[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

说明书

本发明公开了基于LSTM‑AE深度学习框架的民机系统故障监测与识别方法，涉及民机复杂系统状态监控与故障诊断技术领域，能够充实现飞行故障的监测和识别。本发明包括：选取飞机飞行中某稳定工况下系统多状态参数时间序列数据，并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，然后充分利用LSTM模型所具有长时间序列依赖的记忆能力，对民机系统无故障状态进行建模与重构，通过进一步分析其状态参数重构误差实现故障的监测和识别。本发明解决了民机系统故障监测手段不足的问题，利用深度学习在大数据分析方面的优势，挖掘民机海量运营和维修数据，为民机系统故障监测与航线故障隔离提供了重要支持。

技术领域

本发明涉及民机复杂系统状态监控与故障诊断技术领域，尤其涉及了基于LSTM-AE深度学习框架的民机系统故障监测与识别方法。

背景技术

现代工程系统复杂性和集成化程度日益升高，同时面临着任务和运行环境动态多样性的挑战，由此带来的可靠性、安全性问题也日趋突出。此外，对其“经济可承受性”也提出了较高要求。与此同时，随着低成本传感与通信技术的发展，现代工程系统通常安装有各种监测系统，在线监测记录系统的状态、性能、运行环境及载荷等参数，这些海量数据具有“工业大数据”的动态、连续采样、多源性、非结构化、大体量等特点，为研究复杂系统的动态行为、安全运行与监控等多个方面带来了新的机遇。

在民用航空领域，随着系统健康监测技术的发展，民机越来越多的系统采用了健康监测技术，可实现故障监测、定位以及故障预测，使飞机的维修具备了实施更加精准的基于状态的维修的条件。特别是现代民机通常配置有飞机状态监测系统，通过机载数据总线收集各个子系统和部件的工作参数，并根据需要传输到地面进行实时分析或存储到机载设备上(如QAR，Quick Access Recorder，快速存取记录器) 供航后离线分析。随着成本不断降低及应用需求的持续增长，现代民机采集的状态参数日益增多，这些数据为航空安全风险监控、飞机故障监测与航线故障隔离支持提供了丰富的数据源。自上世纪九十年代国际领先的民用飞机制造商引入PHM(Prognostic and Health Management故障预测与健康管理)的概念和技术，经过了20多年的发展，建立起了基于空地双向数据通信系统的实时监控与健康管理系统，此类系统的典型代表是波音AHM系统、空客AiRTHM系统，此类系统对于OEM的运营支持和产品技术支援具有重要意义。在民用航空维修领域中，越来越多的数据收集和智能分析工具正在被开发和运用，但人工智能技术在航空维修业的应用仍处于初始阶段，新一代飞机上产生的运营和维修数据呈现数量级增长，但数据利用远远不够，无法充分释放飞机运行海量数据、信息与知识在机务维修领域中的价值。

综上，现有技术中缺乏一种系统健康监测方法，能挖掘民机海量运营和维修数据，为民机系统故障监测与航线故障隔离提供支持。

发明内容

本发明提供了基于LSTM-AE(Long ShortTerm Memory-Auto Encoder基于长短期记忆网络的自编码器)深度学习框架的民机系统故障监测与识别方法，能够充分利用LSTM(Long Short-Term Memory长短期记忆网络)模型所具有长时间序列依赖的记忆能力，对民机系统无故障状态进行建模与重构，通过进一步分析其状态参数重构误差实现故障的监测和识别。

为达到上述目的，本发明采用如下技术方案：

基于LSTM-AE深度学习框架的民机系统故障监测与识别方法，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。本发明对民机的典型机电系统都适用，比如空调系统、动力系统，不同的系统需要利用不同的状态参数。常用的状态参数包括但不限于引气系统的引气压力、温度参数，空调系统的压缩机出口温度、组件出口温度、混合室温度等。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。