CN117988988A - 一种基于特征扩增的航空发动机故障诊断方法及系统 - Google Patents
一种基于特征扩增的航空发动机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117988988A CN117988988A CN202410138129.2A CN202410138129A CN117988988A CN 117988988 A CN117988988 A CN 117988988A CN 202410138129 A CN202410138129 A CN 202410138129A CN 117988988 A CN117988988 A CN 117988988A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- aero
- engine
- aeroengine
- 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
- 230000003321 amplification Effects 0.000 title claims abstract description 148
- 238000003199 nucleic acid amplification method Methods 0.000 title claims abstract description 148
- 238000003745 diagnosis Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012423 maintenance Methods 0.000 claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 15
- 230000003416 augmentation Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000000556 factor analysis Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000013209 evaluation strategy Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于特征扩增的航空发动机故障诊断方法及系统,涉及发动机诊断领域,该基于特征扩增的航空发动机故障诊断方法包括以下步骤:S1、获取设备参数和历史参数并进行参数分类;S2、故障分类结果分级,获取故障分级分类结果;S3、获取故障特征参数,并根据故障特征参数构建故障特征数据库;S4、获取航空发动机正常实时数据和航空发动机故障实时数据;S5、对故障实时数据进行故障数据扩增,获取故障扩增数据,得到航空发动机故障诊断结果;S6、根据航空发动机故障诊断结果生成航空发动机维修策略并优化更新。本发明通过对历史数据和实时数据的深度分析,采用数据驱动的方法,能够准确地识别和预测发动机故障。
Description
技术领域
本发明涉及发动机诊断,具体来说,涉及一种基于特征扩增的航空发动机故障诊断方法及系统。
背景技术
随着时代的发展,航空航天领域也在不断地进步,而航空发动机是飞机的动力来源,主要作用是产生推力使飞机能够飞行,且航空发动机的设计和制造是一门高度复杂且精密的技术,涉及到热力学、流体力学、材料科学等多个领域,而航空发动机的性能直接影响到飞机的飞行速度、载重、续航能力和经济性。
其中,航空发动机故障诊断是一个不断发展的领域,而航空发动机的故障诊断是确保飞行安全的关键环节,涉及对发动机各种潜在问题的检测和分析,随着技术的进步,使用更高级的传感器技术和数据分析方法进行故障预测和诊断成为可能,提高故障诊断的准确性和效率,从而提高飞行安全性和降低维护成本。
而特征扩增是一种数据预处理技术,主要用于提高机器学习模型的性能。这种方法通过增加额外的特征或修改现有特征来丰富数据集,从而帮助模型更好地学习和泛化,其目的是增加数据集的信息量,帮助模型捕捉到更多的、可能影响预测的因素。
但现有基于特征扩增的航空发动机故障诊断方法在进行使用时并未对航空发动机发生的故障进行分级,如专利文献CN116028865A,导致航空发动机发生故障后无法直观的明确故障优先级,导致航空发动机进行维修时的效果大大下降,同时对航空发动机进行故障故障诊断是并未考虑航空发动机故障区域对发动机整体的影响,导致现有基于特征扩增的航空发动机故障诊断方法在进行使用时的故障诊断较为片面,影响航空发动机进行故障诊断的精准性。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于特征扩增的航空发动机故障诊断方法及系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于特征扩增的航空发动机故障诊断方法,包括以下步骤:
S1、获取航空发动机的设备参数和历史参数,根据设备参数配置发动机航空安全阈值,并根据发动机航空安全阈值对历史参数分类,得到航空发动机正常数据和航空发动机故障数据;
S2、根据航空发动机故障数据,通过航空发动机故障数据分类规则,对航空发动机故障数据分类,并基于故障分级规则,对故障分类结果分级,获取故障分级分类结果;
S3、根据故障分级分类结果,通过特征提取策略,对故障分级分类结果进行特征提取,获取故障特征参数,并根据故障特征参数构建故障特征数据库;
S4、获取航空发动机的实时参数,并根据发动机航空安全阈值对实时参数进行数据分类,获取航空发动机正常实时数据和航空发动机故障实时数据;
S5、根据航空发动机故障实时数据,通过特征扩增策略,对航空发动机故障实时数据的故障数据扩增,获取故障扩增数据,并将故障扩增数据与故障特征数据库比对,获取航空发动机故障诊断结果;
S6、根据航空发动机故障诊断结果生成航空发动机维修策略,根据航空发动机维修策略对航空发动机维修,记录航空发动机维修策略的维修效果,并根据维修效果对航空发动机维修策略优化更新。
作为优选方案,根据航空发动机故障数据,通过航空发动机故障数据分类规则,对航空发动机故障数据分类,并基于故障分级规则,对故障分类结果分级,获取故障分级分类结果包括以下步骤:
S21、预设航空发动机故障数据分类规则,并对航空发动机故障数据进行数据预处理;
S22、根据数据预处理后的航空发动机故障数据,通过故障分类模型,对数据预处理后的航空发动机故障数据进行故障种类划分;
S23、根据故障种类划分结果,进行故障区域匹配,基于故障区域匹配结果分析故障影响范围,并设置故障分级规则,基于故障分级规则对故障种类划分结果进行故障分级;
