本发明公开了一种基于MSCNN深度学习的飞机系统故障诊断方法，包括如下步骤：S1，采集已经译码的飞机QAR数据；S2，将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据；S3，建立全任务剖面的深度学习模型MSCNN；S4，根据样本自动识别工况条件并自适应生成单工况模型，利用深度学习模型MSCNN对需检测的样本数据进行自动检测，并识别单一工况下的故障；S5，比较多个工况的诊断结果，进行冗余和验证，得到最后的诊断结果。
1.一种基于MSCNN深度学习的飞机系统故障诊断方法，其特征在于，包括如下步骤：S1，采集已经译码的飞机QAR数据；
S2，将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据；
S4，根据样本自动识别工况条件并自适应生成单工况模型，利用深度学习模型MSCNN对需检测的样本数据进行自动检测，并识别单一工况下的故障；
S5，比较多个工况的诊断结果，进行冗余和验证，得到最后的诊断结果；
所述步骤S4包括卷积神经网络模型的训练过程，其具体步骤如下：卷积神经网络模型的训练是通过不断地迭代极小化损失函数以确定CNN模型中最优权重和偏置参数的过程，模型损失函数采用softmax交叉熵loss函数：式中，T为当前工况下故障类别数目；yj为输入样本xi对应的期望输出，即softmax输出向量的第j个值，Yj为输入样本xi对应的真实分类结果；
为了提高模型收敛速度，采用随机小批量梯度下降法进行模型训练，具体每次在训练集中选择一批数据，执行以下操作，迭代更新：a，初始化权重W和偏置b；
设第l个卷积层输入样本为x，其中包含m*n个元素，卷积核个数为s，每个卷积核大小为g×g，因此每种卷积核对应的输出特征的大小为(m+1-g)×(n+1-g)，需要训练的参数为权重参数加1个偏向b，总共数目为(g*g+1)×s；第l个卷积层第k种卷积核的输出结果为：式中 表示第l个卷积层第k种卷积核输出的第i，j个元素， 表示第l个卷积层第(l,k)k种卷积核的第j个元素，b 表示第l个卷积层第k种卷积核的偏置σ表示卷积层所采用的激活函数；
采样层对卷积层输出进行求均值操作,从卷积层提炼信息；假设采样宽度为r*r,并保证r可以被(m+1-g)×(n+1-g)整除，则每个特征对应的采样输出大小为(m+1-g)×(n+1-g)/(r*r)，因此第l个卷积层第k种卷积核对应的采样层 的输出结果为：式中 表示第l个卷积层第k种卷积核的对应池化层的第j个输出； 表示第l个卷积层第k种卷积核输出的第p，q个元素；
采样层输出特征平展成N*1(N＝(m+1-g)×(n+1-g)/(r*r))的向量后输入给全连接层,全连接层输出一个T*1的向量，其中第i个输出结果为：其中wi,j表示全连接层权；
经Softmax分类器后最终输出是T*1的向量，向量的每个值表示这个样本属于每个类的概率值，所有神经元输出值之和为1；
Softmax回归中将x分类为类别j的概率为：T为当前工况的故障类别数目；
f，采用反向传播算法，根据误差反向更新各层权重W和偏置bf.1计算网络各层的误差
式中y表示输入样本x对应的期望输出；α表示输入样本x对应的实际模型输出；
如果l层与l+1层全连接的,那么第l层的误差项为δ(l)＝(W(l))Tδ(l+1)f'(z(l))如果第l层是一个卷积和池化层，那么误差项为：式中upsample表示通过计算连接到到池化层的各神经元(即池化层前一层的神经元)的误差来将误差传出池化层，将误差进行简单的均匀分布返还给上一层神经元；k是卷积核编号，f'(·)是激活函数的导数， 则表示第l层第k个卷积核神经元的输入；
f.2计算损失函数关于第l层参数的梯度，即W以及b的偏导数式中a(l)表示第l层的输出；
f.4当满足以下一个条件终止迭代，否则重复卷积神经网络模型的训练步骤i，权重更新低于某个阈值；
2.根据权利要求1所述的基于MSCNN深度学习的飞机系统故障诊断方法，其特征在于，所述步骤S3的具体步骤如下：选取故障发生时60秒的参数采样序列作为模型输入，每种监测参数作为输入矩阵的一列，构成二维数据样本，同时能反映飞机前后运行状态变化。
3.根据权利要求1所述的基于MSCNN深度学习的飞机系统故障诊断方法，其特征在于，还包括判断飞行工况，重构单工况的CNN模型，并进行数值预处理的过程：对飞行任务每一个具体工况，将工况条件与MSCNN全连接层C(ek)相匹配，触发相应的连接使能条件，激活满足条件的softmax分类器，网络结构输出则为只与当前工况相关的故障模式，从而获得当前工况下的独立的CNN模型。
