[发明专利]一种基于深度学习的机载飞参数据健康诊断方法

说明书

本发明提供了一种基于深度学习的机载飞参数据健康诊断方法，该方法基于深度学习算法，能实时分析航空机载飞参设备采集到的数据，得出飞机飞行过程中的健康状况并提前预知飞机发生故障的风险，给出避免故障的决策供飞行员采纳。该方法需要具体采集到的数据进行训练，特别是飞机出现故障时前各种特征参数关联性的分析学习，是有效预知并避免故障发生的关键。有效的解决了航空机载飞参设备领域数据实时分析，故障诊断和风险决策的问题。

技术领域

本发明属于航空电子技术领域，具体涉及一种机载飞参数据健康诊断方法。

背景技术

近年来，由于人工智能的高速发展，深度学习已经快速蔓延到各行各业，例如人脸识别，语音识别和汽车无人驾驶等，但在航空航天领域的应用还比较稀少。传统飞参数据识别过程中，为了识别飞机在飞行过程中的特征参数，这些特征参数在提取的过程中需要多层维度，此时在建模的过程中会发现模型难以训练，大规模的特征参数提取会降低系统的实时性，而飞机在飞行过程中需要实时的提取多种数据的特征参数，并及时进行特征参数的反馈，这样传统的数据识别模型已经不能及时反映飞机上各个参数的特性。

飞机在飞行过程中会通过传感器采集飞机各个部分采集到的参数，如振动参数、气压参数、惯性导航参数和温度参数等各种参数。那么如何在飞机行过程中及时的处理分析这些参数，并形成一定的结果供飞行员作参考，这就需要引入深度学习方法对飞机飞行过程中的各项参数实时、快速的识别并给出判据。

深度学习作为数据识别领域较为有效的方法之一，在多种数据的分类、识别和处理中有着广泛的应用，利用深度学习网络对飞参采集的多种数据类型进行特征提取和特征训练，通过多次训练确定网络结构层数和权值的最佳值，实现快速评断飞机飞行过程中的的健康状况，并及时做出相应的提示和处理，从而更合配合飞行员完成飞机的飞行和后期对飞机飞行过程中健康状况的评估。

发明内容

发明目的：本发明的目的是提供一种基于深度学习的机载飞参数据健康诊断方法，解决航空机载飞参设备领域数据实时分析，故障诊断和风险决策的问题。

技术方案：本发明提供了一种飞参数据健康诊断方法，该方法包括如下步骤：

S1：将飞行参数采集器传送的一系列参数导入至电脑中进行数据分类、解析、初始化和预处理，将各自数据类型分别导入PC机上对应的一个缓存空间，搭建网络训练模型；

S2：将网络训练模型的阈值导入SOC平台中，基于该SOC平台搭建健康诊断系统，选用ARM_A9核进行多任务和多进程的管理和仲裁，平台自带大量的逻辑资源用来实现基于卷积神经网络的深度学习算法模型；所述深度学习算法模型中包括安全飞行库和故障库；

S3：启动SOC平台后，进行飞机接口功能监测和飞行数据预处理；

S4：进入飞行状态后，将飞参数据实时传输至SOC平台进行数据处理；并将处理后的数据与安全飞行库和故障库中的相应数据进行比对，并将实时诊断的结果反馈给飞行员。

基于SOC嵌入深度学习功能IP具有很好的实时性，飞参在采集数据的过程中，大规模的特征参数提取会降低系统的实时性，而飞机在飞行过程中需要实时的提取多种数据的特征参数，并及时进行特征参数的反馈，所以基于嵌入式架构实现深度学习算法能很好解决机载飞参系统实时性的问题。

优选的，所述步骤步骤S1包括：

S1.1：采用高斯分布初始化的方法或随机初始化的方法对各类型的数据进行初始化；

S1.2：对初始化后的数据进行归化处理，将处理后的数据导入到网络训练模型中。

优选的，所述步骤S2中：PC机训练好环境模型后将各类数据在协议层分通道导入PCIE物理层，通过PC端的PCIE主端将数据搬移至SOC平台的PCIE从端。

优选的，所述接口功能监测包括：