【技術實現步驟摘要】
本申請涉及航空發動機維修，具體而言，涉及一種基于深度學習的航空發動機設備維修故障診斷方法及裝置。
技術介紹
1、航空發動機作為航空器的核心動力裝置，其可靠性和安全性直接影響到飛行的安全和航班的正常運行。因此，對航空發動機的維護與故障診斷顯得尤為重要。傳統的航空發動機故障診斷方法主要依賴于人工經驗和機械檢測，通常以下幾個方面：
2、1.人工檢查：技師通過對設備的目視檢查和傳統儀器的測量，依靠經驗判斷潛在故障。這種方法的缺點在于檢測效率低、主觀性強，且容易忽略微小的故障跡象。
3、2.振動分析：對航空發動機中各種部件的振動情況進行監測，以識別潛在的故障源。雖然振動分析可以提供一定的診斷能力，但其依賴于復雜的信號處理和經驗模型，且在處理非線性和多變故障時存在局限。
4、3.溫度監測：通過安裝在發動機各個部位的傳感器監控溫度變化，以推斷設備狀態。然而，溫度傳感器的單一數據來源也可能導致復雜故障診斷時的信息不足。
5、4.基于規則的系統：通過事先設定的故障規則和條件進行診斷。這種方法雖然可以在特定條件下有效工作，但難以適應新穎或復雜的故障模式。
6、但是上述傳統的故障診斷方法存在局限性，例如依賴人工檢查，工作效率較低；人工判斷容易受到經驗和情緒的影響，缺乏客觀性；現有規則基礎的診斷方法對新穎故障模式的適應能力有限；傳統方法在處理高維和非線性數據時表現不佳；現有技術在實時故障檢測中存在延遲；故障診斷受限于溫度或振動等單一參數；傳統方法的模型構建流程繁瑣且需專業知識。
7
技術實現思路
1、本申請的實施例提供了一種基于深度學習的航空發動機設備維修故障診斷方法及裝置，以解決現有技術中存在的技術問題。
2、本申請的其他特性和優點將通過下面的詳細描述變得顯然，或部分地通過本申請的實踐而習得。
3、根據本申請實施例的第一方面，提供了一種基于深度學習的航空發動機設備維修故障診斷方法，包括：
4、獲取航空發動機設備數據，包括溫度數據、振動數據、壓力數據、油耗數據和噪音數據；
5、將所述航空發動機設備數據進行數據預處理，得到航空發動機設備圖結構數據；
6、構建gpt-gnn模型，并利用所述航空發動機設備圖結構數據對所述gpt-gnn模型進行訓練，得到故障診斷模型；
7、基于所述故障診斷模型進行故障診斷及故障預測。
8、在本申請的一些實施例中，基于前述方案，所述獲取航空發動機設備數據，包括：
9、在航空發動機的關鍵部位布置溫度傳感器、振動傳感器、壓力傳感器、油耗傳感器和噪音傳感器；
10、獲取各個傳感器的采集到的數據并進行存儲。
11、在本申請的一些實施例中，基于前述方案，所述將所述航空發動機設備數據進行數據預處理，得到航空發動機設備圖結構數據，包括：
12、將所述航空發動機設備數據進行數據清洗及歸一化處理；
13、將處理后的數據轉換為圖結構數據，得到所述航空發動機設備圖結構數據。
14、在本申請的一些實施例中，基于前述方案，所述構建gpt-gnn模型，包括：
15、利用預訓練的gpt模型進行初步的故障描述，生成上下文信息；
16、設計用于處理所述航空發動機設備圖結構數據的圖神經網絡模型；
17、將所述上下文信息與所述圖神經網絡模型進行集成，得到所述gpt-gnn模型。
18、在本申請的一些實施例中，基于前述方案，所述利用所述航空發動機設備圖結構數據對所述gpt-gnn模型進行訓練，得到故障診斷模型，包括：
19、將所述航空發動機設備圖結構數據按照比例分為訓練集、驗證集和測試集；
20、基于所述訓練集對所述gpt-gnn模型進行模型訓練；
21、基于所述驗證集對訓練完成后的gpt-gnn模型進行驗證，以及基于所述測試集對驗證后的gpt-gnn模型進行測試；
22、選取通過驗證和測試的gpt-gnn模型作為所述故障診斷模型。
23、在本申請的一些實施例中，基于前述方案，基于所述故障診斷模型進行故障診斷，包括：
24、采集航空發動機設備的實時數據；
25、將所述實時數據輸入至所述故障診斷模型中進行分析；
