CN112580718A - 一种基于自然环境的军机故障率预测方法 - Google Patents
一种基于自然环境的军机故障率预测方法 Download PDFInfo
- Publication number
- CN112580718A CN112580718A CN202011499735.5A CN202011499735A CN112580718A CN 112580718 A CN112580718 A CN 112580718A CN 202011499735 A CN202011499735 A CN 202011499735A CN 112580718 A CN112580718 A CN 112580718A
- Authority
- CN
- China
- Prior art keywords
- fault rate
- layer
- military
- military aircraft
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000011176 pooling Methods 0.000 claims description 26
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- B64F5/40—Maintaining or repairing aircraft
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Transportation (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明属于军机故障率预测,具体涉及一种基于自然环境的军机故障率预测方法。提供的新型深层卷积神经网络模型,综合考虑军机已使用寿命,对于处于偶然失效期内的军机,以任务地点的自然环境数据为输入变量,故障率等级为输出变量训练卷积神经网络,可以根据标准化后的历史外场使用数据准确预测不同使用环境条件下的故障率,为军机故障预防、故障诊断和故障维修提供依据。
Description
技术领域
本发明属于军机故障率预测,具体涉及一种基于自然环境的军机故障率预测方法。
背景技术
军用飞机在不同的使用自然环境和使用阶段具有不同的故障率特征。对于处于偶然失效期内的军用飞机,根据标准化后的历史外场使用数据准确预测不同使用环境下的故障率,可为军用飞机故障预防、故障诊断和故障维修提供依据,对完好率和出勤率的提升具有重要意义。
装备的故障率趋势一般呈现浴盆曲线特征,主要分为3个阶段:早期失效期、偶然失效期和耗损失效期,其中偶然失效期在装备的寿命周期中占据主要比重。对于处于偶然失效期的军机,其故障率变化主要受环境等因素影响。传统的以使用时间为自变量的故障率分析模型只能给出军机长期使用时的故障率变化,并不能为处于偶然失效期的军机状态评估及检修决策提供更多的支持,而综合考虑军机当前使用环境信息的故障率分析模型能为军机的故障率预测提供更加可信的判断依据。
随着军机在外场装备数量及使用时间的增加,目前已积累了大量的外场使用数据。以某型飞机为例,据不完全统计,从2014年到2019年,仅故障数据就积累了数千条。同时,自2014年以来,该型号飞机已在国内大多数不同自然环境地区执行过战训任务,具体统计见表1。以上地区在自然环境上有着极大的差异,势必对飞机的故障率产生不同的影响。自然环境的差异主要体现在温度、湿度和气压上,以下分别从这三方面阐述其对军机故障率的影响。
表1某型机的使用自然环境特征
序号 | 环境特征 |
1 | 温差大 |
2 | 温暖潮湿 |
3 | 暖温 |
4 | 寒冷 |
5 | 寒冷干燥 |
6 | 高原寒冷 |
温度对军机的故障率影响体现在多个方面。高温环境下,对于电子产品,设备出现过热的概率增加,可能出现元器件损坏、焊锡断裂和传感器参数漂移等故障。对于机械产品,高温环境会使润滑脂黏度下降,挥发性增强,使机械产品更容易发生卡滞类故障,刹车系统也更容易发生刹车盘过热导致的其它故障。同样,在低温环境下,发动机的启动时间加长,液压系统油液黏度和流阻增加,致使飞控系统故障率上升,同时某些非金属密封圈在低温环境更容易发生老化,致使密封性能下降;对于机体结构,不同材料的膨胀系数不同,当温度剧烈变化时,易造成配合关系变化,导致结构损伤故障。
湿度对军机的故障率也有着重要影响,主要体现在高湿环境下机载产品和机体结构更容易发生锈蚀,进而导致机构运动卡滞、元器件电气性能改变等故障,腐蚀严重时还会产生腐蚀异物导致其他风险;同时,高湿环境下线路及电子元器件更容易凝结冷凝水,线路及设备发生短路的风险增加。