S24、对故障分级结果进行验证,并基于验证后的故障分级结果对故障种类划分结果添加标注,得到故障分级分类结果。
作为优选方案,根据数据预处理后的航空发动机故障数据,通过故障分类模型,对数据预处理后的航空发动机故障数据进行故障种类划分包括以下步骤:
S221、预设故障分类模型,基于故障分析模型构建故障分类模型库,并设置模型匹配规则;
S222、根据模型匹配规则,计算航空发动机故障数据与故障分类模型库内部模型的模型匹配值,并根据模型匹配值选择适配故障分类模型;
S223、对适配故障分类模型进行模型训练评估,并基于模型评估结果对适配故障分类模型进行优化调整;
S224、根据优化调整后的适配故障分类模型,对航空发动机故障数据进行故障种类划分;
S225、根据故障划分结果,通过合理性评估策略,获取故障种类划分结果的合理参数,并预设合理参数调整规则,根据合理参数调整规则和故障种类划分结果的合理参数对故障种类划分结果调节优化。
作为优选方案,根据故障种类划分结果,进行故障区域匹配,基于故障区域匹配结果分析故障影响范围,并设置故障分级规则,基于故障分级规则对故障种类划分结果进行故障分级包括以下步骤:
S231、根据航空发动机设备规格进行设备区域划分,并对设备区域进行影响性赋权,将故障种类划分结果与设备区域进行匹配,获取设备故障区域;
S232、根据设备故障区域的影响性赋权结果,通过因素分析算法,计算设备故障区域的影响关联值,并对影响关联值进行解析获取故障影响范围;
S233、预设故障分级规则和影响分级规则,并基于故障分级规则和影响分级规则对故障种类划分结果进行等级划分。
作为优选方案,根据设备故障区域的影响性赋权结果,通过因素分析算法,计算设备故障区域的影响关联值,并对影响关联值进行解析获取故障影响范围包括以下步骤:
S2321、将影响性赋权结果进行标准化数据调整,并进行因子分析,获取影响性赋权结果的影响因子;
S2322、对影响因子进行因子旋转优化影响因子结构,并计算优化后影响因子的影响关联值;
S2323、根据影响关联值评估设备故障区域对航空发动机的整体影响,并进行验证,获取故障影响范围。
作为优选方案,对影响因子进行因子旋转优化影响因子结构,并计算优化后影响因子的影响关联值的计算公式为:
其中,W为影响因子的影响关联值;
N为影响因子的影响因素个数;
SR为影响因子的第R个影响因素中因子权重得分;
DR为影响因子的第R个影响因素中因子权重负荷。
作为优选方案,根据航空发动机故障实时数据,通过特征扩增策略,对航空发动机故障实时数据的故障数据扩增,获取故障扩增数据,并将故障扩增数据与故障特征数据库比对,获取航空发动机故障诊断结果包括以下步骤:
S51、对航空发动机故障实时数据进行数据清洗,并对清洗后的航空发动机故障实时数据进行特征提取,获取特征参数;
S52、预设特征扩增策略和故障特征数据库,并根据特征扩增策略对特征参数进行数据扩增,对特征参数的数据扩增情况进行验证,获取故障扩增数据;
S53、将故障扩增数据与故障特征数据库,通过数据比对规则进行比对,并对比对结果进行匹配值计算验证,根据验证后的匹配值判断航空发动机的故障情况;
S54、将航空发动机的故障情况按影响情况进行排序,并进行整合,获取航空发动机故障诊断结果。
作为优选方案,预设特征扩增策略和故障特征数据库,并根据特征扩增策略对特征参数进行数据扩增,对特征参数的数据扩增情况进行验证,获取故障扩增数据包括以下步骤:
S521、设置数据扩增方案和故障特征数据库,并对数据扩增方案整合得到特征扩增策略;
S522、将特征扩增策略内部的数据扩增方案与特征参数进行相似性分析,并根据相似性分析结果选择数据扩增方案;
S523、采用选择数据扩增方案对特征参数进行数据扩增,并对扩增后的特征参数进行统计分析验证,得到故障扩增数据。
作为优选方案,将故障扩增数据与故障特征数据库,通过数据比对规则进行比对,并对比对结果进行匹配值计算验证,根据验证后的匹配值判断航空发动机的故障情况包括以下步骤:
S531、预设比对标准,并根据比对标准将故障扩增数据与故障特征数据库进行比对;
S532、根据比对结果,通过匹配算法进行匹配值计算,并设置故障诊断阈值;
S533、将匹配值与故障诊断阈值进行对比判断,根据判断结果获取航空发动机的故障情况。
根据本发明的另一个方面,提供了一种基于特征扩增的航空发动机故障诊断系统,该系统包括:
数据获取模块,用于获取航空发动机的设备参数和历史参数,根据设备参数配置发动机航空安全阈值,并根据发动机航空安全阈值对历史参数分类,得到航空发动机正常数据和航空发动机故障数据;
故障分类模块,用于根据航空发动机故障数据,通过航空发动机故障数据分类规则,对航空发动机故障数据分类,并基于故障分级规则,对故障分类结果分级,获取故障分级分类结果;
特征提取模块,用于根据故障分级分类结果,通过特征提取策略,对故障分级分类结果进行特征提取,获取故障特征参数,并根据故障特征参数构建故障特征数据库;
实时数据模块,用于获取航空发动机的实时参数,并根据发动机航空安全阈值对实时参数进行数据分类,获取航空发动机正常实时数据和航空发动机故障实时数据;
故障诊断模块,用于根据航空发动机故障实时数据,通过特征扩增策略,对航空发动机故障实时数据的故障数据扩增,获取故障扩增数据,并将故障扩增数据与故障特征数据库比对,获取航空发动机故障诊断结果;
维修更新模块,用于根据航空发动机故障诊断结果生成航空发动机维修策略,根据航空发动机维修策略对航空发动机维修,记录航空发动机维修策略的维修效果,并根据维修效果对航空发动机维修策略优化更新。
本发明的有益效果为:
1、本发明通过对历史数据和实时数据的深度分析,采用数据驱动的方法,能够准确地识别和预测发动机故障,提高维修的效率和质量;更重要的,本发明根据设备参数配置动态的航空安全阈值,而不是使用固定的阈值,使得阈值的设定与实际工作环境和条件更加适配,从而灵活地适应不同的工作环境和条件,提高故障检测的准确性。
2、本发明将特征扩增与航空发动机故障诊断相结合,对故障实时数据进行故障数据扩增,通过特征提取和特征扩增,从原始数据中挖掘更多有用的信息,增强模型的预测能力;更重要的是,鉴于现有技术的缺陷(现有基于特征扩增的航空发动机故障诊断方法在进行使用时并未对航空发动机发生的故障进行分级,导致航空发动机进行维修时的效果大大下降,同时对航空发动机进行故障故障诊断是并未考虑航空发动机故障区域对发动机整体的影响,导致现有基于特征扩增的航空发动机故障诊断方法在进行使用时的故障诊断较为片面,影响航空发动机进行故障诊断的精准性),本发明还增加了故障分级分类的过程,考虑到故障区域对发动机整体的影响,区分不同级别的故障,使得维修策略可以更有针对性,同时建立故障分类模型库和设置模型匹配规则,为不同类型的故障选择最合适的诊断模型,提高故障分类的准确性,从而提高了航空发动机故障诊断的精准性,使得航空发动机进行维修时的效果获得大大提升。
