[发明专利]一种基于飞行数据的故障预报方法

权利要求书

1.一种基于飞行数据的故障预报方法，其特征在于包括下述步骤：

第一步，构建飞行数据库，存储飞行数据；

第二步，构建知识库，存储用于故障分析的规则，规则表示了如果飞行数据达到或超过了某个值则说明飞机发生故障；

第三步，利用奇异值分解的方法祛除飞行数据的噪声；

对飞行数据序列X＝{x₁，x₂，Λ，x_N}进行奇异值分解包括以下步骤，其中x_i表示第i个飞行数据，N表示自然数：

(1)构造矩阵初始矩阵

A=x1x2Λxkx2x3Λxk+1MMOMxnxn+1ΛxNn×k]]>

表示不大于N+1/2的整数，n＝N-k+1，n和k都是自然数；

(2)对A进行奇异值分解

A＝UΓV^T

U，V均为正交矩阵，V^T表示V的矩阵转置，

Γ=Πm×mOm×(k-m)O(n-m)×mO(n-m)×(k-m)]]>

其中∏_m×m为一个对角型矩阵，对角线上的元素为矩阵A的奇异值(α₁，α₂，Λ，α_m)；(α₁，α₂，Λ，α_m)满足α₁≥α₂≥Λ≥α_m≥0；O_m×(k-m)、O_(n-m)×m、O_(n-m)×(k-m)均为元素都是0的矩阵；m为自然数，表示矩阵A的秩；

(3)求解滤波矩阵

设定滤波门限ε(0＜ε＜1)，求解方程

Σi=1lai2Σi=1mai2=ϵ]]>

可求得正整数l，将取值较小的m-l个奇异值置为0得到

Γ1=Πl×lOl×(k-l)O(n-l)×lO(n-l)×(k-l);]]>

(4)滤波输出

A¹＝UΓ¹V^T

则矩阵A¹中的数据即为祛除噪声后的飞行数据；

第四步，利用最大Lyapunov指数法对祛除噪声后的飞行数据进行混沌特性判别；

第五步，利用预测算法实现对飞行数据的预测，预测算法包括了自回归滑动平均模型以及支持向量机模型；当数据为线性关系时，选择自回归滑动平均模型；当数据为非线性关系时，选择支持向量机模型；

自回归滑动平均模型如(1)式所示：

S_t＝φ₁S_t-1+φ₂S_t-2+L+φ_pS_t-p+θ₁ε_t-1+θ₂ε_t-2+L+θ_qε_t-q+ε_t，t∈Z⁺.   (1)

其中Z⁺为正整数集合，{ε_t，t∈Z⁺}是独立同分布随机序列，ε_t服从正态分布表示正态分布的方差，p、q是模型阶数；参数φ₁，φ₂，L，φ_p，θ₁，θ₂，L，θ_q，是未知的参数；

基于自回归滑动平均模型的飞行数据预测流程包括以下步骤：

(1)读取祛除噪声后的飞行数据，利用游程法对飞行数据进行平稳性检验，判断飞行数据的平稳性，若非平稳，须对信号进行差分处理，直到差分后的飞行数据是平稳的；

(2)计算飞行数据的自相关函数和偏自相关函数，应用BIC定阶准则，确定模型阶数p、q；应用最小二乘法估计模型参数φ₁，φ₂，L，φ_p，θ₁，θ₂，L，θ_q，

(3)利用建立的模型计算下一时刻的数据值，最终输出计算结果；

支持向量机模型如(2)式所示：

f(x)=Σi=1NλiK(xi,x)+b---(2)]]>

其中λ_i，i＝1，2，L，N为最优化问题(3)的最优解。

min12Σi=1NΣj=0NλiλjK(xi,xj)+ϵΣi=1N|λi|-Σi=1Nyiλi]]>

(3)

s.t.Σi=1Nλi=0,]]>-C≤λ_i≤C，i＝1，2，...，N

K(x,x′)=exp(-||x-x′||2σ2),]]>b=yj-Σi=1lλiK(xi·xj)-ϵ,]]>ε为不敏感损失因子，C为惩罚参数，其中σ为核函数的尺度；

基于支持向量机的飞行数据预测流程包括以下步骤：

(1)读取祛除噪声后的飞行数据后，对飞行数据进行相空间重构；

(2)利用序列最小最优化算法求解优化问题(3)，计算出λ_i，i＝1，2，L，N；

(3)利用建立的模型计算下一时刻的数值，最终输出计算结果；

第六步，根据预测的值以及知识库中的知识进行故障分析，最终输出预测的结果。