气压对军机的故障率同样存在影响。低气压环境下,发动机起动所需功率增大,刹车系统刹车距离增加,同时发热量较大的部组件因热传导性能降低而发生过热的可能性增大。另外,对于机载制氧制氮系统,气压对其工作性能也有着重要影响。
随着机器学习和深度学习在计算机视觉领域的迅速发展,基于机器学习和深度学习的方法受到越来越多研究者的关注。卷积神经网络(CNN)是深度学习的代表算法之一,包含卷积阶段和分类阶段。卷积阶段的目的是从输入数据提取特征,主要进行卷积和池化操作。分类阶段主要包含多个全连接层。目前卷积神经网络已成功应用在图像分类和语音识别等领域,但在军机的故障率预测方面尚无应用。
发明内容
本发明的目的:提供一种新型深层卷积神经网络模型,综合考虑军机已使用寿命,对于处于偶然失效期内的军机,以任务地点的自然环境数据为输入变量,故障率等级为输出变量训练卷积神经网络,可以根据标准化后的历史外场使用数据准确预测不同使用环境条件下的故障率,为军机故障预防、故障诊断和故障维修提供依据。
本发明的技术方案:提供一种基于自然环境的军机故障率预测方法,所述故障率预测方法包括:
步骤1:分别采集军机在不同使用环境下的环境数据,以及军机在对应使用环境下的故障统计;环境数据包括环境温度、湿度和气压数据;
步骤2:统计不同使用环境条件下单位日历时间内的军机故障数量及飞行时间,计算军机的故障率;
步骤3:根据不同使用环境下单位日历时间内故障率的大小对军机的故障率等级进行划分;
步骤4:将每个使用环境下单位日历时间内的环境温度、湿度和气压信号数据序列L1,L2和L3转换为二维环境信号图像;
步骤5:所述二维环境信号图像作为卷积神经网络模型的输入,建立卷积神经网络模型;
步骤6:随机选择二维环境信号图像及其对应的故障率等级作为训练样本,剩余二维环境信号图像及其对应的故障率等级作为测试样本;
步骤7:利用训练样本对卷积神经网络模型进行训练,模型训练满足精度后,采用训练好的卷积神经网络模型预测测试样本对应的故障率等级,并判断卷积神经网络模型是否符合要求。
可选地,军机的故障率,计算公式如下:
其中n为单位日历时间内的故障数量,单位为个;h为单位日历时间内的飞行时间,单位为小时;单位日历时间指示为一个月。
可选地,二维环境信号图像的转换方法为:
假定采集的温度、湿度和气压信号数据序列L1、L2和L3分别包含l/3个数据值;对每一个数据序列,首先将数据序列中所有数据值按下式标准化为0到255,以作为灰图的像素强度;
然后,分别将三个标准化后的温度、湿度和气压数据序列L′1,L′2,L′3排列成一列长为l的环境信号数据序列L:L=(L′1,L′2,L′3);
将环境信号数据序列L的l个数据值作为环境信号图像的K×K个像素强度,其中K为图像的行数和列数,K×K=L;环境信号图像像素P(j,k)与环境信号数据序列的对应关系为:
P(j,k)=L((j-1)×K+k)j=1,2…K,k=1,2…K。
可选地,卷积神经网络模型包括输入层、3个卷积层、3个池化层、3个全连接层及输出层。
可选地,输入层:输入层为36×36的灰度图像;
卷积层C1:采用6个5乘5大小的卷积核来提取输入图像特征;
池化层S1:采用最大池化策略,将C1层每组特征映射中的2×2邻域采样为1个点;
卷积层C2:采用64个大小为3×3卷积核提取特征;
池化层S2:采用最大池化策略,将C2层每组特征映射中的2×2邻域采样为1个点;
卷积层C3:采用256个大小为3×3卷积核提取特征;
池化层S3:采用最大池化策略,将C3层每组特征映射中的3×3邻域采样为1个点;
全连接层F1:F1的长度设为512;
全连接层F2:F2的长度设为100;
全连接层F3:F3的长度设为10;
输出层:采用Softmax模型作为概率分类模型。
可选地,卷积层C1、C2和C3在卷积运算前在输入图像四周各添加2层0值。
可选地,卷积层C1、C2和C3均采用带泄露线性整流函数作为激活函数。
可选地,全连接层F1和F2采用dropout策略,dropout率为0.5;全连接层F3不设置dropout策略。
本发明的技术效果:根据军机的使用自然环境,提供了一种基于卷积神经网络的故障率预测方法,该方法使用灵活、计算量小,可高效、准确地预测军机在不同自然环境下的故障率等级,为军机的外场使用维护提供支撑。
附图说明
图1是卷积神经网络模型;
图2是环境信号数据序列转换为二维环境信号图像示意图;
图3是军机故障率预测方法流程图。
具体实施方式
