CN114281054A - 一种基于lstm-cnn的飞机远程故障分析方法及系统 - Google Patents
一种基于lstm-cnn的飞机远程故障分析方法及系统 Download PDFInfo
- Publication number
- CN114281054A CN114281054A CN202111174080.9A CN202111174080A CN114281054A CN 114281054 A CN114281054 A CN 114281054A CN 202111174080 A CN202111174080 A CN 202111174080A CN 114281054 A CN114281054 A CN 114281054A
- Authority
- CN
- China
- Prior art keywords
- fault
- lstm
- data
- cnn
- aircraft
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 claims abstract description 118
- 238000003745 diagnosis Methods 0.000 claims abstract description 75
- 238000004891 communication Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 18
- 230000010006 flight Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000013526 transfer learning Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 239000002994 raw material Substances 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 57
- 238000012360 testing method Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于飞机系统远程故障诊断与预测技术领域，尤其是涉及一种基于LSTM‑CNN的飞机远程故障分析方法及系统。本发明的远程故障分析方法及系统包括在地面远程监控系统中建立飞机系统的多滑窗LSTM‑CNN故障诊断模型和故障预测模型、对飞机系统进行实时监控并进行初步实时故障分析、确定是否通过飞机通信与寻址报告系统(ACARS)下传机载状态监控系统(ACMS)中被判断为故障的数据到地面远程监控系统中及对故障诊断模型对故障数据作出诊断结果，本发明远程故障分析的方法及系统利用地面远程监控系统中强大的计算机分析能力进行故障的实时诊断，即摆脱了机载计算机性能的限制，又有效避免了机载ACMS虚警率高、传输成本高的缺点，提高了故障诊断的精确度。
Description
技术领域
本发明涉及飞机系统远程故障诊断与预测技术领域，尤其是涉及一种基于 LSTM-CNN的飞机远程故障分析方法及系统。
背景技术
自上世纪九十年代以来，各国都致力于研究飞机的远程故障分析和实时监控技术，并开发了相应的系统软件，如AIRMAN、SKYWISE、AHM等。这些系统功能的实现主要是通过分析飞机通信寻址与报告系统(Aircraft Communications Addressing and ReportingSystem,ACARS)下传的报文来实现的，而报文的触发依赖于飞机状态监控系统(AircraftCondition Monitor System， ACMS)的监控报警。虽然该方法目前已获取了广泛的应用，但随着应用的深入，也逐渐暴露出其弊病，以飞机空调系统为例，存在的弊病主要表现在：1)ACMS 监控的虚警率较高，这主要是因为ACMS是根据监控参数的阈值进行监控的，而在设置参数阈值时考虑的是一类飞机，并没有考虑到单一飞机的特殊性和飞机飞行环境的差异性；2)受限于机载计算机性能的限制，ACMS采用阈值、逻辑驱动的方法进行监控，该方法无法全面地反映飞机实时数据的时间特性以及各参数与故障之间的相关性；3)对于某一故障的报警，通过ACARS传送的数据有限，只能传送故障当前时刻的数据，不能有效传送之前和之后的相关数据，这对于远程故障的分析与诊断显然是不足的；4)无法区分ACMS的结果是否虚警，只要 ACMS出现报警，ACARS就将数据下传，这样会造成成本过高。
快速存取记录器(Quick Access Recorder，QAR)记录了大量的历史数据，具有数据量大、包含信息多、具有时间和空间关联等的特点。但在远程实时故障分析时却没有充分发挥其优点。若将系统故障诊断抽象为一个分类问题，从QAR 数据中提取特征，建立特征与故障类别之间的对应关系，并进行智能诊断分析对提高飞行安全具有重要的意义。
