CN117349797A - 基于人工智能的飞机故障检测方法及*** - Google Patents
基于人工智能的飞机故障检测方法及*** Download PDFInfo
- Publication number
- CN117349797A CN117349797A CN202311641840.1A CN202311641840A CN117349797A CN 117349797 A CN117349797 A CN 117349797A CN 202311641840 A CN202311641840 A CN 202311641840A CN 117349797 A CN117349797 A CN 117349797A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- fault detection
- parameter
- gate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 54
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 230000007787 long-term memory Effects 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000010276 construction Methods 0.000 abstract description 4
- 230000007774 longterm Effects 0.000 abstract description 4
- 230000008034 disappearance Effects 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工智能的飞机故障检测方法及***，方法包括数据采集、数据预处理、建立混合飞机故障检测模型、模型参数搜索和实时运行。本发明属于故障检测技术领域，具体是指基于人工智能的飞机故障检测方法及***，本方案基于局部极值搜索和构建上下限曲线过滤噪声，基于单调函数判定确保分解结果；采用基于构建长短期记忆网络预测子模型捕捉数据长期依赖关系，基于构建高斯回归子模型预测结果概率分布；基于定义全局最优解搜索机制和移动策略提高算法的搜索精度和全局优化能力，基于划分子空间提高搜索的覆盖率并减少搜索维度。
Description
技术领域
本发明涉及故障检测技术领域，具体是指基于人工智能的飞机故障检测方法及***。
背景技术
基于人工智能的飞机故障检测方法是一种利用机器学习和数据分析的技术，通过对飞机传感器数据进行监测和分析，来检测飞机可能存在的故障或异常情况。但是原始信号存在噪声干扰，分解信号不精准的问题；一般故障检测模型存在梯度消失和梯度***，鲁棒性弱，从而导致模型性能低的问题；搜索算法存在盲选和由于单一搜索机制导致陷入局部最优的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的飞机故障检测方法及***，针对原始信号存在噪声干扰，分解信号不精准的问题，本方案基于局部极值搜索和构建上下限曲线过滤噪声，基于单调函数判定确保分解结果的精准性；针对一般故障检测模型存在梯度消失和梯度***，鲁棒性弱，从而导致模型性能低的问题，本方案采用基于构建长短期记忆网络预测子模型捕捉数据长期依赖关系，使得模型整体更易于训练和优化，基于构建高斯回归子模型预测结果概率分布，更灵活地适应各种不确定性，提高模型鲁棒性，从而提高模型性能；针对搜索算法存在盲选和由于单一搜索机制导致陷入局部最优的问题，本方案基于定义全局最优解搜索机制和移动策略提高算法的搜索精度和全局优化能力，加快算法的收敛速度，基于划分子空间提高搜索的覆盖率并减少搜索维度，从而提高算法运行效率。
本发明采取的技术方案如下：本发明提供的基于人工智能的飞机故障检测方法，该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：数据预处理，基于比较波动中相邻值和使用样条线连接局部极值点构建上下限曲线，基于单调函数判定分解信号，从而构建样本数据集；
步骤S3：建立混合飞机故障检测模型，基于构建长短期记忆网络预测子模型和高斯过程回归子模型实现混合飞机故障检测模型的建立；
步骤S4：模型参数搜索，基于定义全局最优解搜索机制和移动策略更新参数位置，基于划分子空间，设定局部阈值、全局阈值和最大迭代次数判断搜索结果；
步骤S5：实时运行。
进一步地，在步骤S1中，所述数据采集是采集飞机历史运行数据信号及对应运行状态。