3、本发明通过对维修策略和故障分类模型的持续优化更新,不断利用新的数据和反馈来改进系统性能,同时还涉及到维修策略的制定和效果记录,为未来的故障预防和维修策略提供数据支持,并通过合理性评估策略和参数调整规则,该方案能够确保故障分类的结果是合理的,减少误诊率,再通过计算故障区域的影响关联值,理解故障对整个发动机的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是根据本发明实施例的一种基于特征扩增的航空发动机故障诊断方法的方法流程图;
图2是根据本发明实施例的一种基于特征扩增的航空发动机故障诊断系统的系统框图。
图中:
1、数据获取模块;2、故障分类模块;3、特征提取模块;4、实时数据模块;5、故障诊断模块;6、维修更新模块。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种基于特征扩增的航空发动机故障诊断方法及系统。
现结合附图和具体实施方式对本发明进一步说明,根据本发明的一个实施例,如图1所示,根据本发明实施例的基于特征扩增的航空发动机故障诊断方法,包括以下步骤:
S1、获取航空发动机的设备参数和历史参数,根据设备参数配置发动机航空安全阈值,并根据发动机航空安全阈值对历史参数分类,得到航空发动机正常数据和航空发动机故障数据;
具体的,获取航空发动机的设备参数和历史参数,通过传感器、监控设备或数据记录系统收集,确保数据包含关键的性能参数,如转速、温度、压力等,并针对航空发动机,确定适当的设备参数配置,包括制造商提供的规格和建议,以确保发动机在安全工作范围内,基于设备参数配置,设置航空发动机的安全阈值,且阈值是指在发动机运行期间的安全边界,一旦超出这些边界,可能表示潜在的故障或危险情况,再使用设定的航空安全阈值,对历史参数进行分类,并将参数数据分为正常和故障两类,以便更好地理解发动机的工作状态和性能。
S2、根据航空发动机故障数据,通过航空发动机故障数据分类规则,对航空发动机故障数据分类,并基于故障分级规则,对故障分类结果分级,获取故障分级分类结果;
具体的,根据航空发动机故障数据,通过航空发动机故障数据分类规则,对航空发动机故障数据分类,并基于故障分级规则,对故障分类结果分级,获取故障分级分类结果包括以下步骤:
S21、预设航空发动机故障数据分类规则,并对航空发动机故障数据进行数据预处理;
具体的,明确定义航空发动机故障的分类规则,包括设置特定参数的阈值、异常模式的识别或先验知识的应用,如某个传感器的读数超过某个阈值可以被分类为故障,在应用分类规则之前,对航空发动机故障数据进行预处理包括,处理任何缺失的数据,通过插值、删除或其他方法进行填充,检测和处理异常值,确保数据的质量,通过使用统计方法或机器学习算法来实现,提取有意义的特征,将原始参数进行变换或组合,提高分类的准确性,根据定义的故障分类规则,为数据集中的样本分配正确的标签,标明正常或故障状态,使用定义的分类规则,将预处理后的数据集应用到规则中,对航空发动机故障数据进行分类。
S22、根据数据预处理后的航空发动机故障数据,通过故障分类模型,对数据预处理后的航空发动机故障数据进行故障种类划分;
具体的,根据数据预处理后的航空发动机故障数据,通过故障分类模型,对数据预处理后的航空发动机故障数据进行故障种类划分包括以下步骤:
S221、预设故障分类模型,基于故障分析模型构建故障分类模型库,并设置模型匹配规则;
具体的,确定要预设的故障分类模型的类型和特性,包括机器学习、深度学习或统计方法等,选择适合解决问题的模型,例如决策树、支持向量机(SVM)、神经网络等,收集故障数据和相关参数,包括历史故障记录、传感器数据或其他与故障相关的信息,并对数据进行预处理,包括清洗、特征选择和转换等,以便用于模型训练。
使用预设的故障分类模型对数据进行训练,包括将数据拆分为训练集和测试集,并利用训练集训练模型,使用测试集评估模型的性能,了解模型的准确性、精确度、召回率等指标,选择并保存表现良好的故障分类模型作为模型库的一部分,确保模型库中包含多样性和性能优良的模型,以便根据需求选择最适合的模型,制定规则来选择最适合特定情况或特定类型故障的模型,而建立匹配规则的方法可以是基于专家知识、数据驱动的方法或者结合两者。
S222、根据模型匹配规则,计算航空发动机故障数据与故障分类模型库内部模型的模型匹配值,并根据模型匹配值选择适配故障分类模型;
具体的,使用模型匹配规则,将航空发动机故障数据与故障分类模型库内的每个模型进行匹配,而匹配值可以基于各种因素,如故障类型、数据特征等,并对每个模型都计算一个匹配值,反映该模型与给定故障数据的匹配程度,将计算得到的匹配值与预设的阈值进行比较,以确定哪些模型匹配值高于阈值,表示这些模型更适合处理给定的故障数据,选择匹配值高于阈值的模型作为适配故障分类模型。
使用选定的适配模型对航空发动机故障数据进行分类,通过模型的预测输出来实现,指示数据属于哪一类故障或正常状态,解释模型分类的结果,确认模型是否正确地将故障数据分类为相应的类别,并验证分类结果的准确性,使用独立的验证集或者实际应用中的反馈来确认模型的性能。
S223、对适配故障分类模型进行模型训练评估,并基于模型评估结果对适配故障分类模型进行优化调整;
具体的,使用选定的适配故障分类模型对训练数据进行训练,确保使用的数据集包含各种故障类型和场景,将数据集划分为训练集和验证集,而训练集用于模型的训练,验证集用于评估模型的性能,再使用验证集对适配故障分类模型进行评估,包括准确度、精确度、召回率、F1分数等,分析模型在验证集上的误差,了解模型在哪些情况下容易出现错误。
根据评估结果和误差分析的发现,进行模型的优化调整,包括调整模型的超参数、增加更多的训练数据、改进特征工程等方法,尝试不同的算法或模型架构,提高模型的性能,重复多次训练和评估模型,通过不断的迭代过程,逐渐提高模型的性能和泛化能力,并使用交叉验证来更全面地评估模型的性能,减少由于数据划分不同而引起的偶然性,在实际应用中,定期监控模型的性能,如果模型在时间上出现性能下降或者环境发生变化,需要考虑更新模型以适应新的情况,收集实际应用中的用户反馈或系统反馈,用于进一步优化模型。
S224、根据优化调整后的适配故障分类模型,对航空发动机故障数据进行故障种类划分;
