过健康监测模型计算出对应的每个前缘位置传感器的健康指标,并根据每个前缘位置传感器的健康指标对每个前缘位置传感器的健康状态进行实时监测。
作为一个实施例,前缘位置传感器包括襟翼伸出传感器、襟翼收回传感器、缝翼外侧传感器、缝翼内侧传感器和缝翼收回传感器。
作为一个实施例,每个前缘位置传感器采集的新参数特征值输入到健康监测模型,以便通过健康监测模型计算出对应的每个前缘位置传感器的健康指标,具体包括:采用类似主成分分析法对前缘位置传感器采集的新参数特征值进行降维处理;采用最小二乘法对降维处理后的数据进行滑动窗口处理以得到斜率,进而获取所述前缘位置传感器的健康指标。
作为一个实施例,采用类似主成分分析法对前缘位置传感器采集的新参数特征值进行降维处理,具体采用以下公式计算得出:
其中,X为输入的样本数据,其为n×m维的矩阵变量;为X的模型值,E为建立模型产生的误差;l<m代表主元的个数;T和P对应的是得分矩阵和负载矩阵, 是X的协方差矩阵,n为n×m维中的n;I表示单位矩阵;ξj表示ξ的各个故障维数,其中ξ∈Im×m;C=I-PPT。
需要说明的是,前述对于民机前缘位置传感器的健康监测方法的实施例的解释说明同样适用于本实施例的民机前缘位置传感器的健康监测系统,此处不再赘述。
综上所述,根据本发明实施例提出的民机前缘位置传感器的健康监测系统,包括:获取单元,用于获取每个前缘位置传感器采集的历史参数;样本预选单元,用于对每个前缘位置传感器采集的历史参数进行分析处理以提取能够反映所述每个前缘位置传感器健康状态所对应的最佳参数特征值;模型建立单元,用于根据每个前缘位置传感器所对应的最佳参数特征值建立健康监测模型;模型监测单元,用于获取每个前缘位置传感器采集的新参数特征值,并将每个前缘位置传感器采集的新参数特征值输入到健康监测模型,以便通过健康监测模型计算出对应的每个前缘位置传感器的健康指标,并根据每个前缘位置传感器的健康指标对每个前缘位置传感器的健康状态进行实时监测;由此,通过对前缘位置传感器采集的参数进行分析以获取最佳参数特征值并建立健康监控模型,从而通过健康监控模型对每一次飞行时传感器采集的参数进行计算以对前缘位置传感器健康状态进行持续监测与预防性维修,进而大大降低了维修成本及运行安全。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种民机前缘位置传感器的健康监测方法,其特征在于,包括以下步骤:
获取每个前缘位置传感器采集的历史参数;
对所述每个前缘位置传感器采集的历史参数进行分析处理以提取能够反映所述每个前缘位置传感器健康状态所对应的最佳参数特征值;
根据所述每个前缘位置传感器所对应的最佳参数特征值建立健康监测模型;
获取每个前缘位置传感器采集的新参数特征值,并将所述每个前缘位置传感器采集的新参数特征值输入到所述健康监测模型,以便通过所述健康监测模型计算出对应的每个前缘位置传感器的健康指标;
根据所述每个前缘位置传感器的健康指标对所述每个前缘位置传感器的健康状态进行实时监测。
2.如权利要求1所述的民机前缘位置传感器的健康监测方法,其特征在于,所述前缘位置传感器包括襟翼伸出传感器、襟翼收回传感器、缝翼外侧传感器、缝翼内侧传感器和缝翼收回传感器。
3.如权利要求1所述的民机前缘位置传感器的健康监测方法,其特征在于,将所述每个前缘位置传感器采集的新参数特征值输入到所述健康监测模型,以便通过所述健康监测模型计算出对应的每个前缘位置传感器的健康指标,具体包括:
采用类似主成分分析法对前缘位置传感器采集的新参数特征值进行降维处理;
采用最小二乘法对降维处理后的数据进行滑动窗口处理以得到斜率,进而获取所述前缘位置传感器的健康指标。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有民机前缘位置传感器的健康监测程序,所述民机前缘位置传感器的健康监测程序在被执行时实现如权利要求1至4任一项所述的民机前缘位置传感器的健康监测方法中的步骤。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如权利要求1-4中任一项所述的民机前缘位置传感器的健康监测方法。
7.一种民机前缘位置传感器的健康监测系统,其特征在于,包括:
获取单元,用于获取每个前缘位置传感器采集的历史参数;
样本预选单元,用于对所述每个前缘位置传感器采集的历史参数进行分析处理以提取能够反映所述每个前缘位置传感器健康状态所对应的最佳参数特征值;
模型建立单元,用于根据所述每个前缘位置传感器所对应的最佳参数特征值建立健康监测模型;
模型监测单元,用于获取每个前缘位置传感器采集的新参数特征值,并将所述每个前缘位置传感器采集的新参数特征值输入到所述健康监测模型,以便通过所述健康监测模型计算出对应的每个前缘位置传感器的健康指标,并根据所述每个前缘位置传感器的健康指标对所述每个前缘位置传感器的健康状态进行实时监测。
8.如权利要求7所述的民机前缘位置传感器的健康监测系统,其特征在于,所述前缘位置传感器包括襟翼伸出传感器、襟翼收回传感器、缝翼外侧传感器、缝翼内侧传感器和缝翼收回传感器。
9.如权利要求7所述的民机前缘位置传感器的健康监测系统,其特征在于,所述每个前缘位置传感器采集的新参数特征值输入到所述健康监测模型,以便通过所述健康监测模型计算出对应的每个前缘位置传感器的健康指标,具体包括:
采用类似主成分分析法对前缘位置传感器采集的新参数特征值进行降维处理;
采用最小二乘法对降维处理后的数据进行滑动窗口处理以得到斜率,进而获取所述前缘位置传感器的健康指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010784550.2A CN111829425B (zh) | 2020-08-06 | 2020-08-06 | 民机前缘位置传感器的健康监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010784550.2A CN111829425B (zh) | 2020-08-06 | 2020-08-06 | 民机前缘位置传感器的健康监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111829425A true CN111829425A (zh) | 2020-10-27 |
CN111829425B CN111829425B (zh) | 2022-05-24 |
Family
ID=72919490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010784550.2A Active CN111829425B (zh) | 2020-08-06 | 2020-08-06 | 民机前缘位置传感器的健康监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111829425B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096347A (zh) * | 2022-06-30 | 2022-09-23 | 山东航空股份有限公司 | 一种用于飞机前缘装置传感器的测试装置及测试方法 |
CN115328076A (zh) * | 2022-07-19 | 2022-11-11 | 北京普利永华科技发展有限公司 | 一种适用检测飞机控制系统的质量检测方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7956802B1 (en) * | 2007-05-21 | 2011-06-07 | Rockwell Collins, Inc. | Integrity-optimized receiver autonomous integrity monitoring (RAIM) for vertical integrity monitoring |
US20130197739A1 (en) * | 2012-01-31 | 2013-08-01 | Gulfstream Aerospace Corporation | Methods and systems for aircraft health and trend monitoring |
CN105700517A (zh) * | 2016-03-09 | 2016-06-22 | 中国石油大学(北京) | 一种炼化过程自适应数据驱动的早期故障监测方法及装置 |
CN106845796A (zh) * | 2016-12-28 | 2017-06-13 | 中南大学 | 一种加氢裂化流程产品质量在线预测方法 |
US20170176983A1 (en) * | 2015-12-17 | 2017-06-22 | Lam Research Corporation | Methods and apparatuses for etch profile matching by surface kinetic model optimization |
CN107168205A (zh) * | 2017-06-07 | 2017-09-15 | 南京航空航天大学 | 一种民机空调系统在线健康监测数据采集与分析方法 |
US9996981B1 (en) * | 2016-03-07 | 2018-06-12 | Bao Tran | Augmented reality system |
US20180170580A1 (en) * | 2014-11-10 | 2018-06-21 | Safran Aircraft Engines | Method for monitoring an aircraft engine operating in a given environment |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、系统、设备和存储介质 |
CN110214105A (zh) * | 2017-03-09 | 2019-09-06 | 天升公司 | 用于提供服务的运载工具系统和方法 |
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 |
CN110533095A (zh) * | 2019-08-27 | 2019-12-03 | 中国民航大学 | 一种基于改进随机森林的航班飞行风险行为识别方法 |
CN110579967A (zh) * | 2019-09-23 | 2019-12-17 | 中南大学 | 基于同时降维和字典学习的过程监控方法 |
CN111459144A (zh) * | 2020-05-01 | 2020-07-28 | 西北工业大学 | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 |
CN111470047A (zh) * | 2020-02-28 | 2020-07-31 | 中国南方航空股份有限公司 | 一种民航飞机引气和/或空调系统健康监控方法 |
-
2020
- 2020-08-06 CN CN202010784550.2A patent/CN111829425B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7956802B1 (en) * | 2007-05-21 | 2011-06-07 | Rockwell Collins, Inc. | Integrity-optimized receiver autonomous integrity monitoring (RAIM) for vertical integrity monitoring |
US20130197739A1 (en) * | 2012-01-31 | 2013-08-01 | Gulfstream Aerospace Corporation | Methods and systems for aircraft health and trend monitoring |
US20180170580A1 (en) * | 2014-11-10 | 2018-06-21 | Safran Aircraft Engines | Method for monitoring an aircraft engine operating in a given environment |
US20170176983A1 (en) * | 2015-12-17 | 2017-06-22 | Lam Research Corporation | Methods and apparatuses for etch profile matching by surface kinetic model optimization |
US9996981B1 (en) * | 2016-03-07 | 2018-06-12 | Bao Tran | Augmented reality system |
CN105700517A (zh) * | 2016-03-09 | 2016-06-22 | 中国石油大学(北京) | 一种炼化过程自适应数据驱动的早期故障监测方法及装置 |
