CN114692786B - 一种基于多源数据融合的民机故障诊断方法 - Google Patents
一种基于多源数据融合的民机故障诊断方法 Download PDFInfo
- Publication number
- CN114692786B CN114692786B CN202210602849.0A CN202210602849A CN114692786B CN 114692786 B CN114692786 B CN 114692786B CN 202210602849 A CN202210602849 A CN 202210602849A CN 114692786 B CN114692786 B CN 114692786B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- aircraft
- matrix
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000012423 maintenance Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000013480 data collection Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 17
- 230000035772 mutation Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013024 troubleshooting 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
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/08—Learning methods
Abstract
本发明提供一种基于多源数据融合的民机故障诊断方法，其包括以下步骤：步骤1，多源数据收集，形成故障数据库；步骤2，多源数据融合；步骤3，基于多源数据的模型建立；步骤4，故障辨识模型的部属，将构建好的故障辨识模型部属在机载通用计算单元模块，显示模块，机载维护终端；将飞机的实时数据输入故障辨识模型中，故障辨识模型将飞机的实时数据与表征故障的故障特征向量值进行计算比对，将飞机的故障信息实时在飞机的维护终端显示。本发明通过采集不同来源的数据，提取表征故障的特征值，建立基于故障特征值的故障辨识模型，最后通过对模型的训练和矫正，提高模型的精准度，进而快速诊断出民机对应的故障。
Description
技术领域
本发明涉及民用航空技术领域，尤其是涉及一种基于多源数据融合的民机故障诊断方法。
背景技术
航空安全（aviation safety）是为保证不发生与航空器运行有关的人员伤亡和航空器损坏等事故。航空安全主要包括飞行安全、航空地面安全和空防安全。飞行安全是指在航空器运行期间不发生由于飞行或其他原因造成的人员伤亡、航空器损坏等事故。航空地面安全是指围绕航空器运行而在停机坪和飞行区范围内开展生产活动的安全；防止发生航空器损坏、旅客和地面人员伤亡及各种地面设施损坏事件，同时还包括飞机维护、装卸货物及服务用品、航空器加油等活动的安全。安防安全是指防止发生影响航空器正常运行和直接危及飞行安全的非法干扰活动等。
安全是民用航空的永恒主题，随着民用航空现代化程度越来越高，生产规模越来越大，分工越来越细，生产协作越来越广泛。民航空安全生产涉及航空公司、空管、机场、油料等众多互相协作的系统。
近年来，随着国际社会对航空安全性的要求不断提高的同时，航空公司为了追求盈利，对飞机运营效率的要求也越来越高，这就对飞机的保障性要求越来越高。
然而长期以来对飞机的维护工作大部分还是依靠人工定期检查、依据工人积累的经验人工对飞机排故。这就导致效率低、成本高、同时容易受不同检查人员的熟练程度影响，进而可能易导致因机械故障造成的航班延误，给航空公司带来巨大损失。
随着航空技术和计算机技术的快速发展给飞机故障诊断带来了新的方式。现代飞机都装有大量的传感器，时刻采集飞机绝大部分的状态参数，并记录下来供事后的飞行员操纵性分析和事故调查取证使用。飞机当前也都加装了机载维护系统，可以记录飞机的故障信息，然而由于飞机系统太过复杂、故障多以交联形式存在，所以监控的状态参数难以与故障现象一一匹配，导致依靠单一的数据状态去评判飞机系统的状态，存在诊断不准确、虚警率过高等问题，最终大多数情况还是依靠维护人员经验或者飞机驾驶人员的经验去排故。
随着人工智能技术的发展，基于对航空安全，以及航空公司运行效率的考虑，市场急需一种可以基于深度学习或者大数据的航空民机故障诊断方法，尤其需要一种基于多源数据融合的民机故障诊断方法。
发明内容
为解决现有技术中的问题，本发明提供一种基于多源数据融合的民机故障诊断方法。该基于多源数据融合的民机故障诊断方法通过采集不同来源的数据，提取表征故障的特征值，建立基于故障特征值的故障辨识模型，最后通过对模型的训练和矫正，提高模型的精准度，进而快速诊断出民机对应的故障。
为实现上述目的，本发明提供如下技术方案：一种基于多源数据融合的民机故障诊断方法，包括以下步骤：
步骤1，多源数据收集，形成故障数据库；
步骤2，多源数据融合，将故障数据库中的每一个故障数据转化为某一故障对应的不正常参数指标，并提取特征值，重构数据，得到多源数据融合后的特征向量值，即得到表征故障的故障特征向量值；
步骤3，基于多源数据的模型建立，利用表征故障的故障特征向量值，训练模型参数因子，构建故障辨识模型；
步骤4，故障辨识模型的布署，将构建好的故障辨识模型布署在机载通用计算单元模块、显示模块、机载维护终端；将飞机的实时数据输入故障辨识模型中，故障辨识模型将飞机的实时数据与表征故障的故障特征向量值进行计算比对，将飞机的故障信息实时在飞机的维护终端显示。
优选的技术方案，所述步骤1中收集的相关数据包括飞机计划性的维护故障记录、发动机的状态参数、记录飞机系统的状态参数、飞机厂商提供的飞机性能和超限数据、飞机的偶发故障数据、飞机机载维护系统的故障数据、飞机维修人员关于飞机故障的经验数据。
优选的技术方案，所述步骤2多源数据融合中为采用基于核函数的主成分分析法，通过对数据在维度空间重新映射，降维提取特征值，重构数据。
优选的技术方案，所述步骤2中降维提取特征值，重构数据的过程为：
设多源数据的样本分别为，代表核函数的输入，通过核函数将映射到高维空间，在高维空间里进行PCA运算；
将映射到高维空间的映射为Φ，
其中， R代表多维数据组，d代表R的维度，n代表样本数量，
F代表映射后的数据组，代表样本，为经过核函数映射后的样本，为协方差矩阵的特征向量；
通过核函数的映射Φ实现到
F的映射，即
求得特征空间中的协方差矩阵为：
其中，
T代表矩阵的转置；
求得协方差矩阵的特征值和特征向量：
其中， C为特征空间中的协方差矩阵， 为协方差矩阵的特征值，为协方差矩阵的特征向量；
V为特征向量矩阵，由所有的组成；
将的线性组合表示为全部的特征向量，则：
其中，；为系数，为故障特征向量值，分别为不同来源的故障样本；定义维矩阵
K,则，
其中，为系数；
求解得到多源数据的样本在特征空间上的投影为：
将其用核函数替换转化为下式：
求得表征故障的故障特征向量值：
其中，为常数，n为样本数，为多源数据的样本在特征空间上的投影向量。
优选的技术方案，所述步骤3中利用表征故障的故障特征向量值构建故障辨识模型为利用差分进化算法和极限学习机算法进行故障辨识模型的构建。
优选的技术方案，所述步骤3中利用表征故障的故障特征向量值构建故障辨识模型的具体过程如下：
（1）将步骤2中所有获得的表征故障的故障特征向量值统称为故障样本初始种群；并将分别代入差分进化算法，并进行初始化；即有：
其中，代表样本种群大小，代表初始种群中第个个体，表示第个个体的第个分量，代表第个个体的分量个数；
（2）对初始化后的每个个体求均方根误差；
（3）变异，将每个个体的均方根误差作为对应个体的适应度值，依据RMSE公式选取出对应变异代数中的最优个体，其中，代表对应的变异代数，变异算法采用DE/rand算法；
（4）交叉，将第代种群和其对应变异后的种群进行交叉，即有：
其中， ，为交叉概率；为第代种群的个体；代表对应第代种群变异后的个体；代表对应交叉后的个体；
（5）选择，采用贪婪算法准则，依据新生交叉向量的均方根误差选取新的最优秀个体作为下一代个体；
（6）将上述最优秀个体代入极限学习机算法公式中即可求得最佳的随机变量和最佳的随机变量；求得的所有和分别组成采用极限学习机算法进行故障辨识模型的构建用到的最优的输入权值矩阵和隐含层偏置矩阵；
（7）故障诊断模型建立，设存在n个不同的故障样本，隐含层节点数目为
L,则有：
其中，为第个个体的权值，为故障特征向量值，为输入权值矩阵，为隐含层偏置矩阵，即对应为第i个隐含层节点的阈值的集合，代表核函数；
将上述公式合并整理变形后，以矩阵形式呈现，即为：
其中，Z为故障诊断模型，代表故障诊断模型输出结果；为故障诊断模型的隐含层偏置，代表输出权值矩阵；为故障诊断模型的隐含层输出矩阵；为常数系数，为矩阵的转置；为对应的第n个故障特征向量值，和分别为求得的对应第
L层的输入权值矩阵和隐含层偏置矩阵。
优选的技术方案，在故障辨识模型的布署前，还包括对故障辨识模型的准确性验证；所述故障辨识模型的准确性验证过程为：收集与步骤1中来源不同的航空公司的同一型号飞机数据参数，并依据步骤1和步骤2的方法进行数据处理，将处理后的数据送入步骤3建立的故障辨识模型中进行比对分析，如果诊断匹配度大于等于85%，则认为故障辨识模型的准确性达标；如果诊断匹配度小于85%，返回步骤3重新构建故障辨识模型。
与现有技术相比，本发明的有益效果是：
（1）本发明基于多源数据的故障诊断方法，通过收集不同源的故障参数信息，通过对数据的加工处理，做到降维处理，提取特征值的方法，且采用差分进化算法对极限学习机建模算法进行改进，建立故障诊断模型，通过迭代训练，获得模型的最优参数，提高了模型的精准度，将其布署在飞机上可以实现快速的飞机故障的精准诊断。
（2）本发明相比较以前基于单源头的数据诊断方法，更改为基于多源头的数据来源诊断方法，基于共同决策飞机故障的方式，大大提高了飞机故障诊断结果的可信度。
（3）采用基于数据的故障模型建立方式，相比较物理建模方法，采用改进后的极限学习机建模，可以实现建模时间短，建模灵活性高，且建模更精准。
（4）可以充分利用航空公司各类飞机运营数据，建立基于多源数据的诊断模型，有利于降低故障虚警率，减少由虚警导致的航后不必要的测试工作，大大提高了飞机维护效率。
（5）传统的极限学习机的输入权值和隐含层偏置为随机生成的，容易造成模型不稳定和偏差较大的问题。而本发明采用差分进化算法和贪婪算法对极限学习方法进行改进，从而寻找到极限学习机建模方法中的最佳输入权值和隐含层偏置，使得建模速度更快，也更精准。
附图说明
图1为本发明基于多源数据融合的民机故障诊断方法的流程示意图。
具体实施方式
如图1所示，一种基于多源数据融合的民机故障诊断方法包括以下步骤：
步骤1：多源数据的收集。多源数据的收集贯穿于飞机的整个寿命周期，从前期的设计、制造、实验，到投入运营后的使用、维修和维护。数据的收集应确保数据的真实性、准确性、及时性、完整性和可用性等。
考虑上述因素，确定了收集的相关数据包括：飞机计划性的维护故障记录、发动机的状态参数、已确认的关联故障数据、QAR数据为记录飞机系统的状态参数、OEM数据为厂商提供的各类飞机性能和超限数据、非计划维护数据为飞机的偶发故障数据、故障保障数据为航后从机载维护系统到处的故障数据、专家数据库为飞机维修的人为经验数据。
步骤2：多源数据的融合。第一步收集到故障数据，都将其转化为某一故障对应的不正常参数指标（对收集到的故障数据打标签，将故障数据与故障对应，为极限学习机训练模型提供条件），不同源收集到的表征故障特征的参数指标可能存在重复的参数，同时多数据源堆叠起来，参数维度过大，建立模型比较困难，同时参数之间可能存在某种关联关系，数据存在冗余，因此进行数据融合，也即降维，提取特征值，提取特征值采用基于核函数的主成分分析法，通过对数据的在维度空间的重新映射，只记录特征值较为明显的维度数据，忽略特征值不明显的维度数据，最后做到重构数据，只保留有用的特征值。
利用核函数对 PCA 算法进行改进，利用改进 PCA 算法从高维数据中提取出可以囊括原有数据绝大部分信息的主要成分。
设有n个多源数据的样本 分别为，代表核函数的输入，通过核函数将映射到高维空间，在高维空间里进行PCA运算；
在此假设对应的这个映射为Φ，定义如下：
其中，R代表多为数据组，d代表R维度，
F代表映射后的数据组，代表样本，Φ(x)为经过核函数映射后的样本。为经过核函数映射后的结果，即协方差矩阵的特征向量。
通过核函数的映射Φ实现到
F的映射，即：
求得特征空间中的协方差矩阵为：
其中，n代表样本数量，
T代表矩阵的转置。
求得协方差矩阵的特征值和特征向量：
其中，
C为特征空间中的协方差矩阵， 为协方差矩阵的特征值，为协方差矩阵的特征向量；V为特征向量矩阵，由所有的组成；
将的线性组合表示为全部的特征向量，则：
其中，；为系数，为故障特征向量值，分别为不同来源的故障样本；定义维矩阵
K,则，
其中，为系数；
求解得到多源数据的样本在特征空间上的投影为：
将其用核函数替换转化为下式：
求得表征故障的故障特征向量值：
其中，为常数，n为样本数，为多源数据的样本在特征空间上的投影向量。
求得的即为多源数据的融合后获得的故障特征向量值，即完成了故障多源数据融合。
步骤3：基于多源数据的模型建立。步骤2整合、处理后的表征故障的故障特征向量值，利用差分进化算法改进的极限学习机算法，构建故障辨识模型，利用打上故障标签的特征值，训练最优的模型参数因子，获得一个准确的故障辨识模型。
进化算法诊断优化模型的策略：由于极限学习机的输入权值矩阵和隐含层偏置在创建模型时是随机生成的，容易造成模型不稳定和偏差较大的问题。用差分进化算法寻找最佳的ELM输入权值矩阵和隐含层偏置。
改进差分进化算法优化极限学习机的步骤包括初始化、训练样本误差计算、变异、交叉和选择。
用差分进化算法寻找最佳的ELM输入权值矩阵和隐含层偏置算法具体表述如下：
（1）初始化，利用步骤2的方法将多源故障数据处理后，获得故障特征向量，将所有统称为故障样本初始种群，将故障特征向量带入差分进化算法，求得极限学习机的输入权值矩阵和隐含层偏置矩阵。
具体的极限学习机的输入权值矩阵和隐含层偏置矩阵求解过程如下：
故障样本初始种群：
其中，代表样本种群大小，代表初始种群中第个个体，表示第个个体的第个分量，代表第个个体的分量个数。
（2）对初始化后的每个个体求均方根误差；
（3）变异，将每个个体的均方根误差作为对应个体的适应度值，依据RMSE公式选取出对应变异代数中的最优个体，其中，代表对应的变异代数，变异算法采用DE/rand算法；
（4）交叉，将第代种群和其对应变异后的种群进行交叉，即有：
其中， ，为交叉概率；为第代种群的个体；代表对应第代种群变异后的个体；代表对应交叉后的个体；
（5）选择，采用贪婪算法准则，依据新生交叉向量的均方根误差选取新的最优秀个体作为下一代个体；
（6）将上述最优秀个体代入极限学习机算法公式中即可求得最佳的随机变量和最佳的随机变量；求得的所有和分别组成采用极限学习机算法进行故障辨识模型的构建用到的最优的输入权值矩阵和隐含层偏置矩阵；
（7）故障诊断模型建立，设存在n个不同的故障样本，隐含层节点数目为
L,则有：
其中，为第个个体的权值，为故障特征向量值，为输入权值矩阵，为隐含层偏置矩阵，即对应为第i个隐含层节点的阈值的集合，代表核函数；
将上述公式合并整理变形后，以矩阵形式呈现，即为：
其中，Z为故障诊断模型，代表故障诊断模型输出结果；为故障诊断模型的隐含层偏置，代表输出权值矩阵；为故障诊断模型的隐含层输出矩阵；为常数系数，为矩阵的转置；为对应的第n个故障特征向量值，和分别为求得的对应第
L层的输入权值矩阵和隐含层偏置矩阵。
极限学习机在本质上与传统神经网络的不同之处在于，传统神经网络的连接权值是在训练过程中不断迭代进行调整的。极限学习机的输入权值和阈值是随机设定的，在训练过程中无需进行调整。最终是通过求解Moore-Penrose广义矩阵以此性求解出最小输出权值的。在实际应用中，在求解最小输出权值时，通常既要考虑经验误差最小，也要考虑结构风险最小。为了获得良好的模型，需要同时折中这两种风险。由于极限学习机的输入权值矩阵和隐含层偏置在创建模型时是随机生成的，容易造成模型不稳定和偏差较大的问题。因此本发明先采用差分进化和贪婪算法相结合的方式，根据已知关联模型计算出最优的输入权值矩阵和隐含层偏置矩阵。从而收敛更快，加快了计算速度，也更有利于模型的稳定和精准。
步骤4：模型准确性验证。依据上述步骤1和步骤2的方法，收集某航空公司波音系列飞机方向舵作动器故障样本，获取表征故障的不同数据源数据，包括：维修记录、作动器故障关联参数、OEM厂商数据、仿真验证参数共30个，200组故障样本，包括作动器响应缓慢、漏油、传感器故障、作动器卡阻故障。用其中150组特征值依据步骤3构建故障诊断模型，使用50组故障数据验证诊断精确度达到85%，即为模型建立成功，当精度低于85%时，返回步骤3，对模型继续训练，再进行步骤4的验证，反复几次直到达到理想的效果，获得最优的模型参数。
步骤5：模型布署。在飞机上布置专用计算机用于布置模型或者将模型布置在机载通用计算单元模块上、显示模块、机载维护终端。将飞机上的数据实时送入模型中，模型将计算、辨识到的故障信息在机载维护终端显示，也可以保存故障信息，以便飞机落地后维护人员调取故障信息。
基于多源数据的故障诊断方法，通过收集不同源的故障参数信息，通过对数据的加工处理，做到降维处理，提取特征值，采用差分进化算法改进的极限学习机方法，建立故障诊断模型，通过迭代训练，获得模型的最优参数，最后布署在飞机上实现对飞机的故障诊断。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于多源数据融合的民机故障诊断方法，其特征在于：其包括以下步骤：
步骤1，多源数据收集，形成故障数据库；其中，收集的相关数据包括飞机计划性的维护故障记录、发动机的状态参数、记录飞机系统的状态参数、飞机厂商提供的飞机性能和超限数据、飞机的偶发故障数据、飞机机载维护系统的故障数据、飞机维修人员关于飞机故障的经验数据；
步骤2，多源数据融合，采用基于核函数的主成分分析法，将故障数据库中的每一个故障数据转化为某一故障对应的不正常参数指标，通过对数据在维度空间重新映射，降维提取特征值，并提取特征值，重构数据，得到多源数据融合后的特征向量值，即得到表征故障的故障特征向量值；
所述降维提取特征值，重构数据的具体过程为：
设多源数据的样本分别为，代表核函数的输入，通过核函数将映射到高维空间，在高维空间里进行PCA运算；
将映射到高维空间的映射为Φ，
其中， R代表多维数据组，d代表R的维度，n代表样本数量，F代表映射后的数据组，代表样本，为经过核函数映射后的样本，为协方差矩阵的特征向量；
通过核函数的映射Φ实现到F的映射，即
求得特征空间中的协方差矩阵为：
其中， T代表矩阵的转置；
求得协方差矩阵的特征值和特征向量：
其中， C为特征空间中的协方差矩阵， 为协方差矩阵的特征值，为协方差矩阵的特征向量；V为特征向量矩阵，由所有的组成；
将的线性组合表示为全部的特征向量，则：
其中，；为系数，为故障特征向量值，分别为不同来源的故障样本；定义维矩阵K,则，
其中，为系数；
求解得到多源数据的样本在特征空间上的投影为：
将其用核函数替换转化为下式：
求得表征故障的故障特征向量值：
其中，为常数，n为样本数，为多源数据的样本在特征空间上的投影向量；
步骤3，基于多源数据的模型建立，利用表征故障的故障特征向量值，采用差分进化算法和极限学习机算法，训练模型参数因子，构建故障辨识模型；具体过程如下：
（1）将步骤2中所有获得的表征故障的故障特征向量值统称为故障样本初始种群；并将分别代入差分进化算法，并进行初始化；即有：
其中，代表样本种群大小，代表初始种群中第个个体，表示第个个体的第个分量，代表第个个体的分量个数；
（2）对初始化后的每个个体求均方根误差；
（3）变异，将每个个体的均方根误差作为对应个体的适应度值，依据RMSE公式选取出对应变异代数中的最优个体，其中，代表对应的变异代数，变异算法采用DE/rand算法；
（4）交叉，将第代种群和其对应变异后的种群进行交叉，即有：
其中， ，为交叉概率；为第代种群的个体；代表对应第代种群变异后的个体；代表对应交叉后的个体；
（5）选择，采用贪婪算法准则，依据新生交叉向量的均方根误差选取新的最优秀个体作为下一代个体；
（6）将上述最优秀个体代入极限学习机算法公式中即可求得最佳的随机变量和最佳的随机变量；求得的所有和分别组成采用极限学习机算法进行故障辨识模型的构建用到的最优的输入权值矩阵和隐含层偏置矩阵；
（7）故障诊断模型建立，设存在n个不同的故障样本，隐含层节点数目为L,则有：
其中，为第个个体的权值，为故障特征向量值，为输入权值矩阵，为隐含层偏置矩阵，即对应为第i个隐含层节点的阈值的集合，代表核函数；
将上述公式合并整理变形后，以矩阵形式呈现，即为：
其中，Z为故障诊断模型，代表故障诊断模型输出结果；为故障诊断模型的隐含层偏置，代表输出权值矩阵；为故障诊断模型的隐含层输出矩阵；为常数系数，为矩阵的转置；为对应的第n个故障特征向量值，和分别为求得的对应第L层的输入权值矩阵和隐含层偏置矩阵；
步骤4，故障辨识模型的布署，将构建好的故障辨识模型布署在机载通用计算单元模块、显示模块、机载维护终端；将飞机的实时数据输入故障辨识模型中，故障辨识模型将飞机的实时数据与表征故障的故障特征向量值进行计算比对，将飞机的故障信息实时在飞机的维护终端显示。
2.根据权利要求1所述的一种基于多源数据融合的民机故障诊断方法，其特征在于：在故障辨识模型的布署前，还包括对故障辨识模型的准确性验证；所述故障辨识模型的准确性验证过程为：收集与步骤1中来源不同的航空公司的同一型号飞机数据参数，并依据步骤1和步骤2的方法进行数据处理，将处理后的数据送入步骤3建立的故障辨识模型中进行比对分析，如果诊断匹配度大于等于85%，则认为故障辨识模型的准确性达标；如果诊断匹配度小于85%，返回步骤3重新构建故障辨识模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210602849.0A CN114692786B (zh) | 2022-05-31 | 2022-05-31 | 一种基于多源数据融合的民机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210602849.0A CN114692786B (zh) | 2022-05-31 | 2022-05-31 | 一种基于多源数据融合的民机故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114692786A CN114692786A (zh) | 2022-07-01 |
| CN114692786B true CN114692786B (zh) | 2023-05-12 |
Family
ID=82131095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210602849.0A Active CN114692786B (zh) | 2022-05-31 | 2022-05-31 | 一种基于多源数据融合的民机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114692786B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116579767B (zh) * | 2023-06-06 | 2023-12-12 | 商飞软件有限公司 | 一种基于bom对民用航空器时控件进行监控的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103995215A (zh) * | 2014-05-08 | 2014-08-20 | 国家电网公司 | 一种基于多层次反馈调整的智能电网故障诊断方法 |
| CN110609210A (zh) * | 2019-09-25 | 2019-12-24 | 广东电网有限责任公司 | 一种基于多源数据融合的电网故障诊断告警方法 |
| CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
| CN113484738A (zh) * | 2021-05-25 | 2021-10-08 | 北京航空航天大学 | 基于多特征信息融合的电路故障诊断方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2546250B (en) * | 2016-01-06 | 2020-06-17 | Ge Aviation Systems Taleris Ltd | Automated fusion and analysis of multiple sources of aircraft data |
| CN111598150B (zh) * | 2020-05-12 | 2022-06-24 | 国网四川省电力公司电力科学研究院 | 一种计及运行状态等级的变压器故障诊断方法 |
| CN114048769A (zh) * | 2021-11-08 | 2022-02-15 | 太原科技大学 | 面向轴承故障诊断的多源多域信息熵融合及模型自优化方法 |
-
2022
- 2022-05-31 CN CN202210602849.0A patent/CN114692786B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103995215A (zh) * | 2014-05-08 | 2014-08-20 | 国家电网公司 | 一种基于多层次反馈调整的智能电网故障诊断方法 |
| CN110609210A (zh) * | 2019-09-25 | 2019-12-24 | 广东电网有限责任公司 | 一种基于多源数据融合的电网故障诊断告警方法 |
| CN110929763A (zh) * | 2019-10-30 | 2020-03-27 | 西安交通大学 | 基于多源数据融合的中压真空断路器机械故障诊断方法 |
| CN113484738A (zh) * | 2021-05-25 | 2021-10-08 | 北京航空航天大学 | 基于多特征信息融合的电路故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114692786A (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109783461B (zh) | 用于飞行器的数据流分析的方法和飞行数据处理系统 | |
| CN103500262B (zh) | 用于监视结构的方法和系统 | |
| CN107085744A (zh) | 利用数据分析增强的飞机维护和检查 | |
| CN112149316A (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
| Luo et al. | Gas turbine engine gas path anomaly detection using deep learning with Gaussian distribution | |
| CN110427988B (zh) | 一种基于深度学习的机载飞参数据健康诊断方法 | |
| CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
| CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN108256173A (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
| CN107153759A (zh) | 一种多源数据融合的航空涡扇发动机剩余寿命预测方法 | |
| US11954923B2 (en) | Method for rating a state of a three-dimensional test object, and corresponding rating system | |
| CN114692786B (zh) | 一种基于多源数据融合的民机故障诊断方法 | |
| CN111361759B (zh) | 基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法 | |
| CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
| Calderano et al. | An enhanced aircraft engine gas path diagnostic method based on upper and lower singleton type-2 fuzzy logic system | |
| CN110084413A (zh) | 基于pca与深度置信网络的民航安全风险指数预测方法 | |
| Wu et al. | Flight situation recognition under different weather conditions | |
| CN116521406A (zh) | 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法 | |
| Yang | Aircraft landing gear extension and retraction control system diagnostics, prognostics and health management | |
| Li et al. | Overview of application in data mining techniques to qar data ansys | |
| CN114897193A (zh) | 一种基于人在回路的飞机结构维修决策方法及决策系统 | |
| CN114330103A (zh) | 一种基于在轨异常信息的航天器异常关联性模型训练方法 | |
| CN112488146A (zh) | 基于深度学习的飞机危险识别与趋势预测方法 | |
| Omrani et al. | Assessment of aviation accident datasets in severity prediction through machine learning | |
| Dong et al. | Evaluation for Trainee Pilot Workload Management Competency During Approach Phase Based on Flight Training Data |
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 |