具体的,获取待分类的航空发动机故障数据,确保数据格式和特征与模型训练时一致,进行数据预处理,包括清洗、特征选择和转换等,以确保数据符合模型的输入要求,使用优化调整后的适配故障分类模型对航空发动机故障数据进行分类,通过模型的预测输出来实现,得到每个故障数据点所属的故障类别,解释模型对航空发动机故障数据的分类结果,了解每个故障数据点被划分为哪个故障类别,以及模型对这些类别的置信程度。
对分类结果进行验证和评估,比较模型的预测与实际故障类型的一致性,使用评估指标,如准确度、精确度、召回率等来衡量模型的性能,并进行误差分析,了解模型在分类错误的情况下可能出现的原因,根据验证和评估结果,进行进一步的调整和优化,调整模型参数、增加更多的训练数据,或者重新考虑特征工程的方法,而在实际应用中,持续监控模型的性能,如果发现模型在某些情况下表现不佳,及时进行更新和调整,将优化后的模型应用到实时航空发动机监测系统中,实时对新的故障数据进行分类,收集实际应用中的用户反馈或系统反馈,用于进一步优化模型,确保模型在不同环境和工况下的稳健性。
S225、根据故障划分结果,通过合理性评估策略,获取故障种类划分结果的合理参数,并预设合理参数调整规则,根据合理参数调整规则和故障种类划分结果的合理参数对故障种类划分结果调节优化。
具体的,确定故障种类划分结果的合理性评估策略,包括考虑业务需求、专业知识、历史数据等因素,以确定每个故障种类的合理参数,基于合理性评估策略,从故障划分结果中提取合理参数,包括故障的严重程度、发生频率、影响范围等方面,设计预设的合理参数调整规则,且规则可以基于实际反馈、历史数据或者专业经验,确保在变化的环境中保持合理性,根据合理参数调整规则,对故障种类划分结果的合理参数进行调整与优化包括增加权重、调整阈值或者采用自适应调整策略。
在实际应用中持续监控故障种类划分结果和相应的合理参数,确保模型在变化的环境中保持有效性,并及时应用调整规则进行优化,并根据实际反馈和系统性能,及时调整合理参数和调整规则,建立一个反馈循环,确保系统在不同情境下的稳健性和适应性,定期评估调整后的故障种类划分结果,比较其与实际情况的一致性,使用业务相关的指标来衡量系统的性能,定期审查和更新合理参数调整规则,以适应系统环境和需求的变化。确保规则的有效性和适应性。
S23、根据故障种类划分结果,进行故障区域匹配,基于故障区域匹配结果分析故障影响范围,并设置故障分级规则,基于故障分级规则对故障种类划分结果进行故障分级;
具体的,根据故障种类划分结果,进行故障区域匹配,基于故障区域匹配结果分析故障影响范围,并设置故障分级规则,基于故障分级规则对故障种类划分结果进行故障分级包括以下步骤:
S231、根据航空发动机设备规格进行设备区域划分,并对设备区域进行影响性赋权,将故障种类划分结果与设备区域进行匹配,获取设备故障区域;
具体的,分析航空发动机的设备规格,确定各个设备区域的划分,包括发动机的不同组件、系统或子系统,根据设备的物理结构和功能进行合理的划分,对每个设备区域赋予影响性权重,基于设备的关键性、重要性、对整体系统性能的贡献等因素进行评估,使用专业知识、经验和可靠性分析等方法确定权重,将故障种类划分结果与设备区域进行匹配,确保每个故障种类能够与一个或多个设备区域相关联,根据专业领域知识或者故障数据的分析来确定故障与设备区域之间的关系。
基于匹配结果,确定每个故障种类对应的设备故障区域,考虑影响性赋权,计算综合影响性得分来确定最受影响的设备区域,解释设备故障区域的结果,确保匹配和影响性赋权的合理性,验证结果是否符合实际情况,并与领域专家进行确认,而随着系统的运行和收集到新的故障数据,不断优化设备区域的划分和影响性赋权,确保模型和规则能够适应系统的变化,再将设备故障区域的结果应用到实时监测系统中,实时更新并反馈到系统中,确保在发生故障时可以迅速准确地定位到受影响的设备区域。
S232、根据设备故障区域的影响性赋权结果,通过因素分析算法,计算设备故障区域的影响关联值,并对影响关联值进行解析获取故障影响范围;
具体的,根据设备故障区域的影响性赋权结果,通过因素分析算法,计算设备故障区域的影响关联值,并对影响关联值进行解析获取故障影响范围包括以下步骤:
S2321、将影响性赋权结果进行标准化数据调整,并进行因子分析,获取影响性赋权结果的影响因子;
具体的,对影响性赋权结果进行标准化,将不同范围的权重值映射到相同的尺度上,而标准化可以使用常见的方法,例如将权重值进行z-score标准化,使其具有零均值和单位方差,对标准化后的影响性赋权结果进行进一步的调整,确保数据满足因子分析的前提条件,如正态性、线性性等,并根据需要对数据进行转换或调整。
进行因子分析,以识别影响性赋权结果的潜在影响因子,通过降维的方式将多个影响性赋权结果解释为较少数量的潜在因子,使用因子分析方法提取潜在因子,包括主成分分析或最大似然估计等,根据因子的特征值、方差解释率等指标,确定要提取的因子数量,对提取的因子进行旋转,以获得更容易解释和理解的因子结构,旋转方法包括Varimax旋转、Promax旋转等,并解释每个因子的含义,并确定每个因子与原始影响性赋权结果的关系。
根据因子载荷和解释力度,确定每个潜在因子是影响性赋权结果的一个影响因子,且载荷值表示变量与因子之间的关系强度,解释影响因子对影响性赋权结果的贡献,随着新数据的积累,持续优化因子分析的结果,定期重新评估因子结构,确保其仍然能够反映系统的实际影响性。
S2322、对影响因子进行因子旋转优化影响因子结构,并计算优化后影响因子的影响关联值;
具体的,对影响因子进行因子旋转优化影响因子结构,并计算优化后影响因子的影响关联值的计算公式为:
其中,W为影响因子的影响关联值;
N为影响因子的影响因素个数;
SR为影响因子的第R个影响因素中因子权重得分;
DR为影响因子的第R个影响因素中因子权重负荷。
S2323、根据影响关联值评估设备故障区域对航空发动机的整体影响,并进行验证,获取故障影响范围。
具体的,确定用于评估设备故障区域影响的关联值,包括设备的重要性、对整体性能的影响程度、安全性等因素,使用专业知识、历史数据和经验来确定关联值,对每个设备故障区域赋予关联值权重,通过专家意见、可靠性分析或者基于实际数据进行评估,确保权重能够准确反映每个区域对整体系统的影响。
利用设备故障区域的关联值和权重,计算每个区域的影响度,这可以是一个综合值,反映故障对整个航空发动机系统的影响程度,验证计算得到的影响度,比较其与实际故障对系统的影响情况,通过对比历史故障数据、模拟测试或者实际运行中的情况来验证影响度的准确性,基于计算得到的影响度,划定故障影响范围,确定哪些设备区域受到故障的显著影响,以及影响的程度,解释故障影响范围的结果,了解每个受影响的设备区域对整体系统的贡献。
S233、预设故障分级规则和影响分级规则,并基于故障分级规则和影响分级规则对故障种类划分结果进行等级划分。
具体的,定义用于对影响进行分级的规则,包括设备故障区域的影响度、对整体系统性能的影响程度等,而规则的设计需要与实际情况相符,并考虑系统的关键性,确定每个分级的具体标准,如哪些条件符合高级别故障或高级别影响,哪些条件符合低级别故障或低级别影响,根据故障分级规则和影响分级规则,对故障种类划分结果进行等级划分,综合考虑故障的重要性和影响的程度,以确定最终的等级,解释等级划分的结果,了解每个等级代表的故障或影响的程度,验证等级划分结果是否符合实际情况,根据实际运行中的反馈和系统性能进行调整,确保规则能够适应不同的情境和需求,并基于等级划分结果建立通知和处理流程,而高级别的故障或影响可能需要紧急处理,而低级别的可以在合适的时间进行维护。
S24、对故障分级结果进行验证,并基于验证后的故障分级结果对故障种类划分结果添加标注,得到故障分级分类结果。
具体的,确定用于验证故障分级结果的指标,包括准确性、召回率、精确度等,并根据业务需求和实际情况选择合适的验证指标,准备一个包含已知故障的数据集,包括故障种类和相应的实际分级结果,确保数据集具有代表性,覆盖系统可能面临的各种情况。
使用定义的故障分级规则对验证数据集进行分级,得到验证前的故障分级结果,再将验证前的故障分级结果与实际的分级结果进行比对,计算验证指标,评估故障分级结果的准确性和可靠性,并根据验证结果,对故障分级规则进行调整,包括修改规则、更新权重或调整标准,以提高分级结果的准确性,再基于验证后的故障分级结果,将相应的标注添加到故障种类划分结果中,分级的等级标识,如高、中、低,或者其他自定义标签,结合故障种类划分结果和添加的标注,得到最终的故障分级分类结果。
S3、根据故障分级分类结果,通过特征提取策略,对故障分级分类结果进行特征提取,获取故障特征参数,并根据故障特征参数构建故障特征数据库;
具体的,确定用于提取故障特征的策略和方法,包括故障的各种方面,如持续时间、频率、影响范围、设备区域等特征,根据领域知识和实际需求选择合适的特征,基于确定的特征提取策略,对故障分级分类结果进行特征提取,包括从故障描述、历史数据或专业知识中提取特征参数,如持续时间的统计信息、频率的分布特征等,提取和记录每个故障分级的特征参数,确保特征参数的准确性和完整性。
将提取的故障特征参数存储在数据库中,使用适当的数据结构和格式组织数据,有效地存储和检索故障特征信息,管理故障特征数据库,并确保其及时更新和维护,且随着系统运行和新数据积累,定期更新故障特征参数以反映实际情况,验证故障特征参数的准确性和可靠性,并进行必要的校准,并比较数据库中的特征参数与实际故障情况,确保其反映真实情况,设计合适的索引和查询接口,以便用户能够快速有效地检索故障特征数据库中的信息,且随着系统运行和需求变化,持续优化和扩展故障特征数据库,根据新的故障情况更新特征提取策略和数据库结构。
S4、获取航空发动机的实时参数,并根据发动机航空安全阈值对实时参数进行数据分类,获取航空发动机正常实时数据和航空发动机故障实时数据;
具体的,使用传感器、监测设备或航空发动机控制系统,获取航空发动机的实时参数数据,包括温度、压力、转速、油流量等多个参数,根据航空发动机的设计规范、性能特性和安全标准,定义各个实时参数的航空安全阈值,对每个实时参数进行监测和分类,判断是否超过或接近安全阈值,结合所有实时参数的分类结果,判定航空发动机的整体状态,并根据是否有参数超过安全阈值。
将发动机状态判定为正常或存在故障,记录正常和故障状态下的实时参数数据,包括时间戳、具体参数数值、发动机运行状态等信息,如果尚未建立实时监测系统,考虑建立一个能够实时监测航空发动机状态的系统,包括使用传感器网络、实时数据传输和处理系统等,在发动机故障实时数据中,标识具体的故障类型,并基于实时数据进行分析,实时监测系统应具备报警机制,能够在发现异常状态时及时发出警报,以促使维修或其他相应的措施。
S5、根据航空发动机故障实时数据,通过特征扩增策略,对航空发动机故障实时数据的故障数据扩增,获取故障扩增数据,并将故障扩增数据与故障特征数据库比对,获取航空发动机故障诊断结果;
具体的,根据航空发动机故障实时数据,通过特征扩增策略,对航空发动机故障实时数据的故障数据扩增,获取故障扩增数据,并将故障扩增数据与故障特征数据库比对,获取航空发动机故障诊断结果包括以下步骤:
S51、对航空发动机故障实时数据进行数据清洗,并对清洗后的航空发动机故障实时数据进行特征提取,获取特征参数;
S52、预设特征扩增策略和故障特征数据库,并根据特征扩增策略对特征参数进行数据扩增,对特征参数的数据扩增情况进行验证,获取故障扩增数据;
具体的,预设特征扩增策略和故障特征数据库,并根据特征扩增策略对特征参数进行数据扩增,对特征参数的数据扩增情况进行验证,获取故障扩增数据包括以下步骤:
S521、设置数据扩增方案和故障特征数据库,并对数据扩增方案整合得到特征扩增策略;
具体的,确定数据扩增的目标,包括增加样本数量、改善模型泛化能力等,设计数据扩增方案,采用图像旋转、翻转、缩放、亮度调整等技术,确保扩增后的数据保持原有特征的统计分布,基于前述步骤构建的故障特征数据库,包含了故障种类、对应的特征参数以及故障影响等信息,而数据库采用结构化存储或者数据库管理系统进行管理,将数据扩增方案和故障特征数据库整合,确保扩增后的数据保持故障特征的一致性,如在图像分类任务中,通过在原始图像上应用数据扩增,同时保留故障标签信息。
制定特征扩增策略,明确如何将数据扩增和故障特征整合应用到实际任务中,确定特征扩增的方式,如直接在输入数据上进行扩增,或者在模型中集成特征扩增层等,使用特征扩增策略进行模型训练,并在验证集上进行验证,通过比较使用特征扩增和不使用特征扩增的模型性能,评估特征扩增对模型的影响,根据模型性能的反馈,对特征扩增策略进行调优与优化,调整扩增参数、故障特征的权重或者其他相关参数,确保模型在未见过的数据上同样表现良好,将经过特征扩增策略训练好的模型应用到实际任务中,如在航空发动机故障诊断中,使用模型实时监测发动机状态并做出预测,并随着系统运行和新的故障数据积累,持续监测模型性能并根据需要更新特征扩增策略,确保模型能够适应系统变化和新的情况。
S522、将特征扩增策略内部的数据扩增方案与特征参数进行相似性分析,并根据相似性分析结果选择数据扩增方案;
明确相似性分析的目标,即要分析特征扩增方案内部的数据扩增方案与特征参数之间的相似性,确定相似性的度量标准,例如欧氏距离、余弦相似度等,从故障特征数据库中提取特征参数,包括故障的持续时间、频率、影响范围等,确保提取的特征参数能够反映故障的关键特征,将数据扩增方案转换为特征表示,扩增后的数据的某种统计特征,如均值、方差等,确保特征表示能够全面反映数据扩增方案的变化,利用选择的相似性度量标准,对特征参数和数据扩增方案的特征表示进行相似性分析,计算每个特征参数与数据扩增方案之间的相似性值。
