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。