基于自适应标签与统一训练的飞机空调系统诊断方法
本发明涉及飞机健康管理与智能故障诊断,尤其涉及一种基于自适应标签与统一训练的飞机空调系统诊断方法。
背景技术:
1、飞机空调系统是现代民用飞机的重要机载系统之一,其主要承担机舱空气调节、座舱增压、温度控制以及空气品质保障等功能,对飞行安全、设备可靠运行以及机舱舒适性具有重要作用。增压与空调组件(pressurization and air conditioning kit,pack)是飞机空调系统的核心子系统,在空客a320系列飞机上,两套独立的pack组件构成双通道保障体系:pack 1主要负责驾驶舱环境控制,pack 2主要负责前后客舱空气调节,这种分工机制既保证了各区域的环境需求,又形成了互为备份的安全架构。当任意一套组件因故障停用或人工关闭时,剩余组件能立即接管全机空调负荷,通过飞机空调计算机进行流量分配维持飞机内部环境。
2、每个pack组件均包括流量控制装置、热交换器、空气循环机及除水组件等。其中,流量控制装置用于调节进入组件的引气流量;热交换器负责空气冷却,其换热性能直接影响整个组件的制冷效率和工作稳定性;空气循环机通过涡轮驱动压缩机及风扇完成空气循环和增压过程;除水组件对上游气体进行降温除水,完成湿度调控。上述多个关键部件相互配合,共同完成飞机空调系统的空气处理过程,其运行状态决定了系统整体性能。
3、随着飞行循环或飞行小时数的不断增加,飞机空调系统关键部件不可避免地会发生不同程度的性能衰减。例如,热交换器长期工作过程中容易受到空气中的粉尘颗粒、油污及其他污染物附着影响,导致换热通道堵塞、传热效率降低,严重时还可能引起组件温度异常升高;空气循环机长期高速运行后,其机械性能和气动性能会逐渐下降,影响空气压缩及循环效率;流量控制装置也可能因磨损、卡滞或控制偏差导致引气流量调节精度降低,从而影响系统整体运行性能。因此,对飞机空调系统进行状态监测、故障诊断及性能退化分析,已成为飞机预测性维修和健康管理领域的重要研究方向。
4、目前,飞机空调系统的健康状态评估通常依赖飞机快速存取记录器(quickaccess recorder,qar)采集的飞行运行数据,通过分析压力、温度、流量及控制参数等信息,实现关键部件故障识别及性能评估。然而,由于飞机运行工况复杂,实际数据具有明显的非平稳特性,现有故障诊断技术仍存在一定局限。
5、一方面,在地面运行阶段,辅助动力装置启停、引气切换以及控制策略调整等操作容易产生大量瞬态波动,使系统运行参数中包含较强干扰成分,导致故障特征被掩盖。现有方法多数针对整体飞行阶段或宏观运行工况进行识别,对于飞机空调系统内部细微参数变化缺乏有效分析手段,尤其缺少能够结合系统热力学特性自适应提取稳态数据的方法,难以有效突出热交换器堵塞等渐进性故障所对应的微弱变化特征。
6、另一方面,飞机空调系统多数故障属于渐进式性能退化,其健康状态向故障状态演变过程连续且缓慢,退化起始时间难以准确确定。现有无监督诊断方法通常采用经验阈值或固定判定标准划分正常状态与异常状态,不同飞机、不同部件之间的退化规律存在较大差异,统一阈值难以适用于复杂运行条件。虽然近年来异常检测、重构误差分析及变点检测等技术逐渐应用于设备健康监测,但现有方法普遍依赖固定阈值或预设变点数量,缺乏能够结合历史运行数据及维护记录,自适应构建健康状态标签并准确确定性能退化起始时刻的技术方案。
7、此外,由于航空装备具有较高可靠性要求,实际运行过程中故障发生概率较低,可用于模型训练的故障样本数量十分有限,导致类别分布严重失衡,限制了故障诊断模型的识别性能。针对双pack组件的飞机空调系统,左右pack组件具有高度一致的结构组成、工作机理及运行规律,存在较强的物理同源特性。然而,现有技术通常将两个pack组件分别进行独立建模,仅利用过采样方法或固定类别权重缓解样本不平衡问题,未能充分利用双pack组件之间的结构相似性和运行关联性实现知识共享。部分采用多任务学习或联合网络进行知识迁移的方法虽然能够提高一定程度的诊断性能,但网络结构复杂、计算开销较大,难以兼顾诊断效率与工程应用需求,尤其缺乏针对双pack组件对称结构特点进行优化设计的故障诊断方法。
