[发明专利]一种飞机燃油泵故障智能诊断方法、装置和存储介质

权利要求书

1.一种飞机燃油泵故障智能诊断方法，其特征在于，包括以下步骤：

步骤1，进行故障数据的采集；

步骤2，对采集到的故障数据进行预处理，将预处理后的故障数据划分为训练集和测试集；

步骤3，构建基于卷积神经网络的故障诊断模型；

步骤4，将训练集输入故障诊断模型中进行训练，训练过程中引入灰狼优化算法进行超参数寻优；

步骤5，将测试集输入至训练好的故障诊断模型中，测试实际对燃油泵的故障诊断效果。

2.根据权利要求1所述的方法，其特征在于，步骤1中，通过采集飞机燃油泵及发动机周围传感器数据获取故障数据，确定故障数据的组成为七维特征，七维特征分别是四个交流泵出口压力故障数据、直流燃油泵出口压力故障数据、两个发动机进口油压故障数据；数据定义的故障类型有7种，分别是左一燃油泵失效、左二燃油泵失效、左一左二燃油泵均失效、右一燃油泵失效、右二燃油泵失效、右一右二燃油泵均失效、燃油泵均正常，分别采集每种故障类型的样本。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：

步骤2-1，采用最大值最小值归一化方法对故障数据进行归一化处理，转化公式如下：

式中，x_{normalization}是归一化后的输出值，x是指构成故障数据的七维特征中任一的一维特征，Max(x)和Min(x)分别是特征x在所有故障数据上的最大值和最小值，；

步骤2-2，采用滑动窗口方法将故障数据切分为等长度的二维数据；

步骤2-3，对故障数据进行小波阈值去噪；

步骤2-4，对经过步骤2-1～步骤2-3处理后的故障数据划分为训练集和测试集。

4.根据权利要求3所述的方法，其特征在于，步骤2-3包括：

步骤2-3-1，根据信号的特征和光滑程度确定小波基函数和分解层数，利用Mallat算法对含噪信号进行小波分解，得到小波系数：

步骤2-3-2，确定阈值和阈值函数，利用阈值去除小波高频系数中低于阈值的部分；

步骤2-3-3，对处理过后的高频系数和未经处理的低频系数进行小波逆变换，利用Mallat算法对信号进行重构，得到去除噪声后的信号。

5.根据权利要求4所述的方法，其特征在于，步骤2-3-1包括：对于任意函数，按空间组合展开得到：

其中，f(t)为按空间组合展开后的函数形式，t为时间函数的采集时间，为展开后得到的尺度空间时间函数，ψ_j,k(t)为展开后得到的小波空间时间函数，j为设定的分解尺度，i表示当前分解尺度所对应的小波空间，k表示当前分解尺度所对应的尺度空间，c_j,k为尺度系数，d_j,k为小波系数，利用Mallat算法计算c_j,k，d_j,k：

其中，m＝2k+n，n为傅里叶变化点数；c_j-1,m为j-1小波空间、m尺度空间所对应的尺度系数；在已知滤波器系数h₀、h₁和初始序列c_0,m，能够得到所有的小波系数和尺度系数。

6.根据权利要求5所述的方法，其特征在于，步骤2-3-2中，所述阈值函数采用如下软阈值函数：

其中为经过阈值函数处理过后得到的小波系数，ω_j,k为小波系数，sgn(ω_j,k)为经过阶跃函数处理后的小波系数，阶跃函数返回原小波系数的正负号，μ为设定阈值。