一种基于MSCNN深度学习的飞机系统故障诊断方法
技术领域
[0001] 本发明属于航空系统故障诊断技术领域，具体的说，特别涉及到一种基于MSCNN深度学习的飞机系统故障诊断方法。
背景技术
[0002] 随着目前飞机系统设备日趋复杂，通过智能化及机电一体化，对复杂装备系统进行准确、有效的故障诊断成为提高系统安全性和可靠性，并降低维护成本的有效途径。当前方法主要有基于案例法、专家系统、模糊推理法等,，这些方法由于过度依赖工程师及专家诊断经验，并且有些故障现象难以复现，已很难满足现代复杂系统设备的故障诊断需求。
[0003] 飞机QAR数据伴随着海量的监测数据,，而深度学习通过建立深层神经网络模拟人脑的信息处理机制来学习、解释并分析学习输入数据,具有强大的特征提取与模式识别能力。卷积神经网络，作为一种典型的深度学习方法，不需要人为参与特征的选取过程，可以自动地学习大量数据集中的目标特征。其权值共享和局部连接机制使得它具备优于传统技术的优点，同时具有良好的容错能力、并行处理能力和自学习能力。这些优点使得卷积神经网络在处理环境信息复制，推理规则不明确情况下的问题时具有较大优势。
[0004] 但对于传统CNN模型，只含有一个Softmax分类器，对于多工况系用一个CNN模型不能完整表达被诊断系统。统往往需要针对不同工况分别建立不同的模型。
发明内容
[0005] 本发明的目的在于针对现有技术中的不足，提供一种基于MSCNN深度学习的飞机系统故障诊断方法，以解决现有技术中存在的问题。
[0006] 本发明所解决的技术问题可以采用以下技术方案来实现：
[0007] 一种基于MSCNN深度学习的飞机系统故障诊断方法，包括如下步骤：
[0008] S1，采集已经译码的飞机QAR数据；
[0009] S2，将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据；
[0010] S3，建立全任务剖面的深度学习模型MSCNN；
[0011] S4，根据样本自动识别工况条件并自适应生成单工况模型，利用深度学习模型MSCNN对需检测的样本数据进行自动检测，并识别单一工况下的故障；
[0012] S5，比较多个工况的诊断结果，进行冗余和验证，得到最后的诊断结果。
[0013] 进一步的，所述步骤S3的具体步骤如下：
[0014] 选取故障发生时60秒的参数采样序列作为模型输入，每种监测参数作为输入矩阵的一列，构成二维数据样本，同时能反映飞机前后运行状态变化。
[0015] 进一步的，还包括判断飞行工况，重构单工况的CNN模型，并进行数值预处理的过程：对飞行任务每一个具体工况，将工况条件与MSCNN全连接层C(ek)相匹配，触发相应的连接使能条件，激活满足条件的softmax分类器，网络结构输出则为只与当前工况相关的故障模式，从而获得当前工况下的独立的CNN模型。
[0016] 进一步的，所述步骤S4包括卷积神经网络模型的训练过程，具体步骤如下：
[0017] 卷积神经网络模型的训练是通过不断地迭代极小化损失函数以确定CNN模型中最优权重和偏置参数的过程，模型损失函数采用softmax交叉熵loss函数：
[0018]
[0019] 式中，T为当前工况下故障类别数目；yj为输入样本xi对应的期望输出，即softmax输出向量的第j个值，Yj为输入样本xi对应的真实分类结果；
[0020] 为了提高模型收敛速度，采用随机小批量梯度下降法进行模型训练，具体每次在训练集中选择一批数据，执行以下操作，迭代更新：
[0021] a，初始化权重W和偏置b；
[0022] b，计算卷积层输出；
[0023] 设第l个卷积层输入样本为x，其中包含m*n个元素，卷积核个数为s，每个卷积核大小为g×g，因此每种卷积核对应的输出特征的大小为(m+1-g)×
[0024] (n+1-g)，需要训练的参数为权重参数加1个偏向b，总共数目为(g*g+1)×s；第l个卷积层第k种卷积核的输出结果为：
[0025]
[0026] 式中 表示第l个卷积层第k种卷积核输出的第i，j个元素， 表示第l个卷积层第k种卷积核的第j个元素，b(l,k)表示第l个卷积层第k种卷积核的偏置σ表示卷积层所采用的激活函数；
[0027] c，采样层输出
[0028] 采样层对卷积层输出进行求均值操作,从卷积层提炼信息；假设采样宽度为r*r,并保证r可以被(m+1-g)×(n+1-g)整除,则每个特征对应的采样输出大小为(m+1-g)×(n+1-g)/(r*r)，因此第l个卷积层第k种卷积核对应的采样层 的输出结果为：
[0029]
[0030] 式中 表示第l个卷积层第k种卷积核的对应池化层的第j个输出； 表示第l个卷积层第k种卷积核输出的第p，q个元素；
[0031] d，全连接层输出
[0032] 采样层输出特征平展成N*1(N＝(m+1-g)×(n+1-g)/(r*r))的向量后输入给全连接层,全连接层输出一个T*1的向量，其中第i个输出结果为：
[0033]
[0034] 其中wi,j表示全连接层权；
[0035] e，计算故障分类概率
[0036] 经Softmax分类器后最终输出是T*1的向量，向量的每个值表示这个样本属于每个类的概率值，所有神经元输出值之和为1；
[0037] Softmax回归中将x分类为类别j的概率为：
[0038]
[0039] T为当前工况的故障类别数目；
[0040] f，采用反向传播算法，根据误差反向更新各层权重W和偏置b
[0041] f.1计算网络各层的误差
[0042] 输出层的误差为:
[0043] δ＝α-y
[0044] 式中y表示输入样本x对应的期望输出；α表示输入样本x对应的实际模型输出；
[0045] 定义δ(l+1)是第l+1层的误差项
[0046] 如果l层与l+1层全连接的,那么第l层的误差项为
[0047] δ(l)＝(W(l))Tδ(l+1)f'(z(l))
[0048] 如果第l层是一个卷积和池化层，那么误差项为：
[0049]
[0050] 式中upsample表示通过计算连接到到池化层的各神经元(即池化层前一层的神经元)的误差来将误差传出池化层，将误差进行简单的均匀分布返还给上一层神经元；k是卷积核编号，f'(·)是激活函数的导数， 则表示第l层第k个卷积核神经元的输入；
[0051] 如果第l层是一个池化层，误差项则为：
[0052]
[0053] f.2计算损失函数关于第l层参数的梯度，即W以及b的偏导数
[0054]
[0055]
[0056] 式中a(l)表示第l层的输出；
[0057] f.3迭代更新权重和偏置参数:
[0058] 式中η表示学习率,范围为[0，1]；
[0059]
[0060]
[0061] f.4当满足以下一个条件终止迭代，否则重复卷积神经网络模型的训练步骤[0062] i，权重更新低于某个阈值；
[0063] ii，预测的错误率低于某个阈值；
[0064] iii，达到预设一定的循环次数。
[0065] 与现有技术相比，本发明的有益效果在于：
[0066] 采用多个softmax分类器的CNN网络，用同一CNN网络同时解决多个工况的故障判断，实现多个工况下的故障分类问题的权值共享。基于该模型，利用飞机海量数据，建立MSCNN模型不需要人为判断工况和参与特征的选取过程，可以自动地学习大量数据集中的目标特征，首先实现单工况的飞机系统故障自动识别，最后将多个工况的诊断结果相互间的冗余验证使结果更精确。
附图说明
[0067] 图1为本发明所述的基于MSCNN深度学习的飞机系统故障诊断流程图。
[0068] 图2为本发明所述的单工况CNN模型学习与测试流程图。
[0069] 图3为本发明所述的MSCNN模型示意图。
具体实施方式
[0070] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0071] 参见图1、图2和图3，本发明所述的一种基于MSCNN深度学习的飞机系统故障诊断方法，包括如下步骤：
[0072] S1，采集已经译码的飞机QAR数据；
[0073] 选择最能反映飞机系统工作状态的典型变量作为模型的输入特征数据，并分析不同工况的阈值范围。
[0074] S2，将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据；
[0075] S3，建立全任务剖面的深度学习模型MSCNN；
[0076] S4，根据样本自动识别工况条件并自适应生成单工况模型，利用深度学习模型MSCNN对需检测的样本数据进行自动检测，并识别单一工况下的故障；
[0077] S5，比较多个工况的诊断结果，进行冗余和验证，得到最后的诊断结果。
[0078] 所述步骤S3的具体步骤如下：
[0079] 选取故障发生时60秒的参数采样序列作为模型输入，每种监测参数作为输入矩阵的一列，构成二维数据样本，同时能反映飞机前后运行状态变化。
[0080] 进一步的，还包括判断飞行工况，重构单工况的CNN模型，并进行数值预处理的过程：对飞行任务每一个具体工况，将工况条件与MSCNN全连接层C(ek)相匹配，触发相应的连接使能条件，激活满足条件的softmax分类器，网络结构输出则为只与当前工况相关的故障模式，从而获得当前工况下的独立的CNN模型。
[0081] 进一步的，所述步骤S4包括卷积神经网络模型的训练过程，具体步骤如下：
[0082] 卷积神经网络模型的训练是通过不断地迭代极小化损失函数以确定CNN模型中最优权重和偏置参数的过程，模型损失函数采用softmax交叉熵loss函数：
[0083]
[0084] 式中，T为当前工况下故障类别数目；yj为输入样本xi对应的期望输出，即softmax输出向量的第j个值，Yj为输入样本xi对应的真实分类结果；
[0085] 为了提高模型收敛速度，采用随机小批量梯度下降法进行模型训练，具体每次在训练集中选择一批数据，执行以下操作，迭代更新：
[0086] a，初始化权重W和偏置b；
[0087] b，计算卷积层输出；
[0088] 设第l个卷积层输入样本为x，其中包含m*n个元素，卷积核个数为s，每个卷积核大小为g×g，因此每种卷积核对应的输出特征的大小为(m+1-g)×
[0089] (n+1-g)，需要训练的参数为权重参数加1个偏向b，总共数目为(g*g+1)×s；第l个卷积层第k种卷积核的输出结果为：
[0090]
[0091] 式中 表示第l个卷积层第k种卷积核输出的第i，j个元素， 表示第l个卷积层第k种卷积核的第j个元素，b(l,k)表示第l个卷积层第k种卷积核的偏置σ表示卷积层所采用的激活函数；
[0092] c，采样层输出
[0093] 采样层对卷积层输出进行求均值操作,从卷积层提炼信息；假设采样宽度为r*r,并保证r可以被(m+1-g)×(n+1-g)整除,则每个特征对应的采样输出大小为(m+1-g)×(n+1-g)/(r*r)，因此第l个卷积层第k种卷积核对应的采样层 的输出结果为：
[0094]
[0095] 式中 表示第l个卷积层第k种卷积核的对应池化层的第j个输出； 表示第l个卷积层第k种卷积核输出的第p，q个元素；
[0096] d，全连接层输出
[0097] 采样层输出特征平展成N*1(N＝(m+1-g)×(n+1-g)/(r*r))的向量后输入给全连接层,全连接层输出一个T*1的向量，其中第i个输出结果为：
[0098]
[0099] 其中wi,j表示全连接层权；
[0100] e，计算故障分类概率
[0101] 经Softmax分类器后最终输出是T*1的向量，向量的每个值表示这个样本属于每个类的概率值，所有神经元输出值之和为1；
[0102] Softmax回归中将x分类为类别j的概率为：
[0103]
[0104] T为当前工况的故障类别数目；
[0105] f，采用反向传播算法，根据误差反向更新各层权重W和偏置b
[0106] f.1计算网络各层的误差
[0107] 输出层的误差为:
[0108] δ＝α-y
[0109] 式中y表示输入样本x对应的期望输出；α表示输入样本x对应的实际模型输出；
[0110] 定义δ(l+1)是第l+1层的误差项
[0111] 如果l层与l+1层全连接的,那么第l层的误差项为
[0112] δ(l)＝(W(l))Tδ(l+1)f'(z(l))
[0113] 如果第l层是一个卷积和池化层，那么误差项为：
[0114]
[0115] 式中upsample表示通过计算连接到到池化层的各神经元(即池化层前一层的神经元)的误差来将误差传出池化层，将误差进行简单的均匀分布返还给上一层神经元；k是卷积核编号，f'(·)是激活函数的导数， 则表示第l层第k个卷积核神经元的输入；
[0116] 如果第l层是一个池化层，误差项则为：
[0117]
[0118] f.2计算损失函数关于第l层参数的梯度，即W以及b的偏导数
[0119]
[0120]
[0121] 式中a(l)表示第l层的输出；
[0122] f.3迭代更新权重和偏置参数:
[0123] 式中η表示学习率,范围为[0，1]；
[0124]
[0125]
[0126] f.4当满足以下一个条件终止迭代，否则重复卷积神经网络模型的训练步骤[0127] i，权重更新低于某个阈值；
[0128] ii，预测的错误率低于某个阈值；
[0129] iii，达到预设一定的循环次数。
[0130] 最后将测试数据输入训练好的模型，得到单工况的测试结果，并将多个工况的诊断结果，进行冗余和验证，得到最后的诊断结果。
[0131] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
