CN116517921A - 航空液压油车状态在线检测方法及系统 - Google Patents

Abstract

本发明公开了一种航空液压油车状态在线检测方法及系统，获取第一设定时间内的液压油车运行状态数据；将液压油车运行状态数据输入经训练后的M‑LSTM预测模型，得到在第一设定时间之后第一设定时刻下的液压油车运行状态预测值；获取在第一设定时刻下液压油车运行数据的实测值，比较在第一设定时刻下液压油车运行状态的预测值与实测值，根据故障状态判断阈值，对第一设定时刻下的液压油车运行状态进行判断。通过获取液压油车历史数据、实时数据、飞机装配工艺要求等多维度信息，采用M‑LSTM预测模型对液压油车运行状态进行预测，能够很好地适用于液压油车复杂工况下运行状态的准确、实时检测。

Description

航空液压油车状态在线检测方法及系统

技术领域

本发明属于设备在线检测技术领域，具体涉及一种航空液压油车状态在线检测方法及系统。

背景技术

液压油车被广泛应用于工业制造行业中，常见的液压油车主要包括液压油泵、控制阀门、作动筒、液压马达、辅助装置等部分。在飞机制造领域中，液压油车是飞机总装环节的一种重要专用设备，其主要作用是为飞机总装实验过程中起落架、减速板收放等动作的测试提供液压能。总装环节是飞机物理和电气特性形成的关键阶段，总装质量的高低直接影响着飞机的最终性能，液压油车稳定的工作状态，对保证飞机交付后的稳定性、可靠性、精准性等有着重要的影响。

由于航空液压油车系统结构复杂且部件多，在大流量、高压力的条件下连续长时间运行，容易出现油箱温度过高、系统供油压力紊乱、系统配件损坏等故障，上述故障的发生将会对总装生产线计划执行造成严重的影响，可能导致计划延期，甚至产品损坏。

针对这目前航空液压油车在使用中存在上问题，目前通常采用由设备管理人员经过专业技术培训后定期对设备进行检查维护，或出现故障以后停机对故障原因进行排查分析的方式。显然，这种方式并不能满足当前对航空液压油车稳定长时间运行的需求。

发明内容

本发明的目的在于提供一种航空液压油车状态在线检测方法及系统，可实现对液压油车状态准确、实时的在线检测。

本发明通过下述技术方案实现：

航空液压油车状态在线检测方法，包括以下步骤：

获取第一设定时间内的液压油车运行状态数据；

将液压油车运行状态数据输入经训练后的M-LSTM预测模型，得到在第一设定时间之后第一设定时刻下的液压油车运行状态预测值；

获取在第一设定时刻下液压油车运行数据的实测值，比较在第一设定时刻下液压油车运行状态的预测值与实测值，根据故障状态判断阈值，对第一设定时刻下的液压油车运行状态进行判断。

在一些实施例中，当判断结果为运行状态异常时，根据当前异常信息对应的故障序列在故障库中查找最相似或相同的故障序列，作为当前液压油车的故障原因。

在一些实施例中，在判断结果为运行状态异常时，将确认的故障序列加入到故障库中，并更新故障状态判断阈值。

在一些实施例中，所述M-LSTM预测模型为包括多层LSTM层且输出层为全连接层的网络结构。

在一些实施例中，对M-LSTM预测模型进行训练所采用的方法为：

获取液压油车历史运行状态数据并形成离线训练数据集，基于离线训练数据集对初始M-LSTM预测模型进行训练。

在一些实施例中，在获取液压油车历史运行状态数据并形成离线训练数据集后，还包括有对离线训练数据集进行预处理的步骤，包括：

将离线训练数据集中的数据按时间进行排序；

去除离线训练数据集中的重复数据；

以时间为关键列连接各类数据，形成数据宽表；

对值为空的数据采用局部均值填充法进行填充；

对日期类型、布尔类型数据进行数值变换；

采用最小最大缩放法对数据进行归一化处理。

在一些实施例中，对M-LSTM预测模型进行训练所采用的方法为：

对预处理后的离线训练数据集进行数据形式化表示形成训练数据集；

定义使用当前k个时刻的运行状态数据，预测后p个时刻的运行状态，在训练数据集的行上采用长度为k+p的滑动窗口，得到样本集S∈[(N-k-p+1),k+p,m]，将样本集中每个样本的前k列作为训练的输入数据、后p列作为输入数据对应的标签数据，选取样本集中的部分数据作为训练集，将样本集中其余的数据作为测试集；

