一种基于多传感器数据驱动的飞机故障诊断模型生成方法与流程

1.本发明属于飞行器故障诊断技术领域，具体涉及一种基于多传感器数据驱动的飞机故障诊断模型生成方法。


背景技术：

2.为提升飞行安全性和任务可靠性，现代战斗机系统设计采用了大量先进技术，系统的复杂度和集成度日益提升，这就使得战斗机系统的故障诊断面临更加严峻的挑战。而战斗机系统一旦发生故障，若不能及时发现并处理，将会对飞行安全和任务可靠性带来严重的威胁。
3.为提升战斗机的健康监控能力，现代战斗机在系统设计时布置了大量的传感器用于监控系统工作状态，在系统运行过程中会产生大量的监控数据。对于战斗机系统的复杂故障，其往往存在故障特征不明显、故障原因较隐蔽等特征，此类故障很难通过直观故障现象判断或依靠单个传感器数据分析定位故障原因。
4.现代战斗机系统发生故障必然会反映在监测数据上，基于数据驱动的故障诊断技术不依赖于系统的失效机理和专家经验,该技术以采集到的不同来源和不同类型的监测数据作为基底,利用数据挖掘技术获取其中隐含的有用信息,表征系统运行的正常模式和故障模式,进而达到检测与诊断的目的,成为目前较为实用的诊断技术。
5.战斗机系统的传感器监测数据不仅可以反映系统当前的工作状态，并且包含了监测对象在运行过程中的各种过程模式。理论上，只要对多元监测数据进行足够深度的信息挖掘，便可获得更深层次的故障特征，适用于复杂故障的诊断和定位。基于多元数据驱动的复杂故障诊断方法能有效排除单一信息源信息不确定性的干扰，能够从系统整体工作情况相对准确识别复杂故障，所以基于多个不同传感器的多元数据驱动故障诊断算法具有重要的工程应用价值。
6.随着深度学习在计算机视觉领域的迅速发展，基于深度学习的故障诊断方法也受到越来越多研究者的关注。卷积神经网络(cnn)是深度学习的代表算法之一，包含卷积阶段和分类阶段。卷积阶段的目的是从输入数据提取特征，主要进行卷积和池化操作。分类阶段主要包含多个全连接层。目前卷积神经网络已成功应用在故障诊断领域，但对于多传感器数据驱动的故障诊断，其它基于卷积神经网络的诊断方法均试图在初始阶段就学习不同传感器数据特征之间的空间关系，然后进一步抽取特征，不能很好地满足战斗机系统的复杂故障诊断要求。


技术实现要素：

7.本发明的目的：为解决战斗机系统的复杂故障诊断问题，根据战斗机系统多个传感器采集数据组成的多维数据，本发明提供了一种基于多传感器数据驱动的飞机故障诊断模型生成方法，该方法应用卷积神经网络从传感器数据中抽取故障特征。为了更好地抽取特征，本发明应用时间窗口方法来进行样本准备，神经网络输入数据为二维格式，其中一个
维度定义为传感器数量，另一个维度定义为传感器采集的时间序列数据。考虑到由不同传感器采集的数据组成的样本在空间上相邻特征之间的关系不明显，因此即使输入数据对应的特征图是二维的，本发明仍然采用一维卷积核对神经网络进行卷积操作。首先利用多层卷积获取每一个传感器数据的特征，随后利用全连接层将学习到的特征进行最终的分类。
8.本发明的技术方案：
9.一种基于多传感器数据驱动的飞机故障诊断模型生成方法，包括以下步骤：
10.步骤一：选择可用于飞机故障诊断的传感器组，收集各类故障模式对应的传感器组的历史采集数据；将每一类故障模式下对应的传感器组在一个时间段内的采集数据进行预处理后存放为一个二维多传感器数据矩阵，共得到t类故障模式在q个时间段内的t*q个二维多传感器数据矩阵；
11.步骤二：随机选择二维多传感器数据矩阵及其对应的故障模式作为训练样本群，剩余的二维多传感器数据矩阵及其对应的故障模式作为测试样本群；
12.步骤三：建立卷积神经网络模型；
13.步骤四：利用训练样本群对卷积神经网络采用小批量梯度下降法进行训练直至满足训练条件；
14.步骤五：利用训练完成的卷积神经网络模型识别测试样本群对应的故障模式，根据识别结果判断训练完成的卷积神经网络模型的识别精度；若识别精度达到设计要求，则可将训练完成的卷积神经网络模型用于飞机故障诊断，否则进一步收集传感器采集数据，并将数据进行标准化后添加到训练样本群，返回步骤四进行进一步训练。
