CN112182743B - 一种基于故障传递特征匹配的飞机系统故障诊断方法 - Google Patents
一种基于故障传递特征匹配的飞机系统故障诊断方法 Download PDFInfo
- Publication number
- CN112182743B CN112182743B CN202010942739.XA CN202010942739A CN112182743B CN 112182743 B CN112182743 B CN 112182743B CN 202010942739 A CN202010942739 A CN 202010942739A CN 112182743 B CN112182743 B CN 112182743B
- Authority
- CN
- China
- Prior art keywords
- fault
- aircraft
- faults
- model
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Abstract
本发明公开了一种基于故障传递特征匹配的飞机系统故障诊断方法,对民用飞机故障预测及故障发生后的故障溯源诊断有着巨大的优势和潜力。首先利用大量飞机系统故障数据,利用神经网络或者模式识别方式进行训练得到各种系统不同故障特征模型;在得到飞机各系统故障特征模型后,通过对飞机系统间交互原理构建系统间故障扩散模型,得到以树状结构进行传递的故障扩展线路图谱;利用从总线采集的飞机各系统数据与故障模型库中的故障特性模型进行特征匹配,以确定系统是否有潜在的故障。当某一故障特性得到匹配后,利用构建好的故障网络对关联故障进行匹配,从而提高匹配的置信度,并根据故障网络对故障根源进行追溯,以及对未来的故障发展趋势进行预测。
Description
技术领域
本发明属于飞机系统故障诊断和飞行仿真技术领域,具体涉及一种基于故障传递特征匹配的飞机系统故障诊断方法。
背景技术
目前,大型客机都具有机载监视系统,系统状态简图页之类的可视化页面,对飞机系统和机载系统的实时工作状态进行监视,辅助飞机告警系统,当飞机系统某个参数变化超过阈值时,会以语音或者视觉的方式对驾驶员进行提示,从而方便飞行员及时发现飞机系统是否存在故障,当驾驶员发现故障现象以后,利用快速检查单或者电子检查单,对故障根源进行排查,从而解决问题。这种故障监视和解决方式,在处理零星散发的孤立故障时具有非常好的效果。
然而大部分严重事故往往都不是由单一故障导致,而是由于多个故障同时导致的,这些故障之间相互交联影响,错综复杂,非常不利于飞行员对故障进行定位和排除。此外,故障的产生都具有典型的“由微小不易警觉的故障--缓慢发展成可见故障--快速形成致命故障”特点,即故障尚且在不易警觉的阶段,就已经开始不断扩散,这时候扩散非常缓慢,以至于即便驾驶员通过系统简图页很难发现系统个别参数有存在异常,或者是即便发现了,由于参数变化缓慢,导致驾驶员并未注意;而当故障已经扩散至能够引起驾驶员警觉时,故障则已经开始快速恶化,由于故障的扩散,机载监视系统可能在短时间内同时提示多个关联系统故障,但机载监视系统本身却不具备定位故障根源的能力,仅能依靠驾驶员利用检查单对故障根源进行逐步排查,从而导致飞行员很难理解故障产生的实际原因,只是疲于解决可见的表面故障。
此外,大部分故障并非在一次飞行过程中才发生,而是由于长时间的飞行逐步累积而成。从历史空难事故的调查结果来看,存在诸多由于燃油管路老化,飞控操纵机构老化,机舱结构老化导致飞机在空中出现漏油、操纵失效甚至空中解体的情况出现,其中最著名的当属日本航空123号班机空中机尾脱落事故。虽然飞机起飞前需要经过地勤人员非常仔细的航前检查,利用辅助探伤设备对飞机各主要部件进行检查,但是此类检查只能针对飞机发动机,起落架及主要飞行操纵部件进行检查,很难对飞机燃油、液压管路,内部驾驶舱结构等进行详细检查,而且由于很多故障特征并不显著被飞行员或者地面维护人员忽视,从而导致故障在空中逐步演变为致命的空难。
飞机故障的发生并非毫无前兆,对于大部分飞机系统故障而言,故障发生前夕往往都能够显现出异常特征,例如印尼狮航坠毁前夕,已经出现过多次与安定面配平异常相关联的故障,但是由于故障特征并不显著,而且该故障仅能在空中出现,从而导致地勤人员难以定位故障根源,最终导致航班由于MCAS系统失控坠毁;此外,对诸多空中漏油事件进行调查都发现了在事故发生前,航班曾经出现过燃油压力、滑油压力或者发动机振动不正常的迹象,只是由于故障时间短,参数变化小导致飞行员忽略了潜在的故障。
目前,各个飞机系统供应商对针对各自系统可能潜在的故障点设置监视系统,对系统重要参数进行监视,从而当参数异常时及时为飞行员或地勤人员提供故障警告。这样做存在几个主要问题:
故障并非来自于系统自身,而来自于相关系统的不正确数据输入,从而导致本系统进入故障状态。此类故障警告,飞行员无法知道故障根源,即便根据检查单解决了当前系统故障,但由于前序故障存在,导致该故障仍可能发生或系统处于不可用状态。