本实施例提供一种基于卷积神经网络的军机故障率预测方法,本方法的实施可分为三大阶段。第一阶段主要是收集军机的不同使用环境数据及其对应的故障统计,并将环境信号数据序列转换为二维环境信号图像,同时根据故障数据统计计算每种二维环境信号图像对应的故障率等级,作为卷积神经网络的输入;第二阶段建立卷积神经网络模型,采用训练样本的环境信号图像及对应故障率等级对网络进行训练;第三阶段,基于第二阶段训练好的卷积神经网络模型,识别测试样本环境信号图像对应的故障率等级特征,采用Softmax函数对不同环境对应的故障率等级进行概率分类,以验证卷积神经网络模型是否满足精度要求。
本实施例的基于卷积神经网络的军机故障率预测方法,如图3所示,其中图3中左侧框图为实施过程中的图像示意,右侧流程框图为参考的流程示意。具体实施步骤如下所述:
步骤1:分别采集军机在不同使用环境下的环境数据,包括环境温度、湿度和气压数据信号序列,以及军机在不同环境下对应故障统计。
具体地,本实施例,根据军机使用环境,分别采集不同环境下的温度、湿度和气压信号数据,每月每种自然环境下温度、湿度和气压数据各36×12组,数据按等间隔周期采集,统计每月每种自然环境下军机对应的总飞行时间和故障数量。
步骤2:根据不同使用环境条件下单位日历时间内的军机故障数量及飞行时间计算军机的故障率,具体计算公式为:
其中n为单位日历时间内的故障数量;h为单位日历时间内的飞行时间,单位为小时。
在军机外场保障中,故障率预测更加关注故障率的等级,而并非故障率的具体数值,所以本方法根据军机故障率分布的区间范围将故障率划分为5个等级,具体等级划分见表1。根据以上故障率计算方法计算每种自然环境条件下对应的故障率,划分不同自然环境条件对应的故障率等级。
表1军机故障率等级划分
序号 | 故障率区间范围 | 等级 |
1 | P>30 | 非常高 |
2 | 20<P≤30 | 高 |
3 | 20<P≤10 | 中等 |
4 | 5<P≤10 | 低 |
5 | P≤5 | 非常低 |
步骤3:结合图2所示,将机场环境温度、湿度和气压采集信号数据序列L1,L2和L3转换为二维图像。假设采集的温度、湿度和气压信号数据序列L1,L2和L3分别包含l/3个数据值,对于每一个数据序列,首先将数据序列中所有数据值按下式标准化为0到255,即可作为灰图的像素强度。
分别按温度、湿度和气压顺序将三个标准化后的数据序列L′1,L′2,L′3排列成一列长为l的环境信号数据序列L。
L=(L′1,L′2,L′3)
将环境信号数据序列L的l个数据值作为环境信号图像的K×K(K×K=L)个像素强度,其中K为图像的行数和列数。环境信号图像像素P(j,k)与环境信号数据序列的对应关系为:
P(j,k)=L((j-1)×K+k)j=1,2…K,k=1,2…K
这样,环境信号数据序列的每一个数据的标准化幅值就成为环境信号图像中对应像素的强度。
利用上文介绍的图像转换方法,将每月每种自然环境下采集的温度、湿度和气压信号数据序列转换为二维36×36环境信号图像,如图2中最终生成的二维图像。
步骤4:结合图1所示,将二维图像及对应故障率等级作为训练样本,建立卷积神经网络模型,该模型主要由输入层、卷积层、池化层、全连接层及输出层组成,具体结构如下:
输入层:输入层为36×36的二维灰度图像。
卷积层C1:C1层为特征提取层,通过卷积核来提取输入图像特征。卷积核的大小决定一个神经元感受野的大小,当卷积核过小时,无法提取有效的局部特征,当卷积核过大时,提取特征的复杂度可能远远超过卷积核的表达能力。因此,设置适当的卷积核对提高卷积神经网络的性能非常重要。本层为第一卷积层,选取卷积核相对较宽,采用6个5乘5大小的卷积核来提取输入图像特征。为了防止维度损失并保留图像边缘特征,本层采用零值填充方法,卷积步长S取为1,假设M×M为输入尺寸,N×N为输出尺寸,W×W为卷积核宽度,在输入图像左侧和上侧填充的零值数量PL,U以及在右侧和下侧填充的零值数量PR,D可以通过以下公式计算:
PT=(N-1)×S+W-M
PR,D=PT-PL,U
其中ceil(·)为向上取整函数,floor(·)为向下取整函数
根据上式,为保证卷积输入和输出尺寸相同,C1层在卷积运算前需在输入图像四周各添加2层0值。卷积过程可描述为:
经过卷积处理后得到6个36×36大小的特征映射,在卷积操作完成后,需要用激活函数来处理卷积值。本方法中激活函数均选用带泄露线性整流函数(Leaky ReLU),当利用反向传播算法调整参数值时可使浅层权重具有更强的可训练性,带泄露线性整流函数表达式为:
其中ki为位于(0,1)区间内的固定值,本方法中ki取0.2;yl(i,j)为y的卷积输出值。
池化层S1:池化层用来减小特征尺寸及网络参数以减小网络计算代价。本层采用最大池化策略,将C1层每组特征映射中的2×2邻域采样为1个点,也就是取4个数的最大值,得到6个大小为18×18的特征图。最大池化策略可描述为:
