一种航空发动机传感器故障检测方法及装置
阅读说明：本技术 一种航空发动机传感器故障检测方法及装置 (Method and device for detecting faults of aero-engine sensor ) 是由 王雷 裴紫焱 鲁统超 马乐乐 孙震宇 于 2021-08-02 设计创作，主要内容包括：一种航空发动机传感器故障检测方法及装置。方法包括采集快速访问记录器数据；利用高斯混合模型划分数据；训练CNN-LSTM混合模型；利用上CNN-LSTM混合模型进行特征提取与故障识别；显示识别结果和故障信息等步骤。本发明融合高斯混合模型、CNN模型与LSTM模型,可实现对航空发动机传感器故障的精准检测。通过高斯混合模型聚类划分飞行阶段后,模型训练时的收敛速度与最终的检测精度都有明显提升。将CNN-LSTM混合模型与传统的单一CNN模型、LSTM模型进行对比,本发明的CNN-LSTM混合模型对QAR数据具有较强的特征提取能力,极大地方便了飞机驾驶员和机务维修人员对航空发动机传感器的故障诊断。(A method and a device for detecting faults of an aircraft engine sensor. The method comprises collecting quick access recorder data; dividing data by using a Gaussian mixture model; training a CNN-LSTM mixed model; performing feature extraction and fault identification by using the upper CNN-LSTM mixed model; and displaying the identification result and the fault information. The method disclosed by the invention integrates the Gaussian mixture model, the CNN model and the LSTM model, and can realize accurate detection of the faults of the sensor of the aero-engine. After the flight phases are divided by Gaussian mixture model clustering, the convergence speed and the final detection precision during model training are obviously improved. Compared with the traditional single CNN model and the traditional LSTM model, the CNN-LSTM mixed model has stronger characteristic extraction capability on QAR data, and greatly facilitates the fault diagnosis of aircraft drivers and crew maintenance personnel on the aeroengine sensor.)
技术领域
本发明属于民航技术领域，特别是涉及一种航空发动机传感器故障检测方法及装置。
背景技术
目前针对航空发动机传感器故障检测的研究正在迅速发展，但通过查阅大量文献发现，之前的研究工作只是针对某一局部飞行阶段或直接对整个飞行过程建立故障检测模型，没有考虑飞机在不同飞行阶段，其传感器的数据特征之间存在的较大差异，这就直接限制了故障检测模型的使用场景。另外，忽略了数据固有的时间序列特征，多采用传统的单一故障检测模型，因此不能充分利用数据的潜在信息。
发明内容
为了解决上述问题，本发明的目的在于提供了一种航空发动机传感器故障检测方法及装置。
为了达到上述目的，本发明提供的航空发动机传感器故障检测方法包括按顺序进行的下列步骤：
1)按时间顺序预先采集飞行过程中的8种快速访问记录器数据，分别为油门杆角度PLA、高压转子转速N1、放气活门开度VBV、压气机可调静叶角度CVV、大气总温TAT、燃油流量FF、飞机高度ALT和飞行马赫数MACH，其中前6种数据为6种不同位置传感器的检测数据，然后分别对每个传感器的检测数据进行滑动去极值平均滤波处理，获得去极值平均滤波后的数据；由所有去极值平均滤波后的数据组成数据集；
2)使用上述飞机高度ALT和飞行马赫MACH作为聚类依据数据，将上述数据集中的数据输入高斯混合模型GMM中，根据将飞行过程划分的飞行阶段数量设置聚类数，对高斯混合模型GMM进行训练，不断调整模型参数，最终获得训练好的高斯混合模型GMM，由此将飞行过程中6种传感器的去极值平均滤波后的数据划分为多组不同飞行阶段的数据；
