[发明专利]一种基于MSCNN深度学习的飞机系统故障诊断方法

说明书

本发明公开了一种基于MSCNN深度学习的飞机系统故障诊断方法，包括如下步骤：S1，采集已经译码的飞机QAR数据；S2，将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据；S3，建立全任务剖面的深度学习模型MSCNN；S4，根据样本自动识别工况条件并自适应生成单工况模型，利用深度学习模型MSCNN对需检测的样本数据进行自动检测，并识别单一工况下的故障；S5，比较多个工况的诊断结果，进行冗余和验证，得到最后的诊断结果。

技术领域

本发明属于航空系统故障诊断技术领域，具体的说，特别涉及到一种基于MSCNN深度学习的飞机系统故障诊断方法。

背景技术

随着目前飞机系统设备日趋复杂，通过智能化及机电一体化，对复杂装备系统进行准确、有效的故障诊断成为提高系统安全性和可靠性，并降低维护成本的有效途径。当前方法主要有基于案例法、专家系统、模糊推理法等,，这些方法由于过度依赖工程师及专家诊断经验，并且有些故障现象难以复现，已很难满足现代复杂系统设备的故障诊断需求。

飞机QAR数据伴随着海量的监测数据,，而深度学习通过建立深层神经网络模拟人脑的信息处理机制来学习、解释并分析学习输入数据,具有强大的特征提取与模式识别能力。卷积神经网络，作为一种典型的深度学习方法，不需要人为参与特征的选取过程，可以自动地学习大量数据集中的目标特征。其权值共享和局部连接机制使得它具备优于传统技术的优点，同时具有良好的容错能力、并行处理能力和自学习能力。这些优点使得卷积神经网络在处理环境信息复制，推理规则不明确情况下的问题时具有较大优势。

但对于传统CNN模型，只含有一个Softmax分类器，对于多工况系用一个CNN模型不能完整表达被诊断系统。统往往需要针对不同工况分别建立不同的模型。

发明内容

本发明的目的在于针对现有技术中的不足，提供一种基于MSCNN深度学习的飞机系统故障诊断方法，以解决现有技术中存在的问题。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种基于MSCNN深度学习的飞机系统故障诊断方法，包括如下步骤：

S1，采集已经译码的飞机QAR数据；

S2，将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据；

S3，建立全任务剖面的深度学习模型MSCNN；

S4，根据样本自动识别工况条件并自适应生成单工况模型，利用深度学习模型MSCNN对需检测的样本数据进行自动检测，并识别单一工况下的故障；

S5，比较多个工况的诊断结果，进行冗余和验证，得到最后的诊断结果。

进一步的，所述步骤S3的具体步骤如下：

选取故障发生时60秒的参数采样序列作为模型输入，每种监测参数作为输入矩阵的一列，构成二维数据样本，同时能反映飞机前后运行状态变化。

进一步的，还包括判断飞行工况，重构单工况的CNN模型，并进行数值预处理的过程：对飞行任务每一个具体工况，将工况条件与MSCNN全连接层C(ek)相匹配，触发相应的连接使能条件，激活满足条件的softmax分类器，网络结构输出则为只与当前工况相关的故障模式，从而获得当前工况下的独立的CNN模型。

进一步的，所述步骤S4包括卷积神经网络模型的训练过程，具体步骤如下：

卷积神经网络模型的训练是通过不断地迭代极小化损失函数以确定CNN模型中最优权重和偏置参数的过程，模型损失函数采用softmax交叉熵loss函数：