CN117520770A - 一种飞机机载健康管理系统通用故障严重等级诊断方法 - Google Patents
一种飞机机载健康管理系统通用故障严重等级诊断方法 Download PDFInfo
- Publication number
- CN117520770A CN117520770A CN202311475160.7A CN202311475160A CN117520770A CN 117520770 A CN117520770 A CN 117520770A CN 202311475160 A CN202311475160 A CN 202311475160A CN 117520770 A CN117520770 A CN 117520770A
- Authority
- CN
- China
- Prior art keywords
- fault
- aircraft
- severity level
- health management
- management system
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 230000036541 health Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Transportation (AREA)
- Manufacturing & Machinery (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种飞机机载健康管理系统通用故障严重等级诊断方法,包括获取故障敏感参数和非敏感参数;以故障敏感参数和非敏感参数作为输入,制定操作条件和特定故障,开展诊断模型的仿真;针对机上采集到的数据和诊断模型对故障仿真得到的数据开展特征提取;根据机上采集数据的特征和诊断模型仿真数据的特征的残差值判断是否需要反复试验,直至诊断出故障大小。本发明不仅能够诊断系统是否存在故障,而且还能够诊断出系统故障严重程度,从而提高了故障诊断的精确性,为机载健康管理系统的实现提供了技术支撑。
Description
技术领域
本发明属于飞机健康管理技术领域,具体地说,是一种飞机机载健康管理系统通用故障严重等级诊断方法。
背景技术
飞机机载系统比较复杂,拥有多个相互独立的子系统,这些子系统之间相互关联,结构复杂,由于组成环节和影响因素的增加,使飞机发生故障和失效的潜在可能性增大,因此需要积极研究飞机机载系统故障诊断技术,保障飞机飞行安全。
近年来,故障诊断与预测技术已成为推动航空装备维修方式由事后维修、预防性维修向视情维修发展的关键技术,是有效提高装备安全性、可靠性、维修性、保障性、测试性和经济性的重要技术途径。目前相关机构、高校已开展飞机机载系统故障诊断等健康管理技术研究,不过尚处于起步阶段,大多是针对具体应用对象的分散研究,没有形成有效的系统的基础理论体系。另外,对于飞机机载系统健康状态、预测等方面没有给出确切的概念和定义。这在一定程度上影响了飞机安全性水平的进步。
本发明通过故障诊断模型中的残差评估迭代,不仅能够诊断飞机机载系统是否存在故障,而且还能够诊断出故障严重程度,从而提高了故障诊断的精确性,为机载健康管理系统的实现提供了技术支撑。
发明内容
针对飞机健康管理研制需求,本发明的目的在于提供一种飞机机载健康管理系统通用故障严重等级诊断方法,提高飞机机载系统的安全性和可靠性,并为飞机机载健康管理系统提供技术支撑。
本发明的发明目的通过以下技术方案实现:
一种飞机机载健康管理系统通用故障严重等级诊断方法,包括如下步骤:
1)获取故障敏感参数和非敏感参数;
2)以故障敏感参数和非敏感参数作为输入,制定操作条件和特定故障,开展诊断模型的仿真;
3)针对机上采集到的数据和诊断模型对故障仿真得到的数据开展特征提取;
4)根据机上采集数据的特征和诊断模型仿真数据的特征的残差值判断是否需要反复试验,直至诊断出故障大小。
较佳地,步骤1)中,故障敏感参数通过操作条件和故障损伤程度分析飞机机载系统各子系统/部件产生的响应从而确定。
较佳地,步骤1)中,非敏感参数通过仿真数据来近似估计参数值。
较佳地,步骤2)中还包含反复进行仿真,修正模型准确度。
较佳地,步骤2)中还包含对从诊断模型中获得数据以相似的方式进行处理或修正,确保诊断模型准确度。
较佳地,步骤3)中,特征提取包含时域特征提取、频域特征提取和时频域特征提取。
较佳地,步骤4)具体操作为依次将不同大小的故障入到诊断模型中进行仿真,并将采用步骤3)提取得到的系统数据特征值和诊断模型仿真数据特征值作残差对比判断,若近似为0,则得出故障诊断结果,即系统故障为当前模型中试验的故障大小或严重等级;否则,继续跟剩下的其他大小的故障继续进行仿真、特征残差对比,不断反复,直至残差近似为0,最终诊断出故障严重等级。
本发明与现有技术相比,其显著优点为:为飞机机载系统提供了一种通用的故障诊断方法,并且在诊断系统是否存在故障的基础上,进一步诊断出故障的严重程度,从而降低飞机机载健康管理系统研制的成本和周期,并为机载健康管理系统的实现提供技术支撑。
附图说明
图1为一种飞机机载健康管理系统通用故障严重等级诊断方法的流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
参见图1所示,本实施例所示的一种飞机机载健康管理系统通用故障严重等级诊断方法,包含以下步骤:
步骤一:获取故障敏感参数和非敏感参数。
故障敏感参数可以通过操作条件和故障损伤程度分析飞机机载系统各子系统/部件产生的响应从而确定。
非敏感参数可以通过仿真数据来近似估计参数值。在给定的操作环境下使用特定的仿真数据近似估计为这些参数,由于被认为是非敏感参数,因此不管系统故障与否,通过仿真数据近似估计得到的这些非敏感参数取值变化都很小甚至无变化。
步骤二:以故障敏感参数和非敏感参数作为输入,制定操作条件和特定故障,开展诊断模型的仿真,得到一个信号或系统参数集的一组值,并反复仿真验证诊断模型的准确度。另外,考虑现实中飞机机载系统在运行过程中会受到噪音、传感器响应特性等干扰,因此对从诊断模型中获得信号或系统参数以相似的方式进行处理或修正,进一步确保诊断模型准确度,能够真实反映系统的实际情况。
步骤三:针对机上采集到的数据和诊断模型对故障仿真得到的数据开展特征提取。
特征提取包含时域特征提取、频域特征提取和时频域特征提取。时域特征是指对飞机监测信号的各种时域参数、指标的估计或计算。根据量纲的有无可以分为有量纲健康表征指标和无量纲健康表征指标。有量纲表征指标包括:最大值、最小值、峰峰值、均值、方差、均方值、均方根值。无量纲健康表征指标有:波形指标、峰值指标、裕度指标、峭度指标以及脉冲指标。伴随着飞机系统故障的出现,通常会引起其振动信号频率成分方面的变化。频率成分的组成和大小是对飞机各系统健康状态的重要表征。采用频谱分析、倒频谱分析、包络分析、阶比谱分析、全息谱分析等实现对飞机系统的特征提取。对于飞机的各个系统而言,当其发生故障时的感知信号,大多是非平稳、非线性信号,时频分析方法在处理非平稳、非线性信号方面表现出来的优异性使得其成为对飞机各系统进行特征提取的有效技术手段。采用小波分析、经验模态分解、Hilbert-Huang变换、局部均值变换LMD等自适应时频分析方法实现对飞机的系统、子系统、部件的特征提取。
步骤四:根据机上采集数据的特征和诊断模型仿真数据的特征的残差值判断是否需要反复试验,直至诊断出故障大小。
当飞机机载系统发生故障时,飞机机载系统系统中的信号或参数会发生变化,此时便可通过与信号或参数期望值进行比较从而识别出故障。
依次将不同大小的故障注入到诊断模型中进行仿真,并将采用步骤三方法提取得到的系统数据特征值和诊断模型仿真数据特征值作残差对比判断,若近似为0,则得出故障诊断结果,即系统故障为当前模型中试验的故障大小或严重等级;否则,继续跟剩下的其他大小的故障继续进行仿真、特征残差对比,不断反复,直至残差近似为0,最终诊断出故障严重等级。具体方式如下:
将不同大小的故障设为F1、F2、…、Fn,根据FMECA、FTA分析结果,将不同大小的故障划分为四个等级,分别为A、B、C、D,从A到D,严重等级依次降低。系统数据提取得到的特征集合为Tx,F1、F2、…、Fn输入到诊断模型中仿真得到的数据的特征集为Tf1、Tf2、…、Tfn,残差Ri=|Tx-Tfi|,当Ri≈0时,则诊断出当前发生的故障大小为Fi,从而判断出当前发生故障的严重等级。
Claims (7)
1.一种飞机机载健康管理系统通用故障严重等级诊断方法,其特征在于包括如下步骤:
1)获取故障敏感参数和非敏感参数;
2)以故障敏感参数和非敏感参数作为输入,制定操作条件和特定故障,开展诊断模型的仿真;
3)针对机上采集到的数据和诊断模型对故障仿真得到的数据开展特征提取;
4)根据机上采集数据的特征和诊断模型仿真数据的特征的残差值判断是否需要反复试验,直至诊断出故障大小。
2.根据权利要求1所述的一种飞机机载健康管理系统通用故障严重等级诊断方法,其特征在于步骤1)中,故障敏感参数通过操作条件和故障损伤程度分析飞机机载系统各子系统/部件产生的响应从而确定。
3.根据权利要求1所述的一种飞机机载健康管理系统通用故障严重等级诊断方法,其特征在于步骤1)中,非敏感参数通过仿真数据来近似估计参数值。
4.根据权利要求1所述的一种飞机机载健康管理系统通用故障严重等级诊断方法,其特征在于步骤2)中还包含反复进行仿真,修正模型准确度。
5.根据权利要求1所述的一种飞机机载健康管理系统通用故障严重等级诊断方法,其特征在于步骤2)中还包含对从诊断模型中获得数据以相似的方式进行处理或修正,确保诊断模型准确度。
6.根据权利要求1所述的一种飞机机载健康管理系统通用故障严重等级诊断方法,其特征在于步骤3)中,特征提取包含时域特征提取、频域特征提取和时频域特征提取。
7.根据权利要求1所述的一种飞机机载健康管理系统通用故障严重等级诊断方法,其特征在于步骤4)具体操作为依次将不同大小的故障入到诊断模型中进行仿真,并将采用步骤3)提取得到的系统数据特征值和诊断模型仿真数据特征值作残差对比判断,若近似为0,则得出故障诊断结果,即系统故障为当前模型中试验的故障大小或严重等级;否则,继续跟剩下的其他大小的故障继续进行仿真、特征残差对比,不断反复,直至残差近似为0,最终诊断出故障严重等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311475160.7A CN117520770A (zh) | 2023-11-07 | 2023-11-07 | 一种飞机机载健康管理系统通用故障严重等级诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311475160.7A CN117520770A (zh) | 2023-11-07 | 2023-11-07 | 一种飞机机载健康管理系统通用故障严重等级诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117520770A true CN117520770A (zh) | 2024-02-06 |
Family
ID=89741165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311475160.7A Pending CN117520770A (zh) | 2023-11-07 | 2023-11-07 | 一种飞机机载健康管理系统通用故障严重等级诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117520770A (zh) |
-
2023
- 2023-11-07 CN CN202311475160.7A patent/CN117520770A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2291228C (en) | System and method for diagnosing and validating a machine using waveform data | |
CN109211546B (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
EP1092982A1 (en) | Diagnostic system with learning capabilities | |
CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
CN111679654B (zh) | 基于神经网络的电力驱动系统振动信号诊断方法及装置 | |
CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
CN110779724B (zh) | 一种基于频域组稀疏降噪的轴承故障诊断方法 | |
CN104237713A (zh) | 基于离散小波变换的变压器绕组形变诊断方法 | |
CN110990788A (zh) | 一种基于三元维纳过程的轴承剩余寿命预测方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
DE19855745A1 (de) | Verfahren zur Fehlerdiagnose und zur Qualitätsbewertung (Rating) von rotierenden Maschinen am Serienprüfstand | |
CN114263621A (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
CN117520770A (zh) | 一种飞机机载健康管理系统通用故障严重等级诊断方法 | |
Xu et al. | Development of vibration loading profiles for accelerated durability tests of ground vehicles | |
CN102508120A (zh) | 利用局部均值分解实现飞机导线微弱故障诊断与定位方法 | |
EP3104152B1 (en) | Method and controller for determining an undesired condition in an electrical drive system | |
CN112441254B (zh) | 发动机滑油系统的性能检测方法及装置、存储介质、终端 | |
Tastimur et al. | Defect diagnosis of rolling element bearing using deep learning | |
Yu | Early fault detection for gear shaft and planetary gear based on wavelet and hidden Markov modeling | |
KR102654326B1 (ko) | 유청정기의 고장 진단 장치 및 방법 | |
Cao et al. | Fault diagnosis of gearbox based on EEMD and HMM | |
CN110736615B (zh) | 一种弹簧缺陷的诊断方法 | |
Baqqar et al. | A general regression neural network model for gearbox fault detection using motor operating parameters |
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 |