专利汇可以提供基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法专利检索,专利查询,专利分析的服务。并且本 发明 提出一种基于深度 随机森林 算法 的大型飞机航空 大数据 故障检测与因果推理系统及方法,系统包括故障诊断平台、故障原因推理平台、 数据库 储存计算机和客户端;通过对飞机各系统的运行参数进行实时而全面的监控和采集,形成海量的数据源,通过特征参数谱的计算得到 信号 的典型特征并对残差信号中的故障特征进行提取与描述,并将这些特征作为参数,一并存入参数数据库,实现飞机参数数据库的建立,从而涵盖了飞机已经或可能发生的故障信息,并通过故障诊断计算机的诊断和故障原因推理计算机的推理,确定故障及原因并给出维修/隔离的方案,进而实现对全机各系统的健康监测和故障诊断。,下面是基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法专利的具体信息内容。
1.一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统,其特征在于:包括故障诊断平台、故障原因推理平台、数据库储存计算机和客户端;
所述故障诊断平台包括信号采集计算机、信号预处理与特征提取计算机和故障诊断计算机;
所述故障原因推理平台包括参数计算机、单故障注入计算机、单故障原因推理计算机、级联故障注入计算机、级联故障原因推理计算机;
所述数据库储存计算机包括源数据库、参数数据库、故障数据库和知识库,其中故障数据库包括单故障数据库和级联故障数据库;
所述信号采集计算机利用全机各个机载系统中的传感器采集飞机各机载系统的故障信号,并应用大数据存储技术将采集到的海量数据存储于源数据库中;
所述信号预处理与特征提取计算机能够访问源数据库读取源数据,并对源数据进行特征参数谱计算,得到源数据信号的典型特征;通过比对源数据信号与正常数据信号得到残差信号,对残差信号中的故障特征进行提取与描述,将其存入参数数据库,作为故障诊断计算机的输入数据;
所述故障诊断计算机内置有训练好的深度随机森林模型,所述深度随机森林模型为基于深度学习算法将随机森林堆积成的多层结构;将残差信号输入到深度随机森林模型中,通过模型对残差信号进行分类,判断输入数据所属故障类别为单故障或级联故障,并依此将故障信息分别存入单故障数据库和级联故障数据库中,同时给出故障诊断报告;
所述参数计算机能够访问故障数据库,将单故障数据库中的数据通过单故障注入计算机传输至单故障原因推理计算机,将级联故障数据库中的数据通过级联故障注入计算机传输至级联故障原因推理计算机,通过单故障原因推理计算机和级联故障原因推理计算机中内置的且训练好的深度随机森林模型,根据故障类型进行进一步识别,实现故障原因推理,并将推理结果生成推理报告存入知识库中。
2.根据权利要求1所述一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统,其特征在于:客户端与故障诊断平台、故障原因推理平台和数据库储存计算机进行数据连接;通过客户端能够对系统进行整体调控,并可随时访问源数据库、参数数据库、故障数据库及知识库中的数据。
3.根据权利要求1所述一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统,其特征在于:所述源数据库中采用参数表和参数记录表进行数据存储,所述参数表中包括两个字段:故障代码和参数名称,其中故障代码是根据ATA标准获得的故障代码,参数名称为对应相关故障代码的参数名称;所述参数记录表中包括三个字段:参数名称、时间和参数值,参数值为对应时间下某参数的参数值。
4.基于权利要求1所述系统的大型飞机航空大数据故障检测与因果推理方法,其特征在于:包括以下步骤:
步骤1:信号采集计算机利用全机各个机载系统中的传感器采集飞机各机载系统的故障信号,并应用大数据存储技术将采集到的海量数据存储于源数据库中;
步骤2:信号预处理与特征提取计算机访问源数据库读取源数据,并对源数据进行特征参数谱计算,得到源数据信号的典型特征;通过比对源数据信号与正常数据信号得到残差信号,对残差信号中的故障特征进行提取与描述,将其存入参数数据库,作为故障诊断计算机的输入数据;
步骤3:将残差信号输入到故障诊断计算机内置的训练好的深度随机森林模型中,通过模型对残差信号进行分类,判断输入数据所属故障类别为单故障或级联故障,并依此将故障信息分别存入单故障数据库和级联故障数据库中,同时给出故障诊断报告;
步骤4:参数计算机访问故障数据库,将单故障数据库中的数据通过单故障注入计算机传输至单故障原因推理计算机,将级联故障数据库中的数据通过级联故障注入计算机传输至级联故障原因推理计算机,通过单故障原因推理计算机和级联故障原因推理计算机中内置的且训练好的深度随机森林模型,根据故障类型进行进一步识别,实现故障原因推理,并将推理结果生成推理报告存入知识库中。
5.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法,其特征在于:通过对知识库中的信息进行访问和提取,给出具体的维修/隔离方案。
6.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法,其特征在于:步骤3中如果无法判断输入数据所属故障类别为单故障或级联故障,或步骤4中如果无法识别故障类型,则提示进行人工诊断,再将诊断结果手动添加到知识库中。
7.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法,其特征在于:步骤3中深度随机森林模型采用以下过程训练得到:
首先将大型飞机不同故障模式下的残差特征数据集作为训练样例集V=(ve,k),t=1,
2,…,K,K为样本总数,ve,k表示训练集中第t行记录,每行记录对应一个故障类型标签;
将训练数据集通过输入层输入到深度随机森林模型中,每层深度森林中的森林个数为B,故障标签总数为C;
逐层训练深度随机森林,输入是K×M的矩阵,M表示训练集中包含的信号特征数;第n层森林的输出为K×(M+BC)n,直至训练完最后一层,即第N层深度随机森林,该层输出数据的尺寸为K×BC;输出层数据的尺寸为K,表示输入的K个样本的分类标签。
8.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法,其特征在于:在步骤4中进行故障原因推理前,建立故障树,包括单故障树和级联故障树;所述故障树基于飞机系统的组成和工作原理进行故障分类,以飞机整体故障为顶事件,将系统故障作为下一级,将各系统的子系统故障作为第三级。依次细分至能够采用ATA标准中的故障代码表示为止。
9.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法,其特征在于:将所述单故障树的逻辑关系转化为表的形式,形成3个表,分别为故障字典表、故障原因表和原因权重表;其中故障字典表包括故障代码、故障名称、故障现象和故障所属系统4个字段;故障原因表包括原因序号、故障原因、隔离方案和原因所属系统4个字段;原因权重表包括故障代码、原因序号、发送次数和权重4个字段;故障字典表与原因权重表之间通过故障代码字段进行逻辑联系,原因权重表与故障原因表之间通过原因序号字段进行逻辑联系;
将所述级联故障树的逻辑关系转化为表的形式,形成2个表,分别为级联故障字典表和级联故障原因表;其中级联故障字典表包括级联序号和级联现象2个字段;级联故障原因表包括级联序号、原因序号、故障代码和发生次数4个字段;级联故障字典表与级联故障原因表之间通过级联序号进行逻辑联系。
10.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法,其特征在于:对于单故障原因推理,由单故障原因推理计算机推断出所有可能的原因,再根据单故障原因推理计算机中训练好的深度随机森林模型确定不同故障原因的权重,选择最高可能性的原因,并查找其对应的维修/隔离方案并执行,然后判断故障是否消除,如果故障仍未消除,则调用该故障所对应的故障树,进行详细判断,给出进一步的维修隔离方案;
对于级联故障原因推理,由级联故障原因推理计算机判断是否同时出现多故障,如果出现多故障,则进一步判断是否共源,如果是共源,则转入级联故障诊断并采用级联故障原因推理计算机中训练好的深度随机森林模型确定不同故障原因的权重,选择最高可能性的原因,并查找其对应的维修隔离方案并执行,然后判断故障是否消除,如果故障仍未消除,则判断是否还存在待选故障原因,如果存在,则按照待选故障原因查找其对应的维修隔离方案并执行,然后判断故障是否消除;如果不存在,则调用对应的故障树,进行详细判断,给出进一步的维修隔离方案;如果是多故障或不共源,则转入单故障原因推理。
果推理系统及方法
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种大数据和BMS结合的电动汽车优化充电方法 | 2020-05-08 | 808 |
围术期风险评估和临床决策智能辅助系统 | 2020-05-08 | 627 |
一种老年人热舒适预测方法 | 2020-05-13 | 496 |
基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 | 2020-05-16 | 221 |
一种基于肠道菌群的溃疡性结肠炎生物标志物及其应用 | 2020-05-11 | 468 |
一种基于航空遥感的林业健康评价系统 | 2020-05-18 | 963 |
疲劳裂纹增长预测 | 2020-05-16 | 148 |
预测方法、装置、电子设备及存储介质 | 2020-05-11 | 226 |
一种冰箱健康生态化智能管理系统 | 2020-05-12 | 670 |
一种基于染色质区域覆盖深度的癌症组织定位方法及系统 | 2020-05-13 | 821 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。