进一步地，在步骤S2中，所述数据预处理具体包括以下步骤：
步骤S21：设置数据集，选择历史运行数据信号为Cb；通过在Cb中比较所有波动中相邻值的方式，搜索局部极大值和极小值，局部最小值和最大值分别代表在局部波动尺度上的最小和最大数据点；通过使用样条线连接局部极值点，分别构建上限曲线eup和下限曲线elow；
步骤S22：计算本地平均值me，并计算本地平均值和Cb的差值，所用公式如下：
；
步骤S23：重复上述操作，直到得到的差值变成一个单调函数为止；
步骤S24：分解信号结束，在获得n1个数据信号IMF和一个单调函数后，Cb由以下内容组成：
；
式中，j1是信号索引，rm是残余即分解过程中剩余的趋势部分；
步骤S25：构建数据集，基于分解后的信号构建数据集，将数据对应运行状态作为标签。
进一步地，在步骤S3中，所述建立混合飞机故障检测模型具体包括以下步骤：
步骤S31：构建长短期记忆网络预测子模型，所有门的状态都是通过S形单元由输入当前时刻k的输入Xk和上一个时刻k-1的输出hk-1确定；输入门决定是否接收到新的状态信息；遗忘门负责遗忘隐藏层中的先前状态；输出门确定模型计算的信息是否作为输出，步骤包括：
步骤S311：更新输入门状态信息和输入门的状态，所用公式如下：
；
式中，pk表示输入门状态信息，tanh（）表示双曲正切激活函数，ωs表示输入门状态的权重，us表示输入门前一状态的权重，bs表示输入门状态的偏置量，ik表示输入门状态，σs表示sigmoid激活函数，wi表示输入门的权重，ui表示输入门前一时刻的权重，bi表示输入门的偏置量；
步骤S312：更新遗忘门和遗忘门的状态，所用公式如下：
；
式中，fk表示遗忘门，ωf表示遗忘门的权重，uf表示遗忘门前一时刻的权重，bf表
示遗忘门的偏置量，sk表示遗忘门的状态，表示卷积操作，sk-1表示遗忘门的前一状态；
步骤S313：更新输出门和输出门的状态，所用公式如下：
；
式中，ok表示输出门，ωo表示输出门的权重，uo表示输出门前一时刻的权重，bo表示输出门的偏置量，hk表示输出门的状态；
步骤S32：构建高斯过程回归子模型，步骤包括：
步骤S321：定义GPR概率分布，所用公式如下：
；
式中，f（）是目标函数，l是输入，l’是预测值；GPR（）是高斯回归过程；m（l）和L（l，l’）分别为均值函数和协方差函数；
步骤S322：定义核函数kM，所用公式如下：
；
式中，γ是反映平滑度的超参数；是贝塞尔函数，σ2是回归过程中的噪声方差，ρ
是调节距离尺度的超参数，是伽玛函数；
步骤S323：将不同尺度的核函数相加，得到流行核函数有理二次函数kRQ，所用公式如下：
；
式中，α是反映尺度变化的相对权重，和是影响轴缩放的超参数；
步骤S324：定义已知输出y和预测输出y’的总联合先验分布，所用公式如下：
；
式中，In是对角线为1的单位矩阵，L（l，l）和L（l’，l’）分别为输入的协方差函数和输出值的协方差函数；
步骤S325：通过计算条件分布对输出进行预测，所用公式如下：
；
式中，T是转置操作；
步骤S326：将长短期记忆神经网络和高斯过程回归模型的输出加权求和作为最终预测结果。
进一步地，在步骤S4中，所述模型参数搜索具体包括以下步骤：
步骤S41：定义全局最优解引导搜索机制，所用公式如下：
；
式中，x是参数位置，I和j是不同个体，it是迭代次数，r是介于0到1之间的随机数，P是全局最佳位置；fl是个体的移动距离；M是个体历史最优位置；
步骤S42：定义移动策略，引入Levy飞行搜索策略代替随机搜索，所用公式如下：
；
式中，γs是一个随机变化的符号，取值是；a是步长因子，β是控制步长变化的常
数，Γ（）是伽玛函数；
步骤S43：初始化，分解参数搜索空间，基于子空间初始化参数位置，将基于参数建立的模型性能作为参数适应度值；
步骤S44：更新参数位置，所用公式如下：
；
式中，AP是移动阈值；
步骤S45：判定，预先设有局部阈值、全局阈值和最大迭代次数；若子空间存在个体适应度值高于局部阈值，基于各子空间最优个体建立模型，若模型性能高于全局最优，则输出参数位置建立模型，若低于全局最优，则寻找子空间最低的局部最优个体；若达到最大迭代次数，则重新分割子空间并初始化参数位置进行参数搜索；否则继续搜索。
进一步地，在步骤S5中，所述实时运行是实时采集飞机运行数据并输入模型中，模型输出加权预测结果。
本发明提供的基于人工智能的飞机故障检测***，包括数据采集模块、数据预处理模块、混合飞机故障检测模型建立模块、模型参数搜索模块和实时运行模块；
所述数据采集模块收集采集飞机历史运行数据信号及对应运行状态，并将数据发送至数据预处理模块；