对M-LSTM预测模型进行训练。

在一些实施例中，在对M-LSTM预测模型进行训练的步骤中，将训练集数据和测试集数据输入到初始的M-LSTM预测模型中，采用批量梯度下降法，经过多次迭代优化网络参数后得到训练后的M-LSTM预测模型。

在一些实施例中，将测试集数据输入训练后的M-LSTM预测模型中，得到测试集的预测值，将预测值/>与实际值/>的差值的最大绝对值作为故障状态判断的阈值为：

。

另一方面，本发明还提供一种航空液压油车状态在线检测系统，包括：

数据获取单元，用于采集并获取液压油车运行状态数据；

预测模型单元，采用训练后的M-LSTM预测模型基于获取的液压油车运行状态数据对后序任一时刻下的液压油车运行状态进行预测；

故障诊断单元，比较液压油车运行状态的预测值与实测值，对液压油车运行状态进行判断。

本发明与现有技术相比，具有以下优点及有益效果：

本发明通过获取液压油车历史数据、实时数据、飞机装配工艺要求等多维度信息，采用M-LSTM预测模型对液压油车运行状态进行预测，结合M-LSTM预测模型所具有的特点，能够很好地适用于液压油车复杂工况下运行状态的准确、实时检测。

本发明采用液压油车运行状态数据对构建的M-LSTM预测模型进行训练，能够很好地保证对液压油车运行状态预测的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，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为本发明航空液压油车状态在线检测方法流程图。

图2为本发明检测方法M-LSTM预测模型结构图。

图3为本发明检测方法M-LSTM预测模型中LSTM层结构图。

图4为本发明检测方法实施例中M-LSTM预测模型结构图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

现有的在线检测方法中，如采用时序数据实时预测模型，这种基于监督的时序数据预测方法需要对数据进行全部或部分标注，通过学习正常样本数据与故障样本数据的差异实现对故障的判断。在实际应用中，大多数情况下对时序数据进行标注难度较大且成本较高，特别是要实现在结构复杂的航空液压油车中获取故障样本数据，实施难度非常大，可操作性不强。

再如基于自回归移动平均的实时预测算法，是通过学习时间序列数据之间的短期相关性建立预测模型，对预测结果按阈值对状态进行判断，能够提取数据中的短期时序依赖关系。但自回归移动平均算法并不适用于非稳定时序数据，且这种算法不能捕捉时序数据中的非线性关系，也不能学习到时序数据中的长期依赖关系，并不能适用于航空液压油车故障状态的在线检测。

基于长短期记忆神经网络的实时数据预测算法，通过学习时序数据之间的长期依赖关系建立预测模型，对预测结果按阈值对状态进行判断，这种算法虽然能够学习到时序数据中的长期依赖关系，但是单层模型对复杂趋势学习能力不足，在状态检测阶段对正常数据与故障数据的重建误差区间分化不够明显，导致在工业应用中检测正确率及实时性不能满足要求。

基于航空液压油车状态在线检测的需求以及在线检测技术的应用现状，本发明通过获取液压油车历史数据、实时数据、飞机装配工艺要求等多维度信息，结合多层长短期记忆神经网络（Multilayer Long Short-term Memory，M-LSTM）模型，提出了一种基于M-LSTM神经网络模型的在线检测方法和系统，实现对航空液压油车状态及故障的在线检测。

参照图1，本发明航空液压油车状态在线检测方法主要包括以下步骤：

S01、通过数据接口获取液压油车运行状态数据，包括在第一设定时间内的时间、供油压力、油箱温度、吸油压力、油箱液位、系统流量、工作电压、工作电流、任务编号、任务名称、运行开始时间、运行结束时间等实时数据，选取该第一时间段t个时刻对应的运行状态数据作为预测液压油车后k个时刻状态的输入序列；

S02、将t个时刻的状态运行数据输入经训练后的M-LSTM预测模型，得到后序k个时刻下对应的液压油车运行状态的预测值；

S03、获取k个时刻下对应的实际状态运行数据的实测值，将k个时刻下的预测值与实际值进行比较，基于设定的阈值，对当前k个时刻下的液压油车运行状态进行判断；

S04、当判断结果为状态异常时，根据当前对应的序列在故障库中寻找最相似或相同的序列，作为当前液压油车的故障原因，然后将故障信息推送到客户端进行显示；

S05、依次循环，对液压油车后k个时刻的运行状态进行判断。

本发明中采用经训练后的M-LSTM预测模型对液压油车运行状态进行预测，基于LSTM神经网络在时序数据方面所具有的良好的长期记忆能力，本实施例中的M-LSTM预测模型以LSTM为基本单元，通过组合多个LSTM层，形成包括3层LSTM层且输出层为全连接层的网络结构，如图2所示。

