CN112836581A - 一种基于相关性分析的敏感故障特征提取方法及装置 - Google Patents
一种基于相关性分析的敏感故障特征提取方法及装置 Download PDFInfo
- Publication number
- CN112836581A CN112836581A CN202110005464.1A CN202110005464A CN112836581A CN 112836581 A CN112836581 A CN 112836581A CN 202110005464 A CN202110005464 A CN 202110005464A CN 112836581 A CN112836581 A CN 112836581A
- Authority
- CN
- China
- Prior art keywords
- time
- fault
- frequency
- sensitive
- factor
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 41
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 30
- 230000035945 sensitivity Effects 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000003745 diagnosis Methods 0.000 claims abstract description 48
- 238000012163 sequencing technique Methods 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000012352 Spearman correlation analysis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本申请提供了一种基于相关性分析的敏感故障特征提取方法及装置,其中,所述方法包括:从故障飞行器的攻角输出信号中提取出多个时频特征,基于故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子,将敏感故障因子按照预设顺序排序,得到与敏感故障因子对应的时频特征的排序结果,根据时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子,基于每个时频特征的冗余度因子和敏感故障因子,确定预设数量个敏感故障特征。本申请通过将冗余度因子和敏感故障因子相结合,从而确定出敏感故障特征,可以在一定程度上解决由于敏感性差异较大和冗余过多而造成的故障诊断复杂的问题,提高了故障诊断性能。
Description
技术领域
本申请涉及特征提取技术领域,具体而言,涉及一种基于相关性分析的敏感故障特征提取方法及装置。
背景技术
高超声速飞行器通常是指飞行速度在5马赫数以上的飞机,导弹,炮弹和其他有翼或无翼飞行器。近年来,高超声速飞行器凭借其卓越的飞行速度和强劲的突防能力成为了世界军事大国研究和竞争的焦点。高超声速飞行器的故障诊断要求极高的精确度和较快的诊断速度,目前,基于信号的方法和基于数据的方法相结合的故障诊断被广泛应用。其中,特征提取作为故障诊断中举足轻重的组成部分,是故障识别的前提条件。
现有的大部分研究都以提取的小波包分解信号能量特征作为分类器的特征输入,单一特征会使后期故障分类和识别的鲁棒性和泛化性能下降;多参量的特征输入可以加强对故障描述的完备性,增加分类器对故障的识别能力,但过多特征由于敏感性差异较大和冗余过多的特点,会增加故障诊断的负担;这些难点最终都将导致故障诊断精确度的下降和诊断速度的增加。
发明内容
有鉴于此,本申请的目的在于提供一种基于相关性分析的敏感故障特征提取方法及装置,通过将冗余度因子和敏感故障因子相结合,从而确定出敏感故障特征,可以在一定程度上解决由于敏感性差异较大和冗余过多而造成的故障诊断复杂的问题,同时避免单一特征使后期故障分类和识别的鲁棒性和泛化性能下降的问题,提高了故障诊断性能。
第一方面,本申请提供了一种基于相关性分析的敏感故障特征提取方法,所述方法包括:
从故障飞行器的攻角输出信号中提取出多个时频特征;
基于所述故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子;
将所述敏感故障因子按照预设顺序排序,得到与所述敏感故障因子对应的时频特征的排序结果;
根据所述时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子;
基于每个时频特征的冗余度因子和敏感故障因子,确定预设数量个敏感故障特征。
优选地,所述从故障飞行器的攻角输出信号中提取出多个时频特征,包括:
对所述故障飞行器的攻角输出信号进行小波包分解,得到多个不同频段信号;
针对每个频段信号,提取每个所述频段信号中的多个时频特征。
优选地,所述多个时频特征包括波形指标、裕度指标、脉冲指标、峰值指标、绝对均值、标准差、偏斜度、峭度指标和方根幅值中的至少两个。
优选地,通过以下步骤确定每个时频特征的敏感故障因子:
基于计算出的故障飞行器同一工作状态下目标时频特征中包含的多个特征样本的第一平均类内距离以及包含该目标时频特征的故障类型的类型数目,得到所述目标时频特征的第二平均类内距离;
基于计算出的故障飞行器同一工作状态下目标时频特征与其他时频特征之间的第一平均类间距离以及包含该目标时频特征的故障类型的数目,得到所述目标时频特征的第二平均类间距离;其中,所述其他时频特征为所述多个时频特征中除所述目标时频特征之外的所有时频特征;
基于所述第二平均类间距离与所述第二平均类内距离之间的比值,确定所述目标时频特征的敏感故障因子
优选地,通过以下公式计算每个时频特征与其所有前序时频特征之间的冗余度因子:
其中,βj表示每个时频特征与其所有前序时频特征之间的冗余度因子,M表示第j个时频特征在按照故障敏感因子从高到低排序后的当前排序位置,表示当前排序位置为m对应的第Jm个时频特征和第j个时频特征之间的冗余度因子,xx,j表示第j个时频特征的第i个样本对应的等级变量,yi,j表示第Jm个时频特征的第i个样本对应的等级变量。
优选地,所述基于时频特征的敏感故障因子和冗余度因子,确定预设数量个敏感故障特征,包括:
从确定出的多个冗余度因子中剔除冗余度值超过预设冗余度阈值的冗余度因子,得到待选冗余度因子;
基于相同时频特征对应的敏感故障因子与待选冗余度因子,得到每个时频特征的敏感性参数;
从所有敏感性参数中选取预设数量个较大敏感性参数,确定选取的较大敏感性参数对应的时频特征为敏感故障特征。
优选地,通过以下公式计算敏感性参数:
其中,γj表示敏感性参数,αj表示敏感故障因子,βj表示冗余度因子,M表示第j个时频特征按照多个敏感性故障因子按照从大到小的顺序排序的排序位置,θ1和θ2分别表示权值系数,所述权值系数为大于0任意常数。
优选地,所述方法还包括:
将提取出的敏感故障特征输入至分类器中进行故障类型的分类和识别,得到飞行器的故障诊断结果。
优选地,所述故障类型包括传感器数据偏差故障、传感器卡死故障、传感器增益变化故障和传感器离群数据故障中的一种或多种。
第二方面,本申请提供了一种基于相关性分析的敏感故障特征提取装置,所述装置包括:
特征采集模块,用于从故障飞行器的攻角输出信号中提取出多个时频特征;
敏感因子确定模块,用于基于所述故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子;
排序模块,用于将所述敏感故障因子按照预设顺序排序,得到与所述敏感故障因子对应的时频特征的排序结果;
冗余因子确定模块,用于根据所述时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子;
特征提取模块,用于基于每个时频特征的冗余度因子和敏感故障因子,确定预设数量个敏感故障特征。
第三方面,本申请提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的基于相关性分析的敏感故障特征提取方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的基于相关性分析的敏感故障特征提取方法的步骤。
本申请提供了一种基于相关性分析的敏感故障特征提取方法及装置,所述方法包括:先从故障飞行器的攻角输出信号中提取出多个时频特征;然后基于所述故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子;接着将所述敏感故障因子按照预设顺序排序,得到与所述敏感故障因子对应的时频特征的排序结果;再根据所述时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子;最后基于每个时频特征的冗余度因子和敏感故障因子,确定预设数量个敏感故障特征。
与现有的大部分研究都以提取的小波包分解信号能量特征作为分类器的特征输入或是多参量的特征输入相比,本申请通过将冗余度因子和敏感故障因子相结合,从而确定出敏感故障特征,可以在一定程度上解决由于敏感性差异较大和冗余过多而造成的故障诊断复杂的问题,同时避免单一特征使后期故障分类和识别的鲁棒性和泛化性能下降的问题,提高了故障诊断性能。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种反应控制系统的推力器安装示意图;
图2为本申请实施例所提供的一种基于相关性分析的敏感故障特征提取方法的流程图;
图3为本申请实施例所提供的另一种基于相关性分析的敏感故障特征提取方法的流程图;
图4为本申请实施例所提供的一种提取敏感故障特征的流程示意图;
图5为本申请实施例所提供的一种高超声速飞行器故障诊断方法的流程图;
图6为本申请实施例所提供的一种高超声速飞行器故障诊断效果图;
图7为本申请实施例所提供的一种基于相关性分析的敏感故障特征提取装置的结构示意图;
图8为图7所示的特征提取模块的结构示意图;
图9为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于高超声速飞行器故障特征提取技术领域,高超声速飞行器通常是指飞行速度在5马赫数以上的飞机,导弹,炮弹和其他有翼或无翼飞行器。近年来,高超声速飞行器凭借其卓越的飞行速度和强劲的突防能力成为了世界军事大国研究和竞争的焦点。临近空间的大气条件变化多端,飞行环境具有高温、强空气对流、强电磁干扰的特点,会导致零部件和电子设备的故障、损坏甚至脱落;高超声速飞行器本身则是复杂的多变量系统,具有强耦合、快时变、强非线性的特点。基于以上两点分析,高超声速飞行器传感器故障频发且极易受故障影响,造成严重甚至不可挽回的后果。同时,在备受关注的再入飞行阶段,稀薄的大气密度导致的低动压,要求应用反作用控制系统补偿气动舵面的操纵效率以满足控制需要。因此,再入段高超声速飞行器的传感器故障诊断研究对性能提高和可靠性保证都具有重要的现实意义。
具体地,高超声速飞行器的故障诊断要求极高的精确度和较快的诊断速度,目前,基于信号的方法和基于数据的方法相结合的故障诊断被广泛应用且技术成熟。然而大部分研究都以提取的小波包分解信号能量特征作为分类器的特征输入,单一特征会使后期故障分类和识别的鲁棒性和泛化性能下降;多参量的特征输入可以加强对故障的描述的完备性,增加分类器对故障的识别能力,但过多特征由于敏感性差异较大和冗余过多的特点,会增加故障诊断的负担;这些难点最终都将导致故障诊断精确度的下降和诊断速度的增加。
特征提取作为故障诊断中举足轻重的组成部分,是故障识别和辨识的前提条件和基底准备。小波包分解信号的能量特征以其优秀的时频特性成为大量故障诊断方法的标准,但基于统计学特征的时频信号特征能更好的描述观测信号所代表的故障类型信息。距离评估技术已经被成熟应用在特征敏感性的评估上,但特征的敏感性不应只有单特征参量对故障的相对表示能力所决定。对于多特征参量,特征之间的冗余性也应计入考量,简单的Pearson相关性分析会较容易受到极值影响,导致相关性对敏感性的影响过大。
基于此,本申请实施例提供了一种基于相关性分析的敏感故障特征提取方法,使用Spearman相关性分析来解决上述存在的技术问题,可以在一定程度上解决由于敏感性差异较大和冗余过多而造成的故障诊断复杂的问题,同时避免单一特征使后期故障分类和识别的鲁棒性和泛化性能下降的问题,提高了故障诊断性能。
本申请实施例在进行敏感故障特征提取之前,需要先采集故障飞行器的攻角输出信号,具体地,通过以下步骤采集故障飞行器的攻角输出信号:
首先针对某个选定的高超声速飞行器,建立地面坐标系、本体坐标系、气流坐标系和航迹坐标系;
(1)地面坐标系:地面坐标系的原点与大地固定连接,选择地球表面一点为原点Og;将过原点平面的垂直轴设为Z轴,正方向设为垂直轴向下的方向,记作Zg;将过原点平面内的轴设为X轴,正方向方向为平面内任意方向,记作Xg;Y轴与以上轴形成右手系,记作Yg。
(2)本体坐标系:本体坐标系的原点与飞行器固定连接,选择飞行器质心为原点Ob;将过飞行器质心的结构纵轴设为X轴,正方向设为指向前的方向,记作Xb;将过飞行器质心的对称平面内垂直于纵轴设为Z轴,正方向设为垂直向下,记作Zb;Y轴垂直于对称平面指向右方,记作Yb。
(3)气流坐标系:气流坐标系的原点与飞行器固定连接,选择飞行器质心为原点Oa;将过飞行器质心的沿气流速度矢量Va的轴设为X轴,正方向设为指向前的方向,记作Xa;将过飞行器质心的对称平面内垂直于气流速度矢量设为Z轴,正方向设为向下,记作Za;Y轴垂直于XOZ平面指向右方,记作Ya。
(4)航迹坐标系:气流坐标系的原点与飞行器固定连接,选择飞行器质心为原点Ok;将过飞行器质心的沿航迹速度矢量Vk的轴设为X轴,正方向设为指向前的方向,记作Xk;将通过航迹速度矢量的铅垂平面垂直于航迹速矢量Vk的轴设为Z轴,正方向设为向下,记作Zk;Y轴垂直于XOZ平面指向右方,记作Yk。
然后,在上述建立的坐标系的基础上,建立运动学模型和动力学模型。本申请实施例考虑再入段飞行条件下,大气稀薄导致动压偏低,高超声速飞行器通过反作用控制系统协助气动舵共同完成姿态控制任务的情况。其中,气动舵实现滚转通道的姿态控制,RCS实现俯仰通道和偏航通道的姿态控制。
本申请实施例的研究对象是Shaughnessy提出的高超声速飞行器模型。该模型描述了高超声速飞行器的纵向非线性动力学过程且经过国内外学者的拟合和数值计算,具有详细的动力学方程和空气动力学数据,考虑飞行器无动力六自由度运动,该模型可以由12个非线性方程描述。
飞行器的质心运动方程表示为:
同时根据飞行器绕质心转动的运动方程,得到飞行器姿态运动方程,通过攻角、侧滑角和滚转角的导数方程进行表示:
由动量定理可得飞行器绕质心旋转的动力学方程:
其中(x,y,z)是飞行器在平面大地条件下的质心位置;V是飞行器的飞行速度;M是飞行器的质量;θ是航迹方位角;ψ是航迹倾角;α是攻角;β是侧滑角;γ是速度滚转角;ωx,ωy,ωz分别是三轴角速度;气动舵面所提供的气动力分别为阻力D、升力L、侧向力C;Ix,Iy,Iz分别为三轴转动惯量;l,m,n为三轴对质心的气动力矩;Tx,Ty,Tz是反应控制系统(Reaction Control System,RCS)所提供的反作用力之间的关系。
接着,请参阅图1,图1为本申请实施例所提供的一种反应控制系统的推力器安装示意图;如图1所示,设计飞行器反应控制系统的推力器力矩分配方案,实现飞行器的姿态控制,保证正常飞行;本申请实施例采用八喷管推力器模型的RCS系统,推力器在八个方向均匀分布且相互无耦合。推力器力矩分配方案如下:偏航姿态控制只由1号和3号喷管实现,俯仰姿态控制只由2号和4号喷管实现,滚转姿态控制由5、6、7、8号喷管实现。
在安装完推力器后,采集故障飞行器的攻角输出信号。在采集到故障飞行器的攻角输出信号之后,需要对攻角输出信号进行分析处理,从中提取出敏感故障特征。具体地,请参阅图2,图2为本申请实施例所提供的一种基于相关性分析的敏感故障特征提取方法的流程图。如图2中所示,本申请实施例提供的方法,包括:
S210、从故障飞行器的攻角输出信号中提取出多个时频特征。
这里,故障飞行器为已知发生了故障的飞行器,并且确定发生故障的故障类型,其中,飞行器为飞行速度在5马赫数以上的飞机、导弹、炮弹和其他有翼或无翼飞行器。攻角是指飞机的升力方向矢量与飞机纵轴之间的夹角,攻角大小与飞机的升力和阻力密切相关,攻角输出信号可直接指示,供驾驶员观察。时频特征可以包括波形指标、裕度指标、脉冲指标、峰值指标、绝对均值、标准差、偏斜度、峭度指标和方根幅值。
步骤S210可以采用小波包方法对攻角输出信号进行分解,得到信号的时频信息,其中,时频特征通过分解信号的统计学参数计算得到。
S220、基于所述故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子。
这里,敏感故障因子用于衡量该敏感故障因子对应的时频特征敏不敏感,其中,每个时频特征都会对应一个敏感故障因子。
具体地,可以通过计算故障飞行器每个时频特征对应的类内距离和类间距离,从而得到敏感故障因子。
S230、将所述敏感故障因子按照预设顺序排序,得到与所述敏感故障因子对应的时频特征的排序结果。
这里,预设顺序可以为从大到小的顺序,也可以为从小到大的顺序。由于每个时频特征对应一个敏感故障因子,当将敏感故障因子按照从小到大的顺序或是从大到小的顺序排序之后,相应的就会得到时频特征的排序顺序。
S240、根据所述时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子。
这里,冗余度因子用于衡量任意一个时频特征与其所有前序时频特征之间的相关性关系。其中,前序时频特征为按照排序顺序,在某个时频特征的排序顺序之前的所有时频特征。
举例说明,从故障飞行器的攻角输出信号中提取出72个时频特征,计算每个时频特征对应的敏感故障因子,得到72个敏感故障因子,将这72个敏感故障因子按照从大到小的顺序排序,同时得到与每个敏感故障因子对应的时频特征的排序顺序,假如计算排在第35位的时频特征与前序时频特征之间的冗余度因子,需要计算第35位时频特征分别与第1位时频特征至第34位时频特征(即共有34个时频特征)之间的冗余度因子,然后根据得到的34个冗余度因子进行求平均,得到最终的冗余度因子。
这里,在传统的距离评估技术中加入Spearman相关性分析,从而得到改进距离评估技术,其中,距离评估技术用于衡量故障的敏感性,加入了相关性分析后,还衡量了不同特征之间的相关性,从而实现对所提取特征的敏感性分析,实现特征筛选。
S250、基于每个时频特征的冗余度因子和敏感故障因子,确定预设数量个敏感故障特征。
这里,预设数量为预先定义好的数值,可以根据具体的实施例进行选择,其中,选择数值时是选择对敏感故障的检测有用的特征个数。
具体地,可以根据当前时频特征和它前序时频特征之间的相关性分析进行冗余度因子的初步筛选和剔除;然后根据精度要求和具体需求,选择适当的权值系数,得到新的敏感性参数;最后可以设置敏感度阈值参数或者确定选择特征数量,根据敏感性参数选择时频特征,将选择出的时频特征确定为敏感故障特征。
本申请实施例提供的基于相关性分析的敏感故障特征提取方法,包括:先从故障飞行器的攻角输出信号中提取出多个时频特征;然后基于所述故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子;接着将所述敏感故障因子按照预设顺序排序,得到与所述敏感故障因子对应的时频特征的排序结果;再根据所述时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子;最后基于每个时频特征的冗余度因子和敏感故障因子,确定预设数量个敏感故障特征。
与现有的大部分研究都以提取的小波包分解信号能量特征作为分类器的特征输入或是多参量的特征输入相比,本申请通过将冗余度因子和敏感故障因子相结合,从而确定出敏感故障特征,可以在一定程度上解决由于敏感性差异较大和冗余过多而造成的故障诊断复杂的问题,同时避免单一特征使后期故障分类和识别的鲁棒性和泛化性能下降的问题,提高了故障诊断性能。
请参阅图3,图3为本申请实施例提供的另一种基于相关性分析的敏感故障特征提取方法的流程图。如图3中所示,本申请实施例提供的方法,包括:
S310、从故障飞行器的攻角输出信号中提取出多个时频特征。
S320、基于所述故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子。
S330、将所述敏感故障因子按照预设顺序排序,得到与所述敏感故障因子对应的时频特征的排序结果。
S340、根据所述时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子。
其中,S310至S340的描述可以参照S210至S240的描述,并且能达到相同的技术效果,对此不做赘述。
除此之外,步骤S310包括:对所述故障飞行器的攻角输出信号进行小波包分解,得到多个不同频段信号;针对每个频段信号,提取每个所述频段信号中的多个时频特征。
这里,所述多个时频特征包括波形指标、裕度指标、脉冲指标、峰值指标、绝对均值、标准差、偏斜度、峭度指标和方根幅值中的至少两个。
具体来说,采集故障飞行器的攻角输出信号,对攻角输出信号进行小波包分解,其中,小波包分解是将信号投影到小波包基函数张成的空间中,从信号处理的角度来看,它是让信号通过一系列中心频率不同但带宽相同的滤波器,小波包分解后可以从中提取信号的时频特征,实现特征的选择。
现有的算法是利用小波包计算能量特征,单一的能量特征会使后期故障分类和识别的鲁棒性和泛化性能下降,本申请实施例是计算它的统计学特征,即时频特征;具体地,输出的是小波包分解以后得到的72个特征,采用这72个时频特征来描述这个攻角输出信号。
除此之外,步骤S320通过以下步骤确定每个时频特征的敏感故障因子:
基于计算出的故障飞行器同一工作状态下目标时频特征中包含的多个特征样本的第一平均类内距离以及包含该目标时频特征的故障类型的类型数目,得到所述目标时频特征的第二平均类内距离;基于计算出的故障飞行器同一工作状态下目标时频特征与其他时频特征之间的第一平均类间距离以及包含该目标时频特征的故障类型的数目,得到所述目标时频特征的第二平均类间距离;其中,所述其他时频特征为所述多个时频特征中除所述目标时频特征之外的所有时频特征;基于所述第二平均类间距离与所述第二平均类内距离之间的比值,确定所述目标时频特征的敏感故障因子。
这里,工作状态包括正常工作状态和异常工作状态,其中,异常工作状态为故障状态,包括四种,分别为数据偏差故障状态、卡死故障状态、增益变化故障状态和离群数据故障状态。由此可知,本申请实施例中的工作状态包括五种情况:正常工作状态、数据偏差故障状态、卡死故障状态、增益变化故障状态和离群数据故障状态。
该步骤中,计算出每种工作状态下的第一平均类内距离,然后根据故障类型的数目,求出所有工作状态对应的第一平均类内距离的平均值,得到第二平均类内距离;同理,第二平均类间距离也是采用同样的方式。
具体地,通过以下公式计算敏感故障因子:
(1)第一平均类内距离的计算公式如下:
(2)第二平均类内距离的计算公式如下:
(3)第一平均类间距离的计算公式如下:
(4)第二平均类间距离的计算公式如下:
(5)敏感故障因子的计算公式如下:
进而,采用上述公式即可计算得到敏感故障因子。
除此之外,步骤S340通过以下公式计算每个时频特征与其所有前序时频特征之间的冗余度因子:
其中,βj表示每个时频特征与其所有前序时频特征之间的冗余度因子,M表示第j个时频特征在按照故障敏感因子从高到低排序后的当前排序位置,表示当前排序位置为m对应的第Jm个时频特征和第j个时频特征之间的冗余度因子,xj表示第j个时频特征的等级变量,yj表示第Jm个时频特征的等级变量。
S350、从确定出的多个冗余度因子中剔除冗余度值超过预设冗余度阈值的冗余度因子,得到待选冗余度因子。
这里,预设冗余度阈值是冗余度因子的极限值,超过这个极限值的冗余度因子不再考虑,从而需要剔除一部分冗余度因子,得到待选冗余度因子,可以对待选冗余度因子进行相关性分析。
需要说明的是,冗余度因子和敏感故障因子均与时频特征一一对应,具有相同的数目,当冗余度因子被剔除一部分,相应的,敏感故障因子也会被剔除一部分,同理,被剔除的冗余度因子对应的时频特征也不再考虑,可以降低运算量,减少内存,从而提高运算速度。
S360、基于相同时频特征对应的敏感故障因子与待选冗余度因子,得到每个时频特征的敏感性参数。
对于敏感性参数来说,需要同时考虑敏感故障因子与待选冗余度因子,具体地,通过以下公式计算敏感性参数:
其中,γj表示敏感性参数,αj表示敏感故障因子,βj表示冗余度因子,M表示第j个时频特征按照多个敏感性故障因子按照从大到小的顺序排序的排序位置,θ1和θ2分别表示权值系数,所述权值系数为大于0的任意常数。
这里,当M=1的时候,对应的时频特征相应的敏感性最高,这个时候由于没有前序时频特征,所以没有冗余因子,不能舍弃;当M大于2的时候,可以计算冗余度因子。其中,只是根据敏感性参数得到敏感性参数的排序即可,即可以得到相应的时频特征的排序,不需要得到敏感性参数的大小关系,进而,权值系数的值可以任意选取,只要保证在计算敏感性参数的时候,权值系数的值是不变的即可,即最后敏感性参数的计算结果有可能存在负数的情况。
S370、从所有敏感性参数中选取预设数量个较大敏感性参数,确定选取的较大敏感性参数对应的时频特征为敏感故障特征。
步骤S370中,可以先将得到的所有敏感性参数按照从大到小的顺序排序,然后从最大的敏感性参数开始依次顺序选择,直至选取预设数量个敏感性参数,从选取到的预设数量个敏感性参数中得到对应的时频特征,将预设数量个时频特征确定为预设数量个敏感故障特征。
这里,预设数量可以根据实际情况进行选择,本申请实施例中的预设数量为8个。
举例说明,请参阅图4,图4为本申请实施例所提供的一种提取敏感故障特征的流程示意图,如图4中所示,从攻角输出信号中提取72个特征(时频特征),利用距离评估技术计算得到敏感故障因子α,利用Spearman相关性分析计算冗余度因子β,根据冗余度因子β与预设冗余度阈值之间的大小关系,剔除一部分超过预设冗余度阈值的冗余度因子,得到剩下的待选冗余度因子,进行定义敏感性参数并计算敏感性参数,从中选取中较大的8个敏感性参数,最终得到8个有用的特征(敏感故障特征)。