所述数据预处理模块接收数据采集模块发送的数据，基于比较波动中相邻值和使用样条线连接局部极值点构建上下限曲线，基于单调函数判定分解信号，从而构建样本数据集，并将数据发送至混合飞机故障检测模型建立模块；
所述混合飞机故障检测模型建立模块接收数据预处理模块发送的数据，基于构建长短期记忆网络预测子模型和高斯过程回归子模型实现混合飞机故障检测模型的建立，并将数据发送至模型参数搜索模块；
所述模型参数搜索模块接收混合飞机故障检测模型建立模块发送的数据，基于定义全局最优解搜索机制和移动策略更新参数位置，基于划分子空间，设定局部阈值、全局阈值和最大迭代次数判断搜索结果，并将数据发送至实时运行模块；
所述实时运行模块接收模型参数搜索模块发送的数据，实时采集飞机运行数据并输入模型中，模型输出加权预测结果。
采用上述方案本发明取得的有益效果如下：
（1）针对原始信号存在噪声干扰，分解信号不精准的问题，本方案基于局部极值搜索和构建上下限曲线过滤噪声，基于单调函数判定确保分解结果的精准性。
（2）针对一般故障检测模型存在梯度消失和梯度***，鲁棒性弱，从而导致模型性能低的问题，本方案采用基于构建长短期记忆网络预测子模型捕捉数据长期依赖关系，使得模型整体更易于训练和优化，基于构建高斯回归子模型预测结果概率分布，更灵活地适应各种不确定性，提高模型鲁棒性，从而提高模型性能。
（3）针对搜索算法存在盲选和由于单一搜索机制导致陷入局部最优的问题，本方案基于定义全局最优解搜索机制和移动策略提高算法的搜索精度和全局优化能力，加快算法的收敛速度，基于划分子空间提高搜索的覆盖率并减少搜索维度，从而提高算法运行效率。
附图说明
图1为本发明提供的基于人工智能的飞机故障检测方法的流程示意图；
图2为本发明提供的基于人工智能的飞机故障检测***的示意图；
图3为步骤S2的流程示意图；
图4为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于人工智能的飞机故障检测方法，该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：数据预处理，基于比较波动中相邻值和使用样条线连接局部极值点构建上下限曲线，基于单调函数判定分解信号，从而构建样本数据集；
步骤S3：建立混合飞机故障检测模型，基于构建长短期记忆网络预测子模型和高斯过程回归子模型实现混合飞机故障检测模型的建立；
步骤S4：模型参数搜索，基于定义全局最优解搜索机制和移动策略更新参数位置，基于划分子空间，设定局部阈值、全局阈值和最大迭代次数判断搜索结果；
步骤S5：实时运行。
实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，数据采集是采集飞机历史运行数据信号及对应运行状态。
实施例三，参阅图1和图3，该实施例基于上述实施例，在步骤S2中，数据预处理具体包括以下步骤：
步骤S21：设置数据集，选择历史运行数据信号为Cb；通过在Cb中比较所有波动中相邻值的方式，搜索局部极大值和极小值，局部最小值和最大值分别代表在局部波动尺度上的最小和最大数据点；通过使用样条线连接局部极值点，分别构建上限曲线eup和下限曲线elow；
步骤S22：计算本地平均值me，并计算本地平均值和Cb的差值，所用公式如下：
；
步骤S23：重复上述操作，直到得到的差值变成一个单调函数为止；
步骤S24：分解信号结束，在获得n1个数据信号IMF和一个单调函数后，Cb由以下内容组成：
；
式中，j1是信号索引，rm是残余即分解过程中剩余的趋势部分；
步骤S25：构建数据集，基于分解后的信号构建数据集，将数据对应运行状态作为标签。
通过执行上述操作，针对原始信号存在噪声干扰，分解信号不精准的问题，本方案基于局部极值搜索和构建上下限曲线过滤噪声，基于单调函数判定确保分解结果的精准性。
实施例四，参阅图1，该实施例基于上述实施例，在步骤S3中，建立混合飞机故障检测模型具体包括以下步骤：
步骤S31：构建长短期记忆网络预测子模型，所有门的状态都是通过S形单元由输入当前时刻k的输入Xk和上一个时刻k-1的输出hk-1确定；输入门决定是否接收到新的状态信息；遗忘门负责遗忘隐藏层中的先前状态；输出门确定模型计算的信息是否作为输出，步骤包括：
步骤S311：更新输入门状态信息和输入门的状态，所用公式如下：
；
式中，pk表示输入门状态信息，tanh（）表示双曲正切激活函数，ωs表示输入门状态的权重，us表示输入门前一状态的权重，bs表示输入门状态的偏置量，ik表示输入门状态，σs表示sigmoid激活函数，wi表示输入门的权重，ui表示输入门前一时刻的权重，bi表示输入门的偏置量；
步骤S312：更新遗忘门和遗忘门的状态，所用公式如下：
；
式中，fk表示遗忘门，ωf表示遗忘门的权重，uf表示遗忘门前一时刻的权重，bf表
示遗忘门的偏置量，sk表示遗忘门的状态，表示卷积操作，sk-1表示遗忘门的前一状态；
步骤S313：更新输出门和输出门的状态，所用公式如下：
；
式中，ok表示输出门，ωo表示输出门的权重，uo表示输出门前一时刻的权重，bo表示输出门的偏置量，hk表示输出门的状态；
步骤S32：构建高斯过程回归子模型，步骤包括：
步骤S321：定义GPR概率分布，所用公式如下：
；
式中，f（）是目标函数，l是输入，l’是预测值；GPR（）是高斯回归过程；m（l）和L（l，l’）分别为均值函数和协方差函数；
步骤S322：定义核函数kM，所用公式如下：
；
式中，γ是反映平滑度的超参数；是贝塞尔函数，σ2是回归过程中的噪声方差，ρ
是调节距离尺度的超参数，是伽玛函数；
步骤S323：将不同尺度的核函数相加，得到流行核函数有理二次函数kRQ，所用公式如下：
；
式中，α是反映尺度变化的相对权重，和是影响轴缩放的超参数；
步骤S324：定义已知输出y和预测输出y’的总联合先验分布，所用公式如下：
；
式中，In是对角线为1的单位矩阵，L（l，l）和L（l’，l’）分别为输入的协方差函数和输出值的协方差函数；
步骤S325：通过计算条件分布对输出进行预测，所用公式如下：
；
式中，T是转置操作；
步骤S326：将长短期记忆神经网络和高斯过程回归模型的输出加权求和作为最终预测结果。
通过执行上述操作，针对一般故障检测模型存在梯度消失和梯度***，鲁棒性弱，从而导致模型性能低的问题，本方案采用基于构建长短期记忆网络预测子模型捕捉数据长期依赖关系，使得模型整体更易于训练和优化，基于构建高斯回归子模型预测结果概率分布，更灵活地适应各种不确定性，提高模型鲁棒性，从而提高模型性能。
实施例五，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，模型参数搜索具体包括以下步骤：
步骤S41：定义全局最优解引导搜索机制，所用公式如下：
；
式中，x是参数位置，I和j是不同个体，it是迭代次数，r是介于0到1之间的随机数，P是全局最佳位置；fl是个体的移动距离；M是个体历史最优位置；
步骤S42：定义移动策略，引入Levy飞行搜索策略代替随机搜索，所用公式如下：
；
式中，γs是一个随机变化的符号，取值是；a是步长因子，β是控制步长变化的常
数，Γ（）是伽玛函数；
步骤S43：初始化，分解参数搜索空间，基于子空间初始化参数位置，将基于参数建立的模型性能作为参数适应度值；
步骤S44：更新参数位置，所用公式如下：
；
式中，AP是移动阈值；
步骤S45：判定，预先设有局部阈值、全局阈值和最大迭代次数；若子空间存在个体适应度值高于局部阈值，基于各子空间最优个体建立模型，若模型性能高于全局最优，则输出参数位置建立模型，若低于全局最优，则寻找子空间最低的局部最优个体；若达到最大迭代次数，则重新分割子空间并初始化参数位置进行参数搜索；否则继续搜索。
通过执行上述操作，针对搜索算法存在盲选和由于单一搜索机制导致陷入局部最优的问题，本方案基于定义全局最优解搜索机制和移动策略提高算法的搜索精度和全局优化能力，加快算法的收敛速度，基于划分子空间提高搜索的覆盖率并减少搜索维度，从而提高算法运行效率。
实施例六，参阅图1，该实施例基于上述实施例，在步骤S5中，实时运行是实时采集飞机运行数据并输入模型中，模型输出加权预测结果。
实施例七，参阅图2，该实施例基于上述实施例，本发明提供的基于人工智能的飞机故障检测***，包括数据采集模块、数据预处理模块、混合飞机故障检测模型建立模块、模型参数搜索模块和实时运行模块；
所述数据采集模块收集采集飞机历史运行数据信号及对应运行状态，并将数据发送至数据预处理模块；
所述数据预处理模块接收数据采集模块发送的数据，基于比较波动中相邻值和使用样条线连接局部极值点构建上下限曲线，基于单调函数判定分解信号，从而构建样本数据集，并将数据发送至混合飞机故障检测模型建立模块；
所述混合飞机故障检测模型建立模块接收数据预处理模块发送的数据，基于构建长短期记忆网络预测子模型和高斯过程回归子模型实现混合飞机故障检测模型的建立，并将数据发送至模型参数搜索模块；
所述模型参数搜索模块接收混合飞机故障检测模型建立模块发送的数据，基于定义全局最优解搜索机制和移动策略更新参数位置，基于划分子空间，设定局部阈值、全局阈值和最大迭代次数判断搜索结果，并将数据发送至实时运行模块；
所述实时运行模块接收模型参数搜索模块发送的数据，实时采集飞机运行数据并输入模型中，模型输出加权预测结果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (7)
1.基于人工智能的飞机故障检测方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：数据预处理，基于比较波动中相邻值和使用样条线连接局部极值点构建上下限曲线，基于单调函数判定分解信号，从而构建样本数据集；
步骤S3：建立混合飞机故障检测模型，基于构建长短期记忆网络预测子模型和高斯过程回归子模型实现混合飞机故障检测模型的建立；
步骤S4：模型参数搜索，基于定义全局最优解搜索机制和移动策略更新参数位置，基于划分子空间，设定局部阈值、全局阈值和最大迭代次数判断搜索结果；
步骤S5：实时运行。
2.根据权利要求1所述的基于人工智能的飞机故障检测方法，其特征在于：在步骤S4中，所述模型参数搜索具体包括以下步骤：
步骤S41：定义全局最优解引导搜索机制，所用公式如下：
；
式中，x是参数位置，I和j是不同个体，it是迭代次数，r是介于0到1之间的随机数，P是全局最佳位置；fl是个体的移动距离；M是个体历史最优位置；
步骤S42：定义移动策略，引入Levy飞行搜索策略代替随机搜索，所用公式如下：
；
式中，γs是一个随机变化的符号，取值是；a是步长因子，β是控制步长变化的常数，Γ（）是伽玛函数；
步骤S43：初始化，分解参数搜索空间，基于子空间初始化参数位置，将基于参数建立的模型性能作为参数适应度值；
步骤S44：更新参数位置，所用公式如下：
；
式中，AP是移动阈值；
步骤S45：判定，预先设有局部阈值、全局阈值和最大迭代次数；若子空间存在个体适应度值高于局部阈值，基于各子空间最优个体建立模型，若模型性能高于全局最优，则输出参数位置建立模型，若低于全局最优，则寻找子空间最低的局部最优个体；若达到最大迭代次数，则重新分割子空间并初始化参数位置进行参数搜索；否则继续搜索。
3.根据权利要求1所述的基于人工智能的飞机故障检测方法，其特征在于：在步骤S3中，所述建立混合飞机故障检测模型具体包括以下步骤：
步骤S31：构建长短期记忆网络预测子模型，所有门的状态都是通过S形单元由输入当前时刻k的输入Xk和上一个时刻k-1的输出hk-1确定；输入门决定是否接收到新的状态信息；遗忘门负责遗忘隐藏层中的先前状态；输出门确定模型计算的信息是否作为输出，步骤包括：
步骤S311：更新输入门状态信息和输入门的状态，所用公式如下：
；
式中，pk表示输入门状态信息，tanh（）表示双曲正切激活函数，ωs表示输入门状态的权重，us表示输入门前一状态的权重，bs表示输入门状态的偏置量，ik表示输入门状态，σs表示sigmoid激活函数，wi表示输入门的权重，ui表示输入门前一时刻的权重，bi表示输入门的偏置量；
步骤S312：更新遗忘门和遗忘门的状态，所用公式如下：
；
式中，fk表示遗忘门，ωf表示遗忘门的权重，uf表示遗忘门前一时刻的权重，bf表示遗忘门的偏置量，sk表示遗忘门的状态，表示卷积操作，sk-1表示遗忘门的前一状态；
步骤S313：更新输出门和输出门的状态，所用公式如下：
；
式中，ok表示输出门，ωo表示输出门的权重，uo表示输出门前一时刻的权重，bo表示输出门的偏置量，hk表示输出门的状态；
步骤S32：构建高斯过程回归子模型，步骤包括：
步骤S321：定义GPR概率分布，所用公式如下：
；
式中，f（）是目标函数，l是输入，l’是预测值；GPR（）是高斯回归过程；m（l）和L（l，l’）分别为均值函数和协方差函数；
步骤S322：定义核函数kM，所用公式如下：
；
式中，γ是反映平滑度的超参数；是贝塞尔函数，σ2是回归过程中的噪声方差，ρ是调节距离尺度的超参数，/>是伽玛函数；
步骤S323：将不同尺度的核函数相加，得到流行核函数有理二次函数kRQ，所用公式如下：
；
式中，α是反映尺度变化的相对权重，和/>是影响轴缩放的超参数；
步骤S324：定义已知输出y和预测输出y’的总联合先验分布，所用公式如下：
；
式中，In是对角线为1的单位矩阵，L（l，l）和L（l’，l’）分别为输入的协方差函数和输出值的协方差函数；
步骤S325：通过计算条件分布对输出进行预测，所用公式如下：
；
式中，T是转置操作；
步骤S326：将长短期记忆神经网络和高斯过程回归模型的输出加权求和作为最终预测结果。
4.根据权利要求1所述的基于人工智能的飞机故障检测方法，其特征在于：在步骤S2中，所述数据预处理具体包括以下步骤：
步骤S21：设置数据集，选择历史运行数据信号为Cb；通过在Cb中比较所有波动中相邻值的方式，搜索局部极大值和极小值，局部最小值和最大值分别代表在局部波动尺度上的最小和最大数据点；通过使用样条线连接局部极值点，分别构建上限曲线eup和下限曲线elow；
