(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111538396.1 (22)申请日 2021.12.15 (71)申请人 中国航空工业 集团公司成 都飞机设 计研究所 地址 610091 四川省成 都市青羊区日月大 道1610号 成都飞机 设计研究所计划发 展部 (72)发明人 何勃　解海涛　林健　冯力　 (74)专利代理 机构 中国航空专利中心 1 1008 代理人 张武鹏 (51)Int.Cl. G06F 17/16(2006.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于多传感器数据驱动的飞机故障诊 断模型生成方法 (57)摘要 本发明属于飞行器故障诊断技术领域， 公开 了一种基于多传感器数据驱动的飞机故障诊断 模型生成方法。 步骤一： 选择可用于飞机故障诊 断的传感器组， 收集各类故障模式对应的传感器 组的历史采集数据； 将每一类故障模式下对应的 传感器组在一个时间段内的采集数据进行预处 理后存放为一个二维多传感器数据矩阵， 共 得到 T类故障模式在Q个时间段内的T*Q个二维多传感 器数据矩阵； 步骤二： 随机选择二维多传感器数 据矩阵及其对应的故障模式作为训练样本， 剩余 的二维多传感器数据矩 阵及其对应的故障模式 作为测试样 本； 步骤三： 建立卷积神经网络模型； 步骤四： 利用训练样本对卷积神经网络采用小批 量梯度下降法进行训练直至满足训练条件； 步骤 五： 验证训练结果。 权利要求书2页 说明书6页 附图3页 CN 114357372 A 2022.04.15 CN 114357372 A 1.一种基于多传感器数据驱动的飞机故障诊断模型生成方法， 其特征在于： 所述方法 包括以下步骤： 步骤一： 选择可用于飞机故障诊断的传感器组， 收集各类故障模式对应的传感器组的 历史采集数据； 将每一类故障模式下对应的传感器组在一个时间段内的采集数据进行预处 理后存放为一个二维多传感器数据矩阵， 共得到T类故障模式在Q个时间段内的T*Q个二维 多传感器数据矩阵； 步骤二： 随机选择二维多传感器数据矩阵及其对应的故障模式组成训练样本群， 剩余 的二维多传感器数据矩阵及其对应的故障模式组成测试样本群； 步骤三： 建立卷积神经网络模型； 步骤四： 利用训练样本群对卷积神经网络采用小批量梯度 下降法进行训练直至满足训 练停止条件； 步骤五： 利用训练完成的卷积神经网络模型识别测试样本群对应的故障模式， 根据识 别结果判断卷积神经网络模型 的识别精度； 若识别精度达到设计要求， 则将训练完成的卷 积神经网络模型用于飞机故障诊断， 否则进一步收集传感器采集数据， 并将数据进行标准 化后添加到训练样本群， 返回步骤四进行进一 步训练。 2.根据权利要求1所述的方法， 其特征在于： 所述步骤一中， 所述预处理为对每个传感 器在一个时间段内采集的长度为 Ntw的数据序列进行 标准化； 标准化公式如下： Lj’(k)表示第j个传感器在一个时间段内采集的数据 序列标准 化后的结果； Nft为传感器组包括的传感器数量。 3.根据权利要求2所述的方法， 其特征在于： 所述步骤一中， 二维多传感器数据矩阵为 Nft×Ntw的矩阵， 矩阵元 素为 P(j,k)＝ L′j(k)j＝1,2, …,Nft； k＝1,2,…,Ntw； 矩阵的第j行第k列为第j个传感器采集的第k个数据对应的标准 化后的数据。 4.根据权利要求1所述的方法， 其特征在于： 所述步骤二中， 训练样本比例为80％， 测试 样本比例为20％。 5.根据权利要求3所述的方法， 其特征在于： 所述步骤三中， 卷积神经网络模型依次包 括： 输入层、 卷积层C1、 池化层S1、 卷积层C2、 池化层S2、 卷积层C3、 全连接层F1、 全连接层F2 和输出层。 6.根据权利要求5所述的方法， 其特 征在于： 输入层为 Nft×Ntw的矩阵 卷积层C1的卷积 核数量为FN1， 卷积核尺寸为1 ×FL1， 卷积步长为S； 卷积层C1采用零值填 充； 卷积层C1卷积完成后得到FN1个Nft×Ntw大小的特 征映射； 池化层S1采用最大池化策略； 将卷积层 C1输出的每组特征映射中的1 ×FP1邻域采样为1 个点， 得到FN1个大小为 Nft×Ntw/FP1的特征图； 卷积层C2卷积核数量为FN2， 卷积核尺寸为1 ×FL2， 卷积层C1采用零值填充； 卷积得到FN2权　利　要　求　书 1/2 页 2 CN 114357372 A 2组大小为 Nft×Ntw/FP1的特征映射； 池化层S2采用最大池化策略， 将卷积层 C2输出的每组特征映射中的1 ×FP2邻域采样为1 个点， ， 得到FN2组Nft×Ntw/(FP1×FP2)大小的特 征映射； 卷积层C3卷积核数量为1， 卷积核尺寸为1 ×F’L； 卷积层C1采用零值填充； 卷积得到1组 大小为Nft×Ntw/(FP1×FP2)的特征映射； 全连接层F1的长度为FF1， 全连接层中的每一个神经元均全连接于卷积层C3得到的特征 映射的1行； 全连接层F2层的长度为FF2， 采用dropout策略； 输出层采用Softmax 模型为概率分类模型。 7.根据权利要求6所述的方法， 其特征在于： 卷积层零值填充时， 输入图像左侧填充的 零值数量PL以及右侧填充的零 值数量PR通过以下公式计算： PT＝(N‑1)×S+FL1‑Ntw PR＝PT‑PL 其中ceil(·)为向上取整函数， fl oor(·)为向下取整函数。 8.根据权利要求1所述的方法， 其特 征在于： 所述 步骤四中， 训练包括以下步骤： 1)设置最大迭代次数、 学习率及mi ni‑batch大小； 2)将训练样本群代入步骤三中建立的卷积神经网络模型， 计算mini ‑batch的损失函 数； 3)根据mi ni‑batch的损失函数， 应用梯度下降法更新网络参数； 4)判断一次迭代是否 完成； 若否， 则回到第2)步； 若是， 则转到第5)步； 5)判断是否 达到最大的迭代次数； 若否， 则回到第2)步； 若是， 则完成网络训练。权　利　要　求　书 2/2 页 3 CN 114357372 A 3