在本申请实施例中,作为一种优选的实施例,所述方法还包括:
将提取出的敏感故障特征输入至分类器中进行故障类型的分类和识别,得到飞行器的故障诊断结果。
这里,应用基于支持向量回归的分类器进行多特征分类,实现故障识别;其中支持回归分类器通过将样本从低维空间映射到高维空间并进行线性拟合,属于同一工作状态的样本特征向量具有相似的值,支持向量回归模型输出相对其他类具有更小的偏差,以实现对样本的分类。应用遗传算法对分类器进行参数寻优,可以提高特征识别准确度。
其中,故障类型包括传感器数据偏差故障、传感器卡死故障、传感器增益变化故障和传感器离群数据故障中的一种或多种。
具体地,本申请实施例中的故障类型模型表示如下:
(1)传感器数据偏差故障:
(2)传感器卡死故障:
(3)传感器增益变化故障
(4)传感器离群数据故障
通过上述四种传感器故障模型可以求出飞行器可能存在的故障。
这里需要说明的是,本申请实施例提供的故障特征提取方法可以有效应用在显著故障的诊断上,如传感器数据偏差故障等。通过建立不同的故障模型,然后通过所提出的故障特征提取方法可以得到不同的时频特征,最终提取出敏感故障特征,得到故障诊断结果;也就是说这四个故障模型,都能通过该方法得到时频特征,进而得到不错的故障诊断结果。进而,当故障模型是显著故障模型时,所得到的故障诊断效果是最好的。
但本申请实施例提供的敏感故障特征提取方法不仅仅局限于显著故障的诊断上,在其他非显著故障的诊断上也是可以使用的。
本申请以具体的实施例进行说明,请参阅图5,图5为本申请实施例所提供的一种高超声速飞行器故障诊断方法的流程图,如图5中所示,本申请实施例通过建立高超声速飞行器模型(RCS系统模型)和传感器故障模型仿真得到攻角输出信号,对采集到的攻角输出信号采用小波包分解和统计学特征参数计算进行特征提取,得到8个不同频段,每个频段9种统计学特征,这里,统计学特征为时频特征,进而共提取出72种时频特征。运用基于Spearman相关性分析的改进距离评估技术进行特征选择,得到敏感性较大的前8个特征,作为状态特征作为故障诊断的依据。
首先,建立地面坐标系、本体坐标系、气流坐标系和航迹坐标系。针对飞行器的六自由度运动方程,考虑重力、空气动力和RCS反作用力作用,建立飞行器12状态六自由度非线性模型。考虑8方向无耦合的力矩分配方案,建立8喷管RCS模型,如图1所示。根据仿真参数设定,建立传感器故障模型,并将其加入高超声速飞行器控制系统仿真模型。
然后,采集飞行器系统的攻角输出信号,基于小波包分解提取信号的时频特征,实现特征提取;利用基于Spearman相关性分析的改进距离评估技术对所提取特征进行敏感性分析,得到敏感故障特征;最后,应用基于支持向量回归的分类器进行多特征分类,实现故障的分类识别。
本申请实施例针对高超声速飞行器(winged-cone)模型,且仿真具体参数设置如下:飞行高度为H=33.5km,飞行器质量M=63500kg,飞行速度V=15Ma,初始姿态角α=β=γ=0°,初始姿态角速度ωx=y=z=0,d=1.5m,φ=60°,l=10m,期望姿态角α=45°,β=0°,γ=0°。
建立的飞行器故障模型如下:
传感器数据偏差故障:
传感器卡死故障:
传感器增益变化故障:
传感器离群数据故障:
进而,基于小波分解提取信号的时频特征信息,实施例中应用db2小波对攻角输出信号进行3层小波包分解,得到23个高低频段的分解信号,通过小波重构得到相应采样时间的时频特征。
时频特征为计算得到的不同频段的9个统计学特征,包括有量纲参数:绝对均值、标准差、偏斜度、峭度和方根幅值;无量纲参数:波形指标、裕度指标、脉冲指标和峰值指标。进而,特征提取过程中得到72个时频特征,表征高超声速飞行器的故障状态。
计算传统距离评估技术下,5个不同飞行器工作状态(包括正常状态和故障状态)下的72个不同特征的类内距离和类间距离,得到敏感故障因子α;计算不同飞行器工作状态下的不同特征的Spearman相关性系数,得到冗余度因子β;设置冗余度阈值βt为0.95,对与前序特征有较大相关性的特征进行初步筛选和剔除;选择权值系数θ1为1,θ2为1.5,得到新的敏感性参数γ;选取敏感性参数按从大到小排列前8的特征,作为后序分类器的输入。
最后,应用基于支持向量回归的分类器进行多特征分类,实现故障识别;其中支持回归分类器通过将样本从低维空间映射到高维空间并进行线性拟合,属于同一工作状态的样本特征向量具有相似的值,支持向量回归模型输出相对其他类具有更小的偏差,以实现对样本的分类。应用遗传算法对分类器进行参数寻优,提高特征识别准确度。
请参阅图6,图6为本申请实施例所提供的一种高超声速飞行器故障诊断效果图,如图6中所示,预测值和真实值基本重合,可以看出该故障诊断方法达到了预期效果。其中。横坐标表示样本,纵坐标表示飞行器的工作状态,0表示正常状态,1表示数据偏差故障,2表示卡死故障,3表示增益变化故障,4表示离群数据故障;从图中可以看出,样本0-10对应的是正常状态,样本10-20对应的是数据偏差故障,样本20-30对应的是卡死故障,样本30-40对应的是增益变化故障,样本40-50对应的是离群数据故障。
本申请实施例提供的基于相关性分析的敏感故障特征提取方法,包括:从故障飞行器的攻角输出信号中提取出多个时频特征,基于故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子,将敏感故障因子按照预设顺序排序,得到与敏感故障因子对应的时频特征的排序结果,根据时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子,从确定出的多个冗余度因子中剔除冗余度值超过预设冗余度阈值的冗余度因子,得到待选冗余度因子,基于相同时频特征对应的敏感故障因子与待选冗余度因子,得到每个时频特征的敏感性参数,从所有敏感性参数中选取预设数量个较大敏感性参数,确定选取的较大敏感性参数对应的时频特征为敏感故障特征。
进而,本申请实施例考虑基于统计学特征的多参量特征数据,较之单一特征数据,诊断效果明显,提高了故障诊断效果的准确性和鲁棒性;采用考虑冗余度的敏感特征筛选,减少了分类器的负担和繁琐度,较仅考虑敏感性的特征选择方法,提高了故障诊断效果的快速性。从而解决目前故障诊断中,常用的单一状态特征和多参量特征负担导致诊断性能下降的问题。
基于同一发明构思,本申请实施例中还提供了与基于相关性分析的敏感故障特征提取方法对应的基于相关性分析的敏感故障特征提取装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述基于相关性分析的敏感故障特征提取方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图7和图8,图7为本申请实施例所提供的一种基于相关性分析的敏感故障特征提取装置的结构示意图,图8为图7所示的特征提取模块的结构示意图。如图7中所示,所述装置700包括:
特征采集模块710,用于从故障飞行器的攻角输出信号中提取出多个时频特征;
敏感因子确定模块720,用于基于所述故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子;
排序模块730,用于将所述敏感故障因子按照预设顺序排序,得到与所述敏感故障因子对应的时频特征的排序结果;
冗余因子确定模块740,用于根据所述时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子;
特征提取模块750,用于基于每个时频特征的冗余度因子和敏感故障因子,确定预设数量个敏感故障特征。
在本申请实施例中,作为一种优选的实施例,特征采集模块710在用于从故障飞行器的攻角输出信号中提取出多个时频特征时,特征采集模块710具体用于:
对所述故障飞行器的攻角输出信号进行小波包分解,得到多个不同频段信号;
针对每个频段信号,提取每个所述频段信号中的多个时频特征。
在本申请实施例中,作为一种优选的实施例,所述多个时频特征包括波形指标、裕度指标、脉冲指标、峰值指标、绝对均值、标准差、偏斜度、峭度指标和方根幅值中的至少两个。
在本申请实施例中,作为一种优选的实施例,敏感因子确定模块720用于通过以下步骤确定每个时频特征的敏感故障因子:
基于计算出的故障飞行器同一工作状态下目标时频特征中包含的多个特征样本的第一平均类内距离以及包含该目标时频特征的故障类型的类型数目,得到所述目标时频特征的第二平均类内距离;
基于计算出的故障飞行器同一工作状态下目标时频特征与其他时频特征之间的第一平均类间距离以及包含该目标时频特征的故障类型的数目,得到所述目标时频特征的第二平均类间距离;其中,所述其他时频特征为所述多个时频特征中除所述目标时频特征之外的所有时频特征;
基于所述第二平均类间距离与所述第二平均类内距离之间的比值,确定所述目标时频特征的敏感故障因子。
在本申请实施例中,作为一种优选的实施例,冗余因子确定模块740用于通过以下公式计算每个时频特征与其所有前序时频特征之间的冗余度因子:
其中,βj表示每个时频特征与其所有前序时频特征之间的冗余度因子,M表示第j个时频特征在按照故障敏感因子从高到低排序后的当前排序位置,表示当前排序位置为m对应的第Jm个时频特征和第j个时频特征之间的冗余度因子,xj表示第j个时频特征的等级变量,yj表示第Jm个时频特征的等级变量。
进一步地,如图8所示,特征提取模块750包括:
因子剔除单元751,用于从确定出的多个冗余度因子中剔除冗余度值超过预设冗余度阈值的冗余度因子,得到待选冗余度因子;
参数确定模块752,用于基于相同时频特征对应的敏感故障因子与待选冗余度因子,得到每个时频特征的敏感性参数;
特征提取单元753,用于从所有敏感性参数中选取预设数量个较大敏感性参数,确定选取的较大敏感性参数对应的时频特征为敏感故障特征。
优选地,参数确定模块752用于通过以下公式计算敏感性参数:
其中,γj表示敏感性参数,αj表示敏感故障因子,βj表示冗余度因子,M表示第j个时频特征按照多个敏感性故障因子按照从大到小的顺序排序的排序位置,θ1和θ2分别表示权值系数,所述权值系数为大于0的任意常数。
如图7所示,所述装置700还包括故障分类模块760,所述故障分类模块760用于:
将提取出的敏感故障特征输入至分类器中进行故障类型的分类和识别,得到飞行器的故障诊断结果。
在本申请实施例中,作为一种优选的实施例,所述故障类型包括传感器数据偏差故障、传感器卡死故障、传感器增益变化故障和传感器离群数据故障中的一种或多种。
本申请实施例提供的基于相关性分析的敏感故障特征提取装置,主要包括特征采集模块、敏感因子确定模块、排序模块、冗余因子确定模块和特征提取模块,具体地,特征采集模块从故障飞行器的攻角输出信号中提取出多个时频特征,敏感因子确定模块基于所述故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子,排序模块将所述敏感故障因子按照预设顺序排序,得到与所述敏感故障因子对应的时频特征的排序结果,冗余因子确定模块根据所述时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子,特征提取模块基于每个时频特征的冗余度因子和敏感故障因子,确定预设数量个敏感故障特征。这样一来,通过将冗余度因子和敏感故障因子相结合,从而确定出敏感故障特征,可以在一定程度上解决由于敏感性差异较大和冗余过多而造成的故障诊断复杂的问题,同时避免单一特征使后期故障分类和识别的鲁棒性和泛化性能下降的问题,提高了故障诊断性能。
请参阅图9,图9为本申请实施例所提供的一种电子设备的结构示意图。如图9中所示,所述电子设备900包括处理器910、存储器920和总线930。
所述存储器920存储有所述处理器910可执行的机器可读指令,当电子设备900运行时,所述处理器910与所述存储器920之间通过总线930通信,所述机器可读指令被所述处理器910执行时,可以执行如上述图2以及图3所示方法实施例中的基于相关性分析的敏感故障特征提取方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的基于相关性分析的敏感故障特征提取方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于相关性分析的敏感故障特征提取方法,其特征在于,所述方法包括:
从故障飞行器的攻角输出信号中提取出多个时频特征;
基于所述故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子;
将所述敏感故障因子按照预设顺序排序,得到与所述敏感故障因子对应的时频特征的排序结果;
根据所述时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子;
基于每个时频特征的冗余度因子和敏感故障因子,确定预设数量个敏感故障特征。
2.根据权利要求1所述的方法,其特征在于,所述从故障飞行器的攻角输出信号中提取出多个时频特征,包括:
对所述故障飞行器的攻角输出信号进行小波包分解,得到多个不同频段信号;
针对每个频段信号,提取每个所述频段信号中的多个时频特征。
3.根据权利要求2所述的方法,其特征在于,所述多个时频特征包括波形指标、裕度指标、脉冲指标、峰值指标、绝对均值、标准差、偏斜度、峭度指标和方根幅值中的至少两个。
4.根据权利要求1所述的方法,其特征在于,通过以下步骤确定每个时频特征的敏感故障因子:
基于计算出的故障飞行器同一工作状态下目标时频特征中包含的多个特征样本的第一平均类内距离以及包含该目标时频特征的故障类型的类型数目,得到所述目标时频特征的第二平均类内距离;
基于计算出的故障飞行器同一工作状态下目标时频特征与其他时频特征之间的第一平均类间距离以及包含该目标时频特征的故障类型的数目,得到所述目标时频特征的第二平均类间距离;其中,所述其他时频特征为所述多个时频特征中除所述目标时频特征之外的所有时频特征;
基于所述第二平均类间距离与所述第二平均类内距离之间的比值,确定所述目标时频特征的敏感故障因子。
6.根据权利要求1所述的方法,其特征在于,所述基于时频特征的敏感故障因子和冗余度因子,确定预设数量个敏感故障特征,包括:
从确定出的多个冗余度因子中剔除冗余度值超过预设冗余度阈值的冗余度因子,得到待选冗余度因子;
基于相同时频特征对应的敏感故障因子与待选冗余度因子,得到每个时频特征的敏感性参数;
从所有敏感性参数中选取预设数量个较大敏感性参数,确定选取的较大敏感性参数对应的时频特征为敏感故障特征。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将提取出的敏感故障特征输入至分类器中进行故障类型的分类和识别,得到飞行器的故障诊断结果。
9.根据权利要求8所述的方法,其特征在于,所述故障类型包括传感器数据偏差故障、传感器卡死故障、传感器增益变化故障和传感器离群数据故障中的一种或多种。
10.一种基于相关性分析的敏感故障特征提取装置,其特征在于,所述装置包括:
特征采集模块,用于从故障飞行器的攻角输出信号中提取出多个时频特征;
敏感因子确定模块,用于基于所述故障飞行器的多个时频特征,确定每个时频特征的敏感故障因子;
排序模块,用于将所述敏感故障因子按照预设顺序排序,得到与所述敏感故障因子对应的时频特征的排序结果;
冗余因子确定模块,用于根据所述时频特征的排序结果,确定每个时频特征与其所有前序时频特征之间的冗余度因子;
特征提取模块,用于基于每个时频特征的冗余度因子和敏感故障因子,确定预设数量个敏感故障特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110005464.1A CN112836581B (zh) | 2021-01-05 | 2021-01-05 | 一种基于相关性分析的敏感故障特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110005464.1A CN112836581B (zh) | 2021-01-05 | 2021-01-05 | 一种基于相关性分析的敏感故障特征提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836581A true CN112836581A (zh) | 2021-05-25 |
CN112836581B CN112836581B (zh) | 2023-09-01 |
Family
ID=75927535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110005464.1A Active CN112836581B (zh) | 2021-01-05 | 2021-01-05 | 一种基于相关性分析的敏感故障特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836581B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738372A (zh) * | 2023-08-15 | 2023-09-12 | 昆仑数智科技有限责任公司 | 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 |
CN117150376A (zh) * | 2023-10-30 | 2023-12-01 | 浙江大学高端装备研究院 | 一种分类敏感度修正方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050096873A1 (en) * | 2002-12-30 | 2005-05-05 | Renata Klein | Method and system for diagnostics and prognostics of a mechanical system |
CN103674538A (zh) * | 2013-12-18 | 2014-03-26 | 北京航天测控技术有限公司 | 一种直升机自动倾斜器多故障模式识别方法及装置 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
CN107727395A (zh) * | 2017-07-21 | 2018-02-23 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
-
2021
- 2021-01-05 CN CN202110005464.1A patent/CN112836581B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050096873A1 (en) * | 2002-12-30 | 2005-05-05 | Renata Klein | Method and system for diagnostics and prognostics of a mechanical system |
CN103674538A (zh) * | 2013-12-18 | 2014-03-26 | 北京航天测控技术有限公司 | 一种直升机自动倾斜器多故障模式识别方法及装置 |
CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
CN107727395A (zh) * | 2017-07-21 | 2018-02-23 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
FAFA CHEN ETC.: "A novel optimized multi-kernel relevance vector machine with selected sensitive features and its application in early fault diagnosis for rolling bearings", MEASUREMENT * |
FENG LI ETC.: "Weak fault diagnosis of rotating machinery based on feature reduction with Supervised Orthogonal Local Fisher Discriminant Analysis", NEUROCOMPUTING * |
佘博等: "基于自适应LTSA算法的滚动轴承故障诊断", 《华中科技大学学报(自然科学版)》 * |
佘博等: "基于自适应LTSA算法的滚动轴承故障诊断", 《华中科技大学学报(自然科学版)》, no. 01, 23 January 2017 (2017-01-23), pages 1 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738372A (zh) * | 2023-08-15 | 2023-09-12 | 昆仑数智科技有限责任公司 | 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 |
CN116738372B (zh) * | 2023-08-15 | 2023-10-27 | 昆仑数智科技有限责任公司 | 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 |
CN117150376A (zh) * | 2023-10-30 | 2023-12-01 | 浙江大学高端装备研究院 | 一种分类敏感度修正方法、装置和设备 |
CN117150376B (zh) * | 2023-10-30 | 2024-02-20 | 浙江大学高端装备研究院 | 一种轴向柱塞泵故障特征样本的分类方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112836581B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102680201B (zh) | 基于视频测量的抖振风洞试验方法 | |
CN112348124B (zh) | 一种基于数据驱动的微小故障诊断方法及装置 | |
Lijewski et al. | Time-accurate computational fluid dynamics approach to transonic store separation trajectory prediction | |
US5751609A (en) | Neural network based method for estimating helicopter low airspeed | |
CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
US5901272A (en) | Neural network based helicopter low airspeed indicator | |
CN112836581B (zh) | 一种基于相关性分析的敏感故障特征提取方法及装置 | |
CN113128342B (zh) | 航迹数据预处理方法及空中目标识别方法 | |
CN114004023A (zh) | 一种基于循环神经网络的飞行器气动参数辨识的方法 | |
CN108170127A (zh) | 一种无人机飞行控制系统的故障检测方法 | |
Qing et al. | Aerodynamic modeling and parameter estimation from QAR data of an airplane approaching a high-altitude airport | |
CN111176263A (zh) | 一种基于bp神经网络的飞行器推力故障在线辨识方法 | |
CN113609600B (zh) | 一种适用于飞行器多体分离相容性度量与表征方法 | |
CN114329766A (zh) | 面向深度强化学习的飞行动力学模型可信度评估方法 | |
Gaiduchenko et al. | Hypersonic vehicle trajectory classification using convolutional neural network | |
CN114491788A (zh) | 高超声速飞行器气动力预测方法、系统、电子设备及介质 | |
CN111412887B (zh) | 一种基于卡尔曼滤波的攻角、侧滑角辨识方法 | |
CN110027728B (zh) | 通过空中飞行试验辨识飞机气动焦点的方法 | |
CN111240304A (zh) | 一种用于飞行器推力故障在线辨识的机器学习样本生成方法 | |
US20220300672A1 (en) | Methods and Systems for Analyzing and Predicting Aeroelastic Flutter on Configurable Aircraft | |
Taitel et al. | Helicopter track and balance with artificial neural nets | |
Saderla et al. | Parameter estimation of UAV from flight data using neural network | |
Cao et al. | Flight trajectory simulation and aerodynamic parameter identification of large-scale parachute | |
CN114757332A (zh) | 一种航空器气动传感器故障智能检测方法 | |
CN114324975A (zh) | 一种风向确定方法、装置、设备和介质 |
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 |