步骤S22：计算本地平均值me，并计算本地平均值和Cb的差值，所用公式如下：
；
步骤S23：重复上述操作，直到得到的差值变成一个单调函数为止；
步骤S24：分解信号结束，在获得n1个数据信号IMF和一个单调函数后，Cb由以下内容组成：
；
式中，j1是信号索引，rm是残余即分解过程中剩余的趋势部分；
步骤S25：构建数据集，基于分解后的信号构建数据集，将数据对应运行状态作为标签。
5.根据权利要求1所述的基于人工智能的飞机故障检测方法，其特征在于：在步骤S1中，所述数据采集是采集飞机历史运行数据信号及对应运行状态。
6.根据权利要求1所述的基于人工智能的飞机故障检测方法，其特征在于：在步骤S5中，所述实时运行是实时采集飞机运行数据并输入模型中，模型输出加权预测结果。
7.基于人工智能的飞机故障检测***，用于实现如权利要求1-6中任一项所述的基于人工智能的飞机故障检测方法，其特征在于：包括数据采集模块、数据预处理模块、混合飞机故障检测模型建立模块、模型参数搜索模块和实时运行模块；
所述数据采集模块收集采集飞机历史运行数据信号及对应运行状态，并将数据发送至数据预处理模块；
所述数据预处理模块接收数据采集模块发送的数据，基于比较波动中相邻值和使用样条线连接局部极值点构建上下限曲线，基于单调函数判定分解信号，从而构建样本数据集，并将数据发送至混合飞机故障检测模型建立模块；
所述混合飞机故障检测模型建立模块接收数据预处理模块发送的数据，基于构建长短期记忆网络预测子模型和高斯过程回归子模型实现混合飞机故障检测模型的建立，并将数据发送至模型参数搜索模块；
所述模型参数搜索模块接收混合飞机故障检测模型建立模块发送的数据，基于定义全局最优解搜索机制和移动策略更新参数位置，基于划分子空间，设定局部阈值、全局阈值和最大迭代次数判断搜索结果，并将数据发送至实时运行模块；
所述实时运行模块接收模型参数搜索模块发送的数据，实时采集飞机运行数据并输入模型中，模型输出加权预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311641840.1A CN117349797B (zh) | 2023-12-04 | 2023-12-04 | 基于人工智能的飞机故障检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311641840.1A CN117349797B (zh) | 2023-12-04 | 2023-12-04 | 基于人工智能的飞机故障检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117349797A true CN117349797A (zh) | 2024-01-05 |
| CN117349797B CN117349797B (zh) | 2024-02-06 |
Family
ID=89356040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311641840.1A Active CN117349797B (zh) | 2023-12-04 | 2023-12-04 | 基于人工智能的飞机故障检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117349797B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117584136A (zh) * | 2024-01-18 | 2024-02-23 | 泰山学院 | 基于人工智能的机器人故障检测方法及*** |
| CN117647367A (zh) * | 2024-01-29 | 2024-03-05 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及*** |
| CN117851922A (zh) * | 2024-03-08 | 2024-04-09 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100166295A1 (en) * | 2008-12-31 | 2010-07-01 | Industrial Technology Research Institute | Method and system for searching for global minimum |
| CN102831325A (zh) * | 2012-09-04 | 2012-12-19 | 北京航空航天大学 | 一种基于高斯过程回归的轴承故障预测方法 |
