一种基于飞参数据和振动数据的发动机视情维修方法与流程

1.本发明涉及航空电子技术领域，具体为一种基于飞参数据和振动数据的发动机视情维修方法。


背景技术：

2.飞机飞行过程中，飞参系统记录了发动机系统参数和机组操作数据，飞参数据中蕴含了发动机工作重要操作信息，其是发动机安全监控的重要判断依据。
3.发动机安全监控通常是通过专家对单个参数或少数几个参数组合进行判据判读，从而达到对故障预测预警的效果，专家判断的方法具有一定的局限性，会影响故障预测预警的准确性。
4.目前，也有通过无人机视情维修的方式进行故障预测，视情维修是近年开始广泛研究的一种维修方法，其立足于故障机理的分析，根据不解体测试的结果，当维修对象出现“潜在故障”时就进行调整、维修、更换，从而避免“功能故障”的发生。但是现有的无人机视情维修的方式只是单一使用非参数据或者振动数据进行判断，存在判断不准确，置信度低的问题。


技术实现要素：

5.本发明的目的在于设计一种基于飞参数据和振动数据的发动机视情维修方法，本发明的方法通过挖掘发动机飞参数据和振动数据，将飞参数据与振动数据进行联合分析，通过建立装备故障监测模型以弥补专家知识库的不足，对可能发生的故障进行预先告警，提高故障预报准确率，以辅助完成无人机视情维修工作，保障了飞机发动机的工作完好率。
6.实现发明目的的技术方案如下：一种基于飞参数据和振动数据的发动机视情维修方法，包括以下步骤：
7.s1、计算飞参数据峭度值，对飞参数据进行异常检测；
8.s2、依据振动数据，建立振动异常检测模型，对振动数据进行故障预测；
9.s3、建立置信度假设模型，将异常检测结果和故障预测结果作为输入向量，输出发动机健康状态结果；
10.s4、根据发动机健康状态结果，给出发动机视情维修的预测概率。
11.进一步的，步骤s1中，计算飞参数据峭度值，对飞参数据进行异常检测，包括：
12.s101、计算每一架次的飞参数据峭度值，形成该架次的飞参数据特征；
13.s102、基于dtw算法，将多架次的飞参数据特征作为输入向量，对飞参数据进行异常检测。
14.进一步的，步骤s2中，依据振动数据，建立振动异常检测模型，对振动数据进行故障预测，包括：
15.s201、采用流形学习模型，提取振动数据特征；
16.s202、基于深度学习dnn模型建立振动异常检测模型，将振动数据特征作为振动异
常检测模型的输入向量，对振动数据进行故障预测。
17.更进一步的，步骤s201中，流形学习模型还对振动数据进行降维处理，且提取的振动数据特征为降维后振动数据特征。
18.进一步的，步骤s1中飞参数据为原始飞参数据经预处理后获得，步骤s2中振动数据处理为原始振动数据经预处理后获得，且飞参数据和振动数据均存储至分布式服务器内。
19.更进一步的，原始飞参数据和原始振动数据的预处理包括工程值计算、空值处理、乱码处理。
20.与现有技术相比，本发明的有益效果是：本发明设计的基于飞参数据和振动数据的发动机视情维修方法，挖掘数据里面蕴藏的价值信息，通过将飞参数据与振动数据结合起来，为发动机由被动维护保障变主动维护保障提供有力支撑，有助提升飞机出勤率和维修效率，为科学合理检维修提供支持，能有效解决数据利用率低、统计分析架次少、支撑维护性保障作用不明显等问题。
附图说明
21.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
22.图1为本发明基于飞参数据和振动数据的发动机视情维修方法的流程架构图。
具体实施方式
23.下面结合具体实施例来进一步描述本发明，本发明的优点和特点将会随着描述而更为清楚。但这些实施例仅是范例性的，并不对本发明的范围构成任何限制。本领域技术人员应该理解的是，在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改或替换，但这些修改和替换均落入本发明的保护范围内。
24.本具体实施方式公开了一种基于飞参数据和振动数据的发动机视情维修方法，发动机视情维修方法通过建立飞参、振动数据存储集群，搭建分布式计算框架和深度学习框架等，提取飞参数据特征提取并对飞参数据进行异常检测，根据振动数据建立振动异常检测模型进行故障预测，对将异常检测结果和故障预测结果输入置信度假设模型内给出发动机健康状态结果以及视情维修的预测概率。
25.下述方法中，dtw算法为dynamic time warping，即动态时间归整算法；dnn即deep neural network，是开源门户和内容管理框架。
26.在本实施方式中，参见图1所示的基于飞参数据和振动数据的发动机视情维修方法架构图，方法包括以下步骤：
27.s1、计算飞参数据峭度值，对飞参数据进行异常检测；
28.s2、依据振动数据，建立振动异常检测模型，对振动数据进行故障预测；
29.s3、建立置信度假设模型，将异常检测结果和故障预测结果作为输入向量，输出发动机健康状态结果；
30.s4、根据发动机健康状态结果，给出发动机视情维修的预测概率。
31.其中，在上述步骤s1中，计算飞参数据峭度值，对飞参数据进行异常检测，包括：
32.s101、计算每一架次的飞参数据峭度值，形成该架次的飞参数据特征。本步骤中，在每一架次采集的飞参数据文件中选择重要参数(例如液压系统、发动机系统两大系统中所记录的飞参参数)，计算各重要参数所对应飞参数据的峭度值，根据该架次计算的峭度值形成数据特征矩阵，即为该架次的飞参数据特征。
33.s102、基于dtw算法，将多架次的飞参数据特征作为输入向量，对飞参数据进行异常检测。本步骤中，通过dtw算法，根据多架次的飞参数据特征，寻找出与发动机飞参数据相关的异常段，即获得异常检测结果。
34.其中，在上述步骤s2中，依据振动数据，建立振动异常检测模型，对振动数据进行故障预测，包括：
35.s201、采用流形学习模型，提取振动数据特征。
36.进一步的，本步骤中流形学习模型还对振动数据进行降维处理，且提取的振动数据特征为降维后振动数据特征。
37.s202、基于深度学习dnn模型建立振动异常检测模型，将振动数据特征作为振动异常检测模型的输入向量，对振动数据进行故障预测。
38.其中，在上述步骤s3的建立置信度假设模型，将异常检测结果和故障预测结果作为输入向量，输出发动机健康状态结果的具体方法为：基于海量历史正常数据进行维修判定结果的假设检验，假设检验方法基于高斯分布，给出数据点的偏移程度，即最终检测结果的置信度。
39.为了提高异常检测结果和故障预测结果的准确度，进而准确计算发动机视情维修的预测概率，在本发明的一个改进实施例中，步骤s1中飞参数据为原始飞参数据经预处理后获得，步骤s2中振动数据处理为原始振动数据经预处理后获得，且飞参数据和振动数据均存储至分布式服务器内。具体的，上述原始飞参数据和原始振动数据的预处理包括工程值计算、空值处理、乱码处理，工程值计算、空值处理、乱码处理等预处理方法采用现有通用的方法，本具体实施方式中不再对其进行详细说明。
40.本具体实施方式提供的发动机视情维修方法，利用分布式计算平台，提供飞机发动机健康状态评估，适用于发动机视情维修，其相对于传统方法充分利用了发动机飞参数据、振动数据所蕴含的内在信息，能够融合流形学习、深度学习综合评判发动机健康状态，为视情维修提供新的思路。
41.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
42.此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。