CN114987773A - 飞机液压系统性能异常识别方法、装置、设备及介质 - Google Patents
飞机液压系统性能异常识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114987773A CN114987773A CN202210559596.3A CN202210559596A CN114987773A CN 114987773 A CN114987773 A CN 114987773A CN 202210559596 A CN202210559596 A CN 202210559596A CN 114987773 A CN114987773 A CN 114987773A
- Authority
- CN
- China
- Prior art keywords
- hydraulic system
- data
- historical
- flight parameter
- values
- 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 77
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 230000000737 periodic effect Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000003449 preventive effect Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请的实施例公开一种飞机液压系统性能异常识别方法、装置、设备及介质,通过获取飞机液压系统所属飞机的多架次的历史飞参参数值;对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数;根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值;根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图;基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别。一方面获得的识别结果更准确,另一方面,由于基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势,可以减少不必要的周期停飞检查。
Description
技术领域
本申请涉及航空电子技术领域,尤其涉及发明名称一种飞机液压系统性能异常识别方法、装置、设备及介质。
背景技术
飞机液压系统作为重要的能量传递系统,承担驱动飞机上活动部件的重要功能,其性能衰退和发生故障轻则降低飞机使用可用度,重则导致重大事故发生,飞机液压系统的正常运行关系着飞机安全使用。当前,飞机液压系统的状态检测和维护,一般采用飞行后飞参数据分析和预防性维修相结合的方式进行。即,一方面通过对飞参数据进行人工判读及时发现机上问题以便为下一波次放飞提供决策依据,另一方面通过预防性维修(周期性工作和定检工作等)对机上系统进行维护维修工作以便掌握液压系统的工作状态,预防部分轻微故障或遏制严重故障发生。
因此,现有技术中,单架次的飞参数据仅仅针对表征系统工作性能的物理量进行阈值范围判读,飞机液压系统性能异常识别的准确率低。
发明内容
本申请的主要目的在于提供一种飞机液压系统性能异常识别方法、装置、设备及介质,旨在解决现有技术中水平测量活动舵面点位校正效率低的技术问题。
为实现上述目的,本申请提供一种飞机液压系统性能异常识别方法,包括:
获取飞机液压系统所属飞机的多架次的历史飞参参数值;
对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数;
根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值;
根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图;
基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别。
可选地,所述对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数的步骤,包括:
对多架次的所述历史飞参参数值进行特征提取,获得特征矩阵;
基于特征矩阵,利用主成分分析法确定影响飞机液压系统的关键参数。
可选地,所述历史飞参参数值中包括连续值和离散值;所述对多架次的所述历史飞参参数值进行特征提取,获得特征矩阵的步骤,包括:
对所述历史飞参参数值中的连续值进行二次多项式拟合,以提取出连续特征值;
对所述历史飞参参数值中的离散值进行统计,以提取出离散特征值;
基于所述连续特征值和所述离散特征值,构建特征矩阵。
可选地,所述根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值的步骤,包括:
根据如下关系式,获得每架次的数据峭度值:
可选地,所述根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图的步骤,包括:
根据每架次的数据峭度值以及多架次对应的时间序列,构造秩序列;
基于所述秩序列,获得所述秩序列的统计值;
基于所述统计值UFK与所述时间序列,绘制历史数据关联图。
可选地,所述基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别的步骤,包括:
设定显著性假设检验水平,以获得临界值Ua;
将所述历史数据关联图中的统计值UFK与临界值Ua进行比较,以对所述飞机液压系统的异常趋势进行识别。
可选地,所述将所述历史数据关联图中的统计值UFK与临界值Ua进行比较,以对所述飞机液压系统的异常趋势进行识别的步骤,包括:
若有连续三个架次对应的统计值大于临界值,则判定该飞机液压系统性能在连续架次中存在数据异常趋势。
此外,为实现上述目的,本申请还提供一种飞机液压系统性能异常识别装置,包括:
数据获取模块,用于获取飞机液压系统所属飞机的多架次的历史飞参参数值;
参数确定模块,用于对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数;
数据预处理模块,用于根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值;
数据关联模块,用于根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图;
异常检测模块,用于基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别。
此外,为实现上述目的,本申请还提供一种计算机设备,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现上述的方法。
此外,为实现上述目的,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现上述的方法。
本申请所能实现的有益效果。
本申请实施例提出的一种飞机液压系统性能异常识别方法、装置、设备及介质,该方法通过获取飞机液压系统所属飞机的多架次的历史飞参参数值;对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数;根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值;根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图;基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别。也即,该方法通过数据特征提取、计算数据峭度值和历史数据关联的方法,可以将不清楚服从分布类型的飞参数据绘制成历史数据关联图,使得该方法可以在不清楚样本数据服从分布类型的前提下识别历史飞参数据异常趋势。此外,将影响飞机液压系统的关键参数的数据值结合,相对于现有的单架次的飞参数据仅仅针对表征系统工作性能的物理量进行阈值范围判读的方法,其综合考虑了历史数据,一方面获得的识别结果更准确,另一方面,由于基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势,可以减少不必要的周期停飞检查。
附图说明
图1为本申请实施例涉及的硬件运行环境的计算机设备结构示意图;
图2为本申请实施例的一种飞机液压系统性能异常识别方法的流程示意图;
图3为图2中S40的一种具体实施方法的流程示意图;
图4为图3中S402的一种具体实施方法的流程示意图;
图5为图2中S80的一种具体实施方法的流程示意图;
图6为本申请实施例的一种历史数据关联图;
图7为本实施例中飞机液压系统的异常趋势图;
图8为本申请实施例的一种飞机液压系统性能异常识别装置的功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例的主要解决方案是:通过获取飞机液压系统所属飞机的多架次的历史飞参参数值;对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数;根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值;根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图;基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别。
现有技术中,飞机液压系统的状态检测和维护,一般采用飞行后飞参数据分析和预防性维修相结合的方式进行,通过对飞参数据进行人工判读及时发现机上问题以便为下一波次放飞提供决策依据,通过预防性维修(周期性工作和定检工作等)对机上系统进行维护维修工作以便掌握液压系统的工作状态,预防部分轻微故障或遏制严重故障发生。然而单架次的飞参数据仅仅针对表征系统工作性能的物理量进行阈值范围判读,无法判断其性能衰退趋势;此外,预防性维修是按照计划无条件地定时停飞实施,更多时候进行常规检查工作,增加机务工作量而无所发现。
为此,本申请提供一种解决方案,提供了一种飞机液压系统性能异常识别方法,该方法通过数据特征提取、计算数据峭度值和历史数据关联的方法,可以将不清楚服从分布类型的飞参数据绘制成历史数据关联图,使得该方法可以在不清楚样本数据服从分布类型的前提下识别历史飞参数据异常趋势。此外,将影响飞机液压系统的关键参数的数据值结合,相对于现有的单架次的飞参数据仅仅针对表征系统工作性能的物理量进行阈值范围判读的方法,其综合考虑了历史数据,一方面获得的识别结果更准确,另一方面,由于基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势,可以减少不必要的周期停飞检查。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的计算机设备结构示意图。
如图1所示,该计算机设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的计算机设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明计算机设备中的处理器1001、存储器1005可以设置在计算机设备中,所述计算机设备通过处理器1001调用存储器1005中存储的飞机液压系统性能异常识别装置,并执行本申请实施例提供的飞机液压系统性能异常识别方法。
参照图2,基于前述实施例的硬件环境,本申请的实施例提供一种飞机液压系统性能异常识别方法,包括:
S20、获取飞机液压系统所属飞机的多架次的历史飞参参数值。
在具体实施过程中,飞机液压系统是指飞机上以油液为工作介质,靠油压驱动执行机构完成特定操纵动作的整套装置。为了保证供压的安全可靠,现代飞机上一般都有几个独立的液压源系统。具体由主液压系统、辅助液压系统、地面勤务系统及液压指示系统组成。历史飞参参数值是指飞机进行多架次飞机后产生的数据,对于飞机液压系统,相关的飞参参数可以包括:液压压力、液压油温度、液压压力低告警、液压泵供电状态等。在本实施例中,一个架次的飞行产生的数据作为一个飞参参数文件,由于飞机每架次的飞行都是按照时间执行的,每个飞参参数文件中都包括按照时间轴分布的各参数的参数值。
在一些可选的实施方式中,可以首先研究飞参原始数据的组成和飞参数据参数信息内容,然后使用HDFS分布式存储平台存储数据文件等半结构化数据,使用关系型数据库Mysql存储飞参数据参数信息等结构化数据,便于后续分类的获取飞参参数。
S40、对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数。
在具体实施过程中,在本实施例中,由于涉及到多架次、多参数,因此,历史飞参参数值数据维度较大,为了简化后续计算,提高识别效率,需要对数据进行降维,本实施例中通过特征提取的方式识别关键参数,来实现降维,从而提高后续计算效率。具体的,关键参数是指对飞机液压系统影响较大的参数。
具体的,参见图3,可以通过人为对历史数据的分析来确定关键参数,作为一种可选的实施方式,所述对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数的步骤,包括:
S402、对多架次的所述历史飞参参数值进行特征提取,获得特征矩阵;
在具体实施过程中,特征矩阵中的元素即为各架次的历史飞参参数值。
S404、基于特征矩阵,利用主成分分析法确定影响飞机液压系统的关键参数。
在具体实施过程中,在获得特征矩阵后,可以通过如下方法确定影响飞机液压系统的关键参数:
计算出特征矩阵的列均值α和列标准差Sd,特征矩阵各元素与列均值的差除以标准差之后得到的矩阵即为归一化之后的矩阵H:
Hu=γu
计算评分特征矩阵Y的特征值λ,结合协方差矩阵的特征值γ,计算前m个主成分在向量中的贡献率Cm,设定选择阈值以此选择关键参数。
其中,p为特征矩阵的列数,λb表示b取值对应的特征值λ,γb表示b取值对应的特征值γ。
作为一种可选的实施方式,参见图4,所述历史飞参参数值中包括连续值和离散值;所述对多架次的所述历史飞参参数值进行特征提取,获得特征矩阵的步骤,包括:
S4022、对所述历史飞参参数值中的连续值进行二次多项式拟合,以提取出连续特征值;
在具体实施过程中,连续值和离散值是指飞参参数值的数据类型,例如:发动机出口温度350度、352度,这种具体数值是连续量,称为连续值;故障信号用0、1表示,0是无故障,1是有故障,这种起标志作用的数据是离散量,也叫开关量,称为离散值。
因此,在本实施例中,处理连续值时,对一个连续值参数在某一阶段的数据进行二次多项式拟合,以求出特征值。例如,可以求出二次项、一次项、常数项和误差项的平均值、最大值、最小值和方差等,加上参数的最大值和最小值共18个数值;记p1为连续值参数的列数,N为飞参参数文件数,则连续值特征矩阵为N×18p1维。
S4024、对所述历史飞参参数值中的离散值进行统计,以提取出离散特征值;
在具体实施过程中,处理离散值时,对于每个离散量参数,可以统计出0值个数、1值个数、0→1转变的个数、1→0转变的个数,并计算出这四类个数占参数总个数的比例;设p2为离散值列数,N为飞参参数文件数,则离散值特征矩阵为N×4p2维。
S4026、基于所述连续特征值和所述离散特征值,构建特征矩阵。
在具体实施过程中,将连续特征值和所述离散特征值进行矩阵拼接,即可得到特征矩阵。例如,基于前述的例子,得到最终的特征矩阵为N×(18p1+4p2)维,则p=18p1+4p2。
在该实施方式中,考虑飞参参数同时存在离散量和连续量的情况,对离散值和连续值进行分别特征提取后,再进行特征矩阵拼接,可以更准确的反应飞参参数的特征,从而在后续降维后尽可能保持数据特征,进一步提高异常识别的准确率。
S60、根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值;
在具体实施过程中,为了提高计算和识别效率,在获得关键参数后,只需要对关键参数对应的多架次的目标历史飞参参数值进行处理,来获得数据峭度值。
具体的,所述根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值的步骤,包括:
根据如下关系式,获得每架次的数据峭度值:
S80、根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图;
在具体实施过程中,一个数据峭度值对应一个飞参参数文件,一个飞参参数文件对应一个架次。各架次执行飞行任务时都有时间信息,即可形成关于架次的时间序列,例如,按照天数,每天执行一架次的飞行,则时间序列为按天分布的时序。
历史数据关联图是指关联历史数据的图,该图中包括关于多架次对应的时间序列对应的数据。
具体的,参见图5,所述根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图的步骤,包括:
S801、根据每架次的数据峭度值以及多架次对应的时间序列,构造秩序列;
在具体实施过程中,可以采用曼-肯德尔方法,根据每架次的数据峭度值以及多架次对应的时间序列,构造的秩序列。具体方法如下:
S802、基于所述秩序列,获得所述秩序列的统计值;
S803、基于所述统计值UFK与所述时间序列,绘制历史数据关联图。
在具体实施过程中,以架次为横坐标是,UFK值为纵坐标,绘制历史数据关联图,实现历史数据关联。参见图6,图6为本实施例的一种历史数据关联图,图中横坐标为架次,纵坐标为统计值UFK。
S100、基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别。
在具体实施过程中,在获得历史数据关联图后,可以通过如下步骤对所述飞机液压系统的异常趋势进行识别:
设定显著性假设检验水平,以获得临界值Ua;
将所述历史数据关联图中的统计值UFK与临界值Ua进行比较,以对所述飞机液压系统的异常趋势进行识别。
具体的,所述将所述历史数据关联图中的统计值UFK与临界值Ua进行比较,以对所述飞机液压系统的异常趋势进行识别的步骤,包括:
若有连续三个架次对应的统计值大于临界值,则判定该飞机液压系统性能在连续架次中存在数据异常趋势。
举例来说,参见图7,图7为本实施例中飞机液压系统的异常趋势图。图中,设定显著性假设检验水平a=0.05(对应临界值Ua=1.96),在历史数据关联图中比较UFK值与临界值Ua,按照判定原则识别异常数据点,如果有连续三个点(即三个架次)的UFK值大于设定的Ua值(即1.96),则表明架次数据存在明显的单调上升变化趋势,可判定该飞机在连续架次中存在飞机液压系统趋势异常。
应当理解的是,以上仅为举例说明,对本申请的技术方案并不构成任何限制,本领域的技术人员在实际应用中可以基于需要进行设置,此处不做限制。
通过上述描述不难发现,本实施例提供了一种飞机液压系统性能异常识别方法,该方法通过获取飞机液压系统所属飞机的多架次的历史飞参参数值;对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数;根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值;根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图;基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别。也即,该方法通过数据特征提取、计算数据峭度值和历史数据关联的方法,可以将不清楚服从分布类型的飞参数据绘制成历史数据关联图,使得该方法可以在不清楚样本数据服从分布类型的前提下识别历史飞参数据异常趋势。此外,将影响飞机液压系统的关键参数的数据值结合,相对于现有的单架次的飞参数据仅仅针对表征系统工作性能的物理量进行阈值范围判读的方法,其综合考虑了历史数据,一方面获得的识别结果更准确,另一方面,由于基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势,可以减少不必要的周期停飞检查。
参照图8,基于相同的发明思路,本申请的实施例还提供一种飞机液压系统性能异常识别装置,包括:
数据获取模块,用于获取飞机液压系统所属飞机的多架次的历史飞参参数值;
参数确定模块,用于对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数;
数据预处理模块,用于根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值;
数据关联模块,用于根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图;
异常检测模块,用于基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别。
需要说明的是,本实施例中飞机液压系统性能异常识别装置中各模块是与前述实施例中的飞机液压系统性能异常识别方法中的各步骤一一对应,因此,本实施例的具体实施方式和达到的技术效果可参照前述飞机液压系统性能异常识别方法的实施方式,这里不再赘述。
此外,在一种实施例中,本申请还提供一种计算机设备,所述计算机设备包括处理器,存储器以及存储在所述存储器中的计算机程序,所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
此外,在一种实施例中,本申请还提供一种计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台多媒体终端设备(可以是手机,计算机,电视接收机,或者网络设备等)执行本申请各个实施例所述的方法
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种飞机液压系统性能异常识别方法,其特征在于,包括:
获取飞机液压系统所属飞机的多架次的历史飞参参数值;
对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数;
根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值;
根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图;
基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别。
2.如权利要求1所述的方法,其特征在于,所述对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数的步骤,包括:
对多架次的所述历史飞参参数值进行特征提取,获得特征矩阵;
基于特征矩阵,利用主成分分析法确定影响飞机液压系统的关键参数。
3.如权利要求2所述的方法,其特征在于,所述历史飞参参数值中包括连续值和离散值;所述对多架次的所述历史飞参参数值进行特征提取,获得特征矩阵的步骤,包括:
对所述历史飞参参数值中的连续值进行二次多项式拟合,以提取出连续特征值;
对所述历史飞参参数值中的离散值进行统计,以提取出离散特征值;
基于所述连续特征值和所述离散特征值,构建特征矩阵。
5.如权利要求1所述的方法,其特征在于,所述根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图的步骤,包括:
根据每架次的数据峭度值以及多架次对应的时间序列,构造秩序列;
基于所述秩序列,获得所述秩序列的统计值;
基于所述统计值UFK与所述时间序列,绘制历史数据关联图。
6.如权利要求5所述的方法,其特征在于,所述基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别的步骤,包括:
设定显著性假设检验水平,以获得临界值Ua;
将所述历史数据关联图中的统计值UFK与临界值Ua进行比较,以对所述飞机液压系统的异常趋势进行识别。
7.如权利要求6所述的方法,其特征在于,所述将所述历史数据关联图中的统计值UFK与临界值Ua进行比较,以对所述飞机液压系统的异常趋势进行识别的步骤,包括:
若有连续三个架次对应的统计值大于临界值,则判定该飞机液压系统性能在连续架次中存在数据异常趋势。
8.一种飞机液压系统性能异常识别装置,其特征在于,包括:
数据获取模块,用于获取飞机液压系统所属飞机的多架次的历史飞参参数值;
参数确定模块,用于对多架次的所述历史飞参参数值进行特征提取,以确定影响飞机液压系统的关键参数;
数据预处理模块,用于根据所述关键参数对应的多架次的目标历史飞参参数值,获得每架次的数据峭度值;
数据关联模块,用于根据每架次的数据峭度值以及多架次对应的时间序列,绘制历史数据关联图;
异常检测模块,用于基于所述历史数据关联图,根据显著性假设方法对所述飞机液压系统的异常趋势进行识别。
9.一种计算机设备,其特征在于,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210559596.3A CN114987773B (zh) | 2022-05-20 | 2022-05-20 | 飞机液压系统性能异常识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210559596.3A CN114987773B (zh) | 2022-05-20 | 2022-05-20 | 飞机液压系统性能异常识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114987773A true CN114987773A (zh) | 2022-09-02 |
CN114987773B CN114987773B (zh) | 2024-06-14 |
Family
ID=83027769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210559596.3A Active CN114987773B (zh) | 2022-05-20 | 2022-05-20 | 飞机液压系统性能异常识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114987773B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115583350A (zh) * | 2022-09-19 | 2023-01-10 | 成都飞机工业(集团)有限责任公司 | 一种飞机液压系统性能异常识别方法、装置、设备及介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060235599A1 (en) * | 2005-04-18 | 2006-10-19 | Honeywell International, Inc. | Kernel-based fault detection system and method |
KR101329205B1 (ko) * | 2012-07-13 | 2013-11-14 | 한국항공우주산업 주식회사 | 항공기 유압시스템 내의 시스템 선택밸브의 동적 특성을 최적화하는 방법 |
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 |
CN105129109A (zh) * | 2015-09-30 | 2015-12-09 | 北京航空航天大学 | 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法 |
WO2017151082A1 (en) * | 2016-03-01 | 2017-09-08 | Podrieza Serhii | Method of on-condition repair and modernization up-dating of an aircraft hydraulic system |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN108764567A (zh) * | 2018-05-28 | 2018-11-06 | 中国科学院自动化研究所 | 基于状态健康信息的剩余寿命远程预测方法、系统及设备 |
CN110570544A (zh) * | 2019-09-19 | 2019-12-13 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 飞机燃油系统故障识别方法、装置、设备和存储介质 |
CN111125841A (zh) * | 2019-12-05 | 2020-05-08 | 山东超越数控电子股份有限公司 | 飞机发动机的健康评估方法、计算机设备和存储介质 |
CN111241694A (zh) * | 2020-01-16 | 2020-06-05 | 山东超越数控电子股份有限公司 | 一种基于大数据处理的飞机机群健康评估方法,设备及可读存储介质 |
CN111259515A (zh) * | 2020-01-07 | 2020-06-09 | 珠海欧比特宇航科技股份有限公司 | 一种飞行器健康管理方法及系统 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN112486136A (zh) * | 2019-09-11 | 2021-03-12 | 中科云谷科技有限公司 | 故障预警系统及方法 |
CN113191232A (zh) * | 2021-04-21 | 2021-07-30 | 西安交通大学 | 基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法 |
CN113435235A (zh) * | 2021-01-13 | 2021-09-24 | 北京航空航天大学 | 一种基于递归融合编码器的装备状态表征提取方法 |
CN114510679A (zh) * | 2021-12-15 | 2022-05-17 | 成都飞机工业(集团)有限责任公司 | 设备位置信息的获得方法、装置、终端设备以及存储介质 |
-
2022
- 2022-05-20 CN CN202210559596.3A patent/CN114987773B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060235599A1 (en) * | 2005-04-18 | 2006-10-19 | Honeywell International, Inc. | Kernel-based fault detection system and method |
KR101329205B1 (ko) * | 2012-07-13 | 2013-11-14 | 한국항공우주산업 주식회사 | 항공기 유압시스템 내의 시스템 선택밸브의 동적 특성을 최적화하는 방법 |
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 |
CN105129109A (zh) * | 2015-09-30 | 2015-12-09 | 北京航空航天大学 | 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法 |
WO2017151082A1 (en) * | 2016-03-01 | 2017-09-08 | Podrieza Serhii | Method of on-condition repair and modernization up-dating of an aircraft hydraulic system |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
CN108764567A (zh) * | 2018-05-28 | 2018-11-06 | 中国科学院自动化研究所 | 基于状态健康信息的剩余寿命远程预测方法、系统及设备 |
CN112486136A (zh) * | 2019-09-11 | 2021-03-12 | 中科云谷科技有限公司 | 故障预警系统及方法 |
CN110570544A (zh) * | 2019-09-19 | 2019-12-13 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 飞机燃油系统故障识别方法、装置、设备和存储介质 |
CN111125841A (zh) * | 2019-12-05 | 2020-05-08 | 山东超越数控电子股份有限公司 | 飞机发动机的健康评估方法、计算机设备和存储介质 |
CN111259515A (zh) * | 2020-01-07 | 2020-06-09 | 珠海欧比特宇航科技股份有限公司 | 一种飞行器健康管理方法及系统 |
CN111241694A (zh) * | 2020-01-16 | 2020-06-05 | 山东超越数控电子股份有限公司 | 一种基于大数据处理的飞机机群健康评估方法,设备及可读存储介质 |
CN113435235A (zh) * | 2021-01-13 | 2021-09-24 | 北京航空航天大学 | 一种基于递归融合编码器的装备状态表征提取方法 |
CN113191232A (zh) * | 2021-04-21 | 2021-07-30 | 西安交通大学 | 基于多模态同源特征和XGBoost模型的电静液作动器故障识别方法 |
CN114510679A (zh) * | 2021-12-15 | 2022-05-17 | 成都飞机工业(集团)有限责任公司 | 设备位置信息的获得方法、装置、终端设备以及存储介质 |
Non-Patent Citations (5)
Title |
---|
"大型复合材料成型模数控加工工艺参数优化研究", 模具工业, vol. 46, no. 7, 31 December 2020 (2020-12-31), pages 62 - 67 * |
张玉叶;王颖颖;王春歆;彭海军;: "分析参数相关和时序特征的飞行动作识别方法", 计算机工程与应用, no. 05, 31 December 2016 (2016-12-31), pages 246 - 249 * |
李涛等: "基于AMESim 的飞机液压能源系统优先阀动态特性分析", 液压与气动, no. 11, 31 December 2016 (2016-12-31), pages 98 - 103 * |
王涵: "飞机机电系统健康评估与故障预示方法研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), 15 March 2017 (2017-03-15), pages 031 - 1268 * |
贺湘宇等: "基于RBF 网络和ARX 模型的液压系统故障诊断方法", 系统仿真学报, vol. 21, no. 1, 31 December 2009 (2009-12-31), pages 282 - 285 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115583350A (zh) * | 2022-09-19 | 2023-01-10 | 成都飞机工业(集团)有限责任公司 | 一种飞机液压系统性能异常识别方法、装置、设备及介质 |
CN115583350B (zh) * | 2022-09-19 | 2024-05-14 | 成都飞机工业(集团)有限责任公司 | 一种飞机液压系统性能异常识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114987773B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463161A (zh) | 预测飞行器中的故障的方法和系统以及监控系统 | |
GB2494553A (en) | Flight data monitoring method and system | |
US20210216609A1 (en) | Degradation detection system | |
CN114987773A (zh) | 飞机液压系统性能异常识别方法、装置、设备及介质 | |
CN110570544A (zh) | 飞机燃油系统故障识别方法、装置、设备和存储介质 | |
CN104572474B (zh) | 一种基于动态切片的轻量级错误定位技术实现方法 | |
CN115329905B (zh) | 一种食品检测方法、系统及存储介质 | |
CN115583350B (zh) | 一种飞机液压系统性能异常识别方法、装置、设备及介质 | |
CN117058451A (zh) | 基于二维卷积神经网络的结构加速度数据异常检测方法 | |
CN116743637A (zh) | 一种异常流量的检测方法、装置、电子设备及存储介质 | |
CN114692760B (zh) | 下降率估算模型构建、下降率估算方法、装置及电子设备 | |
CN114648227B (zh) | 航空液压泵站时序异常检测方法、装置、设备及存储介质 | |
CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
CN116091874A (zh) | 图像校验方法、训练方法、装置、介质、设备及程序产品 | |
CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN110827144B (zh) | 用户的申请风险评估方法、申请风险评估装置及电子设备 | |
CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 | |
CN112329108A (zh) | 一种地铁车站优化抗浮验算方法及系统 | |
CN112925806A (zh) | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 | |
CN112257754A (zh) | 航天器运行状态的分析方法和装置 | |
US20240174379A1 (en) | Method for determining a probability of occurrence of a malfunction creating a performance defect in an aircraft | |
CN116176860B (zh) | 一种燃油系统测试方法、系统、设备及可读存储介质 | |
CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 | |
CN115576724B (zh) | Piu子系统的故障隔离方法、装置、设备、介质及产品 |
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 |