其中al(i,t)为l层的第i个池化区域的第t个神经元的激活值,W为池化区域的宽度。
卷积层C2:本层采用64个大小为3×3卷积核进一步提取特征,采用零值填充方法,得到64组大小为18×18的特征映射。卷积操作完成后,继续采用Leaky ReLU激活函数计算输出值;
池化层S2:本层将C2层每组特征映射中的2×2邻域采样为1个点,采用最大池化策略,得到64组9×9大小的特征映射;
卷积层C3:本层采用256个大小为3×3卷积核继续提取特征,仍然采用零值填充方法,得到256组大小为9×9的特征映射。卷积操作完成后,采用Leaky ReLU激活函数计算输出值;
池化层S3:采用最大池化策略,将C3层每组特征映射中的3×3邻域采样为1个点,得到256组3×3大小的特征映射;
全连接层F1:全连接层用来分类在卷积阶段抽取特征后的数据,用大量神经元去适应数据分布,将分布的特征表示映射到分类空间。随着全连接层数量的增加,网络的非线性适应能力得到改善。本方法中第一个全连接层F1的长度设为512。为解决网络的过拟合问题,本层采用dropout策略。dropout操作意味着一些随机选择的单元及其连接被暂时从模型中移除,它的目的是在网络训练阶段给网络提供一个不完整的信号用来改善网络对样本的适应性。对于每一个输入单元,它随机选择形成一个神经元子集。这个操作不依赖于特定的神经元及其连接,因此可以解决过拟合问题。本层设置dropout率为0.5。
全连接层F2:全连接层F2的长度设为100,本层继续采用dropout策略,设置dropout率为0.5;
全连接层F3:全连接层F3的长度设为10,本层不设置dropout;
输出层:本层应用Softmax模型为概率分类模型。Softmax模型通过评估样本属于每一个分类标签的概率来进行样本分类,因具有较高的计算效率而被广泛的应用于神经网络分类。
最终,本实施例建立的深度卷积神经网络模型,卷积神经网络结构如下表2所示:
表2卷积神经网络结构
步骤5:随机选择二维环境信号图像及其对应的故障率等级作为训练样本,剩余二维环境信号图像及其对应的故障率等级作为测试样本。本实施例,选择80%的样本作为训练样本,剩余20%作为测试样本。
步骤6:利用训练样本对卷积神经网络模型进行训练,模型训练满足精度后,采用训练好的深度卷积神经网络模型,识别测试样本环境信号图像对应的故障率等级特征,采用Softmax函数对不同环境对应的故障率等级进行概率分类,判断卷积神经网络模型是否满足精度要求。
本方法首次将卷积神经网络应用于军机的故障率预测,并提出了将环境数据转换为二维环境信号图像的方法,通过设计一种新型深层卷积神经网络模型,利用卷积神经网络在图像识别方面的优势,以军机的使用自然环境数据为输入变量,故障率等级为输出变量建立和训练卷积神经网络,可以根据标准化后的环境数据准确预测不同使用自然环境条件下的军机故障率等级,为军机故障预防、故障诊断和故障维修提供依据,对军机的完好率和出勤率提升具有重要的现实意义。该方法的实施不依赖于专家经验或系统失效机理,可以高效地用于不同自然环境条件下军机的故障率等级预测。
Claims (8)
1.一种基于自然环境的军机故障率预测方法,其特征在于,所述故障率预测方法包括:
步骤1:分别采集军机在不同使用环境下的环境数据,以及军机在对应使用环境下的故障统计;环境数据包括环境温度、湿度和气压数据;
步骤2:统计不同使用环境条件下单位日历时间内的军机故障数量及飞行时间,计算军机的故障率;
步骤3:根据不同使用环境下单位日历时间内故障率的大小对军机的故障率等级进行划分;
步骤4:将每个使用环境下单位日历时间内的环境温度、湿度和气压信号数据序列转换为二维环境信号图像;
步骤5:所述二维环境信号图像作为卷积神经网络模型的输入,建立卷积神经网络模型;
步骤6:随机选择二维环境信号图像及其对应的故障率等级作为训练样本,其余二维环境信号图像及其对应的故障率等级作为测试样本;
步骤7:利用训练样本对卷积神经网络模型进行训练,采用训练好的深度卷积神经网络模型预测测试样本对应的故障率等级,并判断卷积神经网络模型是否符合要求。
3.根据权利要求1所述的军机故障率预测方法,其特征在于,二维环境信号图像的转换方法为:
假定采集的温度、湿度和气压信号数据序列L1、L2和L3分别包含l/3个数据值;对每一个环境信号数据序列,首先将序列中所有数据值按下式标准化为0到255,以作为灰图的像素强度;
然后,分别将三个标准化后的温度、湿度和气压数据序列L′1,L′2,L′3排列成一列长为l的环境信号数据序列L:L=(L′1,L′2,L′3);