根据相似性分析的结果,得到每个特征参数与数据扩增方案之间的相似性值,形成一个相似性矩阵,用于比较不同数据扩增方案与特征参数之间的相似程度,根据相似性分析结果,选择最相似的数据扩增方案作为特征扩增策略内部的数据扩增方案,基于相似性值的阈值或者其他自定义标准进行选择,验证选择的数据扩增方案在实际任务中的效果,并根据需要进行调整,整相似性分析的参数或者重新选择数据扩增方案,以提高模型的性能,并随着系统运行和新的故障数据积累,持续监测数据扩增方案的效果并根据需要更新,确保选择的方案能够适应系统变化和新的情况。
S523、采用选择数据扩增方案对特征参数进行数据扩增,并对扩增后的特征参数进行统计分析验证,得到故障扩增数据。
具体的,根据相似性分析的结果,选择适合的数据扩增方案,确保选择的方案能够有效地在特征参数上进行扩增丰富数据集,从故障特征数据库中提取需要进行扩增的特征参数,确保提取的参数具有代表性,能够充分反映故障的关键特征,根据选择的数据扩增方案,对提取的特征参数进行扩增,包括图像旋转、变换、噪声添加等操作,具体操作取决于选择的扩增方案,完成数据扩增后,得到扩增后的特征参数数据,形成一个包含原始特征参数和扩增后特征参数的数据集。
对扩增后的特征参数进行统计分析验证,包括计算均值、方差、分布情况等统计指标,确保扩增后的数据保持与原始数据相似的统计特性,比较原始特征参数和扩增后特征参数之间的差异,确保扩增后的数据在关键特征上与原始数据保持一致,同时增加样本的多样性,验证扩增后的数据在训练模型或其他任务中的有效性,使用扩增后的数据集进行模型训练,并评估模型性能确保扩增数据的贡献。
S53、将故障扩增数据与故障特征数据库,通过数据比对规则进行比对,并对比对结果进行匹配值计算验证,根据验证后的匹配值判断航空发动机的故障情况;
具体的,将故障扩增数据与故障特征数据库,通过数据比对规则进行比对,并对比对结果进行匹配值计算验证,根据验证后的匹配值判断航空发动机的故障情况包括以下步骤:
S531、预设比对标准,并根据比对标准将故障扩增数据与故障特征数据库进行比对;
S532、根据比对结果,通过匹配算法进行匹配值计算,并设置故障诊断阈值;
S533、将匹配值与故障诊断阈值进行对比判断,根据判断结果获取航空发动机的故障情况。
S54、将航空发动机的故障情况按影响情况进行排序,并进行整合,获取航空发动机故障诊断结果。
S6、根据航空发动机故障诊断结果生成航空发动机维修策略,根据航空发动机维修策略对航空发动机维修,记录航空发动机维修策略的维修效果,并根据维修效果对航空发动机维修策略优化更新。
具体的,根据故障诊断结果,制定航空发动机的维修策略,包括确定维修优先级、所需零部件、维修方法等,确保维修策略能够有效解决诊断出的故障,根据生成的维修策略,对航空发动机进行维修,确保维修过程符合相关的安全和质量标准,使用合适的工具和设备,记录维修过程中使用的方法、替换的零部件、维修的时间等信息,同时记录维修后的航空发动机状态,包括性能参数、运行状况等,收集与维修效果相关的数据,可包括发动机的性能测试结果、运行数据等,确保数据的准确性和完整性,分析收集到的维修效果数据,评估维修的效果和质量,并比较维修前后的性能差异,判断维修是否达到了预期的效果。
根据分析结果,制定航空发动机维修策略的优化更新策略,包括调整维修流程、更新维修方法、优化零部件选用等,将制定的优化更新策略应用到航空发动机维修策略中,更新相关的维修标准、流程和方法,确保更新后的维修策略更加有效和适应实际情况,而在实际维修操作中,执行经过优化更新的维修策略,确保更新后的策略能够在实践中取得良好的效果,持续监测维修效果和维修过程,收集反馈信息,再根据实际运行中的数据和用户反馈,进行必要的调整和优化,确保维修策略的持续改进。
根据本发明另一个实施例,如图2所示一种基于特征扩增的航空发动机故障诊断系统,该系统包括:
数据获取模块1,用于获取航空发动机的设备参数和历史参数,根据设备参数配置发动机航空安全阈值,并根据发动机航空安全阈值对历史参数分类,得到航空发动机正常数据和航空发动机故障数据;
故障分类模块2,用于根据航空发动机故障数据,通过航空发动机故障数据分类规则,对航空发动机故障数据分类,并基于故障分级规则,对故障分类结果分级,获取故障分级分类结果;
特征提取模块3,用于根据故障分级分类结果,通过特征提取策略,对故障分级分类结果进行特征提取,获取故障特征参数,并根据故障特征参数构建故障特征数据库;
实时数据模块4,用于获取航空发动机的实时参数,并根据发动机航空安全阈值对实时参数进行数据分类,获取航空发动机正常实时数据和航空发动机故障实时数据;
故障诊断模块5,用于根据航空发动机故障实时数据,通过特征扩增策略,对航空发动机故障实时数据的故障数据扩增,获取故障扩增数据,并将故障扩增数据与故障特征数据库比对,获取航空发动机故障诊断结果;
维修更新模块6,用于根据航空发动机故障诊断结果生成航空发动机维修策略,根据航空发动机维修策略对航空发动机维修,记录航空发动机维修策略的维修效果,并根据维修效果对航空发动机维修策略优化更新。
综上所述,借助于本发明的上述技术方案,本发明通过对历史数据和实时数据的深度分析,采用数据驱动的方法,能够准确地识别和预测发动机故障,提高维修的效率和质量,并根据设备参数配置动态的航空安全阈值,而不是使用固定的阈值,灵活地适应不同的工作环境和条件,提高故障检测的准确性。
此外,本发明通过特征提取和特征扩增,从原始数据中挖掘更多有用的信息,增强模型的预测能力,并通过故障分级分类,区分不同级别的故障,使得维修策略可以更有针对性,同时建立故障分类模型库和设置模型匹配规则,为不同类型的故障选择最合适的诊断模型,提高故障分类的准确性。
此外,本发明通过对维修策略和故障分类模型的持续优化更新,不断利用新的数据和反馈来改进系统性能,同时还涉及到维修策略的制定和效果记录,为未来的故障预防和维修策略提供数据支持,并通过合理性评估策略和参数调整规则,该方案能够确保故障分类的结果是合理的,减少误诊率,再通过计算故障区域的影响关联值,理解故障对整个发动机的影响。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于特征扩增的航空发动机故障诊断方法,其特征在于,包括以下步骤:
S1、获取航空发动机的设备参数和历史参数,根据设备参数配置发动机航空安全阈值,并根据发动机航空安全阈值对历史参数分类,得到航空发动机正常数据和航空发动机故障数据;
S2、根据航空发动机故障数据,通过航空发动机故障数据分类规则,对航空发动机故障数据分类,并基于故障分级规则,对故障分类结果分级,获取故障分级分类结果;
S3、根据故障分级分类结果,通过特征提取策略,对故障分级分类结果进行特征提取,获取故障特征参数,并根据故障特征参数构建故障特征数据库;
S4、获取航空发动机的实时参数,并根据发动机航空安全阈值对实时参数进行数据分类,获取航空发动机正常实时数据和航空发动机故障实时数据;
S5、根据航空发动机故障实时数据,通过特征扩增策略,对航空发动机故障实时数据的故障数据扩增,获取故障扩增数据,并将故障扩增数据与故障特征数据库比对,获取航空发动机故障诊断结果;
S6、根据航空发动机故障诊断结果生成航空发动机维修策略,根据航空发动机维修策略对航空发动机维修,记录航空发动机维修策略的维修效果,并根据维修效果对航空发动机维修策略优化更新。
2.根据权利要求1所述的一种基于特征扩增的航空发动机故障诊断方法,其特征在于,所述根据航空发动机故障数据,通过航空发动机故障数据分类规则,对航空发动机故障数据分类,并基于故障分级规则,对故障分类结果分级,获取故障分级分类结果包括以下步骤:
S21、预设航空发动机故障数据分类规则,并对航空发动机故障数据进行数据预处理;
S22、根据数据预处理后的航空发动机故障数据,通过故障分类模型,对数据预处理后的航空发动机故障数据进行故障种类划分;
S23、根据故障种类划分结果,进行故障区域匹配,基于故障区域匹配结果分析故障影响范围,并设置故障分级规则,基于故障分级规则对故障种类划分结果进行故障分级;
S24、对故障分级结果进行验证,并基于验证后的故障分级结果对故障种类划分结果添加标注,得到故障分级分类结果。
3.根据权利要求2所述的一种基于特征扩增的航空发动机故障诊断方法,其特征在于,所述根据数据预处理后的航空发动机故障数据,通过故障分类模型,对数据预处理后的航空发动机故障数据进行故障种类划分包括以下步骤:
S221、预设故障分类模型,基于故障分析模型构建故障分类模型库,并设置模型匹配规则;
S222、根据模型匹配规则,计算航空发动机故障数据与故障分类模型库内部模型的模型匹配值,并根据模型匹配值选择适配故障分类模型;
S223、对适配故障分类模型进行模型训练评估,并基于模型评估结果对适配故障分类模型进行优化调整;
S224、根据优化调整后的适配故障分类模型,对航空发动机故障数据进行故障种类划分;
S225、根据故障划分结果,通过合理性评估策略,获取故障种类划分结果的合理参数,并预设合理参数调整规则,根据合理参数调整规则和故障种类划分结果的合理参数对故障种类划分结果调节优化。
4.根据权利要求2所述的一种基于特征扩增的航空发动机故障诊断方法,其特征在于,所述根据故障种类划分结果,进行故障区域匹配,基于故障区域匹配结果分析故障影响范围,并设置故障分级规则,基于故障分级规则对故障种类划分结果进行故障分级包括以下步骤:
S231、根据航空发动机设备规格进行设备区域划分,并对设备区域进行影响性赋权,将故障种类划分结果与设备区域进行匹配,获取设备故障区域;
S232、根据设备故障区域的影响性赋权结果,通过因素分析算法,计算设备故障区域的影响关联值,并对影响关联值进行解析获取故障影响范围;
S233、预设故障分级规则和影响分级规则,并基于故障分级规则和影响分级规则对故障种类划分结果进行等级划分。
5.根据权利要求4所述的一种基于特征扩增的航空发动机故障诊断方法,其特征在于,所述根据设备故障区域的影响性赋权结果,通过因素分析算法,计算设备故障区域的影响关联值,并对影响关联值进行解析获取故障影响范围包括以下步骤:
S2321、将影响性赋权结果进行标准化数据调整,并进行因子分析,获取影响性赋权结果的影响因子;
S2322、对影响因子进行因子旋转优化影响因子结构,并计算优化后影响因子的影响关联值;
S2323、根据影响关联值评估设备故障区域对航空发动机的整体影响,并进行验证,获取故障影响范围。
6.根据权利要求5所述的一种基于特征扩增的航空发动机故障诊断方法,其特征在于,所述对影响因子进行因子旋转优化影响因子结构,并计算优化后影响因子的影响关联值的计算公式为:
其中,W为影响因子的影响关联值;
N为影响因子的影响因素个数;
SR为影响因子的第R个影响因素中因子权重得分;
DR为影响因子的第R个影响因素中因子权重负荷。
7.根据权利要求1所述的一种基于特征扩增的航空发动机故障诊断方法,其特征在于,所述根据航空发动机故障实时数据,通过特征扩增策略,对航空发动机故障实时数据的故障数据扩增,获取故障扩增数据,并将故障扩增数据与故障特征数据库比对,获取航空发动机故障诊断结果包括以下步骤:
S51、对航空发动机故障实时数据进行数据清洗,并对清洗后的航空发动机故障实时数据进行特征提取,获取特征参数;
S52、预设特征扩增策略和故障特征数据库,并根据特征扩增策略对特征参数进行数据扩增,对特征参数的数据扩增情况进行验证,获取故障扩增数据;
S53、将故障扩增数据与故障特征数据库,通过数据比对规则进行比对,并对比对结果进行匹配值计算验证,根据验证后的匹配值判断航空发动机的故障情况;
S54、将航空发动机的故障情况按影响情况进行排序,并进行整合,获取航空发动机故障诊断结果。
8.根据权利要求7所述的一种基于特征扩增的航空发动机故障诊断方法,其特征在于,所述预设特征扩增策略和故障特征数据库,并根据特征扩增策略对特征参数进行数据扩增,对特征参数的数据扩增情况进行验证,获取故障扩增数据包括以下步骤:
S521、设置数据扩增方案和故障特征数据库,并对数据扩增方案整合得到特征扩增策略;
S522、将特征扩增策略内部的数据扩增方案与特征参数进行相似性分析,并根据相似性分析结果选择数据扩增方案;
S523、采用选择数据扩增方案对特征参数进行数据扩增,并对扩增后的特征参数进行统计分析验证,得到故障扩增数据。
9.根据权利要求7所述的一种基于特征扩增的航空发动机故障诊断方法,其特征在于,所述将故障扩增数据与故障特征数据库,通过数据比对规则进行比对,并对比对结果进行匹配值计算验证,根据验证后的匹配值判断航空发动机的故障情况包括以下步骤:
S531、预设比对标准,并根据比对标准将故障扩增数据与故障特征数据库进行比对;
S532、根据比对结果,通过匹配算法进行匹配值计算,并设置故障诊断阈值;
S533、将匹配值与故障诊断阈值进行对比判断,根据判断结果获取航空发动机的故障情况。
10.一种基于特征扩增的航空发动机故障诊断系统,用于实现权利要求1-9中任一项所述的基于特征扩增的航空发动机故障诊断方法,其特征在于,该系统包括:
数据获取模块,用于获取航空发动机的设备参数和历史参数,根据设备参数配置发动机航空安全阈值,并根据发动机航空安全阈值对历史参数分类,得到航空发动机正常数据和航空发动机故障数据;