深度学习方法在时空关联的数据处理上具有显著的优势，尤其用于解决各种预测类问题。卷积神经网络(Convolution Neural Network，CNN)通过使用多个卷积核提取数据的局部空间特征，长短时记忆网络(Long Short Term Memory,LSTM)是循环神经网络(Recurrent Neural Network，RNN)的一种变体，通过引入门操作缓解了RNN中梯度消失或梯度爆炸问题，使得LSTM神经网络能够捕获长时依赖，可以对不定长的序列数据建模并进行序列特征提取。
综上，本发明提出一种基于LSTM-CNN的飞机远程故障分析方法及系统，主要是基于地面计算机强大的性能，结合CNN与LSTM的特点，对飞机的QAR历史数据进行时空特征提取与故障分析，根据ACMS的监控以及ACARS的功能，实现对飞机系统的远程实时故障分析，从而避免了不必要的飞行数据的下传。
发明内容
本发明的目的是克服现有技术中存在上述问题，提供了一种即摆脱了机载计算机性能的限制，又有效避免了机载ACMS虚警率高、传输成本高的缺点，提高了故障诊断的精确度的基于LSTM-CNN的飞机系统远程故障分析方法及系统。
本发明解决其技术问题所采用的技术方案是：
一种基于多滑窗LSTM-CNN的飞机系统远程故障分析方法，包括以下步骤：
S1、建立飞机系统的多滑窗LSTM-CNN故障诊断模型，在地面远程监控系统中基于历史航班的QAR数据建立多滑窗LSTM-CNN故障诊断模型；
S2、在地面远程监控系统中建立故障预测模型，对上述S1中多滑窗的LSTM-CNN故障诊断模型进行迁移学习，并采用向量自回归模型(VAR) 进行特征预测，建立故障预测模型，用于预测航班发生故障的概率；
S3、对飞机系统进行实时监控并进行初步实时故障分析，飞机的机载状态监控系统(ACMS)对飞机系统进行实时监控，将实时监控信息通过飞机通信与寻址报告系统(ACARS)传输到S2中建立的故障预测模型中，进行初步实时故障分析；
S4、根据S3中故障预测模型预测的航班发生故障的概率与设定的阈值对比，确定是否通过飞机通信与寻址报告系统(ACARS)下传机载状态监控系统(ACMS)中被判断为故障的数据到地面远程监控系统中；
S5、对S4通过飞机通信与寻址报告系统(ACARS)下传机载状态监控系统(ACMS)被判断为故障的数据传送到S1中建立的LSTM-CNN故障诊断模型中进行故障诊断，给出诊断结果。
进一步地，上述S3的故障预测模型，设定阈值为50％，设定为若预测概率>50％则通过ACARS下传故障发生前后50S时间内的机载状态监控系统(ACMS)中的数据到地面远程监控系统中的故障诊断模型中；若预测概率≤50％，则故障发生前后50S时间内的数据不通过ACARS下传到地面远程监控系统中的多滑窗LSTM-CNN故障诊断模型中。
进一步地，上述步骤S1中的多滑窗LSTM-CNN的故障诊断模型包括：
输入层，对输入数据进行分割处理，使其可以被分成多个滑窗数据。
LSTM层，对输入数据进行多参数相关性和时序性分析，从而得到各个滑窗的短时状态特征。
CNN层，分析上述LSTM层得到的系统相连短时状态之间的差异变化，从而得到故障诊断分析结果；所述CNN层包括卷积层、池化层、全连接层以及输出层，其中全连接层使用Relu激活函数，输出层使用Softmax函数作为分类器，得到诊断结果。
进一步地，所述输入层采用的计算方程式为
其中，输入数据X分割成n个长度为t的滑窗X1,X2,…,Xn，m为故障相关的参数数量。
进一步地，每一个滑窗的输入按时间顺序依次输入到LSTM单元中，并将最后一个时刻的输出h1,h2,…,hn作为各滑窗的短时状态特征输出向量，其中，
n1为LSTM隐含层输出节点个数。
进一步地，多滑窗LSTM-CNN的故障诊断模型还包括，特征融合层，用来将上述短时状态特征与参数数据的动态变化特征进行融合，得到融合后系统的短时状态特征。
进一步地，所述故障预测模型包括：
对输入数据的降维和特征提取模块，输入数据在多滑窗LSTM-CNN模型的单个航班输入数据的基础上引入航班数量这一维度，即输入数据X为所要预测航班之前T个航班相关参数的历史数据，根据多滑窗LSTM-CNN模型的原理得到T个航班数据的状态特征；
特征预测模块，通过使用VAR模型对提取到特征序列
进行建模分析，然后预测第T+1个航班的状态特征；
故障预测结果输出模块，使用其输出层来对预测到的第T+1个航班的状态特征进行相应的分类，输出预测的故障发生概率: 
进一步地，上述特征预测模块中对提取到特征序列
进行建模分析之前，首先对数据平稳性检测，若数据平稳，则进行建模分析，否则对提取到的特征序列
进行差分处理，然后对差分处理后的平稳数据进行后续的建模分析。
一种采用基于LSTM-CNN的飞机系统远程故障分析方法的故障分析系统，包括，
机载状态监控系统(ACMS)，用于对飞机系统进行实时监控，对监控信息初步进行实时故障分析，并将实时监控信息下传到地面远程监控系统；
飞机通信与寻址报告系统(ACARS)，用于将机载状态监控系统(ACMS) 中被判断为故障的数据传送至地面远程监控系统；
地面远程监控系统，用于对机载状态监控系统下传的上述实时监控信息进行在地面上计算、储存、以及故障预测；接收飞机通信与寻址报告系统(ACARS)传送的机载状态监控系统(ACMS)中被判断为故障的数据，并对上述被判断为故障的数据进行故障判断。
更进一步地，所述地面远程监控系统包括：
信息接收模块，用于接收机载状态监控系统(ACMS)下传的实时监控信息和飞机通信与寻址报告系统(ACARS)传送的机载状态监控系统(ACMS) 中被判断为故障的数据；