15.进一步，所述步骤一中，所述预处理为对每个传感器在一个时间段内采集的长度为n
tw
的数据序列进行标准化；
16.标准化公式如下：
[0017][0018]
l
j’(k)表示第j个传感器在一个时间段内采集的数据序列标准化后的结果；n
ft
为传感器组包括的传感器数量。
[0019]
进一步，所述步骤一中，二维多传感器数据矩阵为n
ft
×ntw
的矩阵，矩阵元素为
[0020]
p(j,k)＝l
′j(k)j＝1,2,
…
,n
ft
；k＝1,2,
…
,n
tw
；
[0021]
矩阵的第j行第k列为第j个传感器采集的第k个数据对应的标准化后的数据。
[0022]
进一步，所述步骤二中，训练样本比例为80％，测试样本比例为20％
[0023]
进一步，所述步骤三中，卷积神经网络模型依次包括：输入层、卷积层c1、池化层s1、卷积层c2、池化层s2、卷积层c3、全连接层f1、全连接层f2和输出层。
[0024]
进一步，输入层为n
ft
×ntw
的矩阵
[0025]
卷积层c1的卷积核数量为f
n1
，卷积核尺寸为1
×fl1
，卷积步长为s；卷积层c1采用零值填充；卷积层c1卷积完成后得到f
n1
个n
ft
×ntw
大小的特征映射，通过激活函数计算输出值；
[0026]
池化层s1采用最大池化策略；将卷积层c1输出的每组特征映射中的1
×fp1
邻域采样为1个点，得到f
n1
个大小为n
ft
×ntw
/f
p1
的特征图；
[0027]
卷积层c2卷积核数量为f
n2
，卷积核尺寸为1
×fl2
，卷积层c1采用零值填充；卷积得到f
n2
组大小为n
ft
×ntw
/f
p1
的特征映射；通过激活函数计算输出值；
[0028]
池化层s2采用最大池化策略，将卷积层c2输出的每组特征映射中的1
×fp2
邻域采样为1个点，得到f
n2
组n
ft
×ntw
/(f
p1
×fp2
)大小的特征映射；
[0029]
卷积层c3卷积核数量为1，卷积核尺寸为1
×
f’l
；卷积层c1采用零值填充；卷积得到1组大小为n
ft
×ntw
/(f
p1
×fp2
)的特征映射；通过激活函数计算输出值；
[0030]
全连接层f1的长度为f
f1
，全连接层中的每一个神经元均全连接于卷积层c3得到的特征映射的1行；
[0031]
全连接层f2层的长度为f
f2
，采用dropout策略；
[0032]
输出层采用softmax模型为概率分类模型。
[0033]
进一步，零值填充时，输入图像左侧填充的零值数量p
l
以及右侧填充的零值数量pr通过以下公式计算：
[0034][0035]
pt＝(n-1)
×
s f
l1-n
tw
[0036][0037]
pr＝pt-p
l
[0038]
其中ceil(
·
)为向上取整函数，floor(
·
)为向下取整函数。
[0039]
进一步，所述步骤四中，训练包括以下步骤：
[0040]
1)设置最大迭代次数、学习率及mini-batch大小；
[0041]
2)将训练样本群代入步骤三中建立的卷积神经网络模型，计算mini-batch的损失函数；
[0042]
3)根据mini-batch的损失函数，应用梯度下降法更新网络参数；
[0043]
4)判断一次迭代是否完成；若否，则回到第2)步；若是，则转到第5)步；
[0044]
5)判断是否达到最大的迭代次数；若否，则回到第2)步；若是，则完成网络训练。
[0045]
本发明的有益效果：
[0046]
一种基于多传感器数据驱动的飞机故障诊断模型生成方法，使用灵活、计算量小，通过利用时间窗口方法来进行样本数据准备，将经过标准化后的原始传感器采集数据作为卷积神经网络模型输入，可以根据标准化后的多传感器采集数据高效、精确地诊断系统中的复杂故障，对战斗机的完好率和出勤率提升具有重要的现实意义。同时该方法不依赖于专家经验或系统失效机理，所以更加有利于在工程领域的进一步推广应用。
附图说明
[0047]
图1是本发明的方法流程图；
[0048]
图2是本发明中应用时间窗口方法对多传感器数据序列进行处理的示意图；
[0049]
图3是本发明构建的卷积神经网络模型结构图。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
本发明提出了一种基于多传感器数据驱动的飞机故障诊断模型生成方法，如图1所示，本方法的实施可分为三个阶段。第一阶段主要是选取可用于战斗机系统故障诊断的传感器，并收集不同故障模式对应的各传感器数据，将传感器数据存放为二维格式，完成预处理后即可作为卷积神经网络的输入；第二阶段建立卷积神经网络模型，采用训练样本及对应故障模式对网络进行训练直到满足训练停止条件；第三阶段，基于第二阶段训练完成的卷积神经网络模型，识别测试样本对应的故障模式，评估卷积神经网络模型的诊断精度。
[0052]
具体步骤如下：
[0053]
步骤1：选择可用于战斗机系统故障诊断的传感器，收集各类故障模式对应的不同传感器的历史采集数据。将不同传感器的采集数据进行预处理，将完成预处理后的数据存放为二维格式的多传感器数据矩阵；
[0054]
1)如图2所示，假设战斗机系统中布置的可用于故障诊断的传感器数量为n
ft
，每个传感器在同一时间段内采集的数据序列分别为l1，l2，
…
，l
nft
,各传感器的采样周期相同，则数据序列长度相同，将数据序列长度记为n
tw
。对于每一个数据序列，将其标准化：
[0055][0056]
2)将第1)步中标准化后所有传感器数据存储为大小为n
ft
×ntw
的矩阵，矩阵中的一行即对应一个传感器的采集数据，矩阵的行数n
ft
即为传感器的数量，矩阵列数n
tw
即为传感器数据序列的长度，矩阵元素p(j,k)与传感器数据序列的对应关系为：
[0057]
p(j,k)＝l
′j(k)j＝1,2,
…
,n
ft
；k＝1,2,
…
,n
tw
[0058]
此时所有传感器数据序列即转换为一个二维格式的多传感器数据矩阵。
[0059]
步骤2：随机选择二维多传感器数据矩阵及其对应的故障模式作为训练样本，剩余二维传感器数据矩阵及其对应的故障模式作为测试样本。本发明中选择80％的样本作为训练样本组成训练样本群，剩余20％作为测试样本组成测试样本群；
[0060]
步骤3：建立卷积神经网络模型，如图3所示，模型由主要由输入层、卷积层、池化层、全连接层及输出层组成，设置卷积神经网络模型的参数，包括卷积核大小及个数、卷积层数量等；本发明中的卷积神经网络模型结构如下：
[0061]
输入层：输入层为n
ft
×ntw
的矩阵；
[0062]
卷积层c1：c1层为特征提取层，通过卷积核来提取输入层特征。针对由多传感器数据序列组成的输入层，卷积核数量取为f
n1
，卷积核尺寸取为1
×fl1
。为了防止维度损失并保留图像边缘特征，本层采用零值填充方法，卷积步长取为s，在输入图像左侧填充的零值数量p
l
以及在右侧填充的零值数量pr可以通过以下公式计算：
[0063]
[0064]
pt＝(n-1)
×
s f
l1-n
tw
[0065][0066]
pr＝pt-p
l
[0067]
其中ceil(
·
)为向上取整函数，floor(
·
)为向下取整函数
[0068]
卷积过程可描述为：
[0069][0070]
其中为第l层的第i个卷积核的第j
′
个权重，为第l层的第j个卷积区域，为第l层的第i个卷积核对应偏差项。
[0071]
卷积步长取为1，则经过卷积处理后得到f
n1
个n
ft
×ntw
大小的特征映射，在卷积操作完成后，需要用激活函数来处理卷积值。本方法中激活函数均选用带泄露线性整流函数(leaky relu)，当利用反向传播算法调整参数值时可使浅层权重具有更强的可训练性，带泄露线性整流函数(leaky relu)表达式为：
[0072][0073]
其中ki为位于(0,1)区间内的固定值，本方法中ki取0.2；y
