[發明專利]一種基于深度學習的機務外場飛機燃油系統故障預測方法，終端機及可讀存儲介質

在審

• 申請號: 201910280662.1
• 申請日: 2019-04-09
• 公開（公告）號: CN109992915A
• 公開（公告）日: 2019-07-09
• 發明（設計）人: 馬雙濤;許政;封桂榮;艾騰騰
• 申請（專利權）人: 山東超越數控電子股份有限公司
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/04;G06N3/08
• 代理公司: 濟南竹森知識產權代理事務所(普通合伙) 37270
• 代理人: 呂利敏

1.一種基于深度學習的機務外場飛機燃油系統故障預測方法，其特征在于，包括以下步驟：

步驟1，獲取燃油系統中對故障敏感的N種飛機參數所組成的時序數據集；

步驟2，根據燃油系統飛參數據固定時間內的時序波獲取頻譜圖；

步驟3，深度學習算法根據頻譜圖對飛機燃油系統進行故障預測。

2.根據權利要求1所述的基于深度學習的機務外場飛機燃油系統故障預測方法，其特征在于，

步驟1所述的燃油系統中對故障敏感的N種飛機參數包括：總剩油量、燃油溫度、左供油箱油量、右供油箱油量、右機翼油箱油量、左機翼油箱油量、前機身油箱油量、機身副油箱油量、左機翼副油箱油量以及右機翼副油箱油量。

3.根據權利要求1所述的基于深度學習的機務外場飛機燃油系統故障預測方法，其特征在于，所述步驟2還包括：

步驟21，把獲取燃油系統中對故障敏感的N種飛機參數所組成的時序數據按t毫秒的固定時長分塊；

步驟22，把在t毫秒時間內的燃油系統飛參數據繪成時序波；

步驟23，利用傅立葉變換運算分解時序波，求取各個頻帶的能量值，獲取燃油系統中對故障敏感的N種飛機參數的時序波頻譜圖。

4.根據權利要求1所述的基于深度學習的機務外場飛機燃油系統故障預測方法，其特征在于，所述步驟3還包括：

步驟31，利用飛機燃油系統正常工作和異常工作時的飛參數據頻譜圖離線訓練卷積神經網絡框架；

步驟32，利用訓練好的卷積神經網絡框架，根據飛參數據的頻譜圖，對飛機燃油系統故障情況進行在線預測。

5.根據權利要求1所述的基于深度學習的機務外場飛機燃油系統故障預測方法，其特征在于，所述步驟31利用飛機燃油系統正常工作和異常工作時的飛參數據頻譜圖離線訓練卷積神經網絡框架，包括以下步驟:

步驟311，構造卷積神經網絡，具體步驟如下：

A.構造輸入層：把尺寸大小一樣的飛機燃油系統正常工作和異常工作時的飛參數據頻譜圖作為輸入層；

B.構造卷積層：卷積層由K個卷積濾波器構成，對頻譜圖進行濾波得到K個特征圖s1；

C.構造下采樣層：下采樣層對特征圖進行采用，分別對K個特征圖的t×t大小的領域進行加權求和或者取其最大值等運算，再乘上一個乘子偏差，加上位移偏差，接著通過一個激活函數的運算，得到最后的下采樣特征圖c1；

D.重復步驟B和步驟C：下采樣特征圖c1再作為輸入層，通過B步驟得到第二層卷積層s2，再通過C步驟下采樣，得到第二層下采樣層c2，重復這兩個步驟，特征圖的大小變小直到最后一次濾波后光柵化為一維數據；

E.構造密集連接層:對光柵化為一維的數據加入有M個神經元的全連接層，即通過乘上全連接層的權重矩陣，加上偏置，然后對其使用激活函數ReLU，得到最后的全連接層；

F.構造輸出層：輸出層采用softmax層，跟全連接層相連，輸出最后的檢測結果；

步驟312，利用飛機燃油系統正常工作和異常工作時的飛參數據頻譜圖，采用Adam算法對卷積神經網絡的誤差梯度做最速下降優化，離線訓練卷積神經網絡。

6.一種實現基于深度學習的機務外場飛機燃油系統故障預測方法的終端機，其特征在于，包括：

存儲器，用于存儲計算機程序及實現多存儲器壓力測試系統；

處理器，用于執行所述計算機程序及基于深度學習的機務外場飛機燃油系統故障預測方法，以實現如權利要求1至5任意一項所述基于深度學習的機務外場飛機燃油系統故障預測方法的步驟。

7.一種具有基于深度學習的機務外場飛機燃油系統故障預測方法的可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行以實現如權利要求1至5任意一項所述基于深度學習的機務外場飛機燃油系統故障預測方法的步驟。