航空液压油车状态在线检测方法及系统与流程

本发明属于设备在线检测，具体涉及一种航空液压油车状态在线检测方法及系统。

背景技术：

1、液压油车被广泛应用于工业制造行业中，常见的液压油车主要包括液压油泵、控制阀门、作动筒、液压马达、辅助装置等部分。在飞机制造领域中，液压油车是飞机总装环节的一种重要专用设备，其主要作用是为飞机总装实验过程中起落架、减速板收放等动作的测试提供液压能。总装环节是飞机物理和电气特性形成的关键阶段，总装质量的高低直接影响着飞机的最终性能，液压油车稳定的工作状态，对保证飞机交付后的稳定性、可靠性、精准性等有着重要的影响。

2、由于航空液压油车系统结构复杂且部件多，在大流量、高压力的条件下连续长时间运行，容易出现油箱温度过高、系统供油压力紊乱、系统配件损坏等故障，上述故障的发生将会对总装生产线计划执行造成严重的影响，可能导致计划延期，甚至产品损坏。

3、针对这目前航空液压油车在使用中存在上问题，目前通常采用由设备管理人员经过专业技术培训后定期对设备进行检查维护，或出现故障以后停机对故障原因进行排查分析的方式。显然，这种方式并不能满足当前对航空液压油车稳定长时间运行的需求。

技术实现思路

1、本发明的目的在于提供一种航空液压油车状态在线检测方法及系统，可实现对液压油车状态准确、实时的在线检测。

2、本发明通过下述技术方案实现：

3、航空液压油车状态在线检测方法，包括以下步骤：

4、获取第一设定时间内的液压油车运行状态数据；

5、将液压油车运行状态数据输入经训练后的m-lstm预测模型，得到在第一设定时间之后第一设定时刻下的液压油车运行状态预测值；

6、获取在第一设定时刻下液压油车运行数据的实测值，比较在第一设定时刻下液压油车运行状态的预测值与实测值，根据故障状态判断阈值，对第一设定时刻下的液压油车运行状态进行判断。

7、在一些实施例中，当判断结果为运行状态异常时，根据当前异常信息对应的故障序列在故障库中查找最相似或相同的故障序列，作为当前液压油车的故障原因。

8、在一些实施例中，在判断结果为运行状态异常时，将确认的故障序列加入到故障库中，并更新故障状态判断阈值。

9、在一些实施例中，所述m-lstm预测模型为包括多层lstm层且输出层为全连接层的网络结构。

10、在一些实施例中，对m-lstm预测模型进行训练所采用的方法为：

11、获取液压油车历史运行状态数据并形成离线训练数据集，基于离线训练数据集对初始m-lstm预测模型进行训练。

12、在一些实施例中，在获取液压油车历史运行状态数据并形成离线训练数据集后，还包括有对离线训练数据集进行预处理的步骤，包括：

13、将离线训练数据集中的数据按时间进行排序；

14、去除离线训练数据集中的重复数据；

15、以时间为关键列连接各类数据，形成数据宽表；

16、对值为空的数据采用局部均值填充法进行填充；

17、对日期类型、布尔类型数据进行数值变换；

18、采用最小最大缩放法对数据进行归一化处理。

19、在一些实施例中，对m-lstm预测模型进行训练所采用的方法为：

20、对预处理后的离线训练数据集进行数据形式化表示形成训练数据集；

21、定义使用当前k个时刻的运行状态数据，预测后p个时刻的运行状态，在训练数据集的行上采用长度为k+p的滑动窗口，得到样本集s∈[(n-k-p+1),k+p,m]，将样本集中每个样本的前k列作为训练的输入数据、后p列作为输入数据对应的标签数据，选取样本集中的部分数据作为训练集，将样本集中其余的数据作为测试集；

22、对m-lstm预测模型进行训练。

23、在一些实施例中，在对m-lstm预测模型进行训练的步骤中，将训练集数据和测试集数据输入到初始的m-lstm预测模型中，采用批量梯度下降法，经过多次迭代优化网络参数后得到训练后的m-lstm预测模型。

