[发明专利]一种航空发动机传感器故障检测方法及装置

说明书

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。

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：