26、基于所述故障診斷模型的輸出生成故障診斷結果。
27、在本申請的一些實施例中，基于前述方案，基于所述故障診斷模型進行故障預測，包括：
28、采集航空發動機設備的實時數據；
29、將所述實時數據輸入至所述故障診斷模型中進行分析；
30、設置故障閾值；
31、將所述故障診斷模型的輸出與所述故障閾值進行比對，基于比對結果生成故障預測信息。
32、在本申請的一些實施例中，基于前述方案，還包括：
33、定期采用新的航空發動機設備數據對所述gpt-gnn模型進行再訓練。
34、在本申請的一些實施例中，基于前述方案，還包括：
35、將故障診斷結果存入故障知識庫，并實時更新所述故障知識庫。
36、根據本申請實施例的第二方面，提供了一種基于深度學習的航空發動機設備維修故障診斷裝置，包括：
37、獲取單元，用于獲取航空發動機設備數據，包括溫度數據、振動數據、壓力數據、油耗數據和噪音數據；
38、數據預處理單元，用于將所述航空發動機設備數據進行數據預處理，得到航空發動機設備圖結構數據；
39、構建單元，用于構建gpt-gnn模型；
40、訓練單元，用于利用所述航空發動機設備圖結構數據對所述gpt-gnn模型進行訓練，得到故障診斷模型；
41、故障診斷及預測單元，用于基于所述故障診斷模型進行故障診斷及故障預測。
42、根據本申請實施例的第三方面，提供了一種計算機可讀存儲介質，所述存儲介質中存儲有計算機指令，所述計算機指令在計算機上運行時，使得所述計算機執行如第一方面所述的方法。
43、根據本申請實施例的第四方面，提供了一種電子設備，包括存儲器和處理器；
44、所述存儲器，用于存儲計算機指令；
45、所述處理器，用于調用所述存儲器中存儲的計算機指令，使得所述電子設備執行如第一方面所述的方法。
46、本申請的技術方案，利用深度學習算法實現航空發動機的故障診斷，提高了故障診斷的準確性以及診斷效率。
47、應當理解的是，以上的一般描述和后文的細節描述僅是示例性和解釋性的，并不能限制本申請。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的航空發動機設備維修故障診斷方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述獲取航空發動機設備數據，包括：
3.根據權利要求1所述的方法，其特征在于，所述將所述航空發動機設備數據進行數據預處理，得到航空發動機設備圖結構數據，包括：
4.根據權利要求1所述的方法，其特征在于，所述構建GPT-GNN模型，包括：
5.根據權利要求1所述的方法，其特征在于，所述利用所述航空發動機設備圖結構數據對所述GPT-GNN模型進行訓練，得到故障診斷模型，包括：
6.根據權利要求1所述的方法，其特征在于，基于所述故障診斷模型進行故障診斷，包括：
7.根據權利要求1所述的方法，其特征在于，基于所述故障診斷模型進行故障預測，包括：
8.根據權利要求1所述的方法，其特征在于，還包括：
9.根據權利要求1所述的方法，其特征在于，還包括：
10.一種基于深度學習的航空發動機設備維修故障診斷裝置，其特征在于，包括：
【技術特征摘要】
1.一種基于深度學習的航空發動機設備維修故障診斷方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述獲取航空發動機設備數據，包括：
3.根據權利要求1所述的方法，其特征在于，所述將所述航空發動機設備數據進行數據預處理，得到航空發動機設備圖結構數據，包括：
4.根據權利要求1所述的方法，其特征在于，所述構建gpt-gnn模型，包括：
5.根據權利要求1所述的方法，其特征在于，所述利用所述航空發動機設備圖結...
【專利技術屬性】
技術研發人員：方能煒，黃銳，王曉荷，楊陽，倪席軍，
申請(專利權)人：成都航天科工大數據研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。