[發(fā)明專利]一種基于飛行數(shù)據(jù)與深度學(xué)習(xí)的飛行故障預(yù)測方法及裝置

有效

• 申請?zhí)枺?/td>: 202011616366.3
• 申請日: 2020-12-30
• 公開（公告）號: CN112817296B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設(shè)計）人: 郭樂江;彭曉明;肖蕾;胡俊;胡亞慧;唐曉;羅剛
• 申請（專利權(quán)）人: 中國人民解放軍空軍預(yù)警學(xué)院
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 武漢藍寶石專利代理事務(wù)所(特殊普通合伙) 42242
• 代理人: 嚴(yán)超

1.一種基于飛行數(shù)據(jù)與深度學(xué)習(xí)的飛行故障預(yù)測方法，其特征在于，包括如下步驟：

根據(jù)飛機器型號獲取其正常飛行數(shù)據(jù)和故障飛行數(shù)據(jù)；

根據(jù)飛行器的起飛時間間隔和飛行數(shù)據(jù)標(biāo)準(zhǔn)分別對所述正常飛行數(shù)據(jù)和故障飛行數(shù)據(jù)進行序列化和聚類，得到第一序列數(shù)據(jù)集和第二序列數(shù)據(jù)集：根據(jù)飛行器的型號匹配相應(yīng)的飛行數(shù)據(jù)標(biāo)準(zhǔn)，將屬于同一采樣周期的飛行數(shù)據(jù)進行序列化；將按照飛行器的型號、飛行器的起飛時間間隔對分別對所述正常飛行數(shù)據(jù)和故障飛行數(shù)據(jù)進行降維后聚類，得到包含飛行器的型號、飛時間間隔信息的多維向量；根據(jù)多維向量所對應(yīng)的正常飛行數(shù)據(jù)和故障飛行數(shù)據(jù)，依次分別構(gòu)建所述第一序列數(shù)據(jù)集和第二序列數(shù)據(jù)集；

利用相空間重構(gòu)法將第一序列數(shù)據(jù)集中的序列進行重構(gòu)，得到混沌數(shù)據(jù)集：從第一序列數(shù)據(jù)集中隨機選取1個最小采樣周期內(nèi)的多維向量作為基準(zhǔn)多維向量；每隔K個最小采樣周期選取基準(zhǔn)多維向量，得到M個基準(zhǔn)多維向量；重復(fù)上述步驟L次，得M×L個基準(zhǔn)多維向量的矩陣集合；所述基準(zhǔn)多維向量的矩陣集合即為混沌數(shù)據(jù)集；根據(jù)所述混沌數(shù)據(jù)集和第二序列數(shù)據(jù)集構(gòu)建訓(xùn)練數(shù)據(jù)集；

利用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練直至誤差低于閾值且趨于穩(wěn)定，停止訓(xùn)練，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)；

將當(dāng)前飛行數(shù)據(jù)輸入到所述訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，得到故障發(fā)生概率。

2.根據(jù)權(quán)利要求1所述的基于飛行數(shù)據(jù)與深度學(xué)習(xí)的飛行故障預(yù)測方法，其特征在于，根據(jù)李雅普諾夫指數(shù)λ以確定基準(zhǔn)多維向量的矩陣集合的混沌特性。

3.根據(jù)權(quán)利要求1所述的基于飛行數(shù)據(jù)與深度學(xué)習(xí)的飛行故障預(yù)測方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)包括第一卷積神經(jīng)網(wǎng)絡(luò)、第二卷積神經(jīng)網(wǎng)絡(luò)，所述第一卷積神經(jīng)網(wǎng)絡(luò)與第二卷積神經(jīng)網(wǎng)絡(luò)共用一個全連接層；

所述第一卷積神經(jīng)網(wǎng)絡(luò)，用于根據(jù)所述訓(xùn)練數(shù)據(jù)集和人為故障標(biāo)簽樣本預(yù)測人為故障的概率；

所述第二卷積神經(jīng)網(wǎng)絡(luò)，用于根據(jù)所述訓(xùn)練數(shù)據(jù)集和機械故障標(biāo)簽樣本預(yù)測機械故障的概率。

4.根據(jù)權(quán)利要求3所述的基于飛行數(shù)據(jù)與深度學(xué)習(xí)的飛行故障預(yù)測方法，其特征在于，所述第一卷積神經(jīng)網(wǎng)絡(luò)為VGGNet-16；

所述第二卷積神經(jīng)網(wǎng)絡(luò)包括自動編碼器。

5.一種基于飛行數(shù)據(jù)與深度學(xué)習(xí)的飛行故障預(yù)測裝置，其特征在于，包括獲取模塊、預(yù)處理模塊、重構(gòu)模塊、訓(xùn)練模塊、輸出模塊，

所述獲取模塊，用于根據(jù)飛機器型號獲取其正常飛行數(shù)據(jù)和故障飛行數(shù)據(jù)；

所述預(yù)處理模塊，用于根據(jù)飛行器的起飛時間間隔和飛行數(shù)據(jù)標(biāo)準(zhǔn)分別對所述正常飛行數(shù)據(jù)和故障飛行數(shù)據(jù)進行序列化和聚類，得到第一序列數(shù)據(jù)集和第二序列數(shù)據(jù)集：根據(jù)飛行器的型號匹配相應(yīng)的飛行數(shù)據(jù)標(biāo)準(zhǔn)，將屬于同一采樣周期的飛行數(shù)據(jù)進行序列化；將按照飛行器的型號、飛行器的起飛時間間隔對分別對所述正常飛行數(shù)據(jù)和故障飛行數(shù)據(jù)進行降維后聚類，得到包含飛行器的型號、飛時間間隔信息的多維向量；根據(jù)多維向量所對應(yīng)的正常飛行數(shù)據(jù)和故障飛行數(shù)據(jù)，依次分別構(gòu)建所述第一序列數(shù)據(jù)集和第二序列數(shù)據(jù)集；

所述重構(gòu)模塊，用于利用相空間重構(gòu)法將第一序列數(shù)據(jù)集中的序列進行重構(gòu)，得到混沌數(shù)據(jù)集：從第一序列數(shù)據(jù)集中隨機選取1個最小采樣周期內(nèi)的多維向量作為基準(zhǔn)多維向量；每隔K個最小采樣周期選取基準(zhǔn)多維向量，得到M個基準(zhǔn)多維向量；重復(fù)上述步驟L次，得M×L個基準(zhǔn)多維向量的矩陣集合；所述基準(zhǔn)多維向量的矩陣集合即為混沌數(shù)據(jù)集；根據(jù)所述混沌數(shù)據(jù)集和第二序列數(shù)據(jù)集構(gòu)建訓(xùn)練數(shù)據(jù)集；

所述訓(xùn)練模塊，用于利用所述訓(xùn)練數(shù)據(jù)集訓(xùn)練直至誤差低于閾值且趨于穩(wěn)定，停止訓(xùn)練，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)；

所述輸出模塊，用于將當(dāng)前飛行數(shù)據(jù)輸入到所述訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，得到故障發(fā)生概率。