基于5G边云协同的民用航空发动机故障诊断系统及方法与流程

计算;推算;计数设备的制造及其应用技术基于5g边云协同的民用航空发动机故障诊断系统及方法技术领域1.本发明涉及民用航空发动机技术领域，具体涉及一种基于5g边云协同的民用航空发动机故障诊断系统及方法。背景技术：2.航空发动机是飞机的心脏。发动机可靠稳定的运行直接关系到飞行安全，严重的发动机故障将可能引发重大的飞行安全事故。航空发动机作为高效的热力机械，结构形式复杂，工作温度高，易产生各类故障。发动机健康管理（ehm）系统作为发动机状态监视与故障诊断的有效手段，支撑发动机可靠稳定的运行，其中关于发动机的振动监测及故障诊断是其核心内容。3.现有ehm由机载子系统与地面子系统两部分构成。对于振动状态监测，机载子系统负责在空中飞行状态下做实时运算与判断，限于机载算力，通常的监测准则为单调的振动总量阈值判断，并不能详细诊断故障具体原因（比如：当低压转子振动值达到6个单位或高压转子振动值达到4.2个单位时将触发驾驶舱的高振动警报）；地面子系统负责航空发动机在地面状态下的离线分析，在充足计算资源的支持下，借助大数据分析等手段完成发动机振动故障诊断。因此，后者是前者的功能补充。在飞行安全性日趋提升的背景下，二者之间的互联互通、融合发展是必然技术趋势。4.然而，发动机的振动监测在机载子系统与地面子系统之间的联通方面面临如下问题：由于发动机的转速很高，基于奈奎斯特采样定理，振动传感器往往需要很高的采样频率才能捕获故障信息，这将产生大量的振动数据。目前飞机联网通信方式以甚高频、高频以及geo手段为主，其通信时延高，速度低，费用昂贵，多用于关键信息传输。所以，囿于目前现有的采集方式与通信方式，振动数据难以有效从机载子系统回传至地面子系统，从而限制了振动故障在线诊断的可能。5.因此，有必要提供一种信号诊断系统，解决振动监测与故障诊断之间信号传输的问题。技术实现要素：6.解决的技术问题针对现有技术所存在的上述缺点，本发明提供了一种基于5g边云协同的民用航空发动机故障诊断系统，该故障诊断系统及方法可以有效解决信号传输的问题。7.技术方案为实现以上目的，本发明通过以下技术方案予以实现：本发明提供一种基于5g边云协同的民用航空发动机故障诊断系统，包括：边缘端，设置于航空发动机，用于对所述航空发动机的振动信号进行全采样，以及基于观测矩阵进行欠采样，分别得到全采样振动数据和压缩采样振动数据；云端平台，设置于地面，用于接收所述全采样振动数据和所述压缩采样振动数据，基于所述全采样振动数据得到所述观测矩阵并遴选字典，并将所述观测矩阵输出给所述边缘端，还用于通过所述字典对所述压缩采样振动数据进行信号重构，得到重构数据，并基于所述重构数据进行故障诊断；5g atg基站，设置于地面，用于所述边缘端和所述云端平台之间的信号传输。8.可选的，所述边缘端至少包括设置于所述航空发动机的振动加速度传感器、数采装置、存储单元和通信管理模块，所述振动加速度传感器用于测量所述航空发动机的振动，所述数采装置用于根据所述振动加速度传感器的测量得到所述全采样振动数据和所述压缩采样振动数据，所述存储单元用于储存所述全采样振动数据和所述压缩采样振动数据，所述通信管理模块用于通过5g atg传输技术向所述5g atg基站传输所述全采样振动数据和所述压缩采样振动数据。9.本技术还提供一种基于5g边云协同的航空发动机故障诊断方法，使用本技术提供的所述基于5g边云协同的航空发动机故障诊断系统，包括如下步骤：s1、第一次边云协同：所述边缘端对航空发动机的振动信号进行全采样，得到全采样振动数据，并将所述全采样振动数据输出给所述5g atg基站，所述5g atg基站再将所述全采样振动数据输出给所述云端平台，所述云端平台基于所述全采样振动数据得到观测矩阵并遴选字典，并将所述观测矩阵通过所述5g atg基站输出给所述边缘端，将所述字典储存，第一次边云协同结束；s2、第二次边云协同：所述边缘端依据所述观测矩阵对航空发动机的振动信号进行欠采样，得到压缩采样振动数据，并将所述压缩采样振动数据通过所述5g atg基站输出给所述云端平台，所述云端平台依据所述字典对所述压缩采样振动数据进行信号重构，得到重构数据，并基于所述重构数据进行故障诊断，将诊断结果通过所述5g atg基站输出给所述边缘端，第二次边云协同结束。10.可选的，步骤s1之前还包括设置系统启动的判断准则，以使当所述基于5g边云协同的民用航空发动机故障诊断系统满足所述判断准则时，所述第一次边云协同开启。11.可选的，所述判断准则基于振动值和时间。12.可选的，所述遴选字典指遴选稀疏矩阵，用于使信号在所述稀疏矩阵某个域空间内稀疏表示；其中，遴选的范围为：所述云端平台存储的常用变换正交基；遴选的准则为：在一设置重构精度信号的约束下选择信号压缩率最大的字典作为更新周期内的正交基字典。13.可选的，所述云端平台依据所述字典对所述压缩采样振动数据进行信号重构，具体包括：采用正交匹配追踪算法作为重构算法，信号重构指长度为m的测量向量y重构出长度为n的稀疏信号x的过程，信号重构结果为：其中，为求得的稀疏系数，为原始信号的估计。14.可选的，所述云端平台基于所述重构数据进行故障诊断，其中，所述故障诊断的网络框架为采用监督学习的二维卷积神经网络，用于训练所述二维卷积神经网络的数据集为同型号航空发动机飞行时的振动数据与飞行维护的故障诊断结果数据。15.可选的，所述二维卷积神经网络的输入层为振动时序波形信号绘制形成的二维数据方阵，其表现为单通道灰度图像，网络中间层由卷积层、池化层、激活函数层交替堆叠而成，输出层由全连接层与soft max层构成。16.有益效果1）本发明提供的技术方案建立了一套边缘端-云端平台协同故障诊断系统环境，实现了边云协同机制下的民用航空发动机故障诊断，更新了传统民用航空发动机故障诊断系统及其网络传输架构；2）本方案能更好地指导民用航空发动机振动总量未超限但出现振动异常，且需要紧急处置的机械系统故障进行在线诊断，支撑发动机视情维护；3）在传输方面，本方案利用压缩感知技术，引入基于信号稀疏表示的数据压缩后，能够减少对采集设备的压力，减小对存储与空地传输过程中所需的内存空间和能量消耗。同时，在空地数据传输链中引入了5g atg传输技术，借助地面专用基站等基础设施实现空地网络全覆盖,为民用航空发动机实时大量传感数据的传输提供必要条件；4）在故障诊断方面，本方案提出一种利用原始时域振动信号的端到端的算法，使用基于卷积神经网络的智能诊断算法来自动完成特征提取以及故障识别，避免了基于信号处理的“特征提取+分类器”的传统智能诊断算法，摆脱了对专家经验要求高、算法设计耗时且通用性差的问题。附图说明17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。18.图1为本发明一实施例提供的基于5g边云协同的民用航空发动机故障诊断系统示意图；图2为本发明一实施例提供的基于5g边云协同的民用航空发动机故障诊断方法流程图；图3为本发明一实施例提供的基于5g边云协同的民用航空发动机故障诊断方法中二维卷积神经网络示意图；图4为本发明一实施例提供的基于5g边云协同的民用航空发动机故障诊断方法中二维卷积操作示意图；图5为本发明一实施例提供的基于5g边云协同的民用航空发动机故障诊断方法中二维卷积神经网络最大池化示意图。具体实施方式19.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。20.现有民用航空发动机的机载振动监测系统默认以低压或者高压转子振动值作为判断故障标准，以cfm56-5b发动机为例，制造厂商设定的振动总量限制值为低压转子振动值达到6个单位（1个单位为mils）或高压转子振动值达到4.2个单位。超出此值后机载系统报警显示振动情况异常，严重时飞行员须关闭发动机保证飞机安全，并尽快降落检修。21.参阅图1，本发明一实施例提供了一种基于5g边云协同的民用航空发动机故障诊断系统，包括：边缘端，设置于航空发动机，用于对航空发动机的振动信号进行全采样，以及基于观测矩阵进行欠采样，分别得到全采样振动数据和压缩采样振动数据；云端平台，设置于地面，用于接收全采样振动数据和压缩采样振动数据，基于全采样振动数据得到观测矩阵并遴选字典，并将观测矩阵输出给边缘端，还用于通过字典对压缩采样振动数据进行信号重构，得到重构数据，并基于重构数据进行故障诊断；5g atg基站，设置于地面，用于边缘端和云端平台之间的信号传输。