论文部分内容阅读
航班的安全和准时是关系航空公司经济效益和乘客生命财产安全的重要因素,而对飞机故障的及时诊断是能大幅提高航班安全性和准时性的重要手段。为监控飞机健康状态,各大航空公司早已安装QAR系统,通过QAR数据对飞机飞行时的健康状态进行表征。本课题旨在通过挖掘飞机发动机相关的8类QAR数据,及时对飞机发动机的8种故障进行诊断,为航空公司合理安排飞机维修计划提供参考。为此,本课题主要完成了以下工作内容:1首先挑选飞机发动机排气温度(EGT)等8个属性的QAR数据,目的是通过对该数据的挖掘诊断十五级放气漏气等8种飞机发动机的故障。由于飞机巡航阶段QAR数据相对稳定,能够更加真实地表现出飞机的系统状态,我们通过EHM软件的相关标准截取巡航阶段的QAR数据作为我们的样本数据,并通过k均值法对样本数据进行缺失值的填充和异常值的修正。2对于故障诊断模型,我们考虑通过深度学习的理论框架进行研究,建立Conv Lstm-ELM故障检测模型,该模型通过滑动窗口对原始QAR数据进行切分,并将切分后的数据进行重构,之后通过ConvLstm对重构后的数据进行特征提取,本文引入Conv Lstm对数据进行特征提取弥补了通常用LSTM只能提取时间特征而不能提取空间特征的缺陷,最后通过ELM对所提取的时空特征进行分类,实现故障诊断的目的。本文将Conv Lstm-ELM故障诊断模型与与其他深度学习模型进行对比,ConvLstm-ELM模型故障诊断性能优于其他模型。此外比较了通过Softmax分类器和ELM分类器对Conv Lstm提取到的时空特征的诊断性能和诊断时间,ELM分类器耗费时间更短,诊断精度更高。本文将ConvLstm-ELM模型与SVM多类分类模型和PS-SVM模型进行了对比,验证了Conv Lstm-ELM在诊断精度上的优越性。3从数据角度对故障诊断模型进行优化,以提高发动机故障诊断的准确度。为解决QAR数据维度较低,空间性较弱的问题,引入稀疏自编码器训练原始QAR数据,得到高维编码数据,并将稀疏自编码器训练得到的高维编码数据作为Conv Lstm-ELM的输入数据。比较了AE-Conv Lstm-ELM模型和Conv Lstm-ELM模型的诊断性能,引入稀疏自编码器的故障诊断模型诊断性能明显优于未加稀疏自编码器的诊断模型。