CN106845796A (zh) * | 2016-12-28 | 2017-06-13 | 中南大学 | 一种加氢裂化流程产品质量在线预测方法 |
CN110214105A (zh) * | 2017-03-09 | 2019-09-06 | 天升公司 | 用于提供服务的运载工具系统和方法 |
CN107168205A (zh) * | 2017-06-07 | 2017-09-15 | 南京航空航天大学 | 一种民机空调系统在线健康监测数据采集与分析方法 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、系统、设备和存储介质 |
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 |
CN110533095A (zh) * | 2019-08-27 | 2019-12-03 | 中国民航大学 | 一种基于改进随机森林的航班飞行风险行为识别方法 |
CN110579967A (zh) * | 2019-09-23 | 2019-12-17 | 中南大学 | 基于同时降维和字典学习的过程监控方法 |
CN111470047A (zh) * | 2020-02-28 | 2020-07-31 | 中国南方航空股份有限公司 | 一种民航飞机引气和/或空调系统健康监控方法 |
CN111459144A (zh) * | 2020-05-01 | 2020-07-28 | 西北工业大学 | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 |
Non-Patent Citations (3)
Title |
---|
GAO: "A Statistical Method for Crack Detection from Vibrothermography Inspection Data", 《QUALITY TECHNOLOGY AND QUANTITATIVE MANAGEMENT》 * |
刘素京: "基于核主成分分析和支持向量机的飞机舱音信号的识别", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
李超役: "民用飞机空调系统健康评估与故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115096347A (zh) * | 2022-06-30 | 2022-09-23 | 山东航空股份有限公司 | 一种用于飞机前缘装置传感器的测试装置及测试方法 |
CN115328076A (zh) * | 2022-07-19 | 2022-11-11 | 北京普利永华科技发展有限公司 | 一种适用检测飞机控制系统的质量检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111829425B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
CN109829468B (zh) | 基于贝叶斯网络的民机复杂系统故障诊断方法 | |
US11127231B2 (en) | Adaptive algorithm-based engine health prediction | |
CN105512483B (zh) | 基于损伤传播模型和数据分析的航空发动机剩余寿命预测 | |
CN108304661B (zh) | 基于tdp模型的诊断预测方法 | |
US10324004B2 (en) | Methods and devices for adaptive autonomous polynomial interpolation of time series data | |
CN111829425B (zh) | 民机前缘位置传感器的健康监测方法及系统 | |
CN102707708B (zh) | 多模型飞行控制系统故障诊断方法及装置 | |
CN105808957B (zh) | 航空发动机剩余寿命预测方法 | |
CN113053171B (zh) | 一种民机系统风险预警方法及系统 | |
CN114813105A (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
CN103597417A (zh) | 状态监测方法及装置 | |
CN112884051B (zh) | 数据驱动的轻量级无人机多部件在线复杂故障诊断方法 | |
CN102945311A (zh) | 一种功能故障有向图进行故障诊断的方法 | |
CN108896299A (zh) | 一种齿轮箱故障检测方法 | |
EP1543394A1 (de) | Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage | |
CN108100301B (zh) | 一种用于直升机模拟机客观测试的试飞数据处理方法 | |
CN112036581B (zh) | 交通工具空调系统的性能检测方法及装置、存储介质、终端 | |
EP3782908A1 (en) | Automated trend detection | |
Zhao et al. | Robust Data‐Driven Fault Detection: An Application to Aircraft Air Data Sensors | |
CN109491812B (zh) | 基于区间模型的系统局部可靠性灵敏度分析方法 | |
Grabill et al. | The U. S. Army and National Guard Vibration Management Enhancement Program(VMEP)- Data analysis and statistical results | |
CN115293225B (zh) | 飞行员平飘顶杆成因分析方法和装置 | |
US11568292B2 (en) | Absolute and relative importance trend detection | |
He et al. | Probabilistic model based algorithms for prognostics |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |