CN113485305A - 一种飞机外勤故障诊断系统与方法 - Google Patents
一种飞机外勤故障诊断系统与方法 Download PDFInfo
- Publication number
- CN113485305A CN113485305A CN202110853615.9A CN202110853615A CN113485305A CN 113485305 A CN113485305 A CN 113485305A CN 202110853615 A CN202110853615 A CN 202110853615A CN 113485305 A CN113485305 A CN 113485305A
- Authority
- CN
- China
- Prior art keywords
- fault
- module
- probability
- information
- database
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Devices For Executing Special Programs (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及民航维修技术领域,具体涉及一种飞机外勤故障诊断系统与方法,包括故障查询模块、专家知识库模块、故障数据库模块、故障概率预测模块和故障记录模块;故障查询模块包括故障信息查询接口;专家知识库模块存储技术专家知识、每种故障的原因及每种故障原因的处理方法;故障数据库模块存储发生故障的飞机编号、故障发生时间、故障信息和实际发生故障的原因;故障概率预测模块存储每种故障原因产生的预测概率;故障记录模块将数据写入故障数据库。本发明根据飞机系统故障信息自动给出故障原因及每种故障原因对应的故障概率、故障处置措施、相关电路图,极大缩减飞机发生系统故障后制定排故方案的时间,提高飞机故障定位的效率和准确率。
Description
技术领域
本发明涉及民航维修技术领域,具体涉及一种飞机外勤故障诊断系统与方法。
背景技术
飞机的维修性和保障性是考量飞机出动能力的两项重要指标,现代飞机的机载系统普遍采用机载数字计算机来实现飞机系统故障的实时识别与隔离。典型的飞机系统包括飞控系统、供电系统、照明系统、告警系统、大气系统等,当飞机各系统发生故障时,机载数字计算机进行故障检测并将记录故障,为飞机地勤维护人员提供飞机系统故障诊断定位。
目前,当飞机出现系统故障,先由地勤维护人员使用飞机辅助维修装置读取机载数字计算机记录的飞机故障,再由相关技术专家现场分析故障记录并查阅相关图纸资料后才能判定造成故障发生的可能原因并制定应对方案。这种故障诊断方法不仅需要耗费大量时间,而且现场制定的排故方案往往不能作为保证为最优方案,造成人力、物力资源的浪费。
发明内容
为了解决现有飞机系统故障诊断定位耗时长、精准度不高、对地勤人员技术水平要求高的问题,本发明提供一种飞机外勤故障诊断系统,包括故障查询模块、专家知识库模块、故障数据库模块、故障概率预测模块和故障记录模块;所述故障查询模块包括故障信息查询接口;专家知识库模块存储技术专家知识、每种故障的原因及每种故障原因的处理方法;故障数据库模块存储发生故障的飞机编号、故障发生时间、故障信息和实际发生故障的原因;故障概率预测模块存储每一种故障原因产生的预测概率;故障记录模块将数据写入故障数据库。
进一步,所述故障信息包括每种故障原因及每种故障原因对应的预置故障概率、每种故障对应的电路图、每种故障对应的故障处理措施。
本发明还提供一种飞机外勤故障诊断方法,包括以下步骤,
步骤1,向故障查询模块输入发生故障的飞机编号信息及故障信息;
步骤2,故障查询模块向专家知识库模块和故障数据库模块发送检索信息;
步骤3,专家知识库模块接收检索信息,将故障信息对应的所有故障原因及每种故障原因的故障处置方法、相关电路图发送给故障查询模块;专家知识库模块接收检索信息,将故障信息对应的专家推算故障概率发送给故障概率预测模块;
步骤4,故障数据库模块接收检索信息,将故障信息对应的故障统计数据发送给故障概率预测模块;
步骤5,故障概率预测模块通过机器学习算法计算故障信息对应的预测故障概率,将故障概率发送给故障查询模块;
进一步,步骤2包括故障记录模块记录故障信息存入故障数据库。
进一步,设Ni为故障数据库统计的故障原因i故障数量,步骤5所述故障概率预测模块通过机器学习算法计算故障信息对应的预测故障概率包括如下算法,
算法5.1,当故障数据库数量为0,预测故障率与专家推算故障率相等;
算法5.2,当故障数据库故障数量大于0小于N1时,采用机器学习中的贝塔算法计算故障概率;
算法5.3,当故障数据库故障数量大于等于N1小于N2时,将故障数据分成两段分别采用机器学习中的回归算法计算故障概率;
算法5.4,当故障数据库故障数量大于N2时,将故障数据分成三段,采用与故障数据库故障数量大于等于N1小于N2时相同的回归算法计算故障概率。
与现有技术相比,本发明的有益效果在于:
1.本发明通过故障数据库模块存储发生系统故障的飞机编号、故障发生时间、故障信息及实际故障原因,并提供每一种故障原因预测概率,从而提高飞机定位故障的准确率;
2.故障诊断系统收集并不断完善故障信息对应的所有故障原因以及每一种故障原因所对应的故障概率、相关电路图以及故障处置措施,从而提高对故障预测的准确度和解决故障的效率;
3.系统通过建立专家知识库模块,以故障诊断系统取代人工诊断,简化对故障的诊断流程,节省故障诊断时间,节省人力和物力资源。
附图说明
图1为本发明实施例中飞机外勤故障诊断系统图;
