申请/专利权人：新乡航空工业(集团)有限公司

申请日：2023-12-22

公开（公告）日：2024-04-12

公开（公告）号：CN117874602A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/2415;G06F18/15;G06F18/2131;G06N3/0464;G06N3/047;G06N3/045;G06N3/0499;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明属于航空数字式座舱压力调节系统故障诊断术领域，提出了基于深度学习的数字式座舱压力故障诊断方法及系统。该方法包括：采集实时运行数据；对采集的数据进行清洗、分类，并进行变量的重要性评分，筛选出对系统特征影响大的变量；将向量矩阵输入故障诊断模型，故障诊断模型基于深度卷积神经网络进行深度学习，并利用损失函数来衡量分类问题中实际输出与期望输出间的误差。利用学习后故障诊断模型进行故障类别分析，预测在当前状态下数字式座舱压力调节系统中存在故障及故障类别。本发明可以实现对故障幅值小、变化不明显的故障诊断，提前预估出系统将要发生的异常现象，以便于及时做出决策，规避风险，实现飞行过程的健康管理。

主权项：1.一种基于深度卷积神经网络的座舱压力故障诊断方法，其特征在于，包括以下步骤：S1：采集数字式航空座舱压力调节系统的实时运行数据；S2：对采集的数据进行清洗、分类，并进行变量的重要性评分，筛选出对系统特征影响大的变量，并将筛选出来的变量表示为向量矩阵；S3：将向量矩阵输入故障诊断模型，故障诊断模型基于深度卷积神经网络进行深度学习，并利用损失函数来衡量分类问题中实际输出与期望输出间的误差，其中，损失函数为： 其中，d为样本的训练集合数量，为输出真值，为正向传播的期望值，l为层数。S4：利用学习后故障诊断模型进行故障类别分析，预测在当前状态下数字式座舱压力调节系统中存在故障及故障类别。

全文数据：

权利要求：

百度查询： 新乡航空工业(集团)有限公司 基于深度卷积神经网络的座舱压力故障诊断方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD