一种航空器气动传感器故障智能检测方法

技术特征：
1.一种航空器气动传感器故障智能检测方法，其特征在于，包括以下步骤：s1、获取多种航空器不同飞行状态下气动传感器故障的飞行数据；s2、采用对照性数值试验，在飞行数据中选定与航空器气动传感器故障检测直接相关的数据；s3、将选定的数据进行预处理，预处理后的数据堆叠成型为“图像”；其中，所述飞行数据包括仿真飞行数据和真实飞行数据，将预处理后的飞行数据分割为训练集和测试集，预处理后的真实飞行数据全部位于测试集中；s4、采用卷积神经网络和长短记忆网络，构建深度神经网络模型，并对深度神经网络模型的网络结构进行可解释性分析；s5、采用训练集中的样本对构建的深度神经网络模型进行训练，采用adams算法基于训练数据迭代更新网络权重，设定训练中学习效率随训练迭代次数衰减，直至深度神经网络模型的损失值趋势收敛；s6、利用训练好的深度神经网络模型对测试集中的样本进行分割，生成分割结果图。2.根据权利要求1所述的一种航空器气动传感器故障智能检测方法，其特征在于，在步骤s4中，具体包括：首先使用足量的卷积核数量、长短记忆网络节点数以确定卷积核维度；进而采用选定的卷积核维度和足量的长短记忆网络节点数，确定卷积核数量；最后采用选定的卷积核维度、数量，确定长短记忆网络节点数。3.根据权利要求2所述的一种航空器气动传感器故障智能检测方法，其特征在于，在步骤s4中，还包括：通过特征可视化的方法，判定卷积核在网络输入的图像数据上提取特征的过程；进而关联网络内部所有卷积核的有效运算至网络的输入数据上，判定网络内部卷积运算所关注的输入数据区域。4.根据权利要求3所述的一种航空器气动传感器故障智能检测方法，其特征在于：所述卷积核维度为2*2，卷积核数量为48个，长短记忆网络节点数为16个。5.根据权利要求1所述的一种航空器气动传感器故障智能检测方法，其特征在于，在步骤s2中，选定的数据为：飞机速度、迎角、侧滑角，以及飞机体轴系内三轴角速度、加速度。6.根据权利要求5所述的一种航空器气动传感器故障智能检测方法，其特征在于，所述飞机速度、迎角、侧滑角采用卷积神经网络和长短记忆网络同时提取特征，所述飞机体轴系内三轴角速度、加速度采用长短记忆网络提取特征。7.根据权利要求1所述的一种航空器气动传感器故障智能检测方法，其特征在于，在步骤s3中，预处理的步骤具体包括：采用时空堆叠方法，将选定的所有数据降采样，依状态归一化后，堆叠形成二维矩阵形式。

技术总结
本发明公开一种航空器气动传感器故障智能检测方法，包括以下步骤：S1、获取多种航空器不同飞行状态下气动传感器故障的飞行数据；S2、采用对照性数值试验，在飞行数据中选定与航空器气动传感器故障检测直接相关的数据；S3、将选定的数据进行预处理，预处理后的数据堆叠成型为“图像”；本发明公开一种航空器气动传感器故障智能检测方法，可以准确地检测不同航空器或同一航空器在不同飞行状态下的气动传感器故障，并且相关检测结果具备良好的可解释性和可信度；采用深度神经网络方法，实现了无需调参即可适用于不同航空器或同一航空器不同飞行状态下的气动传感器故障智能检测。不同飞行状态下的气动传感器故障智能检测。不同飞行状态下的气动传感器故障智能检测。


技术研发人员：董一群
受保护的技术使用者：复旦大学
技术研发日：2022.03.15
技术公布日：2022/7/15