[發明專利]飛機環控系統故障識別模型構建方法、模型及識別方法

在審

• 申請號: 202010032272.5
• 申請日: 2020-01-13
• 公開（公告）號: CN111259949A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 黃剛;許政;畢茂華;封桂榮
• 申請（專利權）人: 山東超越數控電子股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 孫園園

1.飛機環控系統故障識別模型構建方法，其特征在于基于卷積神經網絡和集成學習生成用于檢測飛機環控系統故障的故障識別模型，所述構建方法包括如下步驟：

獲取飛機多個架次的N種環控系統參數，并構建時序數據集，所述環控系統參數為對環控系統故障敏感的飛機參數，所述時序數據集S表示為：

S＝{s⁽ⁱ⁾|i＝1,2,K,N}；

對于上述時序數據集進行預處理；

對于上述時序數據集進行人工標記，標記故障狀態；

對于上述N種環控系統參數，提取時域信號和頻域信號；

基于上述時域信號構建時域弱分類器，基于上述頻域信號構建頻域弱分類器，所述時域弱分類器和頻域弱分類器均為CNN神經網絡模型；

通過adaboost集成學習算法將時域弱分類器和建頻域弱分類器進行集成，得到基于CNN神經網絡和集成學習的故障識別模型。

2.根據權利要求1所述的環控系統故障識別模型構建方法，其特征在于所述環控系統參數包括但不限于交流電源電壓、交流電壓頻率、第一低液壓開關表決信號、第二低液壓開關表決信號、左輪載開關表決信號、右輪載開關表決信號、電子設備溫度、探頭加溫狀態；

所述時序數據集的采樣頻率為f，上述時序數據集劃分為f組數據集。

3.根據權利要求1所述的飛機環控系統故障識別模型構建方法，其特征在于對上述對于上述時序數據集進行預處理，包括：

對時序數據集進行異常值剔除；

對時序數據集進行缺失數據填補；

對時序數據集進行去噪濾波；

對時序數據集進行歸一化處理。

4.根據權利要求1所述的飛機環控系統故障識別模型構建方法，其特征在于所述故障狀態包括正常狀態、電子設備熱、探頭加溫異常、環控系統異常關閉，分別標記為0、1、2和3。

5.根據權利要求1所述的飛機環控系統故障識別模型構建方法，其特征在于對于上述N種環控系統參數，提取時域信號和頻域信號，包括如下步驟：

對時序數據集進行EMD經驗模態分解，將s⁽ⁱ⁾劃分為m個分解信號，依次為λ₁⁽ⁱ⁾、λ₂⁽ⁱ⁾、……，λ_m⁽ⁱ⁾，對于s⁽ⁱ⁾第j個分解信號為：

其中，β為懲罰項系數，為常數項，w⁽ⁱ⁾為s⁽ⁱ⁾的中心頻率，為第j個分解信號的中心頻率：

對于上述m個分解信號進行高斯濾波處理后后進行疊加，形成中間過程信號P⁽ⁱ⁾，并基于小波變換將分解為中間過程信號P⁽ⁱ⁾分解為頻域信號V⁽ⁱ⁾；

以最小周期為斷點，將一維時域信號V⁽ⁱ⁾重構為二維時域信號T⁽ⁱ⁾。

6.根據權利要求5所述的飛機環控系統故障識別模型構建方法，其特征在于基于上述時域信號構建時域弱分類器，包括如下步驟：

基于CNN卷積神經網絡構建時域神經網絡模型，所述時域神經網絡模型包括輸入層、卷積層、池化層、全連接層和輸出層；

基于每一組時域信號T⁽ⁱ⁾訓練所述時域神經網絡模型，得到對應的時域弱分類器，時域弱分類器為{T_m1,T_ms0,......,T_mf}；

基于上述頻域信號構建頻域弱分類器，包括如下步驟：

基于CNN卷積神經網絡構建頻域神經網絡模型，所述頻域神經網絡模型包括輸入層、卷積層C1、池化層S1、卷積層C2、池化層S2、全連接層和輸出層；

基于每一組頻域信號V⁽ⁱ⁾訓練所述頻域神經網絡模型，得到對應的頻域弱分類器，頻域弱分類器為{V_m1,V_ms0,......,V_mf}。