故障分类模块,用于根据航空发动机故障数据,通过航空发动机故障数据分类规则,对航空发动机故障数据分类,并基于故障分级规则,对故障分类结果分级,获取故障分级分类结果;
特征提取模块,用于根据故障分级分类结果,通过特征提取策略,对故障分级分类结果进行特征提取,获取故障特征参数,并根据故障特征参数构建故障特征数据库;
实时数据模块,用于获取航空发动机的实时参数,并根据发动机航空安全阈值对实时参数进行数据分类,获取航空发动机正常实时数据和航空发动机故障实时数据;
故障诊断模块,用于根据航空发动机故障实时数据,通过特征扩增策略,对航空发动机故障实时数据的故障数据扩增,获取故障扩增数据,并将故障扩增数据与故障特征数据库比对,获取航空发动机故障诊断结果;
维修更新模块,用于根据航空发动机故障诊断结果生成航空发动机维修策略,根据航空发动机维修策略对航空发动机维修,记录航空发动机维修策略的维修效果,并根据维修效果对航空发动机维修策略优化更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410138129.2A CN117988988A (zh) | 2024-02-01 | 2024-02-01 | 一种基于特征扩增的航空发动机故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410138129.2A CN117988988A (zh) | 2024-02-01 | 2024-02-01 | 一种基于特征扩增的航空发动机故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117988988A true CN117988988A (zh) | 2024-05-07 |
Family
ID=90898994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410138129.2A Pending CN117988988A (zh) | 2024-02-01 | 2024-02-01 | 一种基于特征扩增的航空发动机故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117988988A (zh) |
-
2024
- 2024-02-01 CN CN202410138129.2A patent/CN117988988A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dangut et al. | An integrated machine learning model for aircraft components rare failure prognostics with log-based dataset | |
KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
JP4175296B2 (ja) | 建設機械のデータ処理装置及び建設機械のデータ処理方法 | |
CN112906969B (zh) | 发动机故障预测方法、装置、电子设备及存储介质 | |
JP2013041448A (ja) | 異常検知・診断方法、および異常検知・診断システム | |
Kang et al. | Hierarchical level fault detection and diagnosis of ship engine systems | |
CN117743909A (zh) | 一种基于人工智能的供热系统故障分析方法及装置 | |
CN116484751A (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及系统 | |
CN117786373B (zh) | 一种基于大数据的瓦楞纸加工的设备运行诊断系统 | |
Sayed-Mouchaweh et al. | Explainable decision support tool for iot predictive maintenance within the context of industry 4.0 | |
CN114118982A (zh) | 云计算和边缘计算结合的生产控制系统 | |
Liu et al. | Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade | |
CN116909712A (zh) | 基于机器学习的智能任务调度系统及其方法 | |
CN117988988A (zh) | 一种基于特征扩增的航空发动机故障诊断方法及系统 | |
Efeoğlu et al. | Machine learning for predictive maintenance: support vector machines and different kernel functions | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
Urmeneta et al. | A methodology for performance assessment at system level—Identification of operating regimes and anomaly detection in wind turbines | |
CN115964883A (zh) | 一种无人艇的状态监测与维修保障系统 | |
CN115374961A (zh) | 一种船舶动力运维系统及运维方法 | |
Daouayry et al. | Data-centric helicopter failure anticipation: The mgb oil pressure virtual sensor case | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
CN112862180A (zh) | 一种脱硝系统入口NOx浓度预测方法 | |
Yu et al. | Information fusion strategy for aircraft engine health management | |
Ingole et al. | Investigation of Different Regression Models For The Predictive Maintenance of Aircraft's Engine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |