一种飞机飞行控制系统的故障预测方法及系统

1.本发明涉及故障预测技术领域，具体为一种飞机飞行控制系统的故障预测方法及系统。

背景技术：

2.飞机飞行控制系统是飞机重要的组成部分，对飞机的健康状态至关重要，用于稳定飞机姿态、保持航迹，以及在各种状态下增强飞机的稳定性、改善飞行品质和提高飞机的机动性，一旦发生故障会影响飞行任务的完成。通过对飞机飞行控制系统电路故障进行预测，能够实现飞机飞行控制系统电路的早期故障预警。
3.目前，故障诊断技术被广泛应用于航空、汽车、通信、医学等领域的设备与系统中，监测着系统的状态，对故障进行诊断，保证着系统的安全。为了保证整个航空系统可靠运行，故障检测、诊断以及排除就显得极为重要。传统对于飞机飞行控制系统的故障预测方法是基于回归模型进行预测，但是由于飞行系统的复杂性随着性能的提升和优化也在大大增加，导致建立准确的回归模型难度较大，从而直接影响了预测性能，导致预测结果精度较低。然而在飞机飞行控制系统中，一点微小的误差都有可能演变为重大的灾难事故。因此，高精度的故障预测亟待伸入研究探讨。

技术实现要素：

4.为了解决现有技术中存在的问题，本发明提供一种飞机飞行控制系统的故障预测方法及系统，能够实时实现高精度的故障预测，保证更准确的故障预测效果。
5.为实现上述目的，本发明提供如下技术方案：
6.一种飞机飞行控制系统的故障预测方法，包括如下步骤：
7.连续监测飞机飞行控制系统的多个监测参数；
8.从多个监测参数中筛选主要退化特征；
9.根据主要退化特征构建长短期记忆网络模型；
10.基于长短期记忆网络模型，预测主要退化特征的退化趋势；
11.构建主要退化特征与剩余有效性能的映射关系；
12.根据构建的映射关系将主要退化特征的退化趋势转化为剩余有效性能轨迹，并计算故障发生时间，完成故障预测。
13.优选地，所述监测参数包括飞机飞行控制系统的电源模块、导航滤波模块和微控制单元模块。
14.优选地，所述从多个监测参数中筛选主要退化特征具体包括如下步骤：
15.利用核主成分分析法分析各个监测参数之间的相关性；
16.对多个监测参数进行组合，获取不同的监测参数组合；
17.计算确定包含信息最多的监测参数组合，筛选作为主要退化特征。
18.优选地，所述根据主要退化特征构建长短期记忆网络模型具体包括如下步骤：
19.将飞机飞行控制系统的主要退化特征划分为多组训练样本；
20.将每组训练样本的预测标签设定为训练数据集的最后一个值，进行长短期记忆网络模型的构建。
21.优选地，所述将飞机飞行控制系统的主要退化特征划分为多组训练样本包括；
22.将飞机飞行控制系统的主要退化特征按照时间进行排序，获得主要退化特征的历史时序数据；
23.将历史时序数据划分为多组训练样本作为训练数据集的数据样本。
24.优选地，所述长短期记忆网络模型的训练参数包括神经元和时间步长。
25.优选地，所述基于长短期记忆网络模型，预测主要退化特征的退化趋势包括：
26.连续监测飞机飞行控制系统的主要退化特征；
27.将监测的主要退化特征数据输入长短期记忆网络模型中获取预测值；
28.将获取的预测值作为输入值输入长短期记忆网络模型中获取下一个预测值；
29.重复步骤实现连续预测，根据主要退化特征的预测值获得主要退化特征的退化趋势。
30.优选地，所述构建主要退化特征与剩余有效性能的映射关系包括：
31.采用weibull失效率函数对提取的主要退化特征进行时域平滑，获得主要退化特征向量，建立主要退化特征向量与剩余有效性能的映射关系。
32.优选地，所述剩余有效性能的取值范围为区间[0，1]，其中，飞机飞行控制系统的健康状态时对应的剩余有效性能的取值为1。
[0033]
一种飞机飞行控制系统的故障预测系统，包括：
[0034]
数据监测模块，用于连续监测飞机飞行控制系统的多个监测参数；
[0035]
筛选模块，用于从多个监测参数中筛选主要退化特征；
[0036]
长短期记忆网络模型构建模块，用于根据主要退化特征构建长短期记忆网络模型；
[0037]
退化趋势预测模块，用于基于长短期记忆网络模型，预测主要退化特征的退化趋势；
[0038]
映射关系构建模块，用于构建主要退化特征与剩余有效性能的映射关系；
[0039]
故障预测模块，用于根据构建的映射关系将主要退化特征的退化趋势转化为剩余有效性能轨迹，并计算故障发生时间，完成故障预测。
[0040]
与现有技术相比，本发明具有以下有益效果：
[0041]
本发明提供了一种飞机飞行控制系统的故障预测方法，将长短期记忆网络引入到故障预测任务中，提出基于长短期记忆网络的飞机飞行控制系统故障预测系统及实现方式，避免了由于回归模型建立不准确导致预测精度低的问题，有效地提升了故障预测精度，且该故障预测方法的移植能力较强。基于长短期记忆网络的预测模型其优势在于，可以实时实现高精度的故障预测。
[0042]
进一步，基于长短期记忆网络的故障预测模型可以不断地利用新的历史数据进行更新，持续保障模型的高精度。
附图说明
[0043]
图1是本发明所述飞机飞行控制系统的故障预测方法流程图。
[0044]
图2是本发明实施例中飞机飞行控制系统故障预测的步骤流程图。
具体实施方式
[0045]
下面结合附图对本发明的原理和特征做进一步的详细说明，所举实例只用于解释本发明，并非用于限定本发明的范围。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
[0046]
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。
[0047]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0048]
本发明提供一种飞机飞行控制系统的故障预测方法，如图1所示，包括如下步骤：
[0049]
连续监测飞机飞行控制系统的多个监测参数；
[0050]
从多个监测参数中筛选主要退化特征；
[0051]
根据主要退化特征构建长短期记忆网络模型；
[0052]
基于长短期记忆网络模型，预测主要退化特征的退化趋势；
[0053]
构建主要退化特征与剩余有效性能的映射关系；
[0054]
根据构建的映射关系将主要退化特征的退化趋势转化为剩余有效性能轨迹，并计算故障发生时间，完成故障预测。
[0055]
本发明设计了一种飞机飞行控制系统的故障预测方法，针对传统的基于数学回归模型精度低和对象适应性差的问题，本发明将长短期记忆网络引入到故障预测任务中，提出基于长短期记忆网络的飞机飞行控制系统故障预测系统及实现方式，避免了由于回归模型建立不准确导致预测精度低的问题，有效地提升了故障预测精度，且该故障预测方法的移植能力较强。基于长短期记忆网络的预测模型其优势在于，可以实时实现高精度的故障预测，且随着飞行任务的进行，新的飞机飞行控制系统状态监测数据可以用于更新长短期记忆网络预测模型，使得预测模型精度更高，进而保证更准确的故障预测效果。
[0056]
其中，所述监测参数包括飞机飞行控制系统的电源模块、导航滤波模块和微控制单元模块。
[0057]
优选地，所述从多个监测参数中筛选主要退化特征具体包括如下步骤：
[0058]
利用核主成分分析法分析各个监测参数之间的相关性；
[0059]
对多个监测参数进行组合，获取不同的监测参数组合；
[0060]
计算确定包含信息最多的监测参数组合，筛选作为主要退化特征，将其作为反映飞机飞行控制系统中电路退化的主成分，实现参数降维。
[0061]
优选地，所述根据主要退化特征构建长短期记忆网络模型具体包括如下步骤：
[0062]
将飞机飞行控制系统的主要退化特征按照时间进行排序，获得主要退化特征的历史时序数据；
[0063]
将历史时序数据划分为多组训练样本；
[0064]
将每组训练样本的预测标签设定为训练数据集的最后一个值，实现训练数据集的构建；
[0065]
设置所述长短期记忆网络模型的训练参数包括神经元和时间步长等，即可进行长短期记忆网络模型的构建与训练。
[0066]
优选地，所述基于长短期记忆网络模型，预测主要退化特征的退化趋势包括：
[0067]
连续监测飞机飞行控制系统的主要退化特征；
[0068]
将监测的主要退化特征数据输入长短期记忆网络模型中获取预测值；
[0069]
将获取的预测值作为输入值输入长短期记忆网络模型中获取下一个预测值；
[0070]
重复步骤实现连续预测，根据主要退化特征的预测值获得主要退化特征的退化趋势。
[0071]
优选地，所述构建主要退化特征与剩余有效性能的映射关系包括：
[0072]
采用weibull失效率函数对提取的主要退化特征进行时域平滑，获得主要退化特征向量，建立主要退化特征向量与剩余有效性能的映射关系。
[0073]
其中，所述剩余有效性能的取值范围为区间[0，1]，其中，飞机飞行控制系统的健康状态时对应的剩余有效性能的取值为1。
[0074]
本发明还提供一种飞机飞行控制系统的故障预测系统，用以实现本发明所述的故障预测方法，包括：
[0075]
数据监测模块，用于连续监测飞机飞行控制系统的多个监测参数；
[0076]
筛选模块，用于从多个监测参数中筛选主要退化特征；
[0077]
长短期记忆网络模型构建模块，用于根据主要退化特征构建长短期记忆网络模型；
[0078]
退化趋势预测模块，用于基于长短期记忆网络模型，预测主要退化特征的退化趋势；
[0079]
映射关系构建模块，用于构建主要退化特征与剩余有效性能的映射关系；
[0080]
故障预测模块，用于根据构建的映射关系将主要退化特征的退化趋势转化为剩余有效性能轨迹，并计算故障发生时间，完成故障预测。
[0081]
本发明中采用的长短期记忆网络是一种擅长时序数据预测的机器学习方法，避免了由于回归模型建立不准确导致预测精度低的问题。
[0082]
本发明提供的基于长短期记忆网络的飞机飞行控制系统故障预测系统及方法，无需建立准确的数学回归模型，通过监测飞机飞行控制系统的多参数，利用核主成分分析法确定主要退化参数，作为反映电路退化的主成分。使用长短期记忆网络跟踪退化特征序列，利用主要退化特征历史时序数据训练长短期记忆网络模型。模型经过测试证明预测精度好后即可用于飞机飞行控制系统故障预测。本发明所提出的方法具有精度高、易移植等优点。
[0083]
本发明提出的故障预测方法可以移植应用到其他对象中，满足其他系统的高精度故障预测的目的。
[0084]
进一步，基于长短期记忆网络的故障预测模型可以不断地利用新的历史数据进行
更新，持续保障模型的高精度。
[0085]
实施例
[0086]
如图2所示，本实施例中提供一种本发明所述故障预测方法的具体实施方式，步骤如下：
[0087]
步骤1：连续监测飞机飞行控制系统的多个监测参数，获得多参数历史时序数据。将飞机飞行控制系统的所有组成的监测参数汇总，包括电源模块、导航滤波模块、微控制单元模块等。连续监测多个飞行起降过程的参数时序数据，为后续模型训练数据集做准备。
[0088]
步骤2：利用核主成分分析方法从多个被监测参数中筛选主要退化特征，将其作为反映电路退化的主成分。利用核主成分分析法，考察n个被监测参数之间的相关性，通过计算确定包含信息最多的参数组合，作为k个主要退化特征，实现参数降维。
[0089]
步骤3：利用主要退化特征历史时序数据训练长短期记忆网络模型。将飞机飞行控制系统的主要退化特征历史时序数据划分为m组训练样本，作为训练数据集的m个样本，每组训练样本的预测标签为其中的最后一个值。设置长短期记忆网络的参数，包括神经元、时间步长等，即可进行长短期记忆网络的训练。
[0090]
步骤4：利用weibull失效率函数建立主要退化特征与剩余有效性能的映射关系。
[0091]
步骤5：利用训练好的长短期记忆网络模型，预测主要退化特征退化趋势，并根据主要退化特征和剩余有效性能的映射关系将主要退化特征退化趋势转为剩余有效性能轨迹，计算故障发生时间。具体步骤如下：
[0092]
连续监测一段时间飞机飞行控制系统的k个主要退化特征，将监测的数据输入长短期记忆网络模型，得到一个预测值，将第一个预测值作为模型的输入，获得下一个预测值，实现连续预测。
[0093]
利用主要退化特征和剩余有效性能的映射关系将主要退化特征的预测值进行转换，得到剩余有效性能的轨迹。进而判断飞机飞行控制系统发生故障的时间。
[0094]
本发明提供的基于长短期记忆网络的飞机飞行控制系统故障预测系统及方法，避免了由于回归模型建立不准确导致预测精度低的问题，可以实时实现高精度的故障预测。
[0095]
本发明通过关键监测参数表达飞机飞行控制系统的性能，利用粒子学习核平滑方法建立两者之间的准确关系。且随着新数据的不断获得，预测模型可以被更新进而提升预测的精度。
[0096]
本发明利用连续监测飞机飞行控制系统的多个监测参数获得的历史时序数据训练预测模型。随着飞行任务的进行，新的飞机飞行控制系统状态监测数据可以用于更新长短期记忆网络预测模型，使得预测模型精度更高，进而保证更准确的故障预测效果。
[0097]
以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明；但是，凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

技术特征：

1.一种飞机飞行控制系统的故障预测方法，其特征在于，包括如下步骤：连续监测飞机飞行控制系统的多个监测参数；从多个监测参数中筛选主要退化特征；根据主要退化特征构建长短期记忆网络模型；基于长短期记忆网络模型，预测主要退化特征的退化趋势；构建主要退化特征与剩余有效性能的映射关系；根据构建的映射关系将主要退化特征的退化趋势转化为剩余有效性能轨迹，并计算故障发生时间，完成故障预测。2.根据权利要求1所述的一种飞机飞行控制系统的故障预测方法，其特征在于，所述监测参数包括飞机飞行控制系统的电源模块、导航滤波模块和微控制单元模块。3.根据权利要求1所述的一种飞机飞行控制系统的故障预测方法，其特征在于，所述从多个监测参数中筛选主要退化特征具体包括如下步骤：利用核主成分分析法分析各个监测参数之间的相关性；对多个监测参数进行组合，获取不同的监测参数组合；计算确定包含信息最多的监测参数组合，筛选作为主要退化特征。4.根据权利要求1所述的一种飞机飞行控制系统的故障预测方法，其特征在于，所述根据主要退化特征构建长短期记忆网络模型具体包括如下步骤：将飞机飞行控制系统的主要退化特征划分为多组训练样本；将每组训练样本的预测标签设定为训练数据集的最后一个值，进行长短期记忆网络模型的构建。5.根据权利要求4所述的一种飞机飞行控制系统的故障预测方法，其特征在于，所述将飞机飞行控制系统的主要退化特征划分为多组训练样本包括；将飞机飞行控制系统的主要退化特征按照时间进行排序，获得主要退化特征的历史时序数据；将历史时序数据划分为多组训练样本作为训练数据集的数据样本。6.根据权利要求1所述的一种飞机飞行控制系统的故障预测方法，其特征在于，所述长短期记忆网络模型的训练参数包括神经元和时间步长。7.根据权利要求1所述的一种飞机飞行控制系统的故障预测方法，其特征在于，所述基于长短期记忆网络模型，预测主要退化特征的退化趋势包括：连续监测飞机飞行控制系统的主要退化特征；将监测的主要退化特征数据输入长短期记忆网络模型中获取预测值；将获取的预测值作为输入值输入长短期记忆网络模型中获取下一个预测值；重复步骤实现连续预测，根据主要退化特征的预测值获得主要退化特征的退化趋势。8.根据权利要求1所述的一种飞机飞行控制系统的故障预测方法，其特征在于，所述构建主要退化特征与剩余有效性能的映射关系包括：采用weibull失效率函数对提取的主要退化特征进行时域平滑，获得主要退化特征向量，建立主要退化特征向量与剩余有效性能的映射关系。9.根据权利要求1所述的一种飞机飞行控制系统的故障预测方法，其特征在于，所述剩余有效性能的取值范围为区间[0，1]，其中，飞机飞行控制系统的健康状态时对应的剩余有
效性能的取值为1。10.一种飞机飞行控制系统的故障预测系统，其特征在于，包括：数据监测模块，用于连续监测飞机飞行控制系统的多个监测参数；筛选模块，用于从多个监测参数中筛选主要退化特征；长短期记忆网络模型构建模块，用于根据主要退化特征构建长短期记忆网络模型；退化趋势预测模块，用于基于长短期记忆网络模型，预测主要退化特征的退化趋势；映射关系构建模块，用于构建主要退化特征与剩余有效性能的映射关系；故障预测模块，用于根据构建的映射关系将主要退化特征的退化趋势转化为剩余有效性能轨迹，并计算故障发生时间，完成故障预测。

技术总结

本发明公开了一种飞机飞行控制系统的故障预测方法及系统，能够实时实现高精度的故障预测，保证更准确的故障预测效果。包括如下步骤：连续监测飞机飞行控制系统的多个监测参数；从多个监测参数中筛选主要退化特征；根据主要退化特征构建长短期记忆网络模型；基于长短期记忆网络模型，预测主要退化特征的退化趋势；构建主要退化特征与剩余有效性能的映射关系；根据构建的映射关系将主要退化特征的退化趋势转化为剩余有效性能轨迹，并计算故障发生时间，完成故障预测。完成故障预测。完成故障预测。