8、因此,如何在复杂运行环境下准确提取飞机空调系统的稳态运行数据,提高微弱故障特征的可辨识性;如何自适应确定系统性能退化起始时刻,建立更加准确的健康状态判定机制;以及如何充分利用双pack组件系统的结构同源特性,在故障样本有限的条件下提升故障诊断准确性,已成为当前飞机空调系统健康监测与智能故障诊断领域亟待解决的技术问题。
技术实现思路
1、本发明所要解决的技术问题是克服现有技术中存在的不足,提供一种基于自适应标签与统一训练的飞机空调系统诊断方法,能够根据飞机空调系统双pack组件的物理同源性,利用维护记录引导的自适应标签构建方法和统一训练与分流推理框架,实现对飞机空调系统故障的精确诊断。
2、本发明是通过以下技术方案予以实现:
3、一种基于自适应标签与统一训练的飞机空调系统诊断方法,包括如下步骤:
4、s1.获取快速存取记录器(quick access recorder,qar)的数据后提取关键参数作为基础特征,并进行数据预处理;
5、s2.构建四个衍生特征,包括压力调节阀切换频率、初级热交换器热交换效率、空气循环机(air cycle machine,acm)进出口温度差和空气循环机acm能效比,并与所述基础特征进行统计聚合,获得高维特征向量;
6、s3.利用自编码器计算所述高维特征向量的重构误差序列,将其作为健康指标,并进行变点检测,识别性能衰退的起始时刻,结合维护记录中的拆换节点构建故障标签;
7、s4.针对双pack组件的飞机空调系统提出统一训练与分流推理(unifiedtraining with split inference,utsi)框架,输出诊断结果。
8、根据上述技术方案,优选地,步骤s1中,所述关键参数包括:
9、压气机出口温度、预冷器出口温度、预冷器出口压力、组件出口温度、水分离器温度、旁通活门开度、组件流量、冲压空气进口位置、发动机n1转速和静态空气温度。
10、根据上述技术方案,优选地,步骤s2中,所述压力调节阀切换频率的计算公式为:
11、,
12、,
13、式中,表示增压与空调组件(pressurization and air conditioningkit,pack)中第个组件在时间步的压力调节阀状态,为切换指示信号,为30秒窗口内的切换频率;
14、所述初级热交换器热交换效率的计算公式为:
15、,
16、式中,为预冷器出口温度,为压气机出口温度,为静态空气温度,为防止分母为零的调整常数;
17、所述空气循环机进出口温度差的计算公式为:
18、,
19、式中,为预冷器出口温度,为组件出口温度;
20、所述空气循环机能效比的计算公式为:
21、,
22、式中,为acm进出口温度差,为组件流量,为防止分母为零的调整常数。
23、根据上述技术方案,优选地,步骤s3中,利用自编码器计算所述高维特征向量的重构误差序列,具体包括:
24、利用维护记录分别提取空气循环机(acm)、流量控制阀(flow control valve,fcv)、初级热交换器(heat exchanger,hx)更换后的健康数据训练长短期记忆自编码器(long short-term memory autoencoder,lstm-ae)模型;
25、模型收敛后,计算所有飞行循环对应的所述高维特征向量的重构均方误差序列,并作为健康指标序列。
26、根据上述技术方案,优选地,步骤s3中,进行变点检测,具体包括:
27、对故障发生前的所述健康指标应用修剪精确线性时间(pruned exact lineartime,pelt)变点检测算法,识别性能偏移的起始时刻;
28、将所述起始时刻到故障发生时刻之间的数据标记为故障样本,将更换后的数据标记为正常样本。
29、根据上述技术方案,优选地,步骤s3中,构建故障标签时,构建八类原始系统特定标签,包括:
30、acm_1(左组件acm故障)、acm_2(右组件acm故障)、fcv_1(左组件fcv故障)、fcv_2(右组件fcv故障)、hx_1(左组件hx故障)、hx_2(右组件hx故障)、normal_1(左组件正常)和normal_2(右组件正常)。
31、根据上述技术方案,优选地,步骤s3中,所述长短期记忆自编码器模型的训练参数设置为:滑动窗口大小个飞行循环,以捕捉足够的时间依赖性而不过度平滑早期故障特征;隐藏层维度;训练轮数50;使用adam优化器,学习率为。所述修剪精确线性时间变点检测算法(pelt变点检测算法)的参数设置为:回溯窗口为更换事件前50个飞行循环,最小片段大小为3,代价函数为平方误差,惩罚系数采用贝叶斯信息准则(bayesian information criterion,bic)。
32、根据上述技术方案,优选地,步骤s4包括:
33、将空调系统双pack组件的特征样本合并,使用统一标签构建联合训练集;
34、在推理阶段,结合所述系统标识符对模型输出的统一预测结果进行标签恢复,重建系统特定标签,输出诊断结果。
35、根据上述技术方案,优选地,步骤s4中,所述统一训练具体包括:
36、定义确定性标签融合映射,将八类原始系统特定标签空间映射到四类统一标签空间其中,表示空气循环机故障,表示流量控制阀故障,表示初级热交换器故障,表示正常状态;
37、将空调系统双pack组件的所述故障标签融合为统一标签,引入系统标识符区分组件来源,采用5折交叉划分方法构建联合训练集和测试集,并对共享分类器进行统一训练;
38、利用轻量级梯度提升机(light gradient boosting machine,lightgbm)作为共享分类器,通过贝叶斯自适应类别权重与超参数搜索方法(bayesian adaptiveweight and hyperparameter search,bawhs)对超参数和类别权重向量进行联合优化,改进共享分类器的训练过程;
39、定义系统标识符序列,表示第个样本所属的组件编号,用于对模型输出的统一预测结果进行标签恢复。
40、根据上述技术方案,优选地,步骤s4中,所述标签恢复具体包括:
41、在推理阶段,模型输出统一预测后,通过系统标识符序列,将四类统一标签重建为对应的八类系统特定标签,具体映射如下:
42、,
43、,
44、,
45、,
46、其中,表示第个样本所属的组件编号。
47、本发明的有益效果是:
48、本发明结合飞机空调系统维护记录,以部件更换后的健康运行数据训练长短期记忆自编码器,通过重构误差构建健康指标,并结合修剪精确线性时间变点检测算法识别性能发生持续变化的起始时刻,进而依据维护事件自动生成故障标签。相比依赖人工经验或固定阈值划分健康状态的方式,本技术能够根据设备实际运行状态自适应确定健康状态与退化状态之间的分界点,有效解决飞机快速存取记录器数据缺乏精确退化标签的问题,提高故障标签构建的准确性和自适应能力,为后续故障诊断模型提供更加可靠的训练数据。
49、针对飞机空调系统左右双pack组件具有相同结构组成和工作机理的特点,提出统一训练与分流推理相结合的诊断方法,通过将系统特定标签映射至统一标签空间,实现双pack组件故障样本的联合训练,使模型能够充分利用不同组件之间的物理同源信息,提升有限故障样本的数据利用效率。同时,在模型推理阶段结合系统标识符恢复对应组件的故障标签,实现组件级故障定位,在降低分类任务复杂度的同时减少不同组件之间的误分类,提高故障诊断的准确性和可靠性。
50、与此同时,本发明采用贝叶斯优化策略对模型超参数和类别权重进行联合优化,无需采用故障样本合成等数据增强方式,即可根据不同类别样本分布自适应调整模型训练过程,兼顾多种类别故障样本的识别能力,提高模型的精确率与召回率,降低多种类别故障的漏检和误判风险,从而增强模型在航空故障样本不平衡场景下的适用性。
51、除此之外,本发明结合飞机空调系统关键部件的工作机理,构建压力调节阀切换频率、初级热交换器热交换效率、空气循环机进出口温度差以及空气循环机能效比等物理衍生特征,并结合统计聚合方法形成高维特征向量。一方面,所构建的衍生特征能够更加准确地反映热交换器、空气循环机及流量控制阀等关键部件的运行状态,提高不同故障模式之间的可区分性;另一方面,统计聚合处理在保留原始运行数据统计特性的基础上,将连续时间序列转换为适于模型训练的独立样本,提高了特征质量和模型训练效率,为飞机空调系统故障诊断提供了更加稳定、有效的数据基础。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com