(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201810900995.5
(22)申请日 2018.08.08
(71)申请人 南京航空航天大学
地址 210016 江苏省南京市秦淮区御道街
29号
(72)发明人 孙见忠 刘翠 王芳圆 宁顺刚
(74)专利代理机构 江苏圣典律师事务所 32237
代理人 贺翔
(51)Int.Cl.
G06F 16/2458(2019.01)
G06F 17/50(2006.01)
G06K 9/62(2006.01)
(54)发明名称基于LSTM-AE深度学习框架的民机系统故障监测与识别方法(57)摘要本发明公开了基于LSTM -AE深度学习框架的民机系统故障监测与识别方法，涉及民机复杂系统状态监控与故障诊断技术领域，能够充实现飞行故障的监测和识别。本发明包括：选取飞机飞行中某稳定工况下系统多状态参数时间序列数据，并根据监测对象的特点，选取合适的工况下的状态参数时间序列数据用于系统重构模型 的训练，然后充分利用LSTM模型所具有长时间序列依赖的记忆能力，对民机系统无故障状态进行建模与重构，通过进一步分析其状态参数重构误差实现故障的监测和识别。本发明解决了民机系统故障监测手段不足的问题，利用深度学习在大数据分析方面的优势，挖掘民机海量运营和维修数据，为民机系统故障监测与航线故障隔离提供了
重要支持。权利要求书2页 说明书6页 附图3页CN 109408552 A 2019.03.01
C N 109408552
A
1.基于LSTM-AE深度学习框架的民机系统故障监测识别方法，其特征在于，包括：
S1、在飞机飞行时某一稳定工况下，提取飞机机载系统中多个状态参数的时间序列数据；
S2、对时间序列数据利用等时间间隔方法提取，得到模型训练数据样本，模型训练数据样本的集合即为飞机机载系统无故障状态的训练数据集；
S3、利用LSTM深度模型所具有的长时间序列建模能力，并依据自编码器原理建立LSTM-AE模型，利用训练数据集训练LSTM-AE模型并优化LSTM-AE模型的参数，得到训练好的LSTM-AE模型；
S4、利用训练好的LSTM-AE模型，重构飞机机载系统的状态参数，计算重构误差矩阵，并在误差矩阵的基础上计算飞机机载系统健康指数和故障特征向量，健康指数用于故障预警，故障特征向量用于故障识别。
2.根据权利要求1所述的方法，其特征在于，根据监测对象的特点，选取合适的工况下的状态参数时间序列数据用于系统重构模型的训练。
3.根据权利要求1所述的方法，其特征在于，所述S2包括：
设定I为采样间隔，L为采样样本长度，N表示提取的多元状态时间序列数据的长度，则所述时间序列数据X＝(X1，X2，…，X N)(N＝L*1)，表达为以下格式：
X＝(X1，X2，…，X N)＝(X1，X2，…，X I，X I+1，…，X2I，X2I+1，…，X(L-1)I，X(L-1)I+1，…，X LI)
通过所述等时间间隔采样得到的所述模型训练数据样本构成了所述训练数据集S＝(s1，s2，…，s I)：
所述训练数据样本分别为：
s1＝(X1，X I+1，X2I+1，…，X(L-1)I+1)
s2＝(X2，X I+2，X2I+2，…，X(L-1)I+2)
………
s I＝(X I，X2I，X3I，…，X LI)。
4.根据权利要求1所述的方法，其特征在于，计算重构误差矩阵的方法包括：
用多元时序数据X描述所述飞行系统的状态，利用所述训练好的LSTM-AE模型得到所述
飞行系统的状态估计为则所述重构误差矩阵E为：
其中，表示第j个参数t时刻的重构误差，j、t均为正整数。
5.根据权利要求4所述的方法，其特征在于，所述健康指数为HI：
其中，E为所述重构误差矩阵，表示第j个参数t时刻的重构误差，I为采样间隔，L为采样样本长度，j、t均为正整数。
6.根据权利要求5所述的方法，其特征在于，计算故障特征向量为V：
V＝(v1 ... v N)
其中，v j表示第j个参数的平均重构误差，E为所述重构误差矩阵，表示第j个参数t时刻的重构误差，I为采样间隔，L为采样样本长度，j、t均为正整数。
基于LSTM-AE深度学习框架的民机系统故障监测与识别方法
技术领域
[0001]本发明涉及民机复杂系统状态监控与故障诊断技术领域，尤其涉及了基于LSTM-AE深度学习框架的民机系统故障监测与识别方法。
背景技术
[0002]现代工程系统复杂性和集成化程度日益升高，同时面临着任务和运行环境动态多样性的挑战，由此带来的可靠性、安全性问题也日趋突出。此外，对其“经济可承受性”也提出了较高要求。与此同时，随着低成本传感与通信技术的发展，现代工程系统通常安装有各种监测系统，在线监测记录系统的状态、性能、运行环境及载荷等参数，这些海量数据具有“工业大数据”的动态、连续采样、多源性、非结构化、大体量等特点，为研究复杂系统的动态行为、安全运行与监控等多个方面带来了新的机遇。
[0003]在民用航空领域，随着系统健康监测技术的发展，民机越来越多的系统采用了健康监测技术，可实现故障监测、定位以及故障预测，使飞机的维修具备了实施更加精准的基于状态的维修的条件。特别是现代民机通常配置有飞机状态监测系统，通过机载数据总线收集各个子系统和部件的工作参数，并根据需要传输到地面进行实时分析或存储到机载设备上(如QAR，Quick Access Recorder，快速存取记录器) 供航后离线分析。随着成本不断降低及应用需求的持续增长，现代民机采集的状态参数日益增多，这些数据为航空安全风险监控、飞机故障监测与航线故障隔离支持提供了丰富的数据源。自上世纪九十年代国际领先的民用飞机制造商引入PHM(Prognostic and Health Management故障预测与健康管理)的
概念和技术，经过了20多年的发展，建立起了基于空地双向数据通信系统的实时监控与健康管理系统，此类系统的典型代表是波音AHM系统、空客AiRTHM系统，此类系统对于OEM 的运营支持和产品技术支援具有重要意义。在民用航空维修领域中，越来越多的数据收集和智能分析工具正在被开发和运用，但人工智能技术在航空维修业的应用仍处于初始阶段，新一代飞机上产生的运营和维修数据呈现数量级增长，但数据利用远远不够，无法充分释放飞机运行海量数据、信息与知识在机务维修领域中的价值。
[0004]综上，现有技术中缺乏一种系统健康监测方法，能挖掘民机海量运营和维修数据，为民机系统故障监测与航线故障隔离提供支持。
发明内容
[0005]本发明提供了基于LSTM-AE(Long ShortTerm Memory-Auto Encoder基于长短期记忆网络的自编码器)深度学习框架的民机系统故障监测与识别方法，能够充分利用LSTM (Long Short-Term Memory长短期记忆网络)模型所具有长时间序列依赖的记忆能力，对民机系统无故障状态进行建模与重构，通过进一步分析其状态参数重构误差实现故障的监测和识别。
[0006]为达到上述目的，本发明采用如下技术方案：
[0007]基于LSTM-AE深度学习框架的民机系统故障监测与识别方法，包括：
[0008]S1、在飞机飞行时某一稳定工况下，提取飞机机载系统中多个状态参数的时间序列数据。本发明对民机的典型机电系统都适用，比如空调系统、动力系统，不同的系统需要利用不同的状态参数。常用的状态参数包括但不限于引气系统的引气压力、温度参数，空调系统的压缩机出口温度、组件出口温度、混合室温度等。S2、对时间序列数据利用等时间间隔方法提取，得到模型训练数据样本，模型训练数据样本的集合即为飞机机载系统无故障状态的训练数据集。
[0009]S3、利用LSTM深度模型所具有的长时间序列建模能力，并依据自编码器原理建立LSTM-AE模型，利用训练数据集训练LSTM-AE模型，并重构LSTM-AE模型的参数，得到训练好的LSTM-AE模型。
[0010]S4、利用训练好的LSTM-AE模型的状态参数，重构飞机机载系统的状态参数，计算重构误差矩阵，并在误差矩阵的基础上计算飞机机载系统健康指数和故障特征向量，健康指数用于故障预警，故障特征向量用于故障识别。
[0011]进一步的，根据监测对象的特点，选取合适的工况下的状态参数时间序列数据用于系统重构模型的训练。
[0012]进一步的，根据监测对象的特点，如监测对象的工作原理、飞行不同阶段系统构型特点等，选取合适的工况(如起飞阶段、爬升阶段、巡航阶段等)下的状态参数时间序列数据用于系统重构模型的训练，具体的选择取决于飞机机载系统的类型。
[0013]进一步的，S2包括：
[0014]设定I为采样间隔，L为采样样本长度，N表示提取的多元状态时间序列数据的长度，则时间序列数据X＝(X1，X2，…，X N)(N＝L*1)，表达为以下格式：
[0015]X＝(X1，X2，…，X N)＝(X1，X2，…，X I，X I+1，…，X2I，X2I+1，…，X(L-1)I，X(L-1)I+1，…，X LI) [0016]通过等时间间隔采样得到的模型训练数据样本构成了训练数据集S＝(s1，s2，…，s I)：
[0017]训练数据样本分别为：
[0018]s1＝(X1，X I+1，X2I+1，…，X(L-1)I+1)
[0019]s2＝(X2，X I+2，X2I+2，…，X(L-1)I+2)
[0020]………
[0021]s I＝(X I，X2I，X3I，…，X LI)。
[0022]进一步的，计算重构误差矩阵的方法为：
[0023]用多元时序数据X描述飞行系统的状态，利用训练好的LSTM-AE 模型得到飞行系
统的状态估计为则重构误差矩阵E为：
[0024]
[0025]其中，表示第j个参数t时刻的重构误差，j、t均为正整数。[0026]进一步的，健康指数为HI：
[0027]
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议