l(i,j)
为y的卷积输出值。
[0074]
池化层s1：池化层用来减小特征尺寸及网络参数以减小网络计算代价。本层采用最大池化策略，将c1层每组特征映射中的1
×fp1
邻域采样为1个点，也就是取f
p1
个数的最大值，得到f
n1
个大小为n
ft
×ntw
/f
p1
的特征图。最大池化策略可描述为：
[0075][0076]
其中a
l(i,t)
为l层的第i个池化区域的第t个神经元的激活值，w为池化区域的宽度。
[0077]
卷积层c2：本层采用f
n2
个大小为1
×fl2
的卷积核进一步提取特征，采用零值填充方法，得到f
n2
组大小为n
ft
×ntw
/f
p1
的特征映射。卷积操作完成后，继续采用leaky relu激活函数计算输出值；
[0078]
池化层s2：本层将c2层每组特征映射中的1
×fp2
邻域采样为1个点，采用最大池化策略，得到f
n2
组n
ft
×ntw
/(f
p1
×fp2
)大小的特征映射；
[0079]
卷积层c3：本层采用1个大小为1
×f′
l
卷积核继续提取特征，仍然采用零值填充方法，得到1组大小为n
ft
×ntw
/(f
p1
×fp2
)的特征映射。卷积操作完成后，采用leaky relu激活函数计算输出值；
[0080]
全连接层f1：f1层的长度设为f
f1
，本层中的每一个神经元均全连接于c3层得到的特征映射的每1行；
[0081]
全连接层f2：f2层的长度设为f
f2
；为解决网络的过拟合问题，本层采用dropout策略。dropout操作意味着一些随机选择的单元及其连接被暂时从模型中移除，它的目的是在网络训练阶段给网络提供一个不完整的信号用来改善网络对样本的适应性。对于每一个输入单元，它随机选择形成一个神经元子集。这个操作不依赖于特定的神经元及其连接，因此
可以解决过拟合问题。本层设置dropout率为d
f2
。
[0082]
输出层：本层应用softmax模型为概率分类模型。softmax模型通过评估样本属于每一个故障模式分类标签的概率来进行样本分类，因具有较高的计算效率而被广泛的应用于神经网络分类。
[0083]
softmax模型的计算过程为：假设y＝{y
(1)
,y
(2)
,
…
,y
(n)
}代表所有的故障模式标签，x(i)为训练数据。softmax的目的就是评估训练数据x(i)属于每一个故障模式标签y
(j)
(j∈{1,2,
…
,n})的概率，其表达式为：
[0084][0085]
其中表示神经网络最后一个全连接层的输出；
[0086]
步骤4：利用训练样本对卷积神经网络采用小批量梯度下降法(mini-batch sgd)进行训练直到满足训练停止条件；
[0087]
1)设置最大迭代次数、学习率及mini-batch大小等训练参数及网络初始化参数；
[0088]
2)将训练样本群代入步骤3中建立的卷积神经网络模型，计算mini-batch的损失函数；
[0089]
3)根据第2)步计算的mini-batch损失函数，应用梯度下降法更新网络参数；
[0090]
4)判断一次迭代是否完成；若否，则回到第2)步；若是，则转到第5)步；
[0091]
5)判断是否达到最大的迭代次数；若否，则回到第2)步；若是，则完成网络训练。
[0092]
步骤5：采用训练完成的卷积神经网络模型，识别测试样本群对应的故障模式特征，采用softmax函数对不同二维传感器数据对应的故障模式进行概率分类，根据分类结果评价卷积神经网络模型的精度；若识别精度达到设计要求，则将训练完成的卷积神经网络模型用于飞机故障诊断，否则进一步收集传感器采集数据，并将数据进行标准化后添加到训练样本群，返回步骤四进行进一步训练。
[0093]
以上所述，仅为本发明的具体实施例，对本发明进行详细描述，未详尽部分为常规技术。但本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以所述权利要求的保护范围为准。