在一些实施例中，对M-LSTM预测模型进行训练所采用的方法如下：

T01、获取液压油车历史运行状态数据，包括由传感器采集的油箱温度、供油压力、吸油压力、工作电压、工作电流等状态数据以及现场作业任务编号、任务名称、任务开始时间、任务结束时间等业务数据，可通过请求网络数据服务API接口获取，形成离线训练数据集；

T02、对离线训练数据集进行预处理，包括：

T021、将离线训练数据集中的数据按时间进行排序；

T022、去除离线训练数据集中的重复数据；

T023、以时间为关键列连接各类数据，形成数据宽表；

T024、对值为空的数据采用局部均值填充法进行填充；

T025、对日期类型、布尔类型数据进行数值变换；

T026、采用最小最大缩放法对数据进行归一化处理。

T03、在离线训练数据集中选取任务编号、任务开始时间、任务结束时间、油箱液位、油箱温度、供油压力、系统流量、工作电压、工作电流作为训练数据；

T04、对M-LSTM预测模型进行训练所采用的方法，包括以下步骤：

T041、对预处理后的离线训练数据集进行数据形式化表示形成训练数据集；

具体地，将获取的液压油车运行状态数据表示为：

；

其中，，表示时刻i时采集的m个数据；

={time,oil_pre,oil_tmp,sys_flow,task,time_dur}，采集的数据量为N组；

其中，参数time,oil_pre,oil_tmp,sys_flow,task,time_dur，分别对应表示该时刻的时间、供油压力、油箱温度、系统流量、任务编号、任务持续时间，其中任务持续时间为任务结束时间与任务开始时间之差。

，表示在时刻t对应的输入序列。

T042、定义使用当前k个时刻的运行状态数据，预测后p个时刻的运行状态，在训练数据集X∈[N,m]的行上采用长度为k+p的滑动窗口，得到样本集S∈[(N-k-p+1),k+p,m]，将样本集中每个样本的前k列作为训练的输入数据、后p列作为输入数据对应的标签数据，选取样本集中的部分数据作为训练集，将样本集中其余的数据作为测试集；

本实施例中，将样本集中70%的数据作为训练样本集表示为train_x∈[(N-k-p+1)*0.7,k,m]和训练样本标签集表示为train_y∈[(N-k-p+1)*0.7,p,m]，共同形成训练集；

将样本集中30%的数据作为测试样本集表示为test_x∈[(N-k-p+1)*0.3,k,m]和测试样本标签集表示test_y∈[(N-k-p+1)*0.3,p,m]，共同形成测试集。

T043、对M-LSTM预测模型进行训练，得到训练后的M-LSTM预测模型。

在一些实施例中，在对M-LSTM预测模型进行训练中，采用使用MSE（Mean SquareError）作为网络损失函数来优化M-LSTM预测模型的网络参数，其中采用的网络损失函数为：

；

其中，N为样本数，为t时刻的实际值，/>表示t时刻的预测值，预测模型训练的目标是最小化损失函数，其过程是朝着损失函数梯度下降的方向优化网络参数。

在一些实施例中，LSTM层作为预测模型的核心单元，参照图3，其计算公式为：

其中，表示t时刻的输入，/>表示t-1时刻隐藏状态，/>、/>、/>、/>、/>、、/>分别表示前一时刻细胞状态、遗忘门输出、输入门输出、候选状态、当前时刻细胞状态、输出门输出、隐藏状态，/>分别表示权重矩阵，/>分别表示偏置。

在对M-LSTM预测模型进行训练的步骤中，将训练集数据和测试集数据输入到初始的M-LSTM预测模型中，采用批量梯度下降法，经过多次迭代优化网络参数后得到训练后的M-LSTM预测模型。

