本发明涉及航空航天工程领域，特别是一种飞机液压系统的健康状态检测方法及系统。
背景技术：
1、飞机液压系统是现代航空器中的重要部分，它负责飞行控制、起落架收放以及刹车系统等核心功能的实现。随着航空技术的日益进步对液压系统健康状态检测的要求也水涨船高，期待更高效更精准的监测手段来保障飞行安全。
2、大多数情况下在处理多模态数据时通常采用传统的机器学习或统计方法，但在面对高维、非线性耦合的多模态数据时，往往显得力不从心，在处理强相关变量时容易出现过拟合现象，并且难以捕捉到微观故障模式，其次，传统的时频分析技术分辨率不够，很难检测到纳秒级瞬态信号，严重影响了液压系统的可靠性。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了一种飞机液压系统的健康状态检测方法解决传统的时频分析技术分辨率不够，很难检测到纳秒级瞬态信号的问题。
3、为解决上述技术问题，本发明提供如下技术方案：
4、第一方面，本发明提供了一种飞机液压系统的健康状态检测方法，其包括，
5、部署多模态传感器阵列，采集飞机液压系统的实时数据，形成结构化的多模态数据流；
6、将多模态数据流分为运行参数子集和声发射子集两部分进行预处理，并分别提取特征生成特征向量，同时将两个特征向量拼接为融合特征向量；
7、将融合特征向量编码映射为量子初态，建立量子退火模型，得到状态表征结果；
8、使用预训练的深度神经网络对状态表征结果进行处理并计算健康指数，得到飞机液压系统的结构化诊断结果；
9、将诊断结果通过机载显示模块实时呈现，并记录在机载黑匣子和地面维护服务器。
10、作为本发明所述飞机液压系统的健康状态检测方法的一种优选方案，其中：部署多模态传感器阵列，采集飞机液压系统的实时数据，形成结构化的多模态数据流，具体包括如下步骤，
11、将采集的实时数据按序列和时间戳统一，进行压缩并传输至机载处理单元，得到结构化的多模态数据流。
12、作为本发明所述飞机液压系统的健康状态检测方法的一种优选方案，其中：将多模态数据流分为运行参数子集和声发射子集两部分进行预处理，并分别提取特征生成特征向量，同时将两个特征向量拼接为融合特征向量，具体包括如下步骤，
13、使用预定义映射表将多模态数据流分为运行参数子集和声发射子集；
14、对声发射子集进行压缩感知解析，得到重构声波信号；
15、应用双模态触发策略，设置固定宽度的滑动窗口，并预设变化率阈值和偏移限度；
16、计算重构声波信号的能量突变率，在能量突变率超过预设能量阈值时，记录触发时间点，使用快速傅里叶变换将重构声波信号转换为频域，检测峰值频率的偏移，并在偏移超过偏移限度时，记录另一个触发时间点；
17、在两个触发时间点重合时，提取以该时间点为中心的重构声波信号的特征，得到声发射特征向量；
18、通过统计分析计算运行参数子集的均值和标准差，得到运行参数特征向量；
19、通过拼接的方式将声发射特征向量和运行参数特征向量组合为融合特征向量。
20、作为本发明所述飞机液压系统的健康状态检测方法的一种优选方案，其中：将融合特征向量编码映射为量子初态，建立量子退火模型，具体包括如下步骤，
21、将融合特征向量归一化，并映射为初始量子态；
22、设定能量函数作为量子退火模型的核心，并选择线性调度方式，完成量子退火模型的配置；
23、作为本发明所述飞机液压系统的健康状态检测方法的一种优选方案，其中：所述得到状态表征结果，具体包括如下步骤，
24、通过最小化目标问题项得到目标状态，根据选择的线性调度方式调整初始量子态，向目标状态过渡，利用迭代生成液压系统状态的概率分布；
25、利用后处理工具分析量子态的演化轨迹，计算出融合特征向量中的每一个特征的权重值，形成权重向量；
26、将权重向量与液压系统状态的概率分布进行组合，得到状态表征结果。
27、作为本发明所述飞机液压系统的健康状态检测方法的一种优选方案，其中：使用预训练的深度神经网络对状态表征结果进行处理并计算健康指数，得到飞机液压系统的结构化诊断结果，具体包括如下步骤，
28、根据历史故障数据建立历史频谱数据库和设置故障阈值；
29、将状态表征结果输入预训练的深度神经网络中；
30、提取状态表征结果中每种概率分布的概率值并进行计算，得到飞机液压系统的初步状态判断；
31、将微观故障状态和严重故障状态的概率值之和与故障阈值进行对比，并在超出故障阈值后得到状态标签和触发信号；
32、从状态表征结果提取权重向量，确定对异常状态贡献大的特征，并与历史频谱数据库中的模式进行匹配，识别故障部件，得到飞机液压系统的结构化诊断结果。
33、作为本发明所述飞机液压系统的健康状态检测方法的一种优选方案，其中：所述飞机液压系统的结构化诊断结果，具体包括如下步骤，
34、根据正常状态的概率值计算健康指数，并整合状态标签和故障部件，生成飞机液压系统的诊断报告。
35、第二方面，本发明提供了一种飞机液压系统的健康状态检测方法系统，包括，
36、采集模块，部署多模态传感器阵列，采集飞机液压系统的实时数据，形成结构化的多模态数据流；
37、融合模块，将多模态数据流分为运行参数子集和声发射子集两部分进行预处理，并分别提取特征生成特征向量，同时将两个特征向量拼接为融合特征向量；
38、量子处理模块，将融合特征向量编码映射为量子初态，建立量子退火模型，得到状态表征结果；
39、诊断模块，使用预训练的深度神经网络对状态表征结果进行处理并计算健康指数，得到飞机液压系统的结构化诊断结果；
40、记录模块，将诊断结果通过机载显示模块实时呈现，并记录在机载黑匣子和地面维护服务器。
41、第三方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的飞机液压系统的健康状态检测方法的任一步骤。
42、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的飞机液压系统的健康状态检测方法的任一步骤。
43、本发明有益效果为：使用了量子退火技术处理多变量间的非线性耦合关系，然后通过量子优化生成飞机液压系统的状态概率分布，捕捉复杂状态的潜在特征。通过这一步骤，达到了对高维非线性问题的高效求解能力，相较于经典计算方法明显降低了计算复杂度和维度限制，提升了状态表征的精度和实时性，为微观故障的超早期检测提供了准确的技术支持；此外，通过对声发射子集进行能量突变率与频域偏移检测，能捕捉瞬态故障特征，实现对故障的快速反应。