飞机各系统故障物理上相互关联,但各系统故障警告逻辑上相互独立,缺乏统一的故障警告和溯源机制。当多个系统同时出现故障,飞行员可能疲于应付表面系统故障,而无法解决真正的问题。
对于一些早期故障,虽然系统参数变化没有达到厂家所设定的阈值,但是参数变化特性已经具备了某种特定的故障规律,传统的故障监视方式并不能在故障早期就发现此类故障,从而错过了处理故障的最佳时间。
发明内容
针对上述问题,本发明提出一种基于故障传递特征匹配的飞机系统故障诊断方法,包括以下步骤:
一种基于故障传递特征匹配的飞机系统故障诊断方法,包括以下步骤:
步骤1:对飞机各系统不同故障前后各参数变化特征进行提取,训练得到各系统故障特征模型,生成系统故障特征模型库;
步骤2:飞机故障传递模型仿真建模,并以树状结构进行存储和表示。
步骤3:通过采集飞机各系统总线数据,与步骤1中训练得到的故障特征模型进行特征匹配,对匹配到故障特征的系统数据,在步骤2构建的故障传递模型中对故障位置进行标定,并对这些故障节点临近的父节点和子节点对应的系统进行故障特征匹配,提取出与该故障关联的上下游故障;随后采用相同方式对父节点与子节点故障进行关联故障提取,直到确认了唯一的故障根源,实现故障溯源。
本发明优点在于:
1、本发明基于故障传递特征匹配的飞机系统故障诊断方法,系统故障模型库能够基于大量飞行数据,利用模式识别或者神经网络等方法对飞机各系统不同阶段故障特征模型进行建模,特别是包括对故障初期系统参数变化特性进行建模,从而能够识别出系统早期故障特征,提前故障发现时间,减小故障产生风险;系统模型库采用统一模型规范,扩充和迁移方便。
2、本发明基于故障传递特征匹配的飞机系统故障诊断方法,基于飞机各系统线路原理建立系统间故障传递和扩散路径树状图,利用上下游系统间故障特性匹配结果,综合确定潜在故障的发生概率和置信度,从而提高故障诊断的准确率;
3、本发明基于故障传递特征匹配的飞机系统故障诊断方法,故障网络匹配结果包含了各系统故障特性以及故障的传递特性信息,从而保证匹配结果具备一定的冗余,避免故障误报和漏报;基于准确飞机系统原理建模的故障网络,能够提供故障的发展路径,从而实现逆推故障根源及预测后续故障。
4、本发明基于故障传递特征匹配的飞机系统故障诊断方法,以故障网络的形式对故障进行存储和展示,可以清晰的显示出故障的根源及扩散传递过程,便于飞行员和地勤人员快速对故障根源进行定位并进行故障排除。
5、本发明基于故障传递特征匹配的飞机系统故障诊断方法,可以在空中及地面维护时进行不间断工作,从而不断监视各系统的故障发展趋势,在故障产生早期就对驾驶员和地勤人员提出预警。
附图说明
图1为本发明基于故障传递特征匹配的飞机系统故障诊断方法整体流程图;
图2本发明基于故障传递特征匹配的飞机系统故障诊断方法中故障网络及故障回溯示意图。
具体实施方式
下面结合附图及故障举例对本发明作进一步详细说明。
本发明基于故障传递特征匹配的飞机系统故障诊断方法,如图1所示,包括以下步骤:
步骤1:构建飞机中各系统的故障特征模型库。
通过采集机载航空数据总线,可以获得飞机中各个系统的重要状态参数,例如发动机系统高压、低压转子转速、滑油温度和压力、油门杆位置;液压系统压力、液压管路活门位置等。对于每一个系统,利用模式识别或者深度强化学习的方式对飞机各系统不同故障前后各参数变化特征进行提取,并与系统故障之间的关系进行学习和分类训练,从而能够得到飞机各系统存在的各类故障对应的故障特征模型。例如:将飞机燃油系统数据和各燃油管路控制活门状态,发动机推力手柄位置、飞机飞行参数等作为输入参数,对飞机燃油系统不同故障前后各参数变化特征进行提取,并与系统故障之间的关系进行学习和分类训练。经过训练后,能够得到燃油消耗和发动机推力手柄,各燃油管路控制活门之间的关系曲线,系统正常工作状态下,燃油管路正常,燃油消耗当与油门位置以及飞机飞行参数之间存在特定关系,即为燃油系统故障诊断模型。在飞行过程中,实时记录燃油系统及相关飞机系统组件的工作状态参数,当燃油系统工作不正常时燃油系统表现出的燃油消耗特性将与正常工作状态下出现不一致,燃油故障诊断模型能够根据控制活门,发动机推力手柄位置以及飞机飞行状态参数等对当前不正常状态进行识别和分类,包括燃油管路泄漏、控制活门故障、发动机故障、飞机飞行状态参数不正确等,这些故障可能来自于燃油系统内部,也可能来与燃油系统相关的其他系统。
由此,针对飞机中的各系统,可分别建立各系统下的包含个故障特征模型的故障特征模型库,从而使得各个系统的飞行数据进入故障特征模型库后,能够进行各系统的不同故障特征的判别,从而确定各系统是否正常工作,或处于某种特定的故障状态。
步骤2:建立故障传递模型。
基于详细的飞机线路原理资料(包括故障的机械传递、数据接口传递),结合步骤1中建立的故障特征模型库中的各个故障特征模型,进行飞机故障传递模型仿真建模,建立飞机各系统间故障传递模型。飞机刚产生故障时,故障根源往往比较单一,随着故障的发展,故障数据会在飞机不同系统之间进行传递,导致关联系统逐渐出现故障状态。例如:燃油系统管路发生严重泄漏时,故障首先造成了燃油量快速减少,从而导致燃油压力降低;当燃油量泄漏殆尽时,将导致发动机熄火;而发动机熄火又将导致电源系统和液压系统失效;电源系统失效将导致飞机各种交流用电设备失效,从而导致包括显示、自动驾驶、导航等一系列系统失效。
故障传递模型以树状结构对故障的发展和传递描述。根源故障为网络的父节点,根源故障导致的后续故障为子节点,每一层网络分支又是下一层网络分支的父节点,故障逐层生长。每一个根源故障都对应着一个故障网络,但每一个根源故障也都可能是其他故障网络的子节点,所有故障网络构成了完整的故障传递模型。
步骤3:基于故障网络的特征匹配
采集飞机各系统总线数据,输入到对应的故障特征模型后,由故障特征模型对各个系统数据进行诊断,并识别出该系统是否出现故障。当模型判定某一个系统运行在某一种故障状态下,故障特征模型将会在故障传递模型中搜索包含该故障特征模型的所有故障网络,并在故障网络中对该故障节点位置进行标定,并对这些故障节点临近的父节点和子节点对应的系统进行故障特征匹配,提取出与该故障关联的上下游(父节点和子节点)故障;随后采用相同方式对父节点与子节点故障进行关联故障提取,直到完全确认故障产生链路或者故障模型特征库中已经没有可以匹配的故障特征。例如:当故障诊断模型对电源系统数据进行诊断,发现电源系统出现了交流电电压不稳定的特征,判定电源系统出现了故障;于是搜索电源包含电源电压不稳定的所有故障网络,在地面电、辅助动力、发动机系统故障网络中都定位到了电源电压不稳定的故障节点;故障诊断模型自动对这些故障节点临近的父节点和子节点进行故障特征匹配,例如分别对地面电供电控制系统参数、辅助动力控制系统参数、发动机控制系统参数进行故障诊断,进一步发现辅助动力控制系统参数出现了故障特征,同时排除没有故障的系统节点;故障诊断模型采用相同方式对辅助动力控制系统故障点关联上下游节点进行提取,直到完全确认故障产生链路或者故障模型库中已经没有可以匹配的故障特征。如图2所示,节点13为根据监视系统输入参数时发现可能得故障节点,由此节点向上回溯,直到确认完整故障传递路径。
当故障匹配完成时,便生成了一条或者多条故障传递链路,与步骤2生成的故障传递模型进行匹配,匹配结果依据链路的长度以及完整性对链路的置信度进行评估。较长的匹配链路代表故障特征在多个系统之间都得到验证,并且符合传递特性,故障定位准确度高;反之故障定位准确度较低。此外,多条匹配链路之间相互构成校验余度,可以根据多条链路的匹配结果来综合评定故障定位准确度,从而避免某一链路中由于缺失关键数据或者由于故障参数本身存在差异而导致匹配失败。
上述故障模型特征库不仅能够保存已经出现的故障特征,也能够对尚未造成故障,但已经出现了系统病变的特征进行识别和保存,那么进行故障诊断时,就不再是对故障进行诊断,而是对潜在的故障进行诊断。对潜在的故障特征进行匹配,同样能够构建出潜在故障网络,然后对潜在故障网络的最后出现的故障节点进行故障模型分析,预测后续故障发生的概率以及估计故障发生时间,并及时提醒地勤人员潜在故障信息,从而在故障实际发生前将故障排除。
Claims (2)
1.一种基于故障传递特征匹配的飞机系统故障诊断方法,包括以下步骤:
步骤1:对飞机各系统不同故障前后各参数变化特征进行提取,训练得到各系统故障特征模型,生成系统故障特征模型库;
通过采集机载航空数据总线,获得飞机中各个系统的重要状态参数;对于每一个系统,利用模式识别或者深度强化学习的方式对飞机各系统不同故障前后各参数变化特征进行提取,并与系统故障之间的关系进行学习和分类训练,得到飞机各系统存在的各类故障对应的故障特征模型;由此,针对飞机中的各系统,分别建立各系统下的包含个故障特征模型的故障特征模型库,使得各个系统的飞行数据进入故障特征模型库后,能够进行各系统的不同故障特征的判别,从而确定各系统是否正常工作,或处于某种特定的故障状态;
步骤2:飞机故障传递模型仿真建模,并以树状结构进行存储和表示;
基于详细的飞机线路原理资料,结合步骤1中建立的故障特征模型库中的各个故障特征模型,进行飞机故障传递模型仿真建模,建立飞机各系统间故障传递模型;故障传递模型以树状结构对故障的发展和传递描述;根源故障为网络的父节点,根源故障导致的后续故障为子节点,每一层网络分支又是下一层网络分支的父节点,故障逐层生长;每一个根源故障都对应着一个故障网络,但每一个根源故障或为其他故障网络的子节点,所有故障网络构成了完整的故障传递模型;
步骤3:采集飞机各系统总线数据,输入到对应的故障特征模型后,由故障特征模型对各个系统数据进行诊断,并识别出该系统是否出现故障;当模型判定某一个系统运行在某一种故障状态下,故障特征模型将会在故障传递模型中搜索包含该故障特征模型的所有故障网络,并在故障网络中对该故障节点位置进行标定,并对这些故障节点临近的父节点和子节点对应的系统进行故障特征匹配,提取出与该故障关联的上下游故障;随后采用相同方式对父节点与子节点故障进行关联故障提取,直到完全确认故障产生链路或者故障模型特征库中已经没有匹配的故障特征;
当故障匹配完成时,生成一条或者多条故障传递链路,与步骤2生成的故障传递模型进行匹配,匹配结果依据链路的长度以及完整性对链路的置信度进行评估;较长的匹配链路代表故障特征在多个系统之间都得到验证,并且符合传递特性,故障定位准确度高;反之故障定位准确度较低;此外,多条匹配链路之间相互构成校验余度,根据多条链路的匹配结果来综合评定故障定位准确度。
2.如权利要求1所述基于故障传递特征匹配的飞机系统故障诊断方法,其特征在于:步骤3中,特征匹配的结果给出故障发生概率及置信度,当匹配结果超过一定阈值时,认为飞机有极大的概率会发生数据对应的故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010942739.XA CN112182743B (zh) | 2020-09-09 | 2020-09-09 | 一种基于故障传递特征匹配的飞机系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010942739.XA CN112182743B (zh) | 2020-09-09 | 2020-09-09 | 一种基于故障传递特征匹配的飞机系统故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112182743A CN112182743A (zh) | 2021-01-05 |
CN112182743B true CN112182743B (zh) | 2023-09-26 |
Family
ID=73920369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010942739.XA Active CN112182743B (zh) | 2020-09-09 | 2020-09-09 | 一种基于故障传递特征匹配的飞机系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182743B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255546B (zh) * | 2021-06-03 | 2021-11-09 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098175A (zh) * | 2011-01-26 | 2011-06-15 | 浪潮通信信息系统有限公司 | 一种移动互联网告警关联规则获取方法 |
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN106741988A (zh) * | 2016-12-14 | 2017-05-31 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于物联网的飞机自主式保障系统与方法 |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
CN110596531A (zh) * | 2019-09-06 | 2019-12-20 | 国网山东省电力公司寿光市供电公司 | 一种配电网故障动态规划定位方法 |
WO2020167036A1 (en) * | 2019-02-14 | 2020-08-20 | Lg Electronics Inc. | Method and apparatus for failure notification on backhaul link in wireless communication system |
-
2020
- 2020-09-09 CN CN202010942739.XA patent/CN112182743B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098175A (zh) * | 2011-01-26 | 2011-06-15 | 浪潮通信信息系统有限公司 | 一种移动互联网告警关联规则获取方法 |
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN106741988A (zh) * | 2016-12-14 | 2017-05-31 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于物联网的飞机自主式保障系统与方法 |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
WO2020167036A1 (en) * | 2019-02-14 | 2020-08-20 | Lg Electronics Inc. | Method and apparatus for failure notification on backhaul link in wireless communication system |
CN110596531A (zh) * | 2019-09-06 | 2019-12-20 | 国网山东省电力公司寿光市供电公司 | 一种配电网故障动态规划定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112182743A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11455560B2 (en) | Machine fault modelling | |
EP3336640B1 (en) | Method for predicting faults | |
CN105955243B (zh) | 一种基于故障案例的飞机诊断维修方法及其装置 | |
US10996665B2 (en) | Determining maintenance for a machine | |
US8417410B2 (en) | Operations support systems and methods with power management | |
Huang et al. | Probability based vehicle fault diagnosis: Bayesian network method | |
EP3336636A1 (en) | Machine fault modelling | |
Luo et al. | Gas turbine engine gas path anomaly detection using deep learning with Gaussian distribution | |
US20100161196A1 (en) | Operations support systems and methods with engine diagnostics | |
CN110427988B (zh) | 一种基于深度学习的机载飞参数据健康诊断方法 | |
US20200165995A1 (en) | Self-generating engine-specific health monitoring model from generic model base | |
US7801695B2 (en) | Operations support systems and methods with model-based torque estimates | |
CN110987439B (zh) | 一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法 | |
CN113359664A (zh) | 故障诊断与维护系统、方法、设备及存储介质 | |
CN110992204A (zh) | 基于大数据技术的应急柴油发电机组可靠性评价方法及系统 | |
CN112182743B (zh) | 一种基于故障传递特征匹配的飞机系统故障诊断方法 | |
Ezhilarasu et al. | Development and implementation of a framework for aerospace vehicle reasoning (FAVER) | |
Vianna et al. | Health monitoring of an auxiliary power unit using a classification tree | |
Spina et al. | The use of expert systems for gas turbine diagnostics and maintenance | |
CN109375608B (zh) | 一种基于图模型的发动机故障诊断方法 | |
CN112734058B (zh) | 一种飞机系统的排故分析方法 | |
Kim et al. | Fault diagnosis and prognosis of gas turbine engines based on qualitative modeling | |
Barad et al. | Intelligent condition assessment of gas turbine engine. | |
Sheppard et al. | Advanced Onboard Diagnostic System for Vehicle Management | |
Bickford et al. | Ground Test Data Validation Using a Subscale F/A-22 Engine Inlet Empirical Model |
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 |