[发明专利]基于AMESim模型的副翼作动器故障诊断方法和装置

权利要求书

1.一种基于AMESim模型的副翼作动器故障诊断方法，其特征在于，应用于电子设备，所述电子设备包括预先构建的深度神经网络模型，所述方法包括：

根据电动静液式副翼作动器的结构功能、失效严酷度及失效发生频率确定需要诊断的至少一个故障失效模式；

基于所述电动静液式副翼作动器的工作结构信息及所述故障失效模式，搭建AMESim仿真模型，其中，所述工作结构信息包括所述电动静液式副翼作动器的工作原理、组件构成和结构功能；

将指令控制信号及每个所述故障失效模式植入所述AMESim仿真模型，以利用所述AMESim仿真模型进行仿真，并基于所述电动静液式副翼作动器包括的传感器类型的监测信号，采集得到与每个所述故障失效模式对应的仿真故障数据；

对全部所述仿真故障数据进行预处理，得到一维化仿真故障数据；

将所述一维化仿真故障数据作为训练样本，利用所述训练样本训练所述深度神经网络模型，得到故障诊断模型；

获取副翼作动器发送的工况数据；

将所述工况数据输入所述故障诊断模型，利用所述故障诊断模型进行故障诊断，得到故障诊断结果；

将所述一维化仿真故障数据作为训练样本，利用所述训练样本训练所述深度神经网络模型，得到故障诊断模型的步骤包括：

将所述训练样本输入所述深度神经网络模型包括的特征提取层，利用所述特征提取层对所述训练样本进行特征提取，得到故障特征数据；

将所述故障特征数据输入所述深度神经网络模型包括的全连接层，利用所述全连接层将所述故障特征数据与预设标签进行映射处理，输出初步故障诊断结果；

基于所述初步故障诊断结果，利用梯度下降算法对所述深度神经网络模型的参数进行迭代更新，直至输出的初步故障结果满足预设优化目标，得到训练好的故障诊断模型。

2.根据权利要求1所述的基于AMESim模型的副翼作动器故障诊断方法，其特征在于，所述预先构建深度神经网络模型包括，依次连接的特征提取层及全连接层，所述特征提取层包括依次连接的三个卷积层、批归一化层及池化层。

3.根据权利要求2所述的基于AMESim模型的副翼作动器故障诊断方法，其特征在于，将所述训练样本输入所述深度神经网络模型包括的特征提取层中，利用所述特征提取层对所述训练样本进行特征提取，得到故障特征数据的步骤包括：

将所述训练样本输入所述特征提取层包括的卷积层，利用所述卷积层对所述训练样本进行特征提取与挖掘映射，得到所述训练样本的初始故障特征数据；

将所述初始故障特征数据输入所述批归一化层，利用所述批归一化层对所述初始故障特征数据进行归一化处理，得到归一化特征数据；

将所述归一化特征数据输入所述池化层，利用所述池化层对所述归一化特征数据进行下采样处理，得到故障特征数据。

4.根据权利要求1所述的基于AMESim模型的副翼作动器故障诊断方法，其特征在于，对所述仿真故障数据进行预处理，得到一维化仿真故障数据的步骤包括：

基于预设大小的滑窗对所述仿真故障数据进行数据截取，得到目标仿真故障数据；

对所述目标仿真故障数据进行样本重构，得到一维化仿真故障数据。

5.根据权利要求1所述的基于AMESim模型的副翼作动器故障诊断方法，其特征在于，所述指令控制信号包括多个预设频率及预设幅度的正弦信号。

6.根据权利要求1所述的基于AMESim模型的副翼作动器故障诊断方法，其特征在于，电动静液式副翼作动器包括的传感器类型的监测信号包括力马达线圈电流信号、直接驱动阀位移传感器信号和作动筒位移传感器信号。