将测试集数据输入训练后的M-LSTM预测模型中，得到测试集的预测值，将预测值/>与实际值/>的差值的最大绝对值作为故障状态判断的阈值/>为：

；其中，/>为第i时刻对应的预测值，/>为第i时刻对应的实际值。

将训练后的M-LSTM预测模型以h5文件格式保存，以便后续进行在线部署，从而完成M-LSTM预测模型的训练。

采用经过训练后的M-LSTM预测模型对液压油车状态进行预测的过程如下：

Y01、在服务器环境下搭建可运行python语言的web服务器；将M-LSTM预测模型上传至web服务器资源文件夹；

Y02、开发预测接口，用于接收液压油车运行状态序列数据，并启动服务；

Y03、接收预测请求服务，获取当前预测序列数据cur_seq，输入M-LSTM模型，得到预测值。

Y04、液压油车运行状态判断；

Y041、通过设备数据实时获取接口，获取预测时刻设备状态实际值y；

Y042、计算预测值与实际值y的均方误差diff_value：

；

其中，为第i时刻对应的设备状态实际值，/>为第i时刻对应的设备状态预测值；

Y043、为了减少异常状态漏识别率，设置误差容忍因子λ，比较diff_value与当前阈值的大小，得到当前状态cur_state：

；

其中，cur_state=0表示设备状态正常，cur_state=1表示设备状态异常；

Y044、如果设备状态异常，采用值方差法寻找当前序列cur_seq与故障库中最相似的异常序列，作为当前设备状态异常的故障原因，将异常信息推送至相关业务人员；

值方差（valuesquaredeviation，VSD）表示对两对序列对应位置两数之差平方的平均值，值越小序列越相似，计算公式如下：

其中，分别表示序列A，B中的第i位数。

Y05、更新故障数据和故障状态判断的阈值；

对推送的异常故障信息，经确认后，将故障异常信息序列加入故障库，同时更新故障状态判断阈值，得到新的故障状态判断阈值/>为：

。

另一方面，本发明中还涉及一种基于上述实施例中检测方法的航空液压油车状态在线检测系统，包括：

数据获取单元，用于采集并获取液压油车实时运行状态数据；

预测模型单元，采用训练后的M-LSTM预测模型基于获取的液压油车运行状态数据对后序任一时刻下的液压油车运行状态进行预测；

故障诊断单元，比较某一时刻下液压油车运行状态的预测值与实测值，对液压油车运行状态进行判断。

系统还包括存储有故障数据的故障库以及客户端，故障诊断单元在比较液压油车运行状态的预测值与实测值后，根据故障状态判断阈值，对第一设定时刻下的液压油车运行状态进行判断，当结果为运行状态异常时，根据当前异常信息对应的故障序列在故障库中查找最相似或相同的故障序列，作为当前液压油车的故障原因，并将该异常信息推送至客户端。

下面结合在航空液压油车状态在线检测上的具体应用，对本发明在线检测方法进行说明，包括以下步骤：

1、M-LSTM预测模型离线训练

1.1、首先使用Python的request库，通过数据服务接口从状态时序数据库获取液压油车一段时间内的传感器数据，包括：采集时间、油箱液位、油箱温度、供油压力、系统流量、工作电压、工作电流；同时，从制造执行系统获取任务类数据，包括：任务编号、任务名称、执行人、任务开始时间、任务结束时间；

1.2、以采集时间为关键列，对数据进行关联操作，形成{采集时间、油箱液位、油箱温度、供油压力、系统流量、工作电压、工作电流、任务编号、任务名称、执行人、任务开始时间、任务结束时间}形式的离线训练数据集；

1.3、对离线训练数据集进行预处理，采用局部均值法填充空值，去除重复数据，使用任务结束时间减去任务开始时间，得到任务持续时间，最后使用最小最大缩放法对数据集进行归一化，最终得到52970*8条训练数据集X；

1.4、采用长度为360的滑动窗口，在时间维度上对数据进行取样，得到大小为(52611, 360, 8)的LSTM样本集，并将样本集中前70%作为训练集，后30%作为测试集，得到训练集的大小为(36828, 360, 8)，测试集大小为(15783, 360, 8)；将每个序列的前300个时刻作为模型输入，后60个时刻作为模型预测目标，得到训练输入train_x=(36828,300,8)，训练目标train_y= (36828, 60, 8)，测试输入test_x=(15783, 300, 8)，测试目标test_y=(15783, 60, 8)；

1.5、采用tensorflow.Keras库构建M-LSTM预测模型，设计第一层LSTM层隐藏神经元的个数为512，第二层LSTM层隐藏神经元的个数为256，第三层LSTM层隐藏神经元的个数为128，全连接层神经元个数为60；得到的M-LSTM预测模型如图4所示；

1.6、将训练集数据和测试集数据输入到M-LSTM预测模型，经过20次迭代优化，保存M-LSTM预测模型，反复训练10次，选择在测试集上效果最好的作为最终M-LSTM预测模型；

