[发明专利]一种拟图智能化航空传感器故障检测与分类方法

说明书

本发明公开了一种拟图智能化航空传感器故障检测与分类方法，属于航空技术领域，方法包括：获取若干个航空传感器在不同类型的故障条件下采集到的训练数据；将训练数据堆叠并封装为图像格式，获得训练图像；将训练图像输入到图像分类网络后采用迁移学习方法展开网络训练，获得航空传感器故障检测与分类网络；获取若干个待检测的航空传感器在飞行状态下采集到的待检数据；将待检数据堆叠并封装为图像格式，获得待检图像；将待检图像输入到上述网络中，获得待检测的航空传感器的故障类型。本发明将航空传感器故障检测与分类问题转换为图像的异常区域检测与分类问题，采用预训练的图像分类网络发展出高准确度的航空传感器故障检测与分类深度神经网络。

技术领域

本发明涉及航空技术领域，特别涉及一种拟图智能化航空传感器故障检测与分类方法。

背景技术

民航客机、军用战机、通用飞行器等均安装有大量的传感器，这些传感器用于测量航空器的速度、迎角等飞行状态，是保障航空器安装运作的关键。但是，传感器一般都装配在航空器的外表面，因此会受落雨、结冰影响，从而易发生故障，这些故障严重影响航空器的运作。因此，航空器传感器故障检测技术十分必要。

现有的工业界的航空器传感器故障检测技术基于硬件冗余开发，即在航空器上装配多套传感器，针对同一飞行状态进行冗余测量，通过投票逻辑监测各套传感器，进而检测故障。但是这一技术需要装配多套传感器，成本较高；另外，近年欧洲空客公司的A330、美国波音公司的B737MAX等由于传感器故障造成的飞行事故亦表明现有工业界的航空器传感器故障检测技术仍有不足。

不同于硬件冗余，目前也有大量的航空器传感器故障检测方法基于软件冗余展开。但是，这些方法多依赖航空器的动力学、运动学模型及参数，需要针对不同航空器或同一航空器的不同飞行状态分别调参，工作量大，工程通用性低，尚未得到大规模应用。

在针对机械设备、航空发动机等的故障检测研究中，已出现大量采用深度神经网络的传感器故障检测方法。这些方法针对不同设备或者同一设备的不同运行状态的通用性较好，故障检测准确度较高。但在这些方法中，需面向不同的任务分别展开深度神经网络的原始结构设计与训练，计算代价较高；且有关结构设计多采用试错等方式，网络的可信度存疑；这些因素均限制了其工程适用性。

在面向计算机视觉领域的图像分类等问题的深度神经网络研究中，可解释性分析和迁移学习方法已得到了广泛的应用；前者多针对卷积深度神经网络展开，通过分析网络内部卷积核运算的机理，压实其可解释性分析理论基础，进而有效提升了网络的可信度。此外，迁移学习基于可解释性分析理论，将预训练的网络迁移到不同任务的研究中，有效降低了网络研发所需的计算代价。

鉴于计算机视觉领域针对图像分类等问题的深度神经网络研究进展，亟待开发一种能够应用于航空传感器故障检测与分类的技术，实现在保证航空传感器故障检测与分类优秀性能的同时，能够有效降低网络研发所需的计算代价的目的。

发明内容

针对现有技术存在的基于硬件冗余开发的航空传感器故障检测技术可靠性差以及基于软件冗余开发的航空传感器故障检测技术通用性低、调参工作量大的问题，本发明的目的在于提供一种拟图智能化航空传感器故障检测与分类方法。

为实现上述目的，本发明的技术方案为：

一种拟图智能化航空传感器故障检测与分类方法，包括以下步骤：

获取若干个航空传感器在不同类型的故障条件下采集到的训练数据；

将所述训练数据堆叠并封装为图像格式，获得训练图像；

将所述训练图像输入到预训练的图像分类网络后采用迁移学习方法展开网络训练，获得航空传感器故障检测与分类网络；

获取若干个待检测的航空传感器在飞行状态下采集到的待检数据；

将所述待检数据堆叠并封装为图像格式，获得待检图像；