一種飛機(jī)發(fā)動(dòng)機(jī)瞬態(tài)故障檢測(cè)的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，具體為一種飛機(jī)發(fā)動(dòng)機(jī)瞬態(tài)故障檢測(cè)的方法。
【背景技術(shù)】
[0002] 現(xiàn)代飛機(jī)的復(fù)雜度日益增高，這就導(dǎo)致了人們對(duì)能自動(dòng)檢測(cè)飛機(jī)故障系統(tǒng)的需求 也愈發(fā)強(qiáng)烈。這些故障檢測(cè)系統(tǒng)被設(shè)計(jì)出來(lái)，用以監(jiān)測(cè)飛機(jī)在這些系統(tǒng)中的狀態(tài)，以檢測(cè)潛 在的故障，從而使得潛在的故障在可能導(dǎo)致更嚴(yán)重的系統(tǒng)故障之前被處理掉，如在飛行中 停機(jī)，起飛中止，延誤或取消航班等。
[0003] 發(fā)動(dòng)機(jī)是飛機(jī)中一個(gè)特別重要的組成部分，因此飛機(jī)發(fā)動(dòng)機(jī)的故障檢測(cè)方法是飛 機(jī)故障檢測(cè)系統(tǒng)中的一個(gè)重要組成部分。傳統(tǒng)發(fā)動(dòng)機(jī)故障檢測(cè)僅僅局限于那些基于在穩(wěn) 定狀態(tài)下采集發(fā)動(dòng)機(jī)數(shù)據(jù)，進(jìn)而進(jìn)行故障檢測(cè)的方法。雖然這些方法能夠有效地檢測(cè)到穩(wěn) 態(tài)運(yùn)行過(guò)程中表現(xiàn)出的故障癥狀，但是并不能有效地檢測(cè)出其在穩(wěn)定狀態(tài)且無(wú)任何癥狀下 出現(xiàn)故障，即瞬態(tài)故障的情況。與此同時(shí)，其他故障可能根本不會(huì)在穩(wěn)態(tài)運(yùn)行期間表現(xiàn)出癥 狀。
[0004] 綜上所述，目前的故障檢測(cè)方法并不能一致地檢測(cè)出所有可能影響發(fā)動(dòng)機(jī)運(yùn)行的 潛在故障，對(duì)于往往表現(xiàn)在發(fā)動(dòng)機(jī)啟動(dòng)特性中的早期故障更是如此。因此，現(xiàn)在所需要的就 是，用于檢測(cè)發(fā)生在瞬態(tài)條件下，如發(fā)動(dòng)機(jī)啟動(dòng)時(shí)的改進(jìn)的故障檢測(cè)方法。

【發(fā)明內(nèi)容】

[0005] 為了解決現(xiàn)有飛機(jī)發(fā)動(dòng)機(jī)故障檢測(cè)中，僅僅局限于基于穩(wěn)定狀態(tài)下采集發(fā)動(dòng)機(jī) 數(shù)據(jù)，進(jìn)而進(jìn)行故障檢測(cè)的問(wèn)題，本發(fā)明提出一種飛機(jī)發(fā)動(dòng)機(jī)瞬態(tài)故障檢測(cè)的方法，采用 馬氏自適應(yīng)Hessian 局部線性嵌入（Mahalanobis Adaptive Hessian Locally Linear Embedding，MAHLLE)和自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法實(shí)現(xiàn)飛機(jī)發(fā)動(dòng)機(jī)瞬態(tài)故障的檢測(cè)。 本發(fā)明的特征提取采用了基于MHLLE的流行學(xué)習(xí)方法，從發(fā)動(dòng)機(jī)傳感器數(shù)據(jù)中提取顯著 特征。本發(fā)明將自適應(yīng)流形學(xué)習(xí)和馬氏距離學(xué)習(xí)的優(yōu)點(diǎn)結(jié)合起來(lái)，改進(jìn)了流形學(xué)習(xí)在數(shù)據(jù) 降維中的性能，再將降維后的數(shù)據(jù)應(yīng)用于分類以提高故障診斷精度。
[0006] 本發(fā)明的技術(shù)方案為：
[0007] 所述一種飛機(jī)發(fā)動(dòng)機(jī)瞬態(tài)故障檢測(cè)的方法，其特征在于：包括以下步驟：
[0008] 步驟1 :獲取帶有故障標(biāo)簽的飛機(jī)發(fā)動(dòng)機(jī)轉(zhuǎn)速數(shù)據(jù)；
[0009] 步驟2:以步驟1獲取的發(fā)動(dòng)機(jī)轉(zhuǎn)速數(shù)據(jù)中前若干秒數(shù)據(jù)作為樣本集，樣本 集合為，其中N為帶有故障標(biāo)簽的發(fā)動(dòng)機(jī)轉(zhuǎn)速數(shù)據(jù)的數(shù)據(jù)組個(gè)數(shù)，Xi為其中 一組轉(zhuǎn)速數(shù)據(jù)，Xi中包含η個(gè)轉(zhuǎn)速數(shù)據(jù)點(diǎn)；對(duì)樣本集合X構(gòu)建約束點(diǎn)對(duì)must-link集 合：M = {(xk, Xj) |xk, Xj均為正?；蚓鶠楣收蠣顟B(tài)下的數(shù)據(jù)}和cannot-link集合：C = {(xm, xn) I xm, Xn為一個(gè)在正常狀態(tài)下，另一個(gè)在故障狀態(tài)下的數(shù)據(jù)};
[0010] 步驟3:根據(jù)主成分分析中固有維數(shù)的計(jì)算方法，計(jì)算N維樣本集合的目標(biāo)維數(shù)d， 其中要求前d個(gè)維數(shù)的累計(jì)貢獻(xiàn)率達(dá)到95%以上；
[0011] 步驟4 :計(jì)算約束點(diǎn)對(duì)的協(xié)方差矩陣，并求出馬氏距離矩陣A :
[0012] 步驟4. 1 :計(jì)算M集合中的點(diǎn)對(duì)的平方距離和：
【主權(quán)項(xiàng)】
1. 一種飛機(jī)發(fā)動(dòng)機(jī)瞬態(tài)故障檢測(cè)的方法，其特征在于：包括w下步驟： 步驟1:獲取帶有故障標(biāo)簽的飛機(jī)發(fā)動(dòng)機(jī)轉(zhuǎn)速數(shù)據(jù)； 步驟2 ; W步驟1獲取的發(fā)動(dòng)機(jī)轉(zhuǎn)速數(shù)據(jù)中前若干砂數(shù)據(jù)作為樣本集，樣本集合為 X,.}；!,，其中N為帶有故障標(biāo)簽的發(fā)動(dòng)機(jī)轉(zhuǎn)速數(shù)據(jù)的數(shù)據(jù)組個(gè)數(shù)，Xi為其中一組轉(zhuǎn)速數(shù) 據(jù)，Xi中包含n個(gè)轉(zhuǎn)速數(shù)據(jù)點(diǎn)；對(duì)樣本集合X構(gòu)建約束點(diǎn)對(duì)must-link集合： M = {(Xk, Xj) I Xk, Xj均為正?；蚓鶠楣收蠣顟B(tài)下的數(shù)據(jù)}和cannot-link集合： 〇={知。，義。）心，義。為一個(gè)在正常狀態(tài)下，另一個(gè)在故障狀態(tài)下的數(shù)據(jù)}; 步驟3;根據(jù)主成分分析中固有維數(shù)的計(jì)算方法，計(jì)算N維樣本集合的目標(biāo)維數(shù)d，其中 要求前d個(gè)維數(shù)的累計(jì)貢獻(xiàn)率達(dá)到95% W上； 步驟4 ;計(jì)算約束點(diǎn)對(duì)的協(xié)方差矩陣，并求出馬氏距離矩陣A : 步驟4. 1 ;計(jì)算M集合中的點(diǎn)對(duì)的平方距離和：
其中*i是集合M中點(diǎn)對(duì)的協(xié)方差矩陣，
并計(jì)算的秩 r ； 同時(shí)計(jì)算C集合中的點(diǎn)對(duì)的平方距離和：而乂W)，其中
步驟4. 2 ;根據(jù)優(yōu)化形式
s.t. W' W = l 對(duì)w進(jìn)行求解，其中r為求解出的最優(yōu)解，I是單位矩陣： 步驟4.2. 1 ;若d〉n-r，則進(jìn)行W下步驟4. 2. 1. 1?步驟4. 2. 1.5,否則執(zhí)行步驟 4. 2. 1. 6 ; 步驟 4. 2. 1.1;令
A ^ (Ai+A2)/2 ;其中 a。. . .，a d是4的特征值按從大到小排列時(shí)的前d個(gè)特征值，目。...，目d是的特征值 按從小到大排列時(shí)的前d個(gè)特征值，符號(hào)^表示將后側(cè)值賦給前側(cè)參數(shù)； 步驟4. 2. 1. 2 ;若A廠入1> e，則進(jìn)行下一步，否則直接跳入步驟4. 2. 1. 5, e為誤差 常數(shù)； 步驟4. 2. 1.3;通過(guò)公式
，計(jì)算gU);如果gU) > 0,入^〇.5本（入1+入2)，入1戶入，否則入^0.5本（入1+入2)，入2^入；


步驟4. 2. 1. 4 ;入^ 0. 5* (入1+入2)，返回步驟4. 2. 1進(jìn)行判斷； 步驟4. 2. 1.5 ;取r= [y。...，Ud]，其中y。...，Wd是d個(gè)特征向量，對(duì)應(yīng)的是 (女-2式.)的特征值按照從大到小排列時(shí)的前d個(gè)特征值； 步驟4. 2. 1. 6 ;取r = ZX [V 1，. . .，vj，其中V = [V。. . .，Vd]，V由之了單方的特征值按 照從大到小排列時(shí)的前d個(gè)特征值所對(duì)應(yīng)的特征向量組成；Z = [zi，. . .，z"_t]，Z由左、，的 n-r個(gè)零特征值所對(duì)應(yīng)的特征向量組成； 步驟4. 3 ;根據(jù)公式
得到馬氏距離矩陣A ; 步驟5 ;利用K近鄰方法對(duì)馬氏距離矩陣A進(jìn)行處理，完成樣本自適應(yīng)鄰域的選擇；其 中K近鄰方法的初始參數(shù)為km"; 步驟5. 1 ;初始化k = km"，根據(jù)馬氏距離矩陣A計(jì)算樣本集合X中各元素之間的馬氏 距離，用K近鄰方法找到每個(gè)樣本Xi的最大近鄰點(diǎn)集《=[而，…而，義里面的向量從左 到右的順序按照馬氏距離進(jìn)行升序排列Ik巧I間片2 -韋II心??含II而--Y,. I; 步驟5.2;計(jì)算勺奇異值巧
，其中I為單位矩陣，e 為元素為1的向量，式是第i個(gè)樣本Xi對(duì)應(yīng)的第h個(gè)近鄰點(diǎn)的奇異值； 步驟5. 3 ;如果>/<;;，則乂,. ^ ，樣本自適應(yīng)鄰域選擇完成，進(jìn)入步驟6,其中樣本Xi 的自適應(yīng)鄰域選擇為Xi，n為判斷闊值，0 < n < 1，否則進(jìn)入步驟5.4 ; 步驟5. 4 ;如果k > kmi。，則刪除掉《的最后一列得到X"，WXf-i為樣本Xi的新的最 大近鄰點(diǎn)集，并且k ^ k-1，然后跳轉(zhuǎn)到步驟5. 2,其中kmh= d+1或者d+2 ;否則進(jìn)入步驟 5. 5 ; 步驟5. 5 ;計(jì)算/( =argmm,;, i, ，并且式^ ，樣本自適應(yīng)鄰域選擇完成，進(jìn)入 步驟6,其中樣本Xi的自適應(yīng)鄰域選擇為X 步驟6 ;將步驟5選好的樣本自適應(yīng)鄰域用Hessian局部線性嵌入的流形學(xué)習(xí)算法計(jì) 算，得到樣本的目標(biāo)維數(shù)d的特征嵌入； 步驟7 ;將步驟6得到的樣本的目標(biāo)維數(shù)d的特征嵌入代入到自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)分類 器中對(duì)分類器進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類器； 步驟8 ;將待測(cè)試的飛機(jī)發(fā)動(dòng)機(jī)轉(zhuǎn)速數(shù)據(jù)代入步驟7得到的分類器，得到分類結(jié)果，并 根據(jù)分類結(jié)果判斷故障是否在瞬態(tài)下產(chǎn)生。

【專利摘要】本發(fā)明提出一種飛機(jī)發(fā)動(dòng)機(jī)瞬態(tài)故障檢測(cè)的方法，首先利用基于馬氏自適應(yīng)Hessian局部線性嵌入特征提取器對(duì)飛機(jī)發(fā)動(dòng)機(jī)轉(zhuǎn)速數(shù)據(jù)提取顯著特征；然后，將特征提取后的結(jié)果，利用自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)分類器，分析確定故障是否在瞬態(tài)下產(chǎn)生；最后，將檢測(cè)到的故障用一個(gè)診斷系統(tǒng)進(jìn)行處理產(chǎn)生一個(gè)維修指導(dǎo)。本發(fā)明解決了現(xiàn)有飛機(jī)發(fā)動(dòng)機(jī)故障檢測(cè)，僅僅局限于基于穩(wěn)定狀態(tài)下采集發(fā)動(dòng)機(jī)數(shù)據(jù)，進(jìn)而進(jìn)行故障檢測(cè)的問(wèn)題。本發(fā)明采用馬氏自適應(yīng)Hessian局部線性嵌入(Mahalanobis Adaptive Hessian Locally Linear Embedding,MAHLLE)和自適應(yīng)BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)相結(jié)合的飛機(jī)發(fā)動(dòng)機(jī)瞬態(tài)故障檢測(cè)的方法，提出一種飛機(jī)發(fā)動(dòng)機(jī)瞬態(tài)故障檢測(cè)的方法框架，能夠有效地提升飛機(jī)發(fā)動(dòng)機(jī)在瞬態(tài)情況下的故障檢測(cè)性能。
【IPC分類】G06K9-62
【公開(kāi)號(hào)】CN104598926
【申請(qǐng)?zhí)枴緾N201510046045
【發(fā)明人】劉貞報(bào), 李洋, 布樹(shù)輝, 張超
【申請(qǐng)人】西北工業(yè)大學(xué)
【公開(kāi)日】2015年5月6日
【申請(qǐng)日】2015年1月29日