图2为本发明实施例中飞机外勤故障诊断的工作流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例
参照附图1,本实施例提供了一种飞机外勤故障诊断系统的功能图,所述飞机外勤故障诊断系统由故障查询模块、专家知识库模块、故障数据库模块、故障概率预测模块和故障记录模块组成。故障查询模块用于提供故障信息查询接口;故障信息对应的所有故障原因以及每一种故障原因所对应的预置故障概率、相关电路图以及故障处置措施显示接口。专家知识库模块用于存储技术专家知识,提供所有故障信息的故障原因及故障处理方法。故障数据库模块用于存储发生系统故障的飞机编号、故障发生时间、故障信息及实际故障原因。故障概率预测模块用于向故障查询模块提供每一种故障原因预测概率。故障记录模块用于将发生系统故障的飞机编号、故障发生时间、飞机系统故障信息及实际故障原因写入故障数据库。
参照附图2,飞机的各系统发生故障后,在飞机外勤故障诊断系统的故障查询模块输入具体的飞机编号信息并选择故障信息后,故障查询模块向专家知识库模块和故障数据库模块发送检索信息。
专家知识库模块在收到故障查询模块发送的检索信息后,将故障信息所对应的所有故障原因、每一种故障原因的处置措施及相关电路图反馈给故障查询模块,并将所有故障原因对应的专家推算故障概率传递至故障概率预测模块。故障数据库模块在收到故障查询模块发送的检索信息后,将故障信息所对应的故障统计数据反馈给故障概率预测模块。
故障概率预测模块收到专家知识库模块送来的专家推算故障概率信息和故障数据库模块送来的故障统计数据后,通过机器学习算法计算后得到预测故障概率输送给故障查询模块。具体算法如下:
当故障数据库故障数量为0时,其故障概率:Axi=Bxi;
其中,Axi为故障原因i的预测故障概率,Bxi为故障原因i的专家推算故障概率。
其中,Axi为故障原因i预测故障概率,Bxi为故障原因i专家推算故障概率,n为一个常数(如n=10),Nxi为故障数据库统计的故障原因i故障数量,Nxi为故障数据库统计的故障原因1故障数量,Nx2为故障数据库统计的故障原因2故障数量,为故障数据库统计的故障原因n故障数量。
当故障数据库故障数量大于等于N1小于N2时,将故障数据分成两段,分别采用机器学习中的回归算法,具体如下:
假设故障数据库某一故障发生的总次数为xi,该故障对应的任一故障原因出现的次数为yi,根据故障数据库的数据(x1,y1)、(x2,y2)、…、(xn,yn)建立数学模型:
y=a+bx
对给定xi预测值为:
使模型损失函数最小的最优参数a*,b*为:
上述公式分别对a和b求导,当导数均为0时,模型损失函数最小:
令:
则
b*即为某一故障原因对应的故障该,据此得出其故障概率公式:
Axi=bx1×Px1+bx2×(1-Px1)
其中,Axi为故障原因i的预测故障概率,为故障原因i第一段数据的回归故障概率,Px1为故障原因i的加权系数(Px1<0.5),bx2为故障原因i第二段数据的回归故障概率。
当故障数据库故障数量大于N2时,将故障数据分成三段,采用与故障数据库故障数量大于等于N1小于N2时相同的回归算法。其故障概率:
Axi=bx1×Px1+bx2×Px2+bx3×Px3
其中,Axi为故障原因i的预测故障概率,bx1为故障原因i第一段数据的回归故障概率,bx2为故障原因i第二段数据的回归故障概率,bx3为故障原因i第三段数据的回归故障概率,Px1、Px2为故障原因i的加权系数(Px1<Px2<Px3)。
故障查询模块在收到专家知识库模块和故障概率预测模块反馈的信息后便将故障代码对应的所有故障原因以及每一种故障原因所对应的预测故障概率、相关电路图以及故障处置措施进行显示,辅助飞机地勤维护人员进行飞机系统故障排除工作。
飞机系统故障故障排除后,故障记录模块根据飞机地勤维护人员的反馈,确认本次飞机系统实际故障原因,并将飞机编号、故障时间、故障信息及实际故障原因写入故障数据库模块,用于进行故障统计分析。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (5)
1.一种飞机外勤故障诊断系统,其特征在于,包括故障查询模块、专家知识库模块、故障数据库模块、故障概率预测模块和故障记录模块;所述故障查询模块包括故障信息查询接口;专家知识库模块存储技术专家知识、每种故障的原因及每种故障原因的处理方法;故障数据库模块存储发生故障的飞机编号、故障发生时间、故障信息和实际发生故障的原因;故障概率预测模块存储每一种故障原因产生的预测概率;故障记录模块将数据写入故障数据库。
2.根据权利要求1所述的一种飞机外勤故障诊断系统,其特征在于,所述故障信息包括每种故障原因及每种故障原因对应的预置故障概率、每种故障对应的电路图、每种故障对应的故障处理措施。
3.一种飞机外勤故障诊断方法,其特征在于,包括以下步骤:
步骤1,向故障查询模块输入发生故障的飞机编号信息及故障信息;
步骤2,故障查询模块向专家知识库模块和故障数据库模块发送检索信息;
步骤3,专家知识库模块接收检索信息,将故障信息对应的所有故障原因及每种故障原因的故障处置方法、相关电路图发送给故障查询模块;专家知识库模块接收检索信息,将故障信息对应的专家推算故障概率发送给故障概率预测模块;
步骤4,故障数据库模块接收检索信息,将故障信息对应的故障统计数据发送给故障概率预测模块;
步骤5,故障概率预测模块通过机器学习算法计算故障信息对应的预测故障概率,将故障概率发送给故障查询模块。
4.根据权利要求3所述的一种飞机外勤故障诊断方法,其特征在于,步骤2包括故障记录模块记录故障信息存入故障数据库。
5.根据权利要求3所述的一种飞机外勤故障诊断方法,其特征在于,设Ni为故障数据库统计的故障原因i故障数量,步骤5所述故障概率预测模块通过机器学习算法计算故障信息对应的预测故障概率包括如下算法:
算法5.1,当故障数据库数量为0,预测故障率与专家推算故障率相等;
算法5.2,当故障数据库故障数量大于0小于N1时,采用机器学习中的贝塔算法计算故障概率;
算法5.3,当故障数据库故障数量大于等于N1小于N2时,将故障数据分成两段分别采用机器学习中的回归算法计算故障概率;
算法5.4,当故障数据库故障数量大于N2时,将故障数据分成三段,采用与故障数据库故障数量大于等于N1小于N2时相同的回归算法计算故障概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853615.9A CN113485305B (zh) | 2021-07-28 | 2021-07-28 | 一种飞机外勤故障诊断系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853615.9A CN113485305B (zh) | 2021-07-28 | 2021-07-28 | 一种飞机外勤故障诊断系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113485305A true CN113485305A (zh) | 2021-10-08 |
CN113485305B CN113485305B (zh) | 2023-04-07 |
Family
ID=77944244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853615.9A Active CN113485305B (zh) | 2021-07-28 | 2021-07-28 | 一种飞机外勤故障诊断系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113485305B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936238A (zh) * | 2022-05-26 | 2022-08-23 | 中煤科工集团重庆智慧城市科技研究院有限公司 | 基于大数据的运维信息管理方法及系统 |
CN115497184A (zh) * | 2021-11-10 | 2022-12-20 | 上海凯贞信息技术有限公司 | 一种外勤人员工作记录的统计方法及系统 |
CN115792694A (zh) * | 2023-02-07 | 2023-03-14 | 山东艾诺智能仪器有限公司 | 一种飞机地面静变电源远程故障预测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07257495A (ja) * | 1994-03-25 | 1995-10-09 | Fuji Heavy Ind Ltd | 故障診断装置 |
JPH07271807A (ja) * | 1994-03-29 | 1995-10-20 | Fuji Heavy Ind Ltd | 故障診断装置 |
CN104363106A (zh) * | 2014-10-09 | 2015-02-18 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于大数据技术的电力信息通信故障预警分析方法 |
CN105590146A (zh) * | 2016-02-29 | 2016-05-18 | 上海带来科技有限公司 | 一种基于大数据的电厂设备智能预测检修方法和系统 |
CN106502238A (zh) * | 2016-11-30 | 2017-03-15 | 北京航空航天大学 | 一种固液动力飞行器故障诊断系统 |
CN111445093A (zh) * | 2020-04-23 | 2020-07-24 | 长春工程学院 | 一种输电线路应急抢修路径优化系统及方法 |
CN111651933A (zh) * | 2020-05-22 | 2020-09-11 | 宁波诺丁汉新材料研究院有限公司 | 基于统计推断的工业锅炉故障预警方法及系统 |
CN112199640A (zh) * | 2020-09-30 | 2021-01-08 | 广州市百果园网络科技有限公司 | 异常用户审核方法、装置、电子设备和存储介质 |
CN112559964A (zh) * | 2020-11-27 | 2021-03-26 | 成都飞机工业(集团)有限责任公司 | 一种基于权重系数飞控故障概率的计算方法 |
CN112731903A (zh) * | 2020-11-27 | 2021-04-30 | 成都飞机工业(集团)有限责任公司 | 一种全电传飞控故障的诊断系统及方法 |
-
2021
- 2021-07-28 CN CN202110853615.9A patent/CN113485305B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07257495A (ja) * | 1994-03-25 | 1995-10-09 | Fuji Heavy Ind Ltd | 故障診断装置 |
JPH07271807A (ja) * | 1994-03-29 | 1995-10-20 | Fuji Heavy Ind Ltd | 故障診断装置 |
CN104363106A (zh) * | 2014-10-09 | 2015-02-18 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于大数据技术的电力信息通信故障预警分析方法 |
CN105590146A (zh) * | 2016-02-29 | 2016-05-18 | 上海带来科技有限公司 | 一种基于大数据的电厂设备智能预测检修方法和系统 |
CN106502238A (zh) * | 2016-11-30 | 2017-03-15 | 北京航空航天大学 | 一种固液动力飞行器故障诊断系统 |
CN111445093A (zh) * | 2020-04-23 | 2020-07-24 | 长春工程学院 | 一种输电线路应急抢修路径优化系统及方法 |
CN111651933A (zh) * | 2020-05-22 | 2020-09-11 | 宁波诺丁汉新材料研究院有限公司 | 基于统计推断的工业锅炉故障预警方法及系统 |
CN112199640A (zh) * | 2020-09-30 | 2021-01-08 | 广州市百果园网络科技有限公司 | 异常用户审核方法、装置、电子设备和存储介质 |
CN112559964A (zh) * | 2020-11-27 | 2021-03-26 | 成都飞机工业(集团)有限责任公司 | 一种基于权重系数飞控故障概率的计算方法 |
CN112731903A (zh) * | 2020-11-27 | 2021-04-30 | 成都飞机工业(集团)有限责任公司 | 一种全电传飞控故障的诊断系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115497184A (zh) * | 2021-11-10 | 2022-12-20 | 上海凯贞信息技术有限公司 | 一种外勤人员工作记录的统计方法及系统 |
CN114936238A (zh) * | 2022-05-26 | 2022-08-23 | 中煤科工集团重庆智慧城市科技研究院有限公司 | 基于大数据的运维信息管理方法及系统 |
CN115792694A (zh) * | 2023-02-07 | 2023-03-14 | 山东艾诺智能仪器有限公司 | 一种飞机地面静变电源远程故障预测方法及装置 |
CN115792694B (zh) * | 2023-02-07 | 2023-04-25 | 山东艾诺智能仪器有限公司 | 一种飞机地面静变电源远程故障预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113485305B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113485305B (zh) | 一种飞机外勤故障诊断系统与方法 | |
CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
EP3608744B1 (en) | Methods and systems for identifying associated events in an aircraft | |
JP5753286B1 (ja) | 情報処理装置、診断方法、およびプログラム | |
CN109858886B (zh) | 一种基于集成学习的费控成功率提升分析方法 | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN113359664B (zh) | 故障诊断与维护系统、方法、设备及存储介质 | |
CN110333710A (zh) | 一种航天器在轨故障检测和故障处理系统及方法 | |
CN110555049A (zh) | 基于计量异常关联度模型的故障原因疑似度分析方法 | |
CN112906764A (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
Liu et al. | Bayesian network method for fault diagnosis of civil aircraft environment control system | |
CN116467674A (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
CN112731903B (zh) | 一种全电传飞控故障的诊断系统及方法 | |
CN114740343A (zh) | 断路器用实时检测系统 | |
CN111126750B (zh) | 一种关键单元确定方法、装置和存储介质 | |
CN113010394A (zh) | 一种用于数据中心的机房故障检测方法 | |
US8775348B2 (en) | Method and system for automatic analysis of failure or state messages | |
CN115169426B (zh) | 一种基于相似性学习融合模型的异常检测方法及系统 | |
CN106228248A (zh) | 一种基于模糊fmea分析的系统自动故障诊断方法 | |
CN113656287B (zh) | 软件实例故障的预测方法、装置、电子设备及存储介质 | |
CN110766248A (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
CN114312930A (zh) | 基于日志数据的列车运行异常诊断方法和装置 | |
CN110703183A (zh) | 一种智能电能表故障数据分析方法及系统 | |
CN113379314A (zh) | 一种基于推理算法的年度生产计划智能监管方法 |
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 |