将环境信号数据序列L的l个数据值作为环境信号图像的K×K个像素强度,其中K为图像的行数和列数,K×K=L;环境信号图像像素P(j,k)与环境信号数据序列L的对应关系为:
P(j,k)=L((j-1)×K+k) j=1,2…K,k=1,2…K。
4.根据权利要求1所述的军机故障率预测方法,其特征在于,卷积神经网络模型包括输入层、3个卷积层、3个池化层、3个全连接层及输出层。
5.根据权利要求4所述的军机故障率预测方法,其特征在于,
输入层:输入层为36×36的二维灰度图像;
卷积层C1:采用6个5×5大小的卷积核来提取输入图像特征;
池化层S1:采用最大池化策略,将C1层每组特征映射中的2×2邻域采样为1个点;
卷积层C2:采用64个大小为3×3卷积核提取特征;
池化层S2:采用最大池化策略,将C2层每组特征映射中的2×2邻域采样为1个点;
卷积层C3:采用256个大小为3×3卷积核继续提取特征;
池化层S3:采用最大池化策略,将C3层每组特征映射中的3×3邻域采样为1个点;
全连接层F1:F1的长度设为512;
全连接层F2:F2的长度设为100;
全连接层F3:F3的长度设为10;
输出层:采用Softmax模型作为概率分类模型。
6.根据权利要求5所述的军机故障率预测方法,其特征在于,卷积层C1、C2和C3在卷积运算前需在输入图像四周各添加2层0值,以防止维度损伤并保留图像边缘特性。
7.根据权利要求5所述的军机故障率预测方法,其特征在于,卷积层C1、C2和C3均采用带泄露线性整流函数(Leaky ReLU)作为激活函数,当利用反向传播算法调整参数值时可使浅层具有更强的可训练性。
8.根据权利要求5所述的军机故障率预测方法,其特征在于,全连接层F1和F2采用dropout策略,以使网络不依赖于特定的神经元及其连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011499735.5A CN112580718B (zh) | 2020-12-17 | 2020-12-17 | 一种基于自然环境的军机故障率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011499735.5A CN112580718B (zh) | 2020-12-17 | 2020-12-17 | 一种基于自然环境的军机故障率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580718A true CN112580718A (zh) | 2021-03-30 |
CN112580718B CN112580718B (zh) | 2023-10-24 |
Family
ID=75135929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011499735.5A Active CN112580718B (zh) | 2020-12-17 | 2020-12-17 | 一种基于自然环境的军机故障率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580718B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160116375A1 (en) * | 2014-10-24 | 2016-04-28 | Fuji Xerox Co., Ltd. | Failure prediction apparatus and failure prediction system |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN108399486A (zh) * | 2018-01-22 | 2018-08-14 | 国网福建省电力有限公司泉州供电公司 | 一种基于最小二乘向量机的电力设备故障检测方法 |
US10453220B1 (en) * | 2017-12-29 | 2019-10-22 | Perceive Corporation | Machine-trained network for misalignment-insensitive depth perception |
-
2020
