[发明专利]基于LSTM-AE深度学习框架的民机系统故障监测与识别方法

权利要求书

1.基于LSTM-AE深度学习框架的民机系统故障监测识别方法，其特征在于,包括：

S1、在飞机飞行时某一稳定工况下，提取飞机机载系统中多个状态参数的时间序列数据；

S2、对时间序列数据利用等时间间隔方法提取，得到模型训练数据样本，模型训练数据样本的集合即为飞机机载系统无故障状态的训练数据集；

S3、利用LSTM深度模型所具有的长时间序列建模能力，并依据自编码器原理建立LSTM-AE模型，利用训练数据集训练LSTM-AE模型并优化LSTM-AE模型的参数，得到训练好的LSTM-AE模型；

S4、利用训练好的LSTM-AE模型，重构飞机机载系统的状态参数，计算重构误差矩阵，并在误差矩阵的基础上计算飞机机载系统健康指数和故障特征向量，健康指数用于故障预警，故障特征向量用于故障识别；

所述健康指数为HI：

其中，E为所述重构误差矩阵，表示第j个参数t时刻的重构误差，I为采样间隔，L为采样样本长度，j、t均为正整数；

所述故障特征向量为V：

V＝(v¹...v^N)

其中，v^j表示第j个参数的平均重构误差，E为所述重构误差矩阵，表示第j个参数t时刻的重构误差，I为采样间隔，L为采样样本长度，j、t均为正整数；

计算重构误差矩阵的方法包括：

用多元时间序列数据X描述所述飞机机载系统的状态，利用所述训练好的LSTM-AE模型得到所述飞机机载系统的状态估计为则所述重构误差矩阵E为：

其中，表示第j个参数t时刻的重构误差，j、t均为正整数，L为采样样本长度，N表示提取的多元时间序列数据的长度。

2.根据权利要求1所述的方法，其特征在于，根据监测对象的特点，选取合适的工况下的状态参数时间序列数据用于系统重构模型的训练。

3.根据权利要求1所述的方法，其特征在于，所述S2包括：

设定I为采样间隔，L为采样样本长度，N表示提取的多元时间序列数据的长度,则所述时间序列数据X＝X₁,X₂,…,X_N，N＝L*I，表达为以下格式：

X＝(X₁,X₂,…,X_N)＝(X₁,X₂,…,X_I,X_I+1,…,X_2I,X_2I+1,…,X_(L-1)I,X_(L-1)I+1,…,X_LI)

通过所述等时间间隔采样得到的所述模型训练数据样本构成了所述训练数据集S＝(s₁,s₂,…,s_I):

所述训练数据样本分别为：

s₁＝(X₁,X_I+1,X_2I+1,…,X_(L-1)I+1)

s₂＝(X₂,X_I+2,X_2I+2,…,X_(L-1)I+2)

………

s_I＝(X_I,X_2I,X_3I,…,X_LI)。