| CN103778422A (zh) * | 2012-10-17 | 2014-05-07 | 柯耐克斯公司 | 用于选择并显示分割参数进行光学字符识别的***与方法 |
| WO2020253950A1 (en) * | 2019-06-18 | 2020-12-24 | Framatome Gmbh | Monitoring method, predicting method, monitoring system and computer program |
| WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
| US20220235676A1 (en) * | 2019-06-20 | 2022-07-28 | Tata Consultancy Services Limited | Method and system for optimization of combination cycle gas turbine operation |
| CN114969995A (zh) * | 2021-11-22 | 2022-08-30 | 昆明理工大学 | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 |
| CN115561005A (zh) * | 2022-10-25 | 2023-01-03 | 淮阴工学院 | 基于eemd分解和轻量化神经网络的化工过程故障诊断方法 |
| CN116952583A (zh) * | 2023-03-27 | 2023-10-27 | 哈尔滨市滨奇科技发展有限公司 | 一种数字孪生驱动深度迁移学习模型的滚动轴承故障诊断方法 |
-
2023
- 2023-12-04 CN CN202311641840.1A patent/CN117349797B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100166295A1 (en) * | 2008-12-31 | 2010-07-01 | Industrial Technology Research Institute | Method and system for searching for global minimum |
| CN102831325A (zh) * | 2012-09-04 | 2012-12-19 | 北京航空航天大学 | 一种基于高斯过程回归的轴承故障预测方法 |
| CN103778422A (zh) * | 2012-10-17 | 2014-05-07 | 柯耐克斯公司 | 用于选择并显示分割参数进行光学字符识别的***与方法 |
| WO2020253950A1 (en) * | 2019-06-18 | 2020-12-24 | Framatome Gmbh | Monitoring method, predicting method, monitoring system and computer program |
| US20220235676A1 (en) * | 2019-06-20 | 2022-07-28 | Tata Consultancy Services Limited | Method and system for optimization of combination cycle gas turbine operation |
| WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
| CN114969995A (zh) * | 2021-11-22 | 2022-08-30 | 昆明理工大学 | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 |
| CN115561005A (zh) * | 2022-10-25 | 2023-01-03 | 淮阴工学院 | 基于eemd分解和轻量化神经网络的化工过程故障诊断方法 |
| CN116952583A (zh) * | 2023-03-27 | 2023-10-27 | 哈尔滨市滨奇科技发展有限公司 | 一种数字孪生驱动深度迁移学习模型的滚动轴承故障诊断方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117584136A (zh) * | 2024-01-18 | 2024-02-23 | 泰山学院 | 基于人工智能的机器人故障检测方法及*** |
| CN117584136B (zh) * | 2024-01-18 | 2024-03-29 | 泰山学院 | 基于人工智能的机器人故障检测方法及*** |
| CN117647367A (zh) * | 2024-01-29 | 2024-03-05 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及*** |
| CN117647367B (zh) * | 2024-01-29 | 2024-04-16 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及*** |
| CN117851922A (zh) * | 2024-03-08 | 2024-04-09 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
| CN117851922B (zh) * | 2024-03-08 | 2024-06-07 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117349797B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117349797B (zh) | 基于人工智能的飞机故障检测方法及*** | |
| CN110738360B (zh) | 一种设备剩余寿命预测方法及*** | |
| Fan et al. | A novel machine learning method based approach for Li-ion battery prognostic and health management | |
| CN107092582A (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
| CN115169479A (zh) | 污水处理过程远程监控方法、***及存储介质 | |
| Bai et al. | State of art on state estimation: Kalman filter driven by machine learning | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN109145373B (zh) | 基于改进esgp与预测区间的剩余寿命预测方法及装置 | |
| CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及*** | |
| CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN115147645A (zh) | 基于多特征信息融合的膜组件膜污染检测方法 | |
| CN105303835A (zh) | 一种道路交通流状态的短时预测方法 | |
| CN113126489B (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制***智能bit设计方法 | |
| CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及*** | |
| CN114358244B (zh) | 基于物联网的压力大数据智能检测*** | |
| CN114386672B (zh) | 环境大数据物联网智能检测*** | |
| CN115794805A (zh) | 一种中低压配网量测数据补齐方法 | |
| CN115459982A (zh) | 一种电力网络虚假数据注入攻击检测方法 | |
| CN112561203B (zh) | 一种基于聚类和gru实现水位预警的方法及*** | |
| CN114720129A (zh) | 一种基于双向gru的滚动轴承剩余寿命预测方法及*** | |
| CN108446760A (zh) | 一种综合管廊内部湿度lstm预测方法及*** | |
| CN115062764A (zh) | 光照度智能调节与环境参数物联网大数据*** | |
| CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
| CN113837443A (zh) | 基于深度BiLSTM的变电站线路负载预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |