[发明专利]一种基于数据驱动的微小故障诊断方法及装置

说明书

本申请提供了一种基于数据驱动的微小故障诊断方法及装置，其中，该方法包括：对获取到的待测飞行器的待测样本进行预处理，得到待测飞行器的特征数据集合，将特征数据集合输入至预先训练好的故障诊断模型中，得到待测飞行器的多种不同故障类型的故障概率，故障诊断模型包括输入层、时间卷积网络层和Softmax分类层，从多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为待测飞行器的目标故障类型。这样一来，本申请通过时间卷积网络的引入实现了长时信息的抓取，具有并行性和低内存的特点，有助于提高高超声速飞行器故障诊断的速度。

技术领域

本申请涉及故障检测技术领域，具体而言，涉及一种基于数据驱动的微小故障诊断方法及装置。

背景技术

高超声速飞行器通常是指飞行速度在5马赫数以上的飞机、导弹、炮弹和其他有翼或无翼飞行器。近年来，高超声速飞行器凭借其卓越的飞行速度和强劲的突防能力成为了世界军事大国研究和竞争的焦点。但是，高超声速飞行器本身是复杂的多变量系统，同时是动态闭环系统，运行早期的较小偏移度和幅值的微小故障会缓慢发展为后期的显著故障，进而，对微小故障的迅速诊断研究亟待解决。

现有技术中，将基于信号的方法和基于数据的方法相结合实现故障诊断。为了兼顾样本数据在空间上的依赖和样本在时间域的前后关联性，长短期记忆网络（Long Short-Term Memory，LSTM）以其强大的记忆力被用于解决数据长期依赖的问题和时空双重域的故障特征提取问题。然而这种方式需要占用大量内存去存储每步信息，并且由于顺序处理会导致消耗大量的诊断时间。

发明内容

有鉴于此，本申请的目的在于提供一种基于数据驱动的微小故障诊断方法及装置，通过时间卷积网络（Temporal Convolution Networks，TCN）的引入实现了长时信息的抓取，具有并行性和低内存的特点，有助于提高高超声速飞行器故障诊断的速度。

第一方面，本申请提供了一种基于数据驱动序贯检测的微小故障诊断方法，所述方法包括：

对获取到的待测飞行器的待测样本进行预处理，得到所述待测飞行器的特征数据集合；

将所述特征数据集合输入至预先训练好的故障诊断模型中，得到所述待测飞行器的多种不同故障类型的故障概率；所述故障诊断模型包括输入层、时间卷积网络层和Softmax分类层；

从所述多种不同故障类型的故障概率中选取最大的故障概率，确定最大的故障概率对应的故障类型为所述待测飞行器的目标故障类型。

优选地，通过以下步骤确定所述待测飞行器的特征数据集合：

基于所述待测飞行器的六自由度运动方程，从所述待测飞行器的待测样本中提取特征数据；所述特征数据包括三轴质心位置输出数据、攻角数据、滚转角数据、舵面偏角数据和滚转角速度数据；

将提取出的特征数据组成时间序列矩阵，得到特征数据集合。

优选地，通过以下步骤训练所述故障诊断模型：

获取飞行器样本的特征数据样本集合和飞行器样本的多种不同故障类型的故障概率；

将所述特征数据样本集合通过所述故障诊断模型的输入层输入至所述故障诊断模型的时间卷积网络层中，通过学习得到所述飞行器样本的故障特征数据；

将所述故障特征数据输入至所述故障诊断模型的Softmax分类层中，通过学习得到飞行器样本的多种不同故障类型的故障概率，直至Softmax分类层的损失函数收敛，确定所述故障诊断模型的训练完成。

优选地，所述时间卷积网络层包括多个残差网络，每个所述残差网络包括两个膨胀-因果卷积层；

将所述特征数据集合依次通过所述多个残差网络，通过所述残差网络包括的两个膨胀-因果卷积层进行卷积计算，得到所述待测飞行器的故障特征数据。