22.在本实施例中，边缘端应至少包含振动加速度传感器、数采装置、存储单元和通信管理模块。5g atg基站应至少包含有源天线单元。云端平台应至少包含应用系统服务器、数据库服务器和数据处理服务器。其中，振动加速度传感器用于测量航空发动机的振动，数采装置用于根据振动加速度传感器的测量得到全采样振动数据和压缩采样振动数据，存储单元用于储存全采样振动数据和压缩采样振动数据，通信管理模块用于通过5g atg传输技术向5g atg基站传输全采样振动数据和压缩采样振动数据。23.基于同一发明构想，本发明还提供了一种基于5g边云协同的航空发动机故障诊断方法，使用上述任一项的基于5g边云协同的航空发动机故障诊断系统，包括如下步骤：s1、第一次边云协同：边缘端对航空发动机的振动信号进行全采样，得到全采样振动数据，并将全采样振动数据输出给5g atg基站，5g atg基站再将全采样振动数据输出给云端平台，云端平台基于全采样振动数据得到观测矩阵并遴选字典，并将观测矩阵通过5g atg基站输出给边缘端，将字典储存，第一次边云协同结束；s2、第二次边云协同：边缘端依据观测矩阵对航空发动机的振动信号进行欠采样，得到压缩采样振动数据，并将压缩采样振动数据通过5g atg基站输出给云端平台，云端平台依据字典对压缩采样振动数据进行信号重构，得到重构数据，并基于重构数据进行故障诊断，将诊断结果通过5g atg基站输出给边缘端，第二次边云协同结束。24.具体实施的时候，本发明涉及的系统在启动后，部署于航空发动机的边缘端通过地面上的5g atg基站，以及部署于地面子系统的云端平台之间通过5g atg传输技术将进行两次边云协同。25.在本实施例中，第一次边云协同下，边缘端对航空发动机的振动信号进行全采样，得到全采样振动数据，并将全采样振动数据输出给5g atg基站。5g atg基站收到该段全采样振动数据后，转发至云端平台。云端平台针对该全采样振动数据设计观测矩阵并遴选字典，其中，选取观测矩阵一般为高斯随机矩阵，且需满足rip特性。遴选字典即遴选稀疏矩阵，目的是使信号在稀疏矩阵某个域空间内可稀疏表示，其中，遴选的范围为：云端平台存储的常用变换正交基，例如傅里叶变换基、离散余弦变换基、小波基等对该段全采样信号进行域变换，成为稀疏信号；遴选的准则为：在信号重构性能较好（例如重构精度为95%）的约束下选择信号压缩率最大的字典作为该更新周期内的正交基字典。26.在本实施例中，信号压缩率定义为：其中，cr为信号压缩率，num表示压缩前原始信号的点数，num’为压缩采样后信号的点数，此外，遴选的字典必须满足与观测矩阵不相干。27.信号压缩采样过程的数学表达为：其中，y∈rm为压缩采样信号，为观测矩阵， 为该段全采样信号。28.其中，为字典矩阵，为该字典下的稀疏系数。29.该段全采样信号的压缩感知模型为：其中，为感知矩阵。30.信号重构为求解θ，该问题可以转化为求解范数的优化问题，即：使用归一化均方根误差表示重构精度，公式为：其中，nmse表示重构精度，代表了重构信号与原始信号的差异。31.在本实施例中，云端平台将存储遴选得到的字典，并发送观测矩阵给位于地面的5g atg基站。5g atg基站将接收到的观测矩阵利用5g atg技术传输给边缘端的通信管理模块，第一次协同结束。32.在本实施例中，第二次边云协同下，边缘端依据观测矩阵对民用航空发动机的振动信号进行欠采样，得到压缩采样振动数据，并将压缩采样振动数据通过5g atg基站输出给云端平台，云端平台依据字典对压缩采样振动数据进行信号重构，具体包括：采用正交匹配追踪算法作为重构算法，信号重构指长度为m的测量向量y重构出长度为n的稀疏信号x的过程，信号重构结果为：其中，为求得的稀疏系数，为原始信号的估计。33.具体地，采用正交匹配追踪（orthogonal matching pursuit，omp）算法作为重构算法，上述算法需要将稀疏度作为预置参数，迭代次数根据信号的稀疏度确定。得到重构数据，并基于重构数据进行故障诊断，将诊断结果通过5g atg基站输出给边缘端，第二次边云协同结束。34.在本实施例中，参阅图3，云端平台基于重构数据进行故障诊断，其中，采用故障诊断的网络框架为监督学习的二维卷积神经网络，用于训练二维卷积神经网络的数据集为同型号航空发动机飞行时的振动数据与该次飞行维护的故障诊断结果数据。其中，二维卷积神经网络的输入层为振动时序波形信号绘制形成的二维数据方阵，其表现为单通道灰度图像，网络中间层由卷积层、池化层、激活函数层交替堆叠而成，输出层由全连接层与softmax层构成。35.具体地，输入层的作用是减少量纲和奇异样本的影响，针对重构信号利用z-score方法（具体参见公式）进行归一化处理。36.其中，是归一化信号，是原始振动信号，u原始振动信号均值，σ为原始振动信号标准差。归一化信号依据时序形成尺寸为m×m（m∈n）的二维数据方阵。37.参阅图4，卷积层的作用是提取数据特征，以尺寸为p×q（p、q 《 m & p、q ∈ n）的卷积核在二维数据方阵上以某一定步长（s）滑动,与其相覆盖的区域进行点积完成特征提取，具体计算为方法为。38.上述公式所代表的卷积过程可表示第l层是卷积层的运算方法。其中，表示第l+层的第j个神经元的输入；为激活函数；m表示特征图数量；是第l层第j个神经元的输出；表示卷积运算；表示第l层第i个神经元与第l+1层的第j个神经元的卷积核；b表示偏置。39.激活函数的作用是引入非线性因素使网络具备复杂逻辑判断能力，在此采用relu函数形式，其具体计算公式为。40.参阅图5，激活函数的作用是引入非线性因素使网络具备复杂逻辑判断能力，在此采用relu函数形式，其具体计算公式为。41.全连接层的作用为将上游得到的二维矩阵按照行序转为一维矩阵。softmax层的作用为基于全连接层的数据计算故障类别发生的概率。此处以常见转子系统振动故障：转子不平衡、转子不对中、径向碰磨故障为例，则softmax层将输出上述三类故障状态与正常状态的概率值。卷积神经网络以梯度下降法逼近最小交叉熵下的卷积核最优权重与偏置。42.在本实施例中，参阅图2，步骤s1之前还包括设置系统启动的判断准则，以使当基于5g边云协同的民用航空发动机故障诊断系统满足判断准则时，第一次边云协同开启。其中，判断准则基于振动值和时间。本发明涉及的系统将在振动值接近故障标准阈值的情况下启动，实现对潜在故障的判定，辅助飞行员开展应急处置。系统启动的判断准则（或触发逻辑）为：低压转子振动值大于3个单位连续60秒或大于4个单位连续10秒时启动边云协同机制。时间与振动值的联合限制将有效过滤发动机遭遇气流波动、结冰、外来物吸入和加减速时所产生的短期振动值上升情况等。为适应民用航空发动机运行参数和环境的动态变化，该准则设置更新间隔为t0。43.本发明的优点在于，建立了一套边缘端-云端平台协同故障诊断系统环境，实现了边云协同机制下的民用航空发动机故障诊断，更新了传统民用航空发动机故障诊断系统及其网络传输架构；进一步地，本方案能更好地指导民用航空发动机振动总量未超限但出现振动异常，且需要紧急处置的机械系统故障进行在线诊断，支撑发动机视情维护；再进一步地，在传输方面，本方案利用压缩感知技术，引入基于信号稀疏表示的数据压缩后，能够减少对采集设备的压力，减小对存储与空地传输过程中所需的内存空间和能量消耗。同时，在空地数据传输链中引入了5g atg传输技术，借助地面专用基站等基础设施实现空地网络全覆盖,为民用航空发动机实时大量传感数据的传输提供必要条件；最后，在故障诊断方面，本方案提出一种利用原始时域振动信号的端到端的算法，使用基于卷积神经网络的智能诊断算法来自动完成特征提取以及故障识别，避免了基于信号处理的“特征提取+分类器”的传统智能诊断算法，摆脱了对专家经验要求高、算法设计耗时且通用性差的问题。44.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!