快速存取记录器(Quick Access Recorder，QAR)用于记录了飞机系统的历史数据；
多滑窗LSTM-CNN故障诊断模型，基于历史航班的QAR数据建立，用于对
故障预测模型，用于预测航班发生故障的概率；若超过设定的阈值，则故障预测模型
信息传输模块，用于将故障预测模型预测的故障发生概率的信号传输给飞机通信与寻址报告系统(ACARS)。
本发明的一种基于LSTM-CNN的飞机远程故障分析方法及系统的有益效果是：
(1)本发明将ACMS对飞机系统的实时监控信息下传到地面控制系统中建立的故障预测模型中对实时监控信息进行预测故障概率，根据预测的概率确定是否通过ACARS下传ACMS故障发生前后一段时间的数据到地面远程监控系统中，减少ACARS下传故障发生前后一段时间的数据的次数，从而减少空地之间的传输成本，同时有效避免了ACMS虚警率高的缺点。
(2)本发明的故障诊断模型基于LSTM-CNN的诊断方法，且根据飞机的历史数据进行建立，故障预测模型在预测中将故障诊断模型进行迁移学习，结合 VAR实现故障预测，有效的保证了预测结果的准确性，且故障诊断模型对 ACARS下传到地面远程监控系统的ACMS故障发生前后一段时间的故障数据进行再次的故障分析，进一步地的提高了故障诊断的精确度。
(3)本发明在地面远程监控系统中建立故障诊断模型和故障预测模型，将大部分的计算工作下移到地面进行，利用地面强大的计算机分析能力进行故障的实时诊断，摆脱了机载计算机性能的限制，提高故障诊断精准度的同时，也实现了成本的节约。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一的飞机系统故障分析方法的流程图；
图2为本发明实施例一基于多滑窗的LSTM-CNN故障诊断模型框图；
图3为本发明实施例一基于迁移学习+VAR模型进行故障预测的框图；
图4为本发明实施例一带有特征融合层的LSTM-CNN故障诊断模型框图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
实施例一
如图1-图4所示的本发明的一种基于LSTM-CNN的飞机远程故障分析方法及系统的具体实施例，包括以下步骤：
S1、建立飞机系统的多滑窗LSTM-CNN故障诊断模型，在地面远程监控系统中基于历史航班的QAR数据建立多滑窗LSTM-CNN故障诊断模型；
S2、在地面远程监控系统中建立故障预测模型，对上述S1中多滑窗的LSTM-CNN故障诊断模型进行迁移学习，并采用向量自回归模型(VAR) 进行特征预测，建立故障预测模型，用于预测航班发生故障的概率；
S3、对飞机系统进行实时监控并进行初步实时故障分析，飞机的机载状态监控系统(ACMS)对飞机系统进行实时监控，将实时监控信息通过飞机通信与寻址报告系统(ACARS)传输到S2中建立的故障预测模型中，进行初步实时故障分析；
S4、根据S3中故障预测模型预测的航班发生故障的概率与设定的阈值对比，确定是否通过飞机通信与寻址报告系统(ACARS)下传机载状态监控系统(ACMS)中被判断为故障的数据到地面远程监控系统中；
S5、对S4通过飞机通信与寻址报告系统(ACARS)下传机载状态监控系统(ACMS)被判断为故障的数据传送到S1中建立的LSTM-CNN故障诊断模型中进行故障诊断，给出诊断结果。
在上述S4中飞机的机载状态监控系统(ACMS)对飞机系统进行实时监控，此时的实时监控信息仅包括所监控的故障报警信息，例如飞机燃油故障、飞机空调系统的流量控制活门(Flow Control Valve，FCV)异常开关故障等，仅仅是一个报警信息并不包含故障的具体数据，此时的实时监控信息需要通过飞机通信与寻址报告系统(ACARS)发送机载状态监控系统(ACMS)的故障报警信息给地面远程监控系统，如果地面远程控制系统直接判断为故障发生，就需要通过飞机通信与寻址报告系统(ACARS)下传机载状态监控系统(ACMS)中的故障数据，虚警率较高，故障数据的传输属于空地通信，成本较高。本发明实施例一中在地面远程监控系统中建立LSTM-CNN故障诊断模型和故障预测模型，机载状态监控系统(ACMS)对飞机系统进行实时监控的实时监控信息先下传到故障预测模型中，故障预测模型对实时监控信息进行初步实时故障分析，根据S2中故障预测模型预测的航班发生故障的概率确定是否通过飞机通信与寻址报告系统(ACARS)下传机载状态监控系统(ACMS)中被判断为故障的数据到地面远程监控系统中，本实施例一中故障预测模型，阈值设置为50％，设定为若预测概率>50％则通过ACARS 下传故障发生前后一段时间的数据到地面远程监控系统中的故障诊断模型中；若预测概率≤50％，则故障发生前后一段时间内的数据不通过ACARS 下传到地面远程监控系统中的多滑窗LSTM-CNN故障诊断模型中，本发明实施例一中通过ACARS下传故障发生前后50S时间内的机载状态监控系统(ACMS)中的数据。
对上述通过ACARS下传到地面远程监控系统中的故障数据在故障诊断模型中进行再诊断，提高实时故障诊断的准确性。
在S3中飞机上的ACMS采用先使用阈值分析各参数自身的状态，再使用逻辑分析故障与各参数之间的相关性对系统的状态进行检测，如果故障则输出“1”，正常为“0”。
故障诊断模型是采用LSTM-CNN的故障诊断模型。在使用LSTM分析输入数据的时间特性以及各参数与故障之间的非线性相关性时，引入多滑窗的方式，将输入的时序数据分割成n段时序数据，以避免LSTM长时记忆的状态信息对后续短时状态的分析造成的干扰。
参照图2，上述步骤S1中的多滑窗LSTM-CNN的故障诊断模型包括：
输入层，主要作用是对输入数据进行分割处理，使其可以被分成多个滑窗数据。如输入数据X分割成n个长度为t的滑窗X1，X2，…，Xn，其中
其中式中，m为故障相关的参数数量。
LSTM层，LSTM层的主要功能是对输入数据进行多参数相关性和时序性分析，从而得到各个滑窗的短时状态特征。
每一个滑窗的输入按时间顺序依次输入到LSTM单元中，并将最后一个时刻的输出h1,h2,…,hn作为各滑窗的短时状态特征输出向量，其中，
n1为LSTM隐含层输出节点个数。
CNN，CNN包括卷积层、池化层、全连接层以及输出层，其作用是分析 LSTM层得到的系统相连短时状态之间的差异变化，从而得到故障诊断分析结果。
由于LSTM是按顺序得到输出h1,h2,…,hn，在卷积层之前首先对 h1,h2,…,hn进行合并，并进行扩维，得到卷积层的输入
然后进行后续卷积池化等操作。
全连接层使用Relu激活函数，输出层使用Softmax函数作为分类器，得到其诊断结果。
通过对故障诊断模型进行迁移学习，并采用VAR对特征进行预测，实现基于迁移学习+VAR的故障预测模型，如图3所示，所述故障预测模型主要包括对输入数据的降维和特征提取模块、对第T个航班数据的特征预测模块以及根据预测的特征进行分类输出故障概率模块。
对输入数据的降维和特征提取模块，输入数据在多滑窗LSTM-CNN模型的单个航班输入数据的基础上引入航班数量这一维度，即输入数据X为所要预测航班之前T个航班相关参数的历史数据：
式中，XT为单个航班输入数据，与多滑窗LSTM-CNN模型的输入数据相同，
根据多滑窗LSTM-CNN模型的原理得到T个航班航班数据的状态特征：
式中，
表示对单个航班数据提取到的状态特征。
特征预测模块，通过使用VAR模型对提取到特征序列
进行建模分析，然后预测第T+1个航班的状态特征。
上述特征预测模块中对提取到特征序列
进行建模分析之前，首先对数据平稳性检测，若数据平稳，则进行建模分析，否则对提取到的特征序列
进行差分处理，然后对差分处理后的平稳数据进行后续的建模分析。
通过赤池信息准则(Akaike Information Criterion,AIC)来确定 VAR模型的滞后阶数s，通过使用矩阵求解的最小二乘法来对自回归系数矩阵A进行求解，而得到回归模型，并对第T+1个航班的状态特征进行预测，预测的状态特征为
全连接层使用Relu激活函数，因此，对上述预测的状态特征进行修正，即
故障预测结果输出模块，使用其输出层来对预测到的第T+1个航班的状态特征进行相应的分类，输出预测的故障发生概率:
其式中，
为输出故障预测结果，Wy和by分别为权值矩阵和偏置。
本发明实施例一中的多滑窗LSTM-CNN故障诊断模型还可以包括特征融合层，该层的主要作用是将短时状态特征H与各参数数据的动态变化特征
进行特征融合，得到融合后系统的短时状态特征Hc，
由于LSTM在分析系统的短时状态特征时，会将各参数进行融合分析，即同时分析所有参数来得到系统的短时状态特征，从而失去了各参数自身的状态特征，而ACMS所采用的实时故障分析方法中使用阈值的方式分析了这一特征，证明各参数自身的状态特征是有利于故障诊断而分析的，所以考虑在LSTM提取的系统短时状态特征的基础上，融入各参数自身的状态特征，并将融合后的特征作为系统新的短时状态特征，然后再使用CNN 从空间角度来分析上述短时状态特征的变化，从而得到故障诊断分析结果。
参照图4，包含有特征融合层的多滑窗LSTM-CNN故障诊断模型包括
采用上述飞机系统故障分析方法的故障分析系统包括输入层、LSTM层、特征融合层、卷积层、池化层、全连接层以及输出层，输入数据X输入到后续LSTM层中，还会对原始参数数据进行差分处理，从而得到各参数数据的动态变化特征
以供后续特征融合使用。LSTM层分析飞机实时数据的时间特性以及故障与各参数之间的非线性相关性，从而可以得到系统在每一个时间间隔的的短时状态特征H，
n1为LSTM隐含层输出节点个数。然后通过特征融合层将短时状态特征H与各参数数据的动态变化特征
进行特征融合，得到融合后系统的短时状态特征Hc，
最后由CNN包括的积层、池化层、全连接层以及输出层。从空间角度来分析上述短时状态特征的变化，并得到故障诊断结果。
采用上述基于LSTM-CNN的飞机系统故障分析方法的飞机系统故障分析系统包括：
机载状态监控系统(ACMS)，用于对飞机系统进行实时监控，对监控信息初步进行实时故障分析，并将实时监控信息下传到地面远程监控系统；
飞机通信与寻址报告系统(ACARS)，用于将机载状态监控系统(ACMS) 中被判断为故障的数据传送至地面远程监控系统；
地面远程监控系统，用于对机载状态监控系统下传的上述实时监控信息进行在地面上计算、储存、以及故障预测；接收飞机通信与寻址报告系统(ACARS)传送的机载状态监控系统(ACMS)中被判断为故障的数据，并对上述被判断为故障的数据进行故障判断。
其中地面远程监控系统包括：
信息接收模块，用于接收机载状态监控系统(ACMS)下传的实时监控信息和飞机通信与寻址报告系统(ACARS)传送的机载状态监控系统(ACMS) 中被判断为故障的数据；
快速存取记录器(Quick Access Recorder，QAR)用于记录了飞机系统的历史数据；
多滑窗LSTM-CNN故障诊断模型，基于历史航班的QAR数据建立，用于对故障预测模型，用于预测航班发生故障的概率；若超过设定的阈值，则故障预测模型
信息传输模块，用于将故障预测模型预测的故障发生概率的信号传输给飞机通信与寻址报告系统(ACARS)。
实施例二
本发明实施例二以飞机空调系统的流量控制活门(Flow Control Valve， FCV)异常开关故障为例说明其具体实施。
FCV异常开关故障主要与发动机1的转速(N1)、发动机2的转速(N2)、发动机1预冷出口温度(PRECOOL_TEMP1)、发动机2预冷出口温度(PRECOOL_TEMP2)、组件1流量(PACK_FLOW_R1)、组件2流量(PACK_FLOW_R2)、组件1压气机出口温度(PACK1_COMPR_T)、组件2压气机出口温度(PACK2_COMPR_T)、组件1排水口温度(PACK1_DISCH_T)、组件2排水口温度(PACK2_DISCH_T)等10个参数相关性较高，所以本次实验通过分析这10个参数来实现对FCV异常开关故障的故障分析，即故障相关的参数数量m＝10。
使用某型客机的70组FCV异常开关故障的QAR数据以及70组正常航班的 QAR数据，其中，对于故障航班数据，都是被机载状态监控系统(ACMS)判断为故障下传到地面远程监控系统中且被证实确为故障的数据，飞机的机载状态监控系统(ACMS)对飞机系统的FCV异常开关故障系统进行实时监控，机载状态监控系统(ACMS)采用先使用阈值分析各参数(如发动机转速、发动机预冷出口温度、组件流量、压气机出口温度、组件排水口温度等)自身的状态，再使用逻辑分析故障与各参数之间的相关性对系统的状态进行检测，如果故障则输出“1”，正常为“0”。机载状态监控系统(ACMS)判断为“1”的相关故障，从中取出故障发生前后的50秒连续数据视为从ACARS下传的故障前后50秒的故障数据。对于正常航班数据，从与故障发生相同航段中随机取出 50秒连续数据，由于其采样频率为1HZ，所以每个样本为50个离散数据。总共构建140个样本的数据集，其中，故障样本和非故障样本各70个，并且将训练集、验证集和测试集的按照5:1:1的比例进行随机分配。
为了验证本发明中的故障预测模型，故障预测中将使用待预测航班之前相连的12个航班的历史数据对其进行故障预测，即T＝12。
在进行故障诊断之前，需对数据进行归一化处理，公式如下：
式中，x表示原始数据，xmin表示原始数据中的最小值，xmax表示原始数据中的最大值，xnew表示归一化后的数据。
基于历史QAR数据，采用基于多滑窗的LSTM与CNN相结合的方法进行飞机空调系统FCV的故障诊断。
多滑窗LSTM-CNN故障诊断模型中，滑窗长度t＝10s，滑窗数量为n＝5，LSTM 隐含层输出节点个数n1＝8，全连接层输出节点个数n2＝6。
在对多滑窗LSTM-CNN故障诊断模型进行训练时所使用的学习速率为0.01，并且设定每迭代100次学习速率衰减为原来的0.7，为防止过拟合所加入的 Dropout层的系数设为0.25，并使用测试集的AUC值和准确度作为模型评价指标。对该模型进行10次交叉验证，并取10次交叉验证的测试集各评价指标的均值作为其最终的测试结果。其测试结果为AUC＝0.9590，准确度等于91.00％。
本发明的实施例二中的迁移学习+VAR模型的FCV故障概率预测，其中降维和特征提取模块对每一个航班提取到的特征数量n2＝6，差分阶数d＝1，特征预测模块VAR模型的滞后阶数s＝2。
利用均方根误差(RMSE)和平均绝对误差(MAE)作为评价不同模型方法对于故障特征预测性能的评价指标：
式中，
和
分别表示第T+1次航班的状态特征第i个参数的实际值及其预测值。
测试结果如表1所示。
表1 各模型方法的性能指标
从表1可以看出，迁移学习+VAR模型对正常案例状态特征的预测误差要明显小于故障案例，这是由于故障案例各个航班的状态特征之间的变化幅度比较大，其状态特征之间的非线性会比正常案例强很多，而VAR模型是一个线性回归模型，对于这种变化幅度较大的强非线性问题存在一定的局限性。
而采用差分对数据进行平稳化处理后，无论是对于故障案例还是正常案例，其预测精度都得到提高，这说明VAR模型更适合分析平稳性较高的数据，且对于故障案例，经过一阶差分处理后减弱了不同航班状态特征之间的非线性，提高了VAR模型的预测精度。
再者，使用Relu函数对其预测到的状态进行修正后，其预测精度也得到了提高。
针对表1中故障预测概率大于50％的情况，将故障发生前后50秒的数据由ACARS下传。
对接收的ACARS实时数据，采用基于多滑窗LSTM-CNN故障诊断方法，给出实时的故障诊断结果。
本实例在对网络模型进行训练时所使用的学习速率为0.01，并且设定每迭代100次学习速率衰减为原来的0.7，为防止过拟合所加入的Dropout层的系数设为0.25，并使用测试集的AUC(Area Under curve)值和准确度作为模型评价指标。为验证该算法的性能，将本次对比中对每种模型进行10次交叉验证，并取10次交叉验证的测试集各评价指标的均值作为每种模型最终的测试结果。
表2 各模型测试结果
通过表2可以看出，LSTM-CNN模型的效果要由于单独的CNN模型和 LSTM模型，与CNN和LSTM相比，准确度分别提升了1.5％和3.5％。这说明 LSTM可以对数据进行时序分析帮助CNN提取数据的时间特征，CNN可以帮助LSTM对其提取到的短时状态特征的差异变化进行分析。多滑窗LSTM-CNN 相较于LSTM-CNN准确度提高了1.5％。相较于LSTM-CNN模型和多滑窗 LSTM-CNN模型，经过差分提取的各参数动态变化特征融入到模型中时，基于特征融合的LSTM-CNN模型和基于特征融合的多滑窗LSTM-CNN模型的准确度分别提升了2.5％和1％以上，这说明基于特征融合的方法可以更加全面地描述系统的短时状态特征，有利于后续的故障诊断分析。
以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离发明的实质和范围。
Claims (10)
1.一种基于多滑窗LSTM-CNN的飞机系统远程故障分析方法，其特征在于，包括以下步骤：
S1、建立飞机系统的多滑窗LSTM-CNN故障诊断模型，在地面远程监控系统中基于历史航班的QAR数据建立多滑窗LSTM-CNN故障诊断模型；
S2、在地面远程监控系统中建立故障预测模型，对上述S1中多滑窗的LSTM-CNN故障诊断模型进行迁移学习，并采用向量自回归模型(VAR)进行特征预测，建立故障预测模型，用于预测航班发生故障的概率；
S3、对飞机系统进行实时监控并进行初步实时故障分析，飞机的机载状态监控系统(ACMS)对飞机系统进行实时监控，将实时监控信息通过飞机通信与寻址报告系统(ACARS)传输到S2中建立的故障预测模型中，进行初步实时故障分析；
S4、根据S3中故障预测模型预测的航班发生故障的概率与设定的阈值对比，确定是否通过飞机通信与寻址报告系统(ACARS)下传机载状态监控系统(ACMS)中被判断为故障的数据到地面远程监控系统中；
S5、对S4通过飞机通信与寻址报告系统(ACARS)下传机载状态监控系统(ACMS)被判断为故障的数据传送到S1中建立的LSTM-CNN故障诊断模型中进行故障诊断，给出诊断结果。
2.根据权利要求1所述的一种基于LSTM-CNN的飞机远程故障分析方法，其特征在于：上述S3的故障预测模型，设定阈值为50％，设定为若预测概率>50％则通过ACARS下传故障发生前后50S时间内的机载状态监控系统(ACMS)中的数据到地面远程监控系统中的故障诊断模型中；若预测概率≤50％，则故障发生前后50S时间内的数据不通过ACARS下传到地面远程监控系统中的多滑窗LSTM-CNN故障诊断模型中。
3.根据权利要求1所述的一种基于LSTM-CNN的飞机远程故障分析方法，其特征在于：上述步骤S1中的多滑窗LSTM-CNN的故障诊断模型包括：
输入层，对输入数据进行分割处理，使其可以被分成多个滑窗数据。
LSTM层，对输入数据进行多参数相关性和时序性分析，从而得到各个滑窗的短时状态特征。
CNN层，分析上述LSTM层得到的系统相连短时状态之间的差异变化，从而得到故障诊断分析结果；所述CNN层包括卷积层、池化层、全连接层以及输出层，其中全连接层使用Relu激活函数，输出层使用Softmax函数作为分类器，得到诊断结果。
4.根据权利要求3所述的一种基于LSTM-CNN的飞机系统远程故障分析方法，其特征在于：所述输入层采用的计算方程式为
其中，输入数据x分割成n个长度为t的滑窗x1,x2,…,xn，m为故障相关的参数数量。
5.根据权利要求4所述的一种基于LSTM-CNN的飞机远程故障分析方法，其特征在于：每一个滑窗的输入按时间顺序依次输入到LSTM单元中，并将最后一个时刻的输出h1,h2,…,hn作为各滑窗的短时状态特征输出向量，其中，
n1为LSTM隐含层输出节点个数。
6.根据权利要求3所述的一种基于LSTM-CNN的飞机远程故障分析方法，其特征在于：多滑窗LSTM-CNN的故障诊断模型还包括，特征融合层，用来将上述短时状态特恒与参数数据的动态变化特征进行融合，得到融合后系统的短时状态特征。
7.根据权利要求3所述的一种基于LSTM-CNN的飞机远程故障分析方法，其特征在于，所述故障预测模型包括：
对输入数据的降维和特征提取模块，输入数据在多滑窗LSTM-CNN模型的单个航班输入数据的基础上引入航班数量这一维度，即输入数据x为所要预测航班之前T个航班相关参数的历史数据，根据多滑窗LSTM-CNN模型的原理得到T个航班数据的状态特征；
特征预测模块，通过使用VAR模型对提取到特征序列
进行建模分析，然后预测第T+1个航班的状态特征；
其中，
为预测的状态特征；
故障预测结果输出模块，使用其输出层来对预测到的第T+1个航班的状态特征进行相应的分类，输出预测的故障发生概率:
其中，
为输出故障预测结果，wy为权值矩阵，by为偏置。
8.根据权利要求7所述的一种基于LSTM-CNN的飞机远程故障分析方法，其特征在于：上述特征预测模块中对提取到特征序列
进行建模分析之前，首先对数据平稳性检测，若数据平稳，则进行建模分析，否则对提取到的特征序列
进行差分处理，然后对差分处理后的平稳数据进行后续的建模分析。
9.一种采用权1-8任一项所述的飞机远程故障分析方法的故障分析系统，其特征在于：包括，
机载状态监控系统(ACMS)，用于对飞机系统进行实时监控，对监控信息初步进行实时故障分析，并将实时监控信息下传到地面远程监控系统；
飞机通信与寻址报告系统(ACARS)，用于将机载状态监控系统(ACMS) 中被判断为故障的数据传送至地面远程监控系统；
地面远程监控系统，用于对机载状态监控系统下传的上述实时监控信息进行在地面上计算、储存、以及故障预测；接收飞机通信与寻址报告系统(ACARS)传送的机载状态监控系统(ACMS)中被判断为故障的数据，并对上述被判断为故障的数据进行故障判断。
10.根据权利要求9所述的飞机远程故障分析系统，其特征在于，所述地面远程监控系统包括：
信息接收模块，用于接收机载状态监控系统(ACMS)下传的实时监控信息和飞机通信与寻址报告系统(ACARS)传送的机载状态监控系统(ACMS)中被判断为故障的数据；
快速存取记录器(Quick Access Recorder，QAR)用于记录了飞机系统的历史数据；
多滑窗LSTM-CNN故障诊断模型，基于历史航班的QAR数据建立，用于对
故障预测模型，用于预测航班发生故障的概率；若超过设定的阈值，则故障预测模型
信息传输模块，用于将故障预测模型预测的故障发生概率的信号传输给飞机通信与寻址报告系统(ACARS)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111174080.9A CN114281054B (zh) | 2021-10-09 | 2021-10-09 | 一种基于lstm-cnn的飞机远程故障分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111174080.9A CN114281054B (zh) | 2021-10-09 | 2021-10-09 | 一种基于lstm-cnn的飞机远程故障分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114281054A true CN114281054A (zh) | 2022-04-05 |
| CN114281054B CN114281054B (zh) | 2024-01-30 |
Family
ID=80868692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111174080.9A Active CN114281054B (zh) | 2021-10-09 | 2021-10-09 | 一种基于lstm-cnn的飞机远程故障分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114281054B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115374959A (zh) * | 2022-06-30 | 2022-11-22 | 北京普利永华科技发展有限公司 | 一种航空发动机的健康管理方法及系统 |
| CN115712064A (zh) * | 2022-11-07 | 2023-02-24 | 华能威海发电有限责任公司 | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106470900A (zh) * | 2014-06-26 | 2017-03-01 | 庞巴迪公司 | 用于辅助维护飞机和其它移动平台的方法和设备 |
| US20170352204A1 (en) * | 2016-06-02 | 2017-12-07 | Airbus Operations (S.A.S.) | Predicting failures in an aircraft |
| CN107959525A (zh) * | 2017-11-22 | 2018-04-24 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 星载acars信号接收处理方法 |
| CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
| 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 |
-
2021
- 2021-10-09 CN CN202111174080.9A patent/CN114281054B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106470900A (zh) * | 2014-06-26 | 2017-03-01 | 庞巴迪公司 | 用于辅助维护飞机和其它移动平台的方法和设备 |
| US20170352204A1 (en) * | 2016-06-02 | 2017-12-07 | Airbus Operations (S.A.S.) | Predicting failures in an aircraft |
| CN107959525A (zh) * | 2017-11-22 | 2018-04-24 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 星载acars信号接收处理方法 |
| 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 |
| CN109814523A (zh) * | 2018-12-04 | 2019-05-28 | 合肥工业大学 | 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 姜朱楠: "飞机操纵系统健康评估与故障诊断研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115374959A (zh) * | 2022-06-30 | 2022-11-22 | 北京普利永华科技发展有限公司 | 一种航空发动机的健康管理方法及系统 |
| CN115712064A (zh) * | 2022-11-07 | 2023-02-24 | 华能威海发电有限责任公司 | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 |
| CN115712064B (zh) * | 2022-11-07 | 2024-02-06 | 华能威海发电有限责任公司 | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114281054B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
| CN110807257A (zh) | 航空发动机剩余寿命预测方法 | |
| CN109408552B (zh) | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 | |
| CN109829468B (zh) | 基于贝叶斯网络的民机复杂系统故障诊断方法 | |
| CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
| CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
| CN110909822B (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
| CN114281054A (zh) | 一种基于lstm-cnn的飞机远程故障分析方法及系统 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN111222549A (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
| CN110321940B (zh) | 飞行器遥测数据特征提取与分级分类方法及装置 | |
| CN110795309A (zh) | 一种用于微小卫星的层次化软件健康管理方法和系统 | |
| CN112287602B (zh) | 一种基于机器学习和孤立森林的动车轴温故障预警方法 | |
| CN110609524A (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
| CN106446506A (zh) | 一种多方法组合的小卫星状态自主智能预测方法 | |
| CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
| CN114330517A (zh) | 一种基于神经网络的航空发动机传感器故障自诊断方法 | |
| CN112861443B (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
| CN111260823B (zh) | 基于i/o测点故障依赖矩阵的故障诊断方法 | |
| CN113919207A (zh) | 上面级开放式电气智能健康监测与管理系统 | |
| Burnaev | Rare failure prediction via event matching for aerospace applications | |
| CN116432397A (zh) | 一种基于数据模型的轨道交通故障预警方法 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| Melville et al. | Methods for Data-centric Small Satellite Anomaly Detection and Fault Prediction | |
| CN111598220B (zh) | 一种基于相关性分析的燃气轮机故障预测方法 |
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 |