- 2020-12-17 CN CN202011499735.5A patent/CN112580718B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160116375A1 (en) * | 2014-10-24 | 2016-04-28 | Fuji Xerox Co., Ltd. | Failure prediction apparatus and failure prediction system |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
US10453220B1 (en) * | 2017-12-29 | 2019-10-22 | Perceive Corporation | Machine-trained network for misalignment-insensitive depth perception |
CN108399486A (zh) * | 2018-01-22 | 2018-08-14 | 国网福建省电力有限公司泉州供电公司 | 一种基于最小二乘向量机的电力设备故障检测方法 |
Non-Patent Citations (1)
Title |
---|
田丰;: "某战场侦察雷达电子机箱重要件寿命预测与可靠性分析", 装备环境工程, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN112580718B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN107505837A (zh) | 一种半监督神经网络模型及基于该模型的软测量建模方法 | |
CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN105825511A (zh) | 一种基于深度学习的图片背景清晰度检测方法 | |
CN110555819A (zh) | 基于红外和可见光图像融合的设备监测方法、装置及设备 | |
CN107067341B (zh) | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 | |
CN102522709B (zh) | 变压器状态检修的决策方法及系统 | |
Kholief et al. | Detection of steel surface defect based on machine learning using deep auto-encoder network | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN111709393B (zh) | 联合卷积与循环神经网络的结构损伤识别方法 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
Sheng et al. | Bearing performance degradation assessment and remaining useful life prediction based on data-driven and physical model | |
Jiang et al. | Remaining useful life prediction of rolling bearings based on TCN-MSA | |
CN114155186A (zh) | 基于无监督学习的缺陷检测系统及方法 | |
CN112580718A (zh) | 一种基于自然环境的军机故障率预测方法 | |
Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
CN115456287A (zh) | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 | |
CN108615024A (zh) | 一种基于遗传算法和随机森林的eeg信号分类模型 | |
Abhilasa et al. | Classification of agricultural leaf images using hybrid combination of activation functions | |
Jiang et al. | A hybrid degradation tendency measurement method for mechanical equipment based on moving window and Grey–Markov 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 |