3)将每组不同飞行阶段的数据分别添加传感器卡死故障、恒增益故障和恒偏差故障，获得多组不同飞行阶段的传感器故障数据，然后对每种传感器故障数据赋予标签，之后将带有标签的每组不同飞行阶段的传感器故障数据按8∶2的比例随机分成训练集和测试集；然后将每个飞行阶段的训练集先进行Z-Score标准化处理，再分别输入至一个CNN-LSTM混合模型中进行训练，获得多个训练后的CNN-LSTM混合模型；
4)将每个飞行阶段的测试集先进行Z-Score标准化处理，然后分别输入至相应飞行阶段的训练后的CNN-LSTM混合模型中进行识别，用识别结果与相应训练集中带有标签的传感器故障数据的误差对训练后的CNN-LSTM混合模型进行梯度下降训练，直至识别准确率达到设定值时，结束训练，获得训练好的CNN-LSTM混合模型；
5)系统平台接收到航空发动机的快速访问记录器数据集后，将其中油门杆角度PLA、高压转子转速N1、放气活门开度VBV、压气机可调静叶角度CVV、大气总温TAT、燃油流量FF共6种传感器的检测数据先按照步骤1)和步骤2)的方法进行滑动去极值平均滤波处理及聚类，然后利用上述训练好的CNN-LSTM混合模型对聚类后的数据进行特征提取与故障识别，以确定传感器是否存在故障；
6)若识别结果中存在故障信息，则在系统平台上显示识别结果和故障信息，以提醒飞机驾驶员或机务维修人员注意。
在步骤1)中，所述滑动去极值平均滤波处理的具体方法是：
取某一时间点某个传感器的检测数据、该检测数据的前15个检测数据和后14个检测数据共30个检测数据，从中去掉最大值和最小值，然后计算余下28个检测数据的平均值，获得该时间点该传感器的去极值平均滤波后的数据，往后依次滑动运算进行其后时间点的去极值平均滤波。
在步骤2)中，所述飞行过程划分为12个飞行阶段，分别为起飞、阶梯爬升、巡航、下降、近进、着陆以及上述各个飞行阶段的过渡阶段；聚类数为12，共获得12组不同飞行阶段的数据。
在步骤3)中，所述CNN-LSTM混合模型和训练后的CNN-LSTM混合模型的数量均为12个；
所述的CNN-LSTM混合模型是由CNN模型和LSTM模型串接而成，包括4个CNN层、2个LSTM层和3个全连接层；每个CNN层的运算过程共分为四步：二维卷积运算、批标准化运算、激活和最大池化运算；
每个LSTM层由遗忘门、输入门和输出门组成；遗忘门用来决定丢弃前期记忆信息的程度，输入门用来决定向细胞记忆中存储信息的程度，输出门决定输出细胞中的哪些信息。
在步骤4)中，所述识别准确率设定为大于95％。
在步骤6)中，所述识别结果和故障信息包含所属的飞行阶段、故障传感器类型和故障类型。
本发明提供的航空发动机传感器故障检测装置包括：
数据预处理模块，用于对系统平台接收到航空发动机的QAR数据集和预先采集的QAR数据中传感器的检测数据进行滑动去极值平均滤波处理，以消除噪声的影响，同时抑制偶然脉冲干扰；
识别模块，用于在系统平台接收到航空发动机的QAR数据集后，将其中的传感器的检测数据输入训练好的高斯混合模型GMM中，以判断该检测数据所属的飞行阶段，然后送入对应飞行阶段的训练好的CNN-SLTM混合模型中进行特征提取与故障识别，并将识别结果送入显示模块；
显示模块，用于以窗口的形式显示识别结果和故障信息，所述识别结果和故障信息包含所属的飞行阶段、故障传感器类型和故障类型；
训练模块，用于对预先采集的QAR数据中每一组数据进行特征提取，训练12个飞行阶段的12个CNN-LSTM混合模型，以获得模型参数供识别模块使用；
验证模块，用于对预先采集的QAR数据集中测试集的数据进行特征提取与故障检测，并将检测结果与预先标识的标签进行对比并计算识别准确率，以验证训练后的CNN-LSTM混合模型的准确率。
本发明提供的航空发动机传感器故障检测方法及装置具有如下有益效果：与现有技术相比，本发明融合高斯混合模型、CNN模型与LSTM模型，可实现对航空发动机传感器故障的精准检测。通过高斯混合模型聚类划分飞行阶段后，模型训练时的收敛速度与最终的检测精度都有明显提升。将CNN-LSTM混合模型与传统的单一CNN模型、LSTM模型进行对比，本发明的CNN-LSTM混合模型对QAR数据具有较强的特征提取能力，极大地方便了飞机驾驶员和机务维修人员对航空发动机传感器的故障诊断。
附图说明
图1为本发明提供的航空发动机传感器故障检测方法流程图；
图2为本发明提供的航空发动机传感器故障检测方法中采样过程示意图；
图3为本发明中CNN模型架构示意图；
图4为本发明中LSTM模型的细胞结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示，本发明提供的航空发动机传感器故障检测方法包括按顺序进行的下列步骤：
1)按时间顺序预先采集飞行过程中的8种QAR(快速访问记录器)数据，分别为油门杆角度PLA、高压转子转速N1、放气活门开度VBV、压气机可调静叶角度CVV、大气总温TAT、燃油流量FF、飞机高度ALT和飞行马赫数MACH，其中前6种数据为6种不同位置传感器的检测数据，然后分别对每个传感器的检测数据进行滑动去极值平均滤波处理，以消除噪声的影响，同时抑制偶然脉冲干扰，获得去极值平均滤波后的数据；由所有去极值平均滤波后的数据组成数据集；
所述滑动去极值平均滤波处理的具体方法是：
取某一时间点某个传感器的检测数据、该检测数据的前15个检测数据和后14个检测数据共30个检测数据，从中去掉最大值和最小值，然后计算余下28个检测数据的平均值，获得该时间点该传感器的去极值平均滤波后的数据，往后依次滑动运算进行其后时间点的去极值平均滤波。
所述采集飞行过程中QAR数据的过程如图2所示。本发明中QAR数据的个数为8，是按时间顺序依次排列的，数据选择窗的时序长度为T＝30，从起始位置开始以步长x＝1开始依次选出数据N，直到数据结尾。
2)使用上述飞机高度ALT和飞行马赫MACH作为聚类依据数据，将上述数据集中的数据输入高斯混合模型GMM中，根据将飞行过程划分的飞行阶段数量设置聚类数，对高斯混合模型GMM进行训练，不断调整模型参数，最终获得训练好的高斯混合模型GMM，由此将飞行过程中6种传感器的去极值平均滤波后的数据划分为多组不同飞行阶段的数据；
本发明中将飞行过程划分为12个飞行阶段，分别为起飞、阶梯爬升、巡航、下降、近进、着陆以及上述各个飞行阶段的过渡阶段；聚类数为12，共获得12组不同飞行阶段的数据；
3)将每组不同飞行阶段的数据分别添加传感器卡死故障、恒增益故障和恒偏差故障，获得多组不同飞行阶段的传感器故障数据，然后对每种传感器故障数据赋予标签，之后将带有标签的每组不同飞行阶段的传感器故障数据按8∶2的比例随机分成训练集和测试集；然后将每个飞行阶段的训练集先进行Z-Score标准化处理，以缩小数值范围，再分别输入至一个CNN-LSTM混合模型中进行训练，获得多个训练后的CNN-LSTM混合模型；
本发明中CNN-LSTM混合模型和训练后的CNN-LSTM混合模型的数量均为12个。
所述的CNN-LSTM混合模型是由CNN模型和LSTM模型串接而成，包括4个CNN层、2个LSTM层和3个全连接层；如图3所示，每个CNN层的运算过程共分为四步：二维卷积运算(Conv2D)、批标准化运算(BN)、激活(Relu)和最大池化运算(max-pooling)。在CNN层提取特征时，卷积层与池化层交替排列成卷积组，逐层提取特征，提取的特征随着层数的增加，从整体到局部，最终获得逐渐细化的特征；CNN层对不同飞行阶段的传感器故障数据进行特征提取，并将提取到的特征作为LSTM层的输入，由LSTM层进行故障识别。
如图4所示，每个LSTM层由遗忘门、输入门和输出门组成；遗忘门用来决定丢弃前期记忆信息的程度，输入门用来决定向细胞记忆中存储信息的程度，输出门决定输出细胞中的哪些信息。由于LSTM层具有对前期数据的记忆能力，因此可以更加有效地处理CNN层所提取的特征，最终输出识别结果。
4)将每个飞行阶段的测试集先进行Z-Score标准化处理，然后分别输入至相应飞行阶段的训练后的CNN-LSTM混合模型中进行识别，用识别结果与相应训练集中带有标签的传感器故障数据的误差对训练后的CNN-LSTM混合模型进行梯度下降训练，直至识别准确率达到设定值时，结束训练，获得训练好的CNN-LSTM混合模型；
本发明中识别准确率设定为大于95％。
5)系统平台接收到航空发动机的QAR数据集后，将其中油门杆角度PLA、高压转子转速N1、放气活门开度VBV、压气机可调静叶角度CVV、大气总温TAT、燃油流量FF共6种传感器的检测数据先按照步骤1)和步骤2)的方法进行滑动去极值平均滤波处理及聚类，然后利用上述训练好的CNN-LSTM混合模型对聚类后的数据进行特征提取与故障识别，以确定传感器是否存在故障；
6)若识别结果中存在故障信息，则在系统平台上显示识别结果和故障信息，以提醒飞机驾驶员或机务维修人员注意。
所述识别结果和故障信息包含所属的飞行阶段、故障传感器类型和故障类型；
本发明提供的航空发动机传感器故障检测装置包括：
数据预处理模块，用于对系统平台接收到航空发动机的QAR数据集和预先采集的QAR数据中传感器的检测数据进行滑动去极值平均滤波处理，以消除噪声的影响，同时抑制偶然脉冲干扰；
识别模块，用于在系统平台接收到航空发动机的QAR数据集后，将其中的传感器的检测数据输入训练好的高斯混合模型GMM中，以判断该检测数据所属的飞行阶段，然后送入对应飞行阶段的训练好的CNN-SLTM混合模型中进行特征提取与故障识别，并将识别结果送入显示模块；
显示模块，用于以窗口的形式显示识别结果和故障信息，所述识别结果和故障信息包含所属的飞行阶段、故障传感器类型和故障类型；例如，飞行阶段1起飞阶段，大气总温TAT传感器发生卡死故障。
训练模块，用于对预先采集的QAR数据中每一组数据进行特征提取，训练12个飞行阶段的12个CNN-LSTM混合模型，以获得模型参数供识别模块使用；
验证模块，用于对预先采集的QAR数据集中测试集的数据进行特征提取与故障检测，并将检测结果与预先标识的标签进行对比并计算识别准确率，以验证训练后的CNN-LSTM混合模型的准确率。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种六轴双相机影像仪