1.7、将测试数据输入预测模型，得到预测值序列，将预测值序列与实际值作差值，找到差值的绝对值的最大值作为故障状态判断阈值为1014.9。

2、液压油车状态在线检测；

2.1、将M-LSTM预测模型上传至web服务器，启动应用服务；

2.2、获取液压油车当前序列数据cur_seq = {油箱液位、油箱温度、供油压力、系统流量、工作电压、工作电流、任务编号、任务持续时间}，得到序列大小为300*8的二维数组，将序列数据预处理后输入M-LSTM预测模型，得到当前序列的预测值，预测值的大小为60*1的数组；

2.3、获取液压油车状态预测实时数据y，y的大小为60*1，计算预测值和实际采集值的均方误差diff_value；

2.4、判断液压油车运行状态，比较diff_value与的大小，其中λ=0.8，若diff_value≤/>的值，则设备状态正常，否则当前序列可能为异常状态，通过匹配故障库，将可能的异常状态信息包括时间点和状态参数推送至相关业务人员；

2.5、业务人员对可能的故障信息进行确认，如果确认为故障，则将异常状态信息存入故障库，同时更新故障状态判断阈值；

2.6、继续预测下一时刻设备状态。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (10)

1.航空液压油车状态在线检测方法，其特征在于，包括以下步骤：

获取第一设定时间内的液压油车运行状态数据；

将液压油车运行状态数据输入经训练后的M-LSTM预测模型，得到在第一设定时间之后第一设定时刻下的液压油车运行状态预测值；

获取在第一设定时刻下液压油车运行数据的实测值，比较在第一设定时刻下液压油车运行状态的预测值与实测值，根据故障状态判断阈值，对第一设定时刻下的液压油车运行状态进行判断。

2.根据权利要求1所述的航空液压油车状态在线检测方法，其特征在于，当判断结果为运行状态异常时，根据当前异常信息对应的故障序列在故障库中查找最相似或相同的故障序列，作为当前液压油车的故障原因。

3.根据权利要求2所述的航空液压油车状态在线检测方法，其特征在于，在判断结果为运行状态异常时，将确认的故障序列加入到故障库中，并更新故障状态判断阈值。

4.根据权利要求1至3中任一项所述的航空液压油车状态在线检测方法，其特征在于，所述M-LSTM预测模型为包括多层LSTM层且输出层为全连接层的网络结构。

5.根据权利要求4所述的航空液压油车状态在线检测方法，其特征在于，对M-LSTM预测模型进行训练所采用的方法为：

获取液压油车历史运行状态数据并形成离线训练数据集，基于离线训练数据集对初始M-LSTM预测模型进行训练。

6.根据权利要求5所述的航空液压油车状态在线检测方法，其特征在于，在获取液压油车历史运行状态数据并形成离线训练数据集后，还包括有对离线训练数据集进行预处理的步骤，包括：

将离线训练数据集中的数据按时间进行排序；

去除离线训练数据集中的重复数据；

以时间为关键列连接各类数据，形成数据宽表；

对值为空的数据采用局部均值填充法进行填充；

对日期类型、布尔类型数据进行数值变换；

采用最小最大缩放法对数据进行归一化处理。

7.根据权利要求6所述的航空液压油车状态在线检测方法，其特征在于，对M-LSTM预测模型进行训练所采用的方法为：

对预处理后的离线训练数据集进行数据形式化表示形成训练数据集；

定义使用当前k个时刻的运行状态数据，预测后p个时刻的运行状态，在训练数据集的行上采用长度为k+p的滑动窗口，得到样本集S∈[(N-k-p+1),k+p,m]，将样本集中每个样本的前k列作为训练的输入数据、后p列作为输入数据对应的标签数据，选取样本集中的部分数据作为训练集，将样本集中其余的数据作为测试集；

对M-LSTM预测模型进行训练。

8.根据权利要求7所述的航空液压油车状态在线检测方法，其特征在于，在对M-LSTM预测模型进行训练的步骤中，将训练集数据和测试集数据输入到初始的M-LSTM预测模型中，采用批量梯度下降法，经过多次迭代优化网络参数后得到训练后的M-LSTM预测模型。

9.根据权利要求7所述的航空液压油车状态在线检测方法，其特征在于，将测试集数据输入训练后的M-LSTM预测模型中，得到测试集的预测值，将预测值/>与实际值/>的差值的最大绝对值作为故障状态判断的阈值。

10.航空液压油车状态在线检测系统，其特征在于，包括：

数据获取单元，用于采集并获取液压油车运行状态数据；

预测模型单元，采用训练后的M-LSTM预测模型基于获取的液压油车运行状态数据对后序任一时刻下的液压油车运行状态进行预测；

故障诊断单元，比较液压油车运行状态的预测值与实测值，对液压油车运行状态进行判断。