24、在一些实施例中，将测试集数据输入训练后的m-lstm预测模型中，得到测试集的预测值，将预测值与实际值的差值的最大绝对值作为故障状态判断的阈值为：

25、。

26、另一方面，本发明还提供一种航空液压油车状态在线检测系统，包括：

27、数据获取单元，用于采集并获取液压油车运行状态数据；

28、预测模型单元，采用训练后的m-lstm预测模型基于获取的液压油车运行状态数据对后序任一时刻下的液压油车运行状态进行预测；

29、故障诊断单元，比较液压油车运行状态的预测值与实测值，对液压油车运行状态进行判断。

30、本发明与现有技术相比，具有以下优点及有益效果：

31、本发明通过获取液压油车历史数据、实时数据、飞机装配工艺要求等多维度信息，采用m-lstm预测模型对液压油车运行状态进行预测，结合m-lstm预测模型所具有的特点，能够很好地适用于液压油车复杂工况下运行状态的准确、实时检测。

32、本发明采用液压油车运行状态数据对构建的m-lstm预测模型进行训练，能够很好地保证对液压油车运行状态预测的准确性。

技术特征：

1.航空液压油车状态在线检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的航空液压油车状态在线检测方法，其特征在于，当判断结果为运行状态异常时，根据当前异常信息对应的故障序列在故障库中查找最相似或相同的故障序列，作为当前液压油车的故障原因。

3.根据权利要求2所述的航空液压油车状态在线检测方法，其特征在于，在判断结果为运行状态异常时，将确认的故障序列加入到故障库中，并更新故障状态判断阈值。

4.根据权利要求1至3中任一项所述的航空液压油车状态在线检测方法，其特征在于，所述m-lstm预测模型为包括多层lstm层且输出层为全连接层的网络结构。

5.根据权利要求4所述的航空液压油车状态在线检测方法，其特征在于，对m-lstm预测模型进行训练所采用的方法为：

6.根据权利要求5所述的航空液压油车状态在线检测方法，其特征在于，在获取液压油车历史运行状态数据并形成离线训练数据集后，还包括有对离线训练数据集进行预处理的步骤，包括：

7.根据权利要求6所述的航空液压油车状态在线检测方法，其特征在于，对m-lstm预测模型进行训练所采用的方法为：

8.根据权利要求7所述的航空液压油车状态在线检测方法，其特征在于，在对m-lstm预测模型进行训练的步骤中，将训练集数据和测试集数据输入到初始的m-lstm预测模型中，采用批量梯度下降法，经过多次迭代优化网络参数后得到训练后的m-lstm预测模型。

9.根据权利要求7所述的航空液压油车状态在线检测方法，其特征在于，将测试集数据输入训练后的m-lstm预测模型中，得到测试集的预测值，将预测值与实际值的差值的最大绝对值作为故障状态判断的阈值。

10.航空液压油车状态在线检测系统，其特征在于，包括：

技术总结
本发明公开了一种航空液压油车状态在线检测方法及系统，获取第一设定时间内的液压油车运行状态数据；将液压油车运行状态数据输入经训练后的M‑LSTM预测模型，得到在第一设定时间之后第一设定时刻下的液压油车运行状态预测值；获取在第一设定时刻下液压油车运行数据的实测值，比较在第一设定时刻下液压油车运行状态的预测值与实测值，根据故障状态判断阈值，对第一设定时刻下的液压油车运行状态进行判断。通过获取液压油车历史数据、实时数据、飞机装配工艺要求等多维度信息，采用M‑LSTM预测模型对液压油车运行状态进行预测，能够很好地适用于液压油车复杂工况下运行状态的准确、实时检测。

技术研发人员：张昊龙,石芹芹,金筑云,况林,贾定智,周佳,王丹阳
受保护的技术使用者：成都飞机工业（集团）有限